Can Algorithms Reliably Predict Long-Term Unemployment in Times of Crisis? – Evidence from the COVID-19 Pandemic

Beschreibung

"In diesem Beitrag vergleichen wir zwei gängige Machine Learning Methoden, Logistische Regression und Random Forest, im Hinblick darauf, wie geeignet sie sind um Arbeitssuchende nach ihrer Wahrscheinlichkeit, langzeitarbeitslos zu werden, zu klassifizieren. Wir untersuchen die Prognosegüte der beiden Methoden vor der COVID-19-Pandemie sowie die Auswirkungen der Pandemie und der damit verbundenen Eindämmungsmaßnahmen auf ihre Vorhersagekraft. Unsere Ergebnisse zeigen, dass Random Forest Modelle Langzeitarbeitslosigkeit besser vorhersagen können als logistische Regressionsmodelle, sowohl vor als auch nach Beginn der Pandemie. Während des Lockdowns in der ersten Welle der Pandemie nimmt sowohl der Anteil der Personen, die sich arbeitslos melden, als auch der Anteil der Personen, die langzeitarbeitslos werden, stark zu. Gleichzeitig nimmt die Prognosegüte beider Methoden ab. Obwohl sich die Zusammensetzung der (Langzeit-)Arbeitslosen zu Beginn der COVID-19-Pandemie geändert hat, finden sich keine systematischen Unterschiede in der Prognosegüte zwischen arbeitsmarktnäheren und -ferneren Personen oder zwischen Personen, die in unterschiedlichen Branchen tätig waren." (Autorenreferat, IAB-Doku)

Zitationshinweis

Kunaschk, Max & Julia Lang (2022): Can Algorithms Reliably Predict Long-Term Unemployment in Times of Crisis? – Evidence from the COVID-19 Pandemic. (IAB-Discussion Paper 08/2022), Nürnberg, 34 S. DOI:10.48720/IAB.DP.2208