Beschreibung

"Propensity Score Matching-Schätzer sind ein zentrales Tool, um Wirkungen aktiver Arbeitsmarktpolitik mit Individualdaten zu analysieren. Diese Studie untersucht, inwieweit Machine-Learning Algorithmen zur Schätzung des Propensity Score zu einer verbesserten Schätzung von durchschnittlichen Maßnahmeteilnahmeeffekten für die Teilnehmenden führt, wenn Radius-Matching verwendet wird. Es werden zwei gängige Methoden verwendet und die Analyse kommt zu keinem eindeutigen Ergebnis: Die Anwendung des LASSO auf der Basis von Logit-Modellen zur Schätzung des Propensity Score liefert überzeugendere Befunde als konventionelle Schätzmethoden, wenn kleine oder mittelgroße Datensätze verwendet werden. Wenn hingegen Random Forests zur Schätzung des Propensity Score verwendet werden, kann unter Verwendung von Stichproben mit einem geringen Anteil von Teilnehmenden das Gegenteil der Fall sein. Den Schätzergebnisse zufolge, führen die untersuchten Schulungsmaßnahmen dazu, dass die Tage in Beschäftigung nach Förderbeginn für die langzeitarbeitslosen Schulungsteilnehmenden höher ausfallen als ohne diese Förderung. Während bei Stichproben mit einer geringen Anzahl von Beobachtungen und einem kleinen Anteil von Maßnahmeteilnehmenden die Wahl des Schätzers für den Propensity Score für die Ergebnisse hoch relevant ist, sind die Resultate von Machine-Learning- und konventionellen Schätzungen bei einer hohen Anzahl von Beobachtungen und einem relativen hohen Anteil von Maßnahmeteilnehmenden ähnlicher." (Autorenreferat, IAB-Doku)