Beschreibung

"Dieses Papier beschäftigt sich mit einer groß angelegten Datenanalyse mit dem Ziel den Matchingprozess auf dem Arbeitsmarkt mit algorithmen- und modellbasierten statistischen Methoden zu verbessern. Wir nutzen einen umfassenden administrativen Datensatz zu Arbeitsmarktbiographien von erwerbstätigen Personen in Deutschland. Der Datensatz beinhaltet sowohl personenbezogene als auch berufsbezogene Informationen. Auf Basis unserer Schätzungen berechnen wir, in welchem Berufsfeld eine arbeitslose Person mit der größten Wahrscheinlichkeit Beschäftigung findet. Wir nutzen für unsere Prognosen übliche statistische Methoden und maschinelles Lernen. Anhand unserer Ergebnisse zeigt sich, dass für die zugrundeliegende Fragestellung Algorithmen des maschinellen Lernens die besten Ergebnisse liefern. Als Gütemaß hierfür nutzen wir den out-of-sample Prognosefehler. Hinsichtlich der Arbeitslosenquote würde die Verwendung von Methoden des maschinellen Lernens eine Verbesserung von 2,9 - 3,6 Prozentpunkten im Vergleich zu traditionellen Methoden bedeuten." (Autorenreferat, IAB-Doku)