Vem är bäst på att förutsäga din arbetslöshet – du själv, din arbetsförmedlare eller en AI-algoritm?

I ett nytt working paper jämförs tre olika metoder för att förutsäga arbetslösas sannolikhet att hitta ett jobb inom sex månader. Ger den arbetslösas egen bedömning, arbetsförmedlarens bedömning eller avancerade algoritmer inom maskininlärning det bästa resultatet?

–Vi har utvecklat ett metodologiskt ramverk för att förstå skillnaderna mellan metoderna och jämfört dem med det faktiskt utfallet, säger Gerard van den Berg som är en av flera forskare bakom rapporten.

–Den här typen av förutsägelser kan vara viktiga för att ge de arbetslösa den hjälp och de insatser de eventuellt behöver i ett tidigt skede, fortsätter han. 

Maskininlärningsmodellen ger goda förutsägelser 

Maskininlärningsmodellen visar sig oftast vara bäst på att med hög noggrannhet förutsäga den arbetssökandes jobbchanser. Modellen har dessutom förmågan att upprätthålla en bra balans mellan två viktiga aspekter – förmågan att förutsäga vilka som kommer att få jobb snabbt och förmågan att undvika felaktiga förutsägelser avseende jobbchanserna för dem som kommer att bli långtidsarbetslösa.

–I det dagliga praktiska arbetet på en arbetsförmedling vill man undvika att felklassificera individen, och då är maskininlärningen det bästa verktyget av de tre. 

Men det finns också gånger då den arbetssökande själv är bättre, eller lika bra, på att bedöma sina jobbchanser. Kvinnors självbedömningar är generellt något mer korrekta än algoritmerna, och även yngre har lättare att göra korrekta uppskattningar av sina jobbchanser.

Det allra bästa är att kombinera metoderna

Men en sammanvägning av metoderna ger bäst resultat.

–Vår forskning har gett oss värdefulla insikter om arbetslöshetsprognoser. Vi bedömer att det är särskilt värdefullt att kombinera algoritmen med den arbetslöses egen bedömning. Allt fångas inte av en algoritm baserad på historiska data, avslutar Gerard van den Berg.

Tyska data och random forest-metod

Den empiriska analysen bygger på data från den federala arbetsförmedlingen i fem tyska delområden 2011–2013. Dels används registerdata för cirka 60 000 arbetslösa för att träna algoritmen, dels används enkätdata från knappt 1 200 arbetslösa och deras arbetsförmedlare.

I working papret används random forest, vilket är en specifik typ av maskininlärningsalgoritm som används för att göra förutsägelser. Metoden kombinerar flera så kallade beslutsträd för att förbättra prestanda och minska risken för överanpassning (överträning). Det är ett kraftfullt verktyg för att hantera komplexa uppgifter som klassificering och regression.