Abstract:
This paper develops a large-scale application to improve the labour market matching process with model- and algorithm-based statistical methods. We use comprehensive administrative data on employment biographies covering individual and job-related information of workers in Germany. We estimate the probability that a job seeker gets employed in a certain occupational field. For this purpose, we make predictions with common statistical methods (OLS, Logit) and machine learning (ML) methods. The findings suggest that ML performs best regarding the out-of-sample classification error. In terms of the unemployment rate hypothetically, the advantage of ML compared to the common statistical methods would stand for a diference of 0.3 - 1.0 percentage points.
Abstract (Translated):
Dieses Papier beschäfigt sich mit einer großangelegten 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 gröSStenWahrscheinlichkeit Beschäfigung findet. Wir nutzen für unsere Prognosen konventionelle statistische Methoden (OLS, Logit) 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 der Vorteil der Methoden des maschinellen Lernens hypothetisch für einen Unterschied von 0,3 - 1,0 Prozentpunkten im Vergleich zu den konventionellen statistischen Methoden stehen.