Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/253713 
Year of Publication: 
2022
Series/Report no.: 
IAB-Discussion Paper No. 3/2022
Version Description: 
Aktualisierte Fassung vom 08.03.2022
Publisher: 
Institut für Arbeitsmarkt- und Berufsforschung (IAB), Nürnberg
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.
Subjects: 
Labour Market
Machine Learning
Matching
Random Forest
JEL: 
C14
C45
C55
J64
Persistent Identifier of the first edition: 
Creative Commons License: 
cc-by-sa Logo
Document Type: 
Working Paper

Files in This Item:
File
Size
1.48 MB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.