CPB Lecture: Machine learning voor economisch onderzoek en beleid (online)

Na de presentatie van Guido Imbens, vertelt Mark Kattenberg (CPB) in een co-referaat hoe machine learning verstandig toegepast kan worden bij beleidsonderzoek. Mark Kattenberg is wetenschappelijk medewerker van het CPB en coördinator van het Data Science Team (DST). Het DST verkent de mogelijkheden van machine learning in toegepast beleidsonderzoek. Kunnen we met machine learning betere voorspellingen maken van bijvoorbeeld de werkloosheid, zelfs in onzekere crisistijden? Wat zijn de ethische risico’s bij het loslaten van machine learning op gevoelige onderwerpen of data? 

Als afsluiting van de CPB Lecture vertelt Misja Mikkers (Nederlandse Zorgautoriteit en Tilburg University) in een gesprek met Jeroen Hinloopen (onderdirecteur CPB) over zijn ervaringen met machine learning bij het beleidsonderzoek van de Nederlandse Zorgautoriteit (NZa). Misja is de hoofdeconoom van de NZa en hoogleraar aan Tilburg University.

Aanmelden

Dit is een online bijeenkomst. Deelname is kosteloos. Indien u wilt deelnemen, stuurt u een e-mail naar Simone Pailer (S.Pailer@cpb.nl). U ontvangt vervolgens een Webex-uitnodiging via Outlook. Voor overige vragen kunt u contact opnemen met Bastiaan Overvest (b.overvest@cpb.nl).

Over Guido Imbens

Guido Imbens is één van de internationaal meest vooraanstaande Nederlandse economen. Voordat hij hoogleraar econometrie aan Stanford University werd werkte hij onder andere aan de University of Berkeley en Harvard University. Guido is momenteel de editor van Econometrica, een van de belangrijkste economische wetenschappelijke tijdschriften. Het onderzoek van Guido Imbens is voor een groot deel gericht op het ontwikkelen van methoden om in niet-experimentele data causale effecten te vinden. Het meten van effecten is belangrijk, omdat beleidsmakers met kennis over beleidseffecten beter inzicht hebben in de effecten en gevolgen van hun beleidskeuzes. Hoe groot zijn bijvoorbeeld de effecten van kleinere klassen op onderwijsuitkomsten? Wat is het effect van een belastingverhoging op salarissen? En hoeveel meer onderzoek doen bedrijven als ze een R&D-subsidie krijgen? Dankzij de technieken van Guido is het mogelijk geworden om betrouwbaardere uitspraken te doen over effecten van beleid of andere interventies. Hiermee heeft hij grote invloed op het empirische onderzoek, in de economische wetenschap, maar ook daarbuiten. Doordat zijn inzichten ook toegepast worden voor het meten van causale effecten van beleid, heeft zijn onderzoek indirect invloed op beleid. Een voorbeeld zijn de Kansrijkstudies van het CPB, waarin het CPB een overzicht geeft van ‘evidence based beleid’ voor onder andere onderwijs, de arbeidsmarkt en innovatiebeleid. Veel inzichten waren niet mogelijk geweest zonder het werk van Guido. 

De laatste jaren verkent Guido de mogelijkheden van machine learning voor econometrisch onderzoek. Machine learning is een nieuw vakgebied, afkomstig uit de computerwetenschappen. Door het gebruik van grote datasets en rekenintensieve methoden kunnen bijvoorbeeld betere voorspellingen gemaakt worden, of media zoals teksten of videobeelden als data worden geanalyseerd.