Titolo della tesi: Think Outside the Black Box! Leveraging Machine Learning Predictions for Policy Insight
Questa tesi esplora tre diverse applicazioni del machine learning (ML) a supporto delle politiche pubbliche. Ogni applicazione dimostra come gli algoritmi predittivi possano fornire informazioni utili per prendere decisioni, pur riconoscendone i limiti.
Nel capitolo 1 si utilizza un algoritmo Elastic Net per creare scenari ipotetici ("what-if?") nel contesto delle politiche europee per la transizione verde. La transizione verde è un processo complesso che richiede di raggiungere contemporaneamente molteplici obiettivi socioeconomici, spesso collineari fra loro, in contesti locali molto eterogenei. Il ML è particolarmente adatto a gestire questa complessità: i metodi di regressione regolarizzata non incontrano problemi nel gestire variabili collineari tra loro. Inoltre, questi algoritmi sfruttano proprio l'eterogeneità per ottenere previsioni più precise. Abbiamo esteso il modello Elastic Net standard per accomodare una componente spaziale, così da considerare fenomeni di spillover e di agglomerazione ben documentati negli studi sullo sviluppo regionale. Questo ci permette di prevedere quali regioni trarranno vantaggio dalla transizione verde e quali invece potrebbero essere penalizzate, e di confrontare diverse politiche in base ai loro effetti previsti nei vari territori.
Nel capitolo 2 vengono addestrati diversi algoritmi di ML per prevedere i tassi di disoccupazione nelle regioni dell'Unione Europea. Attraverso questo esercizio, analizziamo la rilevanza di diversi fattori nel prevedere la disoccupazione regionale. I risultati offrono intuizioni data-driven a molte domande sollevate dalla teoria economica, ad esempio, qual è il ruolo dell'inflazione o quale impatto hanno le politiche ambientali sul mercato del lavoro, aprendo la strada a futuri studi causali. Il risultato principale è che gli algoritmi basati su alberi decisionali riescono a prevedere la disoccupazione con notevole precisione, fornendo ai decisori politici un sistema di allerta precoce per individuare le regioni più vulnerabili.
Il capitolo 3 esplora il potenziale del ML nell'analisi causale, approfondendo il metodo Matrix Completion for Causal Panels (MCP), un approccio innovativo per imputare scenari controfattuali. Questo metodo sfrutta la capacità predittiva del ML per imputare le quantità controfattuali alle unità trattate, permettendo un livello di dettaglio senza precedenti nella valutazione di impatto. Il principale elemento di innovazione risiede nel fatto che MCP presuppone che le unità di osservazione siano interconnesse, superando l'assunzione tradizionale di unità indipendenti e identicamente distribuite (i.i.d.). Si tratta, quindi, di un cambio di prospettiva importante rispetto ai metodi tradizionali, che porta con sé rilevanti implicazioni da un punto di vista economico. Applichiamo questo metodo alla valutazione degli effetti del salario minimo sul mercato del lavoro, dimostrando la sua utilità ma anche evidenziando alcuni importanti limiti. Grazie alla ricostruzione di scenari controfattuali, possiamo testare ipotesi su quantità tradizionalmente non osservabili, come quella dei trend paralleli.
Nel complesso, questi tre studi sottolineano un aspetto fondamentale: il ML è uno strumento potente, ma per usarlo responsabilmente bisogna definirne chiaramente i limiti, affiancarne i risultati a una profonda comprensione del contesto ed essere trasparenti sui compromessi che comporta privilegiare la predizione rispetto alla spiegazione causale.