Beleidsbeslissingen aanvullen met machine learning via causale gevolgtrekkingen en individuele gebruiksdata.

In dit project integreer ik machine learning (ML) technologie in traditionele economie. Door de explosie van data en rekenkracht kunnen empirici steeds gedetailleerdere inzichten ontdekken. Hoewel de adoptie van ML wijdverspreid is, zijn de economie en beleidsvorming aarzelend vanwege hun focus op causaliteit in plaats van predictie. Door voorspellingskracht te combineren met causale gevolgtrekkingen, wil ik overheden en bedrijven nieuwe methoden en inzichten bieden om effectief beleid te ontwerpen met behulp van microniveau-data. In het bijzonder concentreer ik mijn onderzoek op het overbruggen van de kloof tussen voorspelling (ML) en causale gevolgtrekking (economie). Door dergelijke methoden te gebruiken in specifieke beleidsproblemen, vergroot ik het bereik van beleidsbeslissingen in de context van het verzekeringen en fiscaal beleid. Ik deel beleidsanalyses op in drie delen. Eerst de doelgroep, waaraan ik bijdraag door de efficiëntie en billijkheid van verzekeringspremies te onderzoeken, waarbij de behandeling, hier de prijs, is gebaseerd op een risico voorspelling. Ten tweede draag ik bij aan de schatting van het (heterogene) beleidseffect door het bestuderen van veranderingen in het spaargedrag als gevolg van de 2020 afschaffing van de belastingaftrek op hypotheken in Vlaanderen, België. Tot slot construeer ik een generatieve modelleringsmethode die de causale structuur van data behoud. Hiermee kan de generaliseerbaarheid van mijn resultaten worden geëvalueerd.