기계 학습을 통한 합성 제어: 브라질의 노동 규제 완화가 근로자 생산성에 미치는 영향에 대한 적용

[이매진]

기계 학습을 통한 합성 제어: 브라질의 노동 규제 완화가 근로자 생산성에 미치는 영향에 대한 적용

https://www.bis.org/publ/work1181.htm

Synthetic controls with machine learning: application on the effect of labour deregulation on worker productivity in Brazil

영어자료

work1181.pdf

560.64KB

한국어변역자료

work1181 (1).pdf

1.49MB

요약집중하다

경제 정책을 평가하려면 신중한 계량경제적 분석이 필요합니다. 한 가지 기술은 "합성 제어", 즉 "가상" 분석을 가능하게 하는 반사실적을 추정하는 것입니다. 합성 대조법은 널리 사용되지만 비교군 선택, 대조 품질 평가 기준 등 주관적인 선택이 필요합니다. 이 기술은 2017년 브라질의 획기적인 노동 규제 완화와 같은 구조적 개혁의 근로자 생산성에 대한 평가를 용이하게 할 수 있습니다.

기부금

잘 선택된 기계 학습 알고리즘은 합성 제어를 더욱 데이터 중심적이고 유연하게 만들 수 있습니다. 클러스터링 알고리즘은 순전히 데이터를 기반으로 비교 그룹을 선택합니다. 랜덤 포레스트와 같은 감독 모델은 이 그룹을 가져와 유연한 방식으로 합성 제어를 추정합니다. 그리고 다양한 학습 방법은 제어가 실제로 원래 데이터에 대한 좋은 근사인지 여부를 보다 객관적으로 보여줍니다. 이 기법을 설명하기 위해 실증적 적용을 통해 브라질의 구조적 노동 규제 완화 개혁이 근로자 생산성에 미치는 결과를 연구합니다. 결과는 다른 국가에서도 생산성을 높이기 위한 유사한 노력을 알릴 수 있습니다.

결과

특정 머신러닝 기술을 결합하면 정책 효과를 보다 객관적이고 데이터 기반으로 추정하는 데 기여할 수 있습니다. 오픈 소스 BIS 기계 학습 라이브러리 gingado는 실용적인 엔드투엔드 구현을 제공합니다. 평가 중인 정책에 대해서는 2017년 브라질의 노동 규제 완화가 개혁이 시행된 지 몇 년이 지나도 근로자 생산성에 눈에 띄는 영향을 미치지 않은 것으로 분석됐다. 이는 구조 개혁을 통해서도 생산성 수준을 지속적으로 높여야 한다는 과제를 강조합니다.

---

추상적인

합성 통제 방법은 경험적으로 중요한 여러 환경에서 치료 효과를 추정하기 위해 통제 개인의 반사실적을 계산하는 데이터 기반 방법입니다. 표준 구현에서 이 가중치는 선형이며 기증자 풀 선택의 주요 방법론적 단계와 치료된 개체와 합성 대조 간의 공변량 비교는 어느 정도 주관적인 판단에 따라 달라집니다. 따라서 현재 방법은 대규모 데이터 세트가 있는 환경이나 기증자 풀 개체의 비선형 조합을 통해 최상의 합성 제어가 얻어지는 경우 최상의 성능을 발휘하지 못할 수 있습니다. 본 논문에서는 "기계 제어", 클러스터링 알고리즘을 통한 자동화된 기증자 풀 선택을 기반으로 하는 합성 제어, 제어 엔터티의 유연한 비선형 가중치를 위한 지도 학습 및 합성 제어가 실제로 대상 단위와 유사한지 수치적으로 확인하는 매니폴드 학습을 제안합니다. 기계 제어 방법은 2017년 브라질 노동 규제 완화가 근로자 생산성에 미치는 영향을 통해 입증됩니다. 개혁 시행 당시 정책 입안자들의 기대와는 달리 근로자 생산성에 눈에 띄는 영향은 없습니다. 이 결과는 생산성 수준을 높이고 그에 따른 경제적 복지를 높이는 데 심각한 어려움이 있음을 나타냅니다.

JEL 분류: B41, C32, C54, E24, J50, J83, O47

키워드: 인과 추론, 합성 제어, 기계 학습, 노동 개혁, 생산성