Home Notizie recenti Machine learning per prevedere se lascerai il tuo partner

Machine learning per prevedere se lascerai il tuo partner

68
0

Letizia Mencarini, Università Bocconi, Milano, e coautori hanno utilizzato una tecnica di Machine Learning per prevedere la dissoluzione di coppia in uno studio pubblicato su Demography. Credito: Weiwei Chen

La soddisfazione per la vita di entrambi i partner e la percentuale di lavoro domestico della donna si sono rivelati i più importanti fattori predittivi di scioglimento sindacale, quando studiosi affiliati al Dondena Center for Research on Social Dynamics and Public Policy della Bocconi hanno utilizzato una tecnica di machine learning (ML) per analizzare i dati su 2.038 coppie sposate o conviventi che hanno partecipato al German Socio-Economic Panel Survey. Le coppie sono state osservate, in media, per 12 anni, per un totale di 18.613 osservazioni. Durante il periodo di osservazione, 914 coppie (45%) si sono separate.

Nel loro articolo, appena pubblicato online su Demografia, Bruno Arpino (Università di Firenze), Marco Le Moglie (Università Cattolica, Milano) e Letizia Mencarini (Bocconi), hanno utilizzato una tecnica ML denominata Random Survival Forests (RSF) per superare la difficoltà di gestire un gran numero di variabili indipendenti in Modelli. “Un chiaro esempio delle potenziali difficoltà di considerare tutte le variabili e le loro possibili interazioni riguarda i tratti della personalità dei ‘cinque grandi’”, ha affermato il professor Mencarini. “Per tenere conto dei tratti di entrambi i partner (10 variabili) e di tutte le loro interazioni bidirezionali (25 variabili), sarebbe necessario includere 35 variabili indipendenti, il che sarebbe molto problematico in un modello di regressione”. Gli strumenti ML sono, al contrario, in grado di rilevare pattern complessi in set di dati relativamente piccoli. Un altro vantaggio del ML dovrebbe essere il suo potere predittivo superiore rispetto ai modelli convenzionali, più in sintonia con la spiegazione del funzionamento di determinati meccanismi che con la previsione del comportamento futuro delle variabili. Quando gli autori hanno diviso il loro campione in due parti e hanno utilizzato i risultati della prima metà per prevedere i risultati della seconda metà, hanno scoperto che l’accuratezza predittiva di RSF era considerevolmente superiore a quella dei modelli convenzionali. Tuttavia, l’accuratezza predittiva di RSF era limitata nonostante l’uso, come variabili di input, di tutti i più importanti predittori di dissoluzione dell’unione identificati in letteratura.

Tra le variabili con la maggiore capacità predittiva, gli autori hanno individuato la soddisfazione per la vita di entrambi i partner, la percentuale di lavoro domestico della donna, lo stato civile (cioè, sposata vs. convivente), l’orario di lavoro della donna, il livello di apertura della donna e il livello di estroversione dell’uomo. L’analisi ha anche rilevato che molte variabili interagiscono in modi complessi. Ad esempio, quando la soddisfazione per la vita dell’uomo era alta, la maggiore soddisfazione per la vita della donna aumentava costantemente le possibilità di sopravvivenza dell’unione. Ma quando la soddisfazione per la vita dell’uomo era bassa, l’associazione tra la soddisfazione per la vita della donna e la sopravvivenza dell’unione era negativa dopo una determinata soglia. Gli autori, tuttavia, non hanno rilevato alcun effetto di interazione quando si considerano i tratti personali: l’apertura di una donna e l’estroversione di un uomo rendono più probabile lo scioglimento dell’unione, indipendentemente dalla personalità del partner.


A cura dell’Università Bocconi

Articolo precedenteL’euro si allenta dopo la riunione della BCE, mentre il dollaro sale dopo i dati sull’inflazione
Articolo successivoCrisi ucraina: lo shock petrolifero sta arrivando, ma gli Stati Uniti potrebbero averlo già pagato