Vilka är det som överutnyttjar sjukpenningen? Analys av ett randomiserat experiment

Författare: Adrian Adermon, Och Yaroslav Yakymovych, Och
Dnr: 213/2020

Projektets syfte är att använda maskininlärningsmetoden casual forest för att analysera vilka karaktäristika som kännetecknar individer som är mer benägna att överanvända möjligheterna till sjukfrånvaro om de inte kontrolleras av läkare. Detta är viktigt för att bättre förstå problematiken med onödig överanvändning (moral hazard) inom socialförsäkringen. Vilka egenskaper utmärker individer som tar ut mer sjukpenning när kontrollen minskar?

Forskarna använder sig av ett experiment som genomfördes 1988 i Göteborgs stad och Jämtlands län. Personer födda udda datum behövde uppvisa läkarintyg efter sju dagars sjukfrånvaro, som vanligt, medan personer födda jämna datum kunde vara borta från jobbet i 14 dagar utan att behöva visa upp något intyg. Förändringen i kravet på läkarintyg är väldigt lik den tillfälliga förändringen genomförd i pandemins spår.

Med hjälp av casual forest kommer bland annat skillnader mellan individer med avseende på sjukfrånvarohistorik, familjesituation, inkomst- och utbildningsnivå, sektor, bransch samt kollegors och grannars sjukfrånvaro att studeras närmare.

Algoritmen som ligger till grund för causal forest provar uppdelningar baserade på alla variabler som är av intresse och alla möjliga tröskelnivåer som dessa variabler kan anta. Den väljer då uppdelningen där experimentets effekter skattas vara mest olika. Jämfört med traditionella metoder för heterogenitetsanalys har causal forest flera fördelar.