Maschinenlernen bei der Vorhersage des humanen Wohlbefindens

Subjektive Wohlbefindensdaten werden zunehmend in den Sozialwissenschaften verwendet. Dennoch ist, trotz der weit verbreiteten Nutzung solcher Daten, die Vorhersagekraft der üblicherweise verwendeten Ansätze zur Modellierung des Wohlbefindens nur begrenzt. In Reaktion darauf verwenden wir hier Baum-basierte Machine Learning (ML) Algorithmen, um ein besseres Verständnis des selbstberichteten Wohlbefindens der Probanden zu ermöglichen. Wir analysieren repräsentative Stichproben von mehr als einer Million Befragten aus Deutschland, dem Vereinigten Königreich und den Vereinigten Staaten unter Verwendung von Daten aus den Jahren 2010 bis 2018. Wir leisten drei Beiträge. Erstens zeigen wir, dass ML-Algorithmen tatsächlich eine bessere Vorhersageleistung als Standardansätze liefern können und eine obere Grenze für die Vorhersagbarkeit von Wohlfühlwerten mit Umfragedaten festlegen. Zweitens nutzen wir ML, um die Hauptfaktoren des evaluierten Wohlbefindens zu identifizieren. Wir zeigen, dass die in der früheren intuitions- und theoriebasierten Literatur betonten Variablen auch in ML-Analysen erscheinen. Drittens veranschaulichen wir, wie ML verwendet werden kann, um ein Urteil über funktionale Formen zu fällen, einschließlich der Existenz von Sättigungspunkten bei den Effekten des Einkommens und der U-förmigen Beziehung zwischen Alter und Wohlbefinden.