Questo webinar presenta un tutorial per la Policy Learning Platform (PLP), uno strumento FOSSR per l’apprendimento di politiche ottimali dai dati che consentono di massimizzare il benessere empirico.
Implementata dall’insieme di algoritmi OPL, la PLP permette di trovare “regole di assegnazione del trattamento” che massimizzano il benessere complessivo, definito come la somma degli effetti della politica stimati su tutti i beneficiari della politica.
Il PLP permette di apprendere la politica ottimale in modo empirico, cioè basandosi su dati e osservazioni ottenuti da politiche precedenti (uguali o simili). Il PLP esegue la massimizzazione empirica del benessere all’interno di tre classi di politiche: (i) basate sulla soglia; (ii) a combinazione lineare; e (iii) ad albero decisionale. Presentiamo tre implementazioni del PLP, utilizzando tre piattaforme: Stata, R e Python.
Il seminario sarà articolato in tre brevi persentazioni a cura di Giovanni Cerulli (CNR-IRCrES), Federico Brogi (ISTAT) e Fabrizio De Fausti (ISTAT), seguite da una conversazione aperta con i discussant Marco Ventura (Università di Roma “La Sapienza”) e Barbara Guardabascio (Università di Perugia).
Il pacchetto OPL in Stata
Il pacchetto Stata OPL è l’implementazione Stata del PLP. Consente tre classi di politiche (basate sulla soglia, sulla combinazione lineare e sull’albero decisionale) e due diversi stimatori dell’effetto medio condizionato del trattamento, ossia l’aggiustamento della regressione (o T-Learner) e il Cross-Fitting Augmented Inverse Probability Weighting (CF-AIPW).
Giovanni Cerulli è ricercatore presso CNR-IRCrES (Consiglio Nazionale delle Ricerche, Istituto per la Ricerca sulla Crescita Economica Sostenibile). I suoi principali interessi di ricerca sono la microeconometria applicata, con particolare attenzione ai modelli controfattuali di effetti di trattamento per la valutazione dei programmi. È coordinatore scientifico del progetto FOSSR.
Il pacchetto OPL in R
OPL è un pacchetto R progettato per aiutare gli utenti ad apprendere politiche ottimali dai dati al fine di massimizzare il benessere empirico. In questa sessione presenteremo le caratteristiche principali di questo strumento innovativo e spiegheremo come i professionisti possono trarre vantaggio dalla sua integrazione nel loro lavoro.
Federico Brogi, ricercatore statistico con 15 anni di esperienza presso la Divisione Metodologica dell’Istituto Nazionale di Statistica di Roma dal 2010. I suoi interessi di ricerca includono i temi dei big data e della valutazione delle politiche, sui quali ha pubblicato diversi articoli su riviste internazionali. Dal 2022 è anche assistente alla didattica in Statistica presso l’Università di Roma “Tor Vergata” e la LUISS Guido Carli.
Il pacchetto OPL in Python
La presentazione illustrerà il software OPL alla base del PLP sviluppato in Python, evidenziando le capacità di Python nell’utilizzo di algoritmi di apprendimento automatico.
Fabrizio De Fausti, fisico, ricercatore dal 2012 presso la Divisione Metodologica dell’Istituto Nazionale di Statistica. È esperto nello sviluppo e nell’implementazione di algoritmi per l’elaborazione di dati strutturati non strutturati. Docente di tecniche di apprendimento automatico presso la Scuola Italiana di Amministrazione Pubblica.
Per partecipare all’evento, si prega di registrarsi al link: https://l.cnr.it/fossr-onlineseminar-19-feb-2025-registration-form.
Contact person: claudia.pennacchiotti@irpps.cnr.it.
Il seminario si terrà online; il link sarà fornito ai partecipanti in tempo utile prima dell’inizio dell’evento. Il seminario si terrà in inglese e tutti i materiali tematici saranno disponibili su Zenodo dopo l’evento.
L’evento è organizzato dal CNR-IRPPS nell’ambito del progetto FOSSR (Fostering Open Science in Social Science Research), finanziato dall’Unione Europea – NextGenerationEU con il NPRR Grant agreement n. MUR IR0000008.
Comitato scientifico: Giovanni Cerulli (CNR-IRCrES).
Comitato organizzativo: Claudia Pennacchiotti (CNR-IRPPS), Alessandra Maria Stilo (CNR-IRCrES), Alessia Fava (CNR-IRCrES), Serena Fabrizio (CNR-IRCrES), Rita Giuffredi (CNR-IRCrES), Elisa Storace (CNR-UVR).