¿Sabe cúanto tiene ahorrado en su cuenta de AFP? : Caracterizando individuos con algoritmos de Explainable Artificial Intelligence

Abstract

El objetivo de este trabajo consiste en modelar si los individuos saben el monto que tienen ahorrado en su cuenta individual de jubilación (sistema AFP), lo que podría afectar su bienestar al momento de la vejez (bajos montos implicarían una menor pensión). Para realizar esto, utilizamos la Encuesta de Protección Social (EPS) del año 2015 en la cual realizan la siguiente pregunta a los individuos, ¿sabe usted cuánto hay acumulado en su cuenta individual?. Como herramienta predictiva, y debido al alto grado de acierto alcanzado en tareas similares, este trabajo ocupa como herramienta algoritmos supervisados de Machine Learning (ML). Sin embargo, en la literatura se presenta un trade-off entre el alto poder predictivo alcanzado por estos algoritmos y su falta de transparencia de los patrones que explican la predicción (Black-box ). Dado lo anterior, en este trabajo se utilizan los últimos métodos Post-Hoc de análisis disponibles para “abrir la caja negra”, de manera de entregar información respecto de los determinantes más comunes a nivel de la población, y también, cuantificar la importancia de las diferentes variables explicativas, y su sensibilidad a nivel individual. Primeramente se utilizó CatBoost como el algoritmo predictivo, y luego se utilizaron técnicas de “Explainable-AI”, en particular SHAP-values, para calcular la importancia de cada variable predictiva utilizada en el modelo, a nivel poblacional e individual. Los resultados además se comparan con los obtenidos con un modelo estadístico tradicional de regresión logística. Nuestros resultados indican que podemos clasificar correctamente al 74 % de los casos, y que las variables predictivas más importantes se relacionan con haber recibido información actualizada respecto del estado de su ahorro, y el nivel de conocimiento del funcionamiento del sistema de pensiones. Nuestros resultados y técnicas utilizadas pueden ser de gran utilidad para la generación de políticas públicas que mejoren el conocimiento respecto de los planes de retiro y jubilación.