Are judges good at estimating the future? An application of machine learning on custody decision

This thesis aims to analyze and possibly improve the custodial decision in the CzechRepublic, as this kind of economic decision leads to social costs resulting from crime andfrom incarceration and because of that an improvement would be beneficial.Analysis itself is performed using machine learning techniques on a large dataset of custodialdecisions from 2008–2017. Gradient boosted decision tree algorithm is used becauseof its predictive power, combined with so-called contraction procedure, that serves as a solutionto missing labels problem, i.e. to the fact that I do not know whether people would havecommitted crime had they been released.This procedure is summarized by answering a simple question if the original situationcan be improved starting with the set of released people by the most benevolent group ofjudges and detaining additional people according to their predicted probability. Methodologyof Kleinberg et al. (2018) is closely followed and adapted to Czech Context.It turns that it is possible to improve the original situation, as main model was able todecrease crime rates by roughly three to four percents with no change in jailing rates. Thiswas done using the model with a quasi-random assignment of cases to judges. Besides that,this procedure allows me to solve problem with the possibly various preferences of judges asI am able to formulate model irrespectively of these preferences.One of the possible explanations of the fact that there is a potential to improve custodialdecisions (hence the explanation of the fact judges are somehow mistaken) stems from thefact that judges may be too dependent on a noise such as existence of unobservables and soon. However this complex problematic needs more research.Tato práce se snaží analyzovat a případně vylepšit vazební rozhodnutí v České republice,jelikož tento druh ekonomického rozhodnutí vede ke společenským nákladům pramenícímze zločinu a z nákladů na uvěznění, vzhledem k čemuž by bylo zlepšení přínosné.Analýza samotná je provedena s pomocí technik strojového učení a s využitím velkéhomnožství dat z let 2008–2017. Vzhledem k její prediktivní schopnosti užívám metodu gradientnímsestupem vylepšených rozhodovacích stromů. Tuto dále kombinuji s tzv. metodoukontrakce, která slouží jako řešení problému s chybějícími daty, což je problém, kdy nevímzda by člověk spáchal nějaký zločin kdyby byl předtím propuštěn.Tento postup shrnuje zodpovězení jednoduché otázky, zdali když začnu s množinoulidí propuštěných nejvíce benevolentním soudcem, a následně uvězňuji další lidi na základějim přiřazené vypočtené pravděpodobnosti spáchání zločinu, jsem schopen dosáhnout zlepšenípůvodní situace. Následuji přitom metodologii Kleinberga a spol. (2018) přizpůsobenoučeským datům.Ukazuje se, že je možné zlepšit původní situaci, neboť hlavní model byl schopen dosáhnoutsnížení míry zločinu o zhruba tři až čtyři procenta při nezměněné míře uvěznění. Tohobylo dosaženo kvazináhodným přiřazením případů k jednotlivým skupinám soudců. Navíc mitato procedura umožnila vyřešit problém s případnými rozdíly v preferencích soudců, neboťjsem schopen formulovat model nehledě na tyto preference.Jedno z možných vysvětlení faktu, že je zde prostor pro zlepšení oněch vazebních rozhodnutí(čili vysvětlení faktu, že soudci se do jisté míry mýlí) plyne z toho, že soudci mohoubýt až příliš náchylní k šumu, jakým je např. existence nepozorovaných proměnných apod.Nicméně toto si žádá další případný výzkum