Nobelprijswinnaar Guido Imbens: ‘Heel veel gehad aan Econometrie in Rotterdam’

Een Nobelprijs winnen, hoe voelt dat?

“Het is een merkwaardig gevoel. Ten eerste is het voornaamste werk waar ik de prijs voor krijg van een jaar of dertig geleden. Dat is lang. Ten tweede is het niet zo dat hoe ik de afgelopen weken werkte heel erg veranderde door de prijs. Maar ineens is er veel meer aandacht voor, ook in media die normaal niet over economie berichten. Al met al is dit een hele ongebruikelijke situatie. Ik heb nog nooit zoiets meegemaakt.”

Komt zo’n prijs nou uit de lucht vallen, of dient zich dat wel aan?

“Er gaan allerlei geruchten rond en er wordt natuurlijk over gepraat. Maar meestal krijg je zo’n prijs pas op veel latere leeftijd. Het is niet zo dat ik er wakker van lag of ik hem dit jaar zou krijgen. Er wás een kans dat ik hem ooit zou krijgen, maar er zijn ook mensen die kans maken en hem nooit zullen krijgen.”

U heeft de Nobelprijs gewonnen voor uw Local Average Treatment Effect-model. In een prachtige video legt u aan uw kinderen uit wat dat inhoudt. Kunt u het mij in nog iets eenvoudigere bewoordingen uitleggen?

(Lacht) “Die video is erg geschikt om mee te beginnen. De kinderen stelden hele goede vragen, terwijl die video rond vier uur ’s ochtends hier gemaakt is. Ze waren toen al de hele nacht wakker geweest. Ik werd namelijk rond twee uur ’s nachts gebeld over de Nobelprijs. Dat ze nog zo helder waren op dat moment is wel opmerkelijk.

“Waar mijn onderzoek in feite over gaat is het schatten van causale effecten. In de sociale wetenschappen zijn we niet zozeer geïnteresseerd in correlaties maar wel in causale verbanden. Die zijn nuttig voor beleidsmakers. Die willen weten wat voor effect een bepaalde maatregel zal hebben. Het werk dat ik samen met Josh Angrist (mede-Nobelprijswinnaar, red.) deed ging over het schatten van causale verbanden in gevallen waar de steekproef niet helemaal willekeurig is, maar het ook afhangt van de keuzes die mensen maakten. Wij maakten veronderstellingen over hoe mensen die keuzes maakten. Dat bleek veel breder toepasbaar te zijn. Het gaat terug op het werk van Tinbergen, dat gaat om de grondslagen van de economie.”

Jan Tinbergen is een van uw voorgangers, en belangrijk voor de Erasmus Universiteit. Wat herinnert u zich nog van uw tijd hier?

“Daar heb ik hele goede herinneringen aan. Econometrie was een kleine opleiding. We begonnen met zestig studenten en daar waren er dan na een jaar nog twintig van over. Het was een verschrikkelijk goede opleiding als voorbereiding op een doctoraat in de Economie of Econometrie. Ik heb het uiteindelijk niet afgemaakt. Ik ging in mijn derde jaar op uitwisseling naar Engeland. Daar bleek dat ik al zo ver was dat ze me daar een master lieten doen. Vanuit daar ben ik naar Amerika gegaan en niet meer teruggegaan naar Nederland. Maar de Erasmus Universiteit heeft een grote invloed op mijn carrière gehad, ik heb heel veel geleerd in korte tijd.”

Wat voor type student wint later een Nobelprijs?

“Ik was wel een goede student. Ik werkte hard, maar ik had ook een hele leuke tijd. Ik was lid van studentenvereniging RSG, daar heb ik veel vrienden gemaakt. Het was zeker niet alleen maar werken.”

Naar Tinbergen is een plein en een gebouw genoemd. Heeft u eigenlijk behoefte aan enige erkenning op de campus?

(Lacht) “Tinbergen is een groot voorbeeld. Ik wil mezelf niet op hetzelfde niveau plaatsen. Toen ik op de middelbare school zat, gaf mijn economieleraar mij een boekje van Tinbergen, dat was zeer inspirerend. Toen ik in Rotterdam studeerde, bezocht ik weleens een lezing van hem. Maar hij is niet alleen geroemd om zijn academische werk, hij heeft ook veel bijgedragen aan de samenleving. Zo heeft hij het Centraal Planbureau opgezet, en de studierichting Econometrie. Hij heeft heel veel gedaan, ik voel me daar zeker nog niet vergelijkbaar mee.”

U bent op dit moment veel bezig met machine learning en kunstmatige intelligentie, in samenwerking met bedrijven als Facebook en Amazon. Kunt u daar iets over vertellen?

“Binnen de economie worden machine learning en artificial intelligence steeds belangrijker. Die technieken kunnen veel meer dan sommige van de traditionele methoden die we gebruiken. Maar op zichzelf zijn ze vaak niet voldoende om vragen op te lossen waar we in de economie in geïnteresseerd zijn. Dat zijn toch vaak causale vragen. Machine learning is goed in voorspellen maar niet in het vinden van causale verbanden. De uitdaging is om die nieuwe technieken en onze modellen te combineren, zodat ze geloofwaardige antwoorden opleveren op causale vragen. Dat is iets waar zowel in de academische als de private sector veel vraag naar is.”