Generalized Mixed Effects Random Forest: does Machine Learning help in predicting university student dropout? = Random forest generalizzati a effetti misti: il machine learning aiuta a prevedere l’abbandono degli studenti universitari?

We develop a new statistical method, called Generalized Mixed Effects Forest (GMEF), which embeds a Random Forest (RF) regression algorithm in a Generalized Mixed Model. Our model is new to the literature and can deal with any type (continuous or discrete) of both response variable and covariates and it does not assume any parametric function on the fixed-effects part of the model. GMEF is able to model hierarchical data, which is very important in the case of a nested structure of the observation, which might affect not only the final response itself, but also the effect that other covariates have on it. We apply this method to data from Politecnico di Milano to predict university student dropout, aiming to open a new perspective to university tutoring systems.

In questo lavoro, sviluppiamo un nuovo modello statistico, chiamato Ran- dom Forest a effetti misti generalizzato (GMEF), che innesta una random forest di classificazione in un modello di regressione generalizzata a effetti misti. Il mod- ello GMEF `e nuovo in letteratura, pu`o trattare variabili risposta e covariate sia continue che discrete e non assume nessuna funzione parametrica sulla parte degli effetti fissi del modello. Inoltre, GMEF si adatta a dati annidati, tenendo in consid- erazione la loro struttura gerarchica, che pu`o influenzare non solo la risposta, ma anche l’effetto delle covariate del modello. Nel caso studio, applichiamo il modello GMEF ai dati del Politecnico di Milano, per prevedere l’abbandono degli sudenti e aprire nuove prospettive per il sistema di tutoraggio dell’universit`a