如模型11表4所示，与启发式模型（表2中的模型6）输入相同的套索，不会改善OLS模型。作为一个额外的敏感度，在表4的模型12中，我们展示了一个套索模型的结果，在该模型中，我们手动将交互项添加到主套索模型中（来自表2中的模型10）。包含额外交互项（LASSO–模型10中前20个预测因子之间的两个交互）的额外收益很小。例如，模型12表4中的样本外R2仅比模型10表2中的套索高1.3个百分点，其中我们不包括任何交互项。在SVR（模型11，表2）和Boosting（模型12，表2）之上，模型12，表4的预测增益更小，这表明后两种算法自动允许高度灵活的函数形式。我们排除了2011年至2014年间在13-15型中100%享受收入支持的人。将模型15与模型13（如模型6表2所示的启发式模型）和14（如模型7表2所示的启发式模型加上收入支持历史的预测因子相同）进行比较，我们发现LASSO算法大大提高了OLS模型的预测性能。历史上高度依赖收入支持的个人可能更难动员起来就业。这可能是因为长期领取福利会产生潜在的伤疤效应，和/或是因为导致这些人长期依赖福利的因素也阻止他们找到工作。

例如，在2011年至2011年的整个时间段内，大约61%的个人依靠收入支持，这可以解释为，LASSO在这个模拟中只惩罚了一个变量：即，它在启发式模型中选择了35个变量中的34个。出于计算原因，我们将双向交互限制在前20个预测因子范围内。表B6列出了套索互动模型的前10个预测因子（模型12，表4）。注：本模型中选择的基本预测值与模型10表2中选择的预测值高度相关，表明这些关键预测值的重要性具有稳定性。2014年11月21日，他们要么自己领取残疾支持养老金，要么照顾一名残疾家庭成员（并因此获得护理人员付款）。在这组敏感性分析中，我们将长期依赖福利的个体从样本中排除的动机是，当针对这些个体时，具有劳动力市场激活性质的传统早期干预计划可能不太有效。事实上，领取伤残补助金和照顾者补助金的人不需要满足与领取失业救济金的人相同的参与要求。考虑到这一点，前一组人甚至没有被推荐给澳大利亚就业服务中心的案例经理，他们只为领取失业救济金的人管理劳动力市场激活干预措施。重要的是要强调，我们建议将高度依赖群体纳入我们的主要分析样本，因为决策者明确旨在帮助那些目前长期依赖福利的人，以及那些面临福利依赖风险的人。在我们的算法中确定这两个群体并不排除针对他们的援助或干预计划类型的差异化方法。例如，确定那些由于长期健康问题而最有可能长期依赖福利的人，就需要更慷慨的货币援助计划和目前较低的参与要求；而那些有可能成为长期求职者的人可能会在劳动力市场激活策略方面得到更好的帮助。此外，在长期求职者群体中，一些人可能需要比其他人更严格的案例管理（或不同形式的激活策略）。如果高度依赖群体中的个人获得了通用支持计划（或者更糟的是，由于前述的“撇奶油”问题，案例经理系统性地忽视了该计划），那么动员他们就业的机会可能很低。总之，被确定为有长期福利领取风险的个人是一个异质群体，可能有不同的需求。针对他们的治疗策略应相应调整。当我们在无监督的情况下进行评估时，我们会更详细地探讨这一点

例如，确定那些由于长期健康问题而最有可能长期依赖福利的人，就需要更慷慨的货币援助计划和目前较低的参与要求；而那些有可能成为长期求职者的人可能会在劳动力市场激活策略方面得到更好的帮助。此外，在长期求职者群体中，一些人可能需要比其他人更严格的案例管理（或不同形式的激活策略）。如果高度依赖群体中的个人获得了通用支持计划（或者更糟的是，由于前述的“撇奶油”问题，案例经理系统性地忽视了该计划），那么动员他们就业的机会可能很低。总之，被确定为有长期福利领取风险的个人是一个异质群体，可能有不同的需求。针对他们的治疗策略应相应调整。当我们在下一节中估计无监督的ML模型时，我们将更详细地探讨这一点。最后，在表5中，我们使用长期失业救济金收据的结果，而不是迄今为止分析的更一般的长期福利收据，估计了另一组结果。ML模型的性能略好于基准模型。例如，从模型8到模型9，样本外R2从83.1%增加到86.2%，MSE的自举95%置信区间不重叠。值得注意的是，当将算法应用于表2中的福利领取者的整个样本时（即使表5中LASSO的预测增益只有3个百分点），ML模型的增益似乎更大，但在现有数据集上校准ML模型的成本可以忽略不计。

这使得在这种情况下，与更简单的OLS模型相比，对ML模型进行估计是值得的。7.无监督机器学习正如我们在前面几节中的讨论所表明的那样，获得高收入支持的个人不太可能是同质群体。由于两个因素，可能会有更狭义的人群。首先，澳大利亚福利体系的结构是提供不同的支付，以满足人口中的不同需求（例如，残疾福利提供给有严重健康问题的人；失业福利提供给失业者；育儿福利提供给幼儿的初级看护人）。反映这一点，不同的付款有不同的资格标准，以及不同程度的慷慨。这意味着领取不同收入补助金的个人很可能仅仅因为其先前存在的特征和条件而在不同的时间段内领取补助金。第二，在收到相同款项的人中，个人收到款项的原因可能有所不同。例如，失业救济金领取者包括从学习过渡到就业的个人和那些不受欢迎的求职者。因此，如果个案工作者和福利管理人员希望项目能够满足个人需求和情况，他们可能会希望设计不同的治疗方案。无监督的ML可以是执行这项任务的有用的第一步，因为它可以识别长期福利领取者群体中不同的群体。此外，它还可以根据不同变量之间的复杂交互来划分簇。

这一点很重要，因为个人可能因为一系列复杂的情况而面临长期领取福利的风险，而不仅仅是因为一个方面，例如基于他们的年龄、种族或性别。换言之，本节承认长期依赖收入支持是一个多层面的问题：不同的因素可能是长期收入模式的基础。这类似于贫困研究（Alkire和Foster 2011）中倡导的多层面方法。因此，本节展示了如何使用无监督ML将被预测有风险的个体划分为不同的子组。23到目前为止，我们主要关注预测模型，即监督ML。实际上，监督算法提供了一定数量的“正确”答案，即与某个X关联的实际y，并被要求生成其他正确答案，即。，在已知其他X组合的情况下预测新的y。另一方面，无监督学习算法在不一定知道x对y的影响的情况下推导出数据的结构。起点是使用表2（模型10）中的LASSO算法获得的预测。然后，我们使用LASSO选择的顶级变量（如表3所述），结合启发式模型中的指标和表2（模型7）中的收入支持历史变量，通过分层聚类算法（Stata 2019）将预测有风险的个体划分为不同的群体。更正式地说，聚类分析规定了可观测变量X的联合密度是否可以用代表不同观测组的简单密度的混合表示。

从概念上讲，分层聚类算法可以总结如下：最初有n个不同的组，每个观察一个；在下一步中，将两个最近的观测值合并为一组，从而形成n-1组；之后，最接近的两个组合并在一起，产生n-2个组。这个过程一直持续到所有的观察结果被合并成一个大的组。因此，该算法的输出是从一个组到n个组的分组层次。正如Sansone（2019）所解释的那样，Caliński和Harabasz伪F指数和Duda Hart Je（2）/Je（1）指数以及相关的伪T2指数可以帮助分析师选择最佳的组数。我们发现五个聚类最紧密地划分了特征空间。表6显示了这些预测的高危人群的汇总统计数据。为了进行比较，我们还报告了预计永远不会获得收入支持的个人的汇总统计数据（最后一列）。基于这些汇总统计数据，我们发现这四组长期福利领取者之间有一些明显的相似之处。例如，根据定义，所有这些人在同一时间点从事一份以上工作的脆弱性都较高，他们更有可能是本地人，并且由年龄分布极端的人组成。为了简单起见，表6只报告了关键变量。在线附录（表B8）中报告了整套预测因子的汇总统计数据。我们只报告了五个集群中四个集群的汇总统计数据，因为其中一个集群仅包含5个观测值。

对于这一小部分人来说，报告他们的汇总统计数据会损害数据保密规则，并且无法提供关于这些群体特征的任何有意义的结论。24（例如，低于30和/或高于55）。此外，他们中的许多人不太可能在2014年（我们的基准年）结婚。两组之间的背景特征也存在明显差异。例如，更有可能自己领取残疾福利或代表残疾家庭成员领取福利金的人在第一组中的比例过高，而第二组移民的比例较高。土著人、年轻人和领取失业救济金的人在第三组中的比例过高。最后，第4组更可能由有孩子的女性接受者组成。这一结果强调了不将所有被认定有风险的个人集中在一起的重要性。事实上，将残疾人士与年轻的土著人或单身母亲并排安排在同一个项目中可能不是最有效的方法，实际上可能会产生负面的项目影响。8.结论在本文中，我们表明，与使用较小变量集的OLS模型相比，或与当前使用的预警系统相比，应用于案例工作者已有数据的ML算法可以显著提高预测准确性。ML预测可用于潜在地减少个案工作者的工作量，并补充他们在识别高危个体过程中的专业知识。

我们发现，有证据表明，与目前使用的预警指标相比，使用表现更好的ML模型可以大幅节省公共支出，因为前者确定的个人平均应计福利支出高于后者确定的个人。然后，我们展示了如何利用无监督的ML来识别高危人群中的子群体。有几个警告值得注意。首先，尽管我们使用了一些最流行的ML算法，但更高级的算法或广泛的网格搜索可能会进一步提高性能。此外，这些算法被设计用于具有数百万次观测和数千次潜在输入的大型数据集。即使行政数据有大量的观察结果，潜在输入的数量通常也是有限的。例如，我们没有任何关于个人上大学地点、个人风险偏好、非认知技能或父母教育和25份工作经历的完整记录的信息。我们还应该强调，我们的模拟是基于宏观经济状况稳定或改善期间收集的数据；ML算法需要重新2019冠状病毒疾病的数据，以提高外部有效性索赔，尤其是当预测福利依赖性的个人受COVID-19大流行。尽管存在这些局限性，但本文的研究结果表明，研究人员和从业者可以通过利用现有数据集获得更精确的预测，而无需额外成本。

其次，本文中的预测不同于政策制定者可能用来优化资源分配的治疗效果估计（2017年雅典）：这些代理人更感兴趣的是知道哪些个人将从福利转移中受益最多。例如，在澳大利亚的“尝试、测试和学习”项目中，选择三个高危人群的一个考虑因素是，从因果意义上讲，他们对新干预措施的反应如何。但即使在这样的情况下，准确识别高风险人群也可能是有用的第一步。此外，通过系统化筛查过程，它可以潜在地限制显性和隐性偏见或“撇奶油”的影响，并允许个案工作者将重点放在最关键的福利接受者身上。换句话说，有监督的ML可以在第一阶段用于识别高危个体，而无监督的ML可以将这些个体划分为亚组。这些发现可以补充和支持单独或后续的因果分析，以告知决策者针对高危人群的适当干预措施。此外，从社会福利的角度来看，政策制定者可能会优先将资源分配给最脆弱的个人，即使其目的不一定是最大限度地提高治疗计划的边际收益。未来的研究可以探索如何将这些算法的预测作为随机对照试验的初步步骤（Duflo 2018）。例如，这些算法可以帮助研究人员确定他们感兴趣的人群，例如最有风险的个体子集，然后设计一个RCT，以找到支持这些福利受助人的适当治疗方法。钱德勒等人。

（2011）提供了将预测模型纳入针对特定亚群体的公共政策计划的早期例子。在这种情况下，被称为多臂或上下文盗贼的ML技术可以使用新获取的信息（关于注册者）定期更新算法，并推荐个性化治疗（Athey，2019）。最后，未来的研究可以阐明ML算法应该如何与人类专业知识有效结合，包括26了解人们应该严重依赖ML算法的环境，以及我们应该更严重依赖人类的环境（Raghu et al.2019）。这种知识库的进步最终可以改善未来的资源分配决策。参考澳大利亚统计局（2014）澳大利亚人口统计局，2014年12月（堪培拉，非盟）。澳大利亚统计局（2019a）澳大利亚劳动力，详细信息：电子交付（澳大利亚堪培拉）。澳大利亚统计局（2019b）澳大利亚的个人收入（堪培拉，非盟）。AIHW（2019a）《澳大利亚福利2019年数据洞察》（澳大利亚堪培拉）。AIHW（2019b）福利支出快照（堪培拉，非盟）。Aizer A，Currie J（2004）网络还是社区？加利福尼亚州公立产科护理使用的相关性。J.公共经济。88(12):2573–2585. Alkire S，Foster J（2011）计数和多维贫困测量。J.公共经济。95(7–8):476–487. Athey S（2017）超越预测：利用大数据解决政策问题。Sci。杂志355（6324）：483-485。Athey S（2019）机器学习对经济学的影响。Agrawal A，Gans J，Goldfarb A，经济编辑。人工制品。因特尔。议程。（芝加哥大学出版社），507-547。Athey S，Imbens GW（2019）经济学家应该了解的机器学习方法。arXiv工作。爸爸。1903(10075). 澳大利亚财政部（2010年）《澳大利亚未来税收制度：向财政部长报告》，第二部分详细分析（澳大利亚堪培拉）。

B"ackman O，BergmarkA（2011）逃离福利？瑞典的社会援助动态。欧元。Soc。政策21（5）：486-500。Banerjee A V.，Duflo E（2014）（Dis）经济学MOOC的组织和成功。是经济部。牧师。104(5):514–518. Barrett GF（2000）教育程度对福利依赖的影响：来自加拿大的证据。J.公共经济。77(2):209–232. Bates JM，Granger CWJ（1969）预测组合。J.Oper。Res.Soc。20(4):451–468. 布林奇中国，K"onigs（2017）福利收入中的时间聚集和国家依赖。经济部。J.127（604）：1833–1873.27 Bitler议员，Currie J，Scholz JK（2003）WIC资格和参与。J.哼。资源。38（补编）：1176-1179。Bjerre Nielsen A，Kassarnig V，Lassen DD，Lehmann S（2021）在预测分析中，任务特定信息优于监控式大数据。过程。纳特尔。阿卡德。Sci。美国118（14）：e2020258118。Bradbury B，Zhu A（2018）澳大利亚母亲婚姻分居后的福利进入和退出。经济部。记录94（307）：405-423。Card D，Chetty RAJ，Weber A（2007）福利耗尽的高峰：离开失业体系还是开始新工作？是经济部。牧师。113–118. Card D，Johnston A，Leung P，Mas A，Pei Z（2015）失业福利对失业保险收据期限的影响：来自密苏里州回归扭结设计的新证据，2003-2013。是经济部。牧师。（美国经济协会），第126-130页。Chandler BD，Levitt SD，List JA（2011）预测和预防高危青年中的枪击事件。是经济部。牧师。爸爸。过程。101(3):288–292. Chetty R，Friedman JN，Hendren N，Jones先生，Porter SR（2018）《机会图谱：绘制社会流动的童年根源》。NBER的工作。爸爸。爵士。10月（25147）：1日至93日。

Cobb Clark DA，Dahmann SC，Salamanca N，Zhu A（2017）代际劣势：从社会援助收据中学习平等机会。梅尔布。代替工作。爸爸。28（10月）：1-48。Cuccaro Alamin S，Foust R，Vaitianathan R，Putnam Hornstein E（2017）儿童保护服务中的风险评估和决策：环境中的预测风险建模。小孩青年服务。牧师。79:291–298. （8月1日）。Currie JM，Grogger J（2001）解释了最近食品券计划参与率的下降。布鲁金斯什么的。爸爸。城市Aff。1:203–244. Dahl GB，Gielen AC（2020）残疾保险中的代际溢出效应。是经济部。J.阿普尔。经济部。认可的。Dahl GB，Kostol AR，Mogstad M（2014）家庭福利文化。经济问题J。129(4):1711–1752. Davidson P（2019）澳大利亚就业服务模式是否为弱势求职者“量身定做”？就业、技能S和FB部（2020）2012-2015年澳大利亚就业服务评估（堪培拉，非盟）。28社会服务部（2018）2017年6月30日评估报告（堪培拉，非盟）。Duflo E（2018）机械师与随机学家：经验研究人员有用的ML工具。NBER暑期研究所（NBER，马萨诸塞州剑桥）。Feldstein M（2005）重新思考社会保险。是经济部。牧师。95(1):1–24. （3月）。Glaeser EL、Kominers SD、Luca M、Naik N（2018）《大数据与大城市：改善城市生活措施的承诺与局限》。经济部。Inq。56(1):114–137. Hanna R（2019）新研究打破了福利依赖的神话（科隆尼，CH）。《统计学习的要素：数据挖掘、推理和预测》第二版（斯普林格）。英国政府（2010）国情报告：英国的贫困、失业和福利依赖（英国伦敦）。Hoffman M，Kahn LB，Li D（2018）雇佣中的自由裁量权。经济问题J。133(2):765–800.

Hoynes HW（1997）工作、福利和家庭结构：我们学到了什么？奥尔巴赫AJ，编辑：费斯克。经济政策的教训。Res.（麻省理工学院出版社，马萨诸塞州剑桥），101-146页。Hoynes HW，Schanzenbach DW（2012）工作激励和食品券计划。J.公共经济。96(1–2):151–162. Jean N，Burke M，Xie M，Davis WM，Lobell DB，Ermon S（2016），结合卫星图像和机器学习预测贫困。Sci。杂志353（6301）：790-4。Kang JS，Kuznetsova P，Luca M，Choi Y（2013）哪里不吃？通过在线评论预测卫生检查，改善公共政策。过程。2013年《帝国形态》。方法Nat。Lang.过程。（美国华盛顿州西雅图计算语言学协会），1443-1448年。克孜勒CEC RF、Reich J、Yeomans M、Dann C、Brunskill E、Lopez G、Turkay S、Williams JJ、Tingley D（2020）扩大在线教育中的行为科学干预。过程。纳特尔。阿卡德。Sci。《美国法典》117（26）：14900-14905。Klapdor M（2013）收入支持支付的充分性。帕利亚姆。伦敦银行。简明的B.44:1-4。Kleinberg J，Lakkaraj H，Leskovec J，Ludwig J，Mullainathan S（2017）人类决策和机器预测。经济问题J。133(1):237–293. 克莱因伯格J、路德维希J、穆莱纳坦S、奥伯迈耶Z（2015）预测政策问题。是经济部。牧师。爸爸。过程。105(5):491–495. Kleinberg J，Ludwig J，Mullainathan S，Sunstein CR（2020）算法作为识别29个检测器。过程。纳特尔。阿卡德。Sci。美国接受了。Korpi W，Palme J（1998）《再分配悖论与平等战略：西方国家的福利国家制度、不平等与贫困》。是社会尔。牧师。63(5):661–687. Kretsedemas P（2005）语言障碍和偏见认知：移民遭遇福利制度时的种族差异。J.社会尔。Soc。欢迎。32(4):109–123.

Van Landeghem B，Desiere S，Struyven L（2021）失业求职者的统计分析。伊扎世界劳工组织483:1-9。Markham F，Biddle N（2018）收入、贫困和不平等（堪培拉，非盟）。McBeath B，Chuang E，Bunger A，Blakeslee J（2014）在什么条件下，个案工作者照顾者的种族/民族相似性对住房服务的提供至关重要？代表性官僚理论的应用。Soc。服务员。牧师。88(1):134–165. McKenzie D，Sansone D（2019）预测创业成功很难：来自尼日利亚商业计划竞赛的证据。J.发展经济学。141（11月）。Mitrut A，Tudor S（2018年），《缩小罗姆人的差距：针对种族的计划对产前护理和儿童健康的影响》。J.公共经济。165:114–132. 莫菲特R（1985）失业保险和失业期的分配。J.经济。28(1):85–101. Moffitt R（1992）美国福利制度的激励效应：综述。J.经济。点燃。30(1):1–61. Mullainathan S，Spiess J（2017）机器学习：一种应用计量经济学方法。J.经济。透视。31(2):87–106. O\'Sullivan S，McGann M，Considine M（2019）分类游戏及其对街头官僚和求职者的影响：澳大利亚案例研究。Soc。政策Soc。18(4):631–645. Penman R（2006）《社会心理因素与福利依赖的代际传递：文献综述》。奥斯特。Soc。政策2006:85–107。Pentaraki M（2019）在紧缩背景下从事社会工作：希腊公共部门社会工作者的经验。欧元。J.Soc。作品22（3）：376-387。Raghu M，Blumer K，Corrado G，Kleinberg J，Obermeyer Z，Mullainathan S（2019）算法自动化问题：预测，分类和人类努力。阿西瓦：爸爸。1903(1222):1–20. Reddel T（2018），使用以人为本的证据来制定政策战略和实施30（澳大利亚墨尔本）。

福利改革参考小组（2015年）《改善就业和社会结果的新制度》（堪培拉，非盟）。Salganik MJ、Lundberg I、Kindel AT、Ahearn CE、Al Ghoneim K、Almatouq A、Altschul DM等（2020年）通过科学大规模合作测量生活结果的可预测性。过程。纳特尔。阿卡德。Sci。《美国法典》117（15）：8398-8403。Sansone D（2019）超越早期预警指标：高中辍学和机器学习。Oxf。公牛经济部。统计81（2）：456-485。Schmieder JF，von Wachter T（2016）失业保险福利的影响：新证据和解释。阿努。牧师。经济。8(1):547–581. Scoppetta A，Buckenleib A（2018年）通过风险分析和推广解决长期失业问题。欧元。通信–ESF Transnatl。笼子5月6日：1-28日。Stata（2019）聚类——聚类分析命令简介。斯塔塔·多瓦尔。统计员，裁判。（德克萨斯州学院站斯塔塔出版社），100-111页。Stevenson MT，Doleac JL（2019）人类手中的算法风险评估。伊莎：讨论一下。爸爸。爵士。12月（12853）：1日至74日。Tseng YP，Wilkins R（2003）澳大利亚对收入支持的依赖：患病率和持续性。经济部。记录79（245）：196-217。Vaithianathan R，Maloney T，Putnam Hornstein E，Jiang N（2013）公共福利系统中存在虐待风险的儿童：通过预测建模进行识别。是J.普雷夫。医学。45(3):354–359. 福利工作组（2011）《减少长期福利依赖：建议》（新西兰惠灵顿）。Whiteford P（2010）《澳大利亚税收转移制度：结构和结果》。经济部。记录86（275）：528-544。Whiteford P（2018）为什么社会政策很重要。里面。故事11月（30日）：1-7日。Yeh C、Perez A、Driscoll A、Azzari G、Tang Z、Lobell D、Ermon S、Burke M（2020年），利用公开的卫星图像和深入学习了解非洲的经济福祉。纳特。公社。

11:2583.31图1:2015年至2018年间收入支持时间比例密度。注：这些曲线图显示了2015年至2018年间个人领取收入补助金的时间比例分布。B组中不包括没有收入支持或一直依靠收入支持的个人。图2:2015年至2018年期间领取失业救济金的时间比例密度。注：这些图显示了2015年至2018年间个人领取失业救济金的时间比例分布。

没有失业救济金或一直领取失业救济金的个人不包括在B.32小组表1：人口普查和DOMINO数据之间的汇总统计比较中。平均年龄39.82540.954女性。5050.620任何父母（至少有一个孩子）0.2910.468本地0。0270.057澳大利亚出生。6800.721毫米。3200.279教育12年级及以下0。4150.549 I/II及以下证书0。4160.785证书III/IV及以下0。6190.839文凭及以下。7250.904本科及以下0。9150.986婚姻状况单身0。4300.542结婚。4310.361De系数0。1330.097分离。0250.182离婚0。0580.038鳏夫。0110.018新南威尔士州居住区0。3180.318A0。2550.248昆士兰。2000.211澳大利亚西部。0700.087澳大利亚南部。1070.080澳大利亚首都地区。0210.012北部地区0。0110.011Tasmania0。0180.027每周个人收入（年收入）零（或负）收入0。0.0670.134美元$300-399美元（156600-$$$$40404040404040$$$$$15599）0.0670.134美元0.0670.134美元$300-$$399（（156600-$20799$$$$$$$$$$$$$$$$$$$$$$$$404040404040400.134$$$$$$$$$$$$15515599（（（（（（（（（（（（（（（$$$$$$$$$$$$$$$$$$$$$$$$$15515599）15599）15599）15599）15599）15599）15599）15599）15599）15599）））0 0 0 0 0 0 0 0 0.0 0 0 0 0 0 0 0 0 0 0.0.0 0 0.0 0）））））0.0 0 0 0.0.0 0.0.0 0 0.或以上（78000美元或以上）0.1870.000未注明。0820.295注：人口普查和多米诺骨牌的样本仅限于15至66岁的个人。根据两个样本T检验，在5%显著性水平下，均值差异（第2列和第3列）在统计学上始终不同于零。例外情况仅包括新南威尔士州和北领地的二元指标。2016年8月9日的人口普查数据。教育水平的统计数据计算为非缺失观察值的一小部分。人口普查和多米诺骨牌中的教育失踪率分别为12%和53%。