1 / 8

2. Univariate Regressionsanalyse Fallbeispiele:

2. Univariate Regressionsanalyse Fallbeispiele:. Fragen bei einer Untersuchung der Lohnstruktur z.B.: Gibt es Diskriminierung bestimmter sozialer Gruppen in der Entlohnung? Wie zahlen sich Qualifikationen aus? Wie hoch sind die regionalen Lohnunterschiede?

amos-navarro
Download Presentation

2. Univariate Regressionsanalyse Fallbeispiele:

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 2. Univariate Regressionsanalyse Fallbeispiele: Fragen bei einer Untersuchung der Lohnstruktur z.B.: • Gibt es Diskriminierung bestimmter sozialer Gruppen in der Entlohnung? • Wie zahlen sich Qualifikationen aus? • Wie hoch sind die regionalen Lohnunterschiede? naiver Ansatz: Vergleich der Durchschnittslöhne, aber ... deshalb verbesserter Ansatz: Voraussetzung: Analyse der Bestimmungsgründe der Lohnbildung Einflussgrößen je nach Ansatz z.B.: • Qualifikation; Berufserfahrung; Branche; Region Untersuchung der Diskriminierung verlangt Kontrolle dieser Variablen; dies geschieht durch einen Regressionsansatz, der die entsprechenden Variablen enthält;

  2. Ansatz: Lohnfunktion Abhängige Variable: logarithmierter Lohn ln W Erklärende Variablen: • Qualifikation • Berufserfahrung • Branche • Region • Gruppenzugehörigkeit  Entscheidende Frage für Diskriminierung: Ist der Koeffizient der Gruppenzugehörigkeit signifikant?  Entscheidende Frage für das qualifikatorische Lohndifferenzial: Ist der Koeffizient der Qualifikationsvariable signifikant? Wie groß ist er?

  3. Ansatz: Lohnfunktion (Mincer 1974) Abh. Variable: w:=ln W Erklärende Variablen: • QUAL: Qualifikation gemessen durch Ausbildungsjahre; • EXP: (potentielle) Berufserfahrung gemessen als: Alter- Ausbildungszeit- 6 • Dummy-Variablen z.B. für Region, Geschlecht, Nationalität, Industrie typischer Schätzansatz:

  4. Lohnfunktion: Anwendung, Daten 84-97 reg LRENTD5 EXP EXPQ QUAL DRT1 DRT2 DRT4 TREND Source | SS df MS Number of obs = 2980 -------------+------------------------------ F( 7, 2972) = 2763.95 Model | 121.356096 7 7.3365851 Prob > F = 0.0000 Residual | 18.6415458 2972 .006272391 R-squared = 0.8668 -------------+------------------------------ Adj R-squared = 0.8665 Total | 139.997642 2979 .046994844 Root MSE = .0792 ------------------------------------------------------------------------------ LRENTD5 | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- EXP | .0341658 .0005701 59.93 0.000 .0330479 .0352837 EXPQ | –.0600041 .0013765 –43.59 0.000 –.0627031 –.0573052 QUAL | .0900216 .0007599 118.47 0.000 .0885317 .0915115 DRT1 | .0881445 .0040432 21.80 0.000 .0802168 .0960722 DRT2 | .0747822 .0041023 18.23 0.000 .0667385 .0828259 DRT4 | .0649817 .0041877 15.52 0.000 .0567706 .0731928 TREND | .9540514 .0361382 26.40 0.000 .883193 1.02491 _cons | 8.068232 .0110666 729.06 0.000 8.046533 8.089931 ------------------------------------------------------------------------------

  5. Alternative: Schätzung qualitativer Effekte mit Dummy-Variablen

  6. Alternative: Schätzung qualitativer Effekte mit Dummy-Variablen

  7. Interaktionsvariablen (1)

  8. Interaktionsvariablen (2)

More Related