Fallbeispiel 5: Humankapital und Returns to Education
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Fallbeispiel 5: Humankapital und Returns to Education
Seite 1Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
2 Returns to Education: Schooling Model
II. Empirischer Teil
3 Regressionsanalyse
4 Natürliche Experimente
Seite 2Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
1.1 Definition
1.2 Fakten und Entwicklung
2 Returns to Education: Schooling Model
2.1 Lebenszyklustheorie
2.2 Diskontfaktor
2.3 Lohn-Ausbildungskurve
2.4 Stopping-Rule
2.5 Lohnunterschiede
Seite 3Gliederung
II. Empirischer Teil
3 Lineare Regressionanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Ability Bias
3.2.2 Selection Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 4Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
1.1 Definition
1.2 Fakten und Entwicklung
2 Returns to Education: Schooling Model
2.1 Lebenszyklustheorie
2.2 Diskontfaktor
2.3 Lohn-Ausbildungskurve
2.4 Stopping-Rule
2.5 Lohnunterschiede
Seite 5Einführung: Wirkungsanalysen in der
Wirtschaftspolitik
Im Fokus wirtschaftswissenschaftlicher Analysen:
- Messung eines bestimmten Effektes auf andere Größen
(z.B. Erhöhung der Tabaksteuer auf das Konsumverhalten,
oder Einführung des Elterngeldes auf die Geburtenrate)
Æ Zur exakten Bestimmung des Effektes einer Maßnahme muss
dieser Effekt möglichst isoliert betrachtet werden, sogenannte
ceteris-paribus Analysen.
Æ Kontrafaktische Kausalzusammenhänge können so mit der
Frage: „Was wäre wenn…“ beantwortet werden
Seite 6Einführung: Wirkungsanalysen in der
Wirtschaftspolitik
Kontrafaktische Analysen in Bezug auf:
BILDUNGSRENDITE
(RETURNS TO EDUCATION)
Wie wird Ausbildung auf dem Arbeitsmarkt honoriert?
Welche Auswirkungen ein weiteres Jahr mehr Ausbildung im
Durchschnitt auf das Gehalt? Um wieviel Prozent steigt das
Gehalt durchschnittlich an?
Aufgrund welcher Überlegungen trifft ein Individuum die
Entscheidung sich ein weiteres Jahr auszubilden bevor es in
den Arbeitsmarkt eintritt?
Seite 7Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
1.1 Definition
1.2 Fakten und Entwicklung
2 Returns to Education: Schooling Model
2.1 Lebenszyklustheorie
2.2 Diskontfaktor
2.3 Lohn-Ausbildungskurve
2.4 Stopping-Rule
2.5 Lohnunterschiede
Seite 8Humankapital: Definition
Humankapital: das in ausgebildeten und hochqualifizierten
Arbeitskräften repräsentierte Leistungspotential der
Bevölkerung (Arbeitsvermögen). Der Begriff H. erklärt
sich aus den zur Ausbildung dieser Fähigkeiten hohen
finanziellen Aufwendungen. (Gabler Wirtschaftslexikon)
2004 ist der Begriff „Humankapital“ als Unwort des
Jahres gewählt worden, wegen „Ökonomisierung aller
möglichen Lebensbezüge“.
Seite 9Humankapital: Definition
• Löhne variieren zwischen Arbeitnehmern weil
Arbeitnehmer unterschiedliche Jobs haben.
• Löhne variieren zwischen Arbeitnehmern weil
Arbeitnehmer unterschiedlich sind.
Æ Jeder Arbeitnehmer bringt bestimmte Eigenschaften und
Fähigkeiten mit, das sogenannte HUMANKAPITAL
Seite 10Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
1.1 Definition
1.2 Fakten und Entwicklung
2 Returns to Education: Schooling Model
2.1 Lebenszyklustheorie
2.2 Diskontfaktor
2.3 Lohn-Ausbildungskurve
2.4 Stopping-Rule
2.5 Lohnunterschiede
Seite 11Humankapital
Frage: Warum unterziehen sich einige Leute einer
längeren Ausbildung als andere?
Trade-off zwischen Einkünften, auf die heute
verzichtet wird und höheren Einkünften in der
Zukunft, die durch längere Ausbildung erzielt
werden.
Æ Investition in Humankapital
Seite 12Humankapital: Fakten und Entwicklung
Grund-/ Realschulabschluss (Fach)Abitur
Hauptschulabschluss
1967 1997 1976 1997 1976 1997
Männer 66,7 37,5 15,4 25,8 17,0 34,2
Frauen 70,1 29,9 19,4 35,2 9,8 32,2
Zahlen für Deutschland
Quelle: Franz, Arbeitsmarktökonomik
Æ Starke Evidenz für ein deutlich gestiegenes
Bildungsniveau in den letzten Jahrzehnten
Seite 13Humankapital: Fakten und Entwicklung
Seite 14Humankapital: Fakten und Entwicklung
Quelle: Borjas
Seite 15Humankapital: Fakten und Entwicklung
Bildung ist korreliert mit:
- Teilnahme am Arbeitsmarkt
- Arbeitslosenquote
- Lohneinkommen
Nur 60% aller High School Abbrecher nehmen am Arbeitsmarkt
teil, jedoch 88% der College Absolventen
Liegt das durchschnittl. Jahreseinkommen von College Absolventen
bei 46,552$, so liegt es bei High School Abbrechern lediglich bei
jährlichen 17,430$
Die Arbeitslosigkeitsquote liegt bei High School Abbrechern bei
11% während sie bei College Absolventen nur 2% beträgt
Seite 16Gliederung
Einführung: Wirkungsanalysen in der Wirtschaftspolitik
I. Theoretischer Teil
1 Humankapital
1.1 Definition
1.2 Fakten und Entwicklung
2 Returns to Education: Schooling Model
2.1 Lebenszyklustheorie
2.2 Diskontfaktor
2.3 Lohn-Ausbildungskurve
2.4 Stopping-Rule
2.5 Lohnunterschiede
Seite 17Schooling Model
Frage: Wenn Bildung zu niedrigere Arbeitslosigkeit und
höheren Löhnen führt, warum lassen sich dann nicht
alle maximal ausbilden?
Jede Investitionsentscheidung –auch die in Humankapital-
ist abhängig vom Verhältnis der laufenden Kosten mit den
späteren Erträgen.
Gegenwartswert:
r: Diskontrate
t: Zeit
Seite 18Schooling Model
Beispiel: Der 18-jährige Max hat gerade die High School
abgeschlossen und hat die Wahl zwischen Arbeiten oder
4 Jahre lang das College zu besuchen.
Zusätzliche Annahmen:
- Jeder versucht das Bildungsniveau zu erreichen, das den
Gegenwartswert seinen Lebenseinkommen maximiert
- Nur der Effekt von Bildung auf das Einkommen wird
gemessen (andere Effekte ausgeschlossen, z.B.
Allgemeinwissen, Uni als Heiratsmarkt, etc.)
Seite 19Lebenszyklustheorie (stylisiert)
Einkommen
College
yCOL
Absolvent
yHS High School
Absolvent
18 22 65 Alter
DK
DK: direkte Kosten der
Ausbildung (Bücher, etc.)
Seite 20Lebenszyklustheorie
Max wird sich für dafür entscheiden arbeiten zu gehen, wenn
PVHS > PVCOL
und er wir sich für das College entscheiden, wenn
PVCOL > PVHS
Seite 21Lebenszyklustheorie
Beispiel: Max lebt genau 2 Perioden, er kann entscheiden nicht
zum College zu gehen und 20.000$ zu erhalten, oder zum
College zu gehen, 5000$ in der ersten Periode zu investieren
um danach in der zweiten Periode 47.500$ zu verdienen.
r = 5% r = 15%
PV0 = 20.000 + 20.000 / (1+r) 39.048 $ 37.391 $
PV1 = - 5.000 + 47.500 / (1+r) 40.238 $ 36.304 $
PV0 < PV1 PV0 > PV1
Seite 22Diskontrate
Die Diskontrate ist also – neben dem tatsächlichen bzw.
erwarteten Gehalt – ausschlaggebend für die
Entscheidung weiterhin in Humankapital zu investieren
oder nicht.
Die Diskontrate hängt ab von:
- persönlicher Zeitpräferenz zwischen Konsum heute und
Konsum morgen (Lebensumstände z.B. Familie im Vergleich
zu Studentenleben; allg. Konsumorientierung;
optimistische/pessimistische Zukunftserwartungen; etc.)
- oft wird der Marktzins als Näherungswert angenommen
Seite 23Lebenszyklustheorie
College
Einkommen Absolvent
High School
Absolvent
Brutto-
gewinn
Verlorenes
Einkommen
18 22 65 Alter
DK Kosten
DK: direkte Kosten der
Ausbildung (Bücher, etc.)
Seite 24Lohn-Ausbildungs-Kurve
Dollar
30.000 Lohn-
25.000
Ausbildungskurve
23.000
20.000 Vom Markt exogen
gegeben
Für jedes Individuum
unterschiedlich
0 12 13 14 18
Ausbildungsjahre
Seite 25Eigenschaften der Lohn-Ausbildungskurve
Die Lohn-Ausbildungskurve hat eine positive Steigung, d.h.
mehr Ausbildung ist stets mit mehr Lohn verbunden
Die Lohn-Ausbildungskurve ist konkav, d.h. ein weiteres
Ausbildungsjahr hat einen geringeren positiven Effekt
auf das Einkommen als das vorherige Jahr
Die Steigung der Lohn-Ausbildungskurve gibt an, um
wieviel der Lohn durch ein weiteres Jahr Ausbildung
ansteigt. Dies entspricht etwa der marginalen
Bildungsrendite (MBR) (=Marginal Rate of Return to
education).
Seite 26Stopping-Rule
Wann ist es nun für ein Individuum optimal die Ausbildung zu
beenden und in die Arbeitswelt einzutreten?
Diskontrate
Jedes Individuum hat ein kritischen
Wert r* bezüglich der MBR, bei dem
es gerade indifferent ist zwischen
r‘ Ausbildung und Arbeitsleben, nämlich
genau dann wenn MBR = r
r*
MBR
Ausbildungsjahre
s‘ s‘
Seite 27Lohnunterschiede
Problem: Die Bildungsrendite lässt sich nicht mehr so einfach
berechnen, wenn jedes Individuum einer eigene Lohn-
Ausbildungskurve gegenübersteht.
Diskontfaktor Æ Intelligentere Individuen haben
i.d.R. eine weiter rechts liegende
MBR-Kurve, so dass der kritische
Punkt erst nach einer längeren
Ausbildung erreicht wird.
r*
MBR2
MBR1
Ausbildungsjahre
s 1* s 2*
Seite 28Lohnunterschiede
FAZIT:
Lohnunterschiede werden also maßgeblich von zwei
Faktoren beeinflusst:
Ausbildungsniveau Individ. Fähigkeiten
Seite 29Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Ability Bias
3.2.2 Selection Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 30Empirische Analyse
Die Lohn-Ausbildungskurve zeigt: ein Bezug zur Realität auf Basis
von Querschnittsdaten mit Informationen über Gehalt und
Ausbildung ist für die Forschung nahezu unverzichtbar, wenn
Aussagen über die Bildungsrendite getroffen werden sollen.
In der Forschung wird daher oft versucht, die
Bildungsrendite mit Hilfe von empirisch erhobenen Daten
und geeigneten Methoden zu schätzten
lineares Regressionsmodell
Difference-in-Differences Schätzer
Seite 31Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Exogene Selektion
3.2.2 Ability Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 32Lineares Regressionsmodell
Klassische Methode: lineares Regressionsmodell
log w = β0 + β1 * educ + β2 * gender + … + ui
Logarith- Renditen anderer
mierter Lohn Faktoren
Ausbildungsrendite Ausgelassene Faktoren, die
(=rate of return to auch den Lohn beeinflussen
education) (Motivation, Intelligenz, etc.)
USA: β1 beträgt etwa 9 Prozent
Seite 33Regressionsanalyse: Returns to Education
. reg lwage educ black hisp exper married union
Source SS df MS Number of obs = 4360
F( 6, 4353) = 163.11
Model 226.971557 6 37.8285928 Prob > F = 0.0000
Residual 1009.55809 4353 .231922372 R-squared = 0.1836
Adj R-squared = 0.1824
Total 1236.52964 4359 .283672779 Root MSE = .48158
lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]
educ .1036792 .0045625 22.72 0.000 .0947343 .1126242
black -.1424234 .023598 -6.04 0.000 -.1886875 -.0961593
hisp .0127569 .0208347 0.61 0.540 -.0280897 .0536036
exper .0501619 .0028974 17.31 0.000 .0444815 .0558423
married .1127231 .0156735 7.19 0.000 .0819951 .1434511
union .1836459 .0171274 10.72 0.000 .1500675 .2172243
_cons .0225412 .0630948 0.36 0.721 -.1011567 .1462391
Bildungsrendite: 10,4 %
Seite 34Exkurs: Interpretation der Parameter
Bildungsrendite: 10,4 %
Æ steigt die Ausbildung um 1 Jahr, so steigt der
logarithmierte Lohn um 10,4%.
Semielastizität
wegen
Seite 35Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Exogene Selektion
3.2.2 Ability Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 36Exogene Selektion
Das (exogene) Selektionsproblem (selection bias) entsteht
dann, wenn zwar ausreichend Daten gewünschter
erklärender Variablen (hier: Alter, Ausbildung, Geschlecht
usw.) über eine bestimmte Grundgesamtheit vorliegen (hier:
potentielle Lohnempfänger), allerdings die zu erklärende
Variable (hier: Lohn) in gewisser Form zensiert ist (keine
Angaben von Leuten, die nicht arbeiten).
Beispiel: Ich habe keine Informationen darüber,
wieviel die Hausfrau, von der ich zwar weiß, dass sie
einen Hochschulabschluss hat, theoretisch verdienen
würde.
Seite 37Selbstselektion
Exogene Selektion: oftmals ähnliche Annahmen über die
Verteilung der endogenen Variablen möglich, wie beim
unzensierten Datenmaterial
Problem: Selbstselektion
• Löhne sind nur erhältlich von Individuen, die arbeiten
• Die Entscheidung zu arbeiten hängt jedoch vom Lohn ab
• Die Verteilung der Löhne der arbeitenden Bevölkerung und
der theoretischen Löhne des nicht arbeitenden Teils kann
unterschiedlich sein
Ability Bias
Seite 38Ability Bias
Annahmen einfaches lineares Regressionsmodell:
Ann. 1: xi sind i.i.d.
Grundlagen für
Ann. 2: Xi hat vollen Rang
konsistenten Schätzer
Ann. 3: E(u | x) = 0
(xi = exogene Variablen)
Annahme drei (Exogenitätsannahme) wird in diesem
Lohnbeispiel verletzt, da im Störterm ui unbeobachtete Faktoren
(z.B. Intelligenz, Motivation) sind, die mit der exogenen Variablen
educ korrelieren und den Lohn wi beeinflussen.
Ability Bias
Seite 39Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Exogene Selektion
3.2.2 Ability Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 40Kontrafaktische Analysen durch
„Natürliche Experimente“
Um den Ability Bias zu umgehen, wäre es ideal zwei völlig
gleiche Individuen zu haben, sogenannte „Identical
Twins“, die sich nur in genau einer Eigenschaft
unterscheiden (z.B. im Ausbildungsniveau).
Bei einer ganzen Stichprobe von „Identical Twins“, könnte
man genau den Ausbildungseffekt bestimmen, da für alle
anderen Eigenschaften bereits genau kontrolliert wird.
Durchschnittlicher Lohnunterschied
der einzelnen Zwillingspaare
Seite 41Difference-in-Differences-Schätzer
Treatment-Group Control-Group
Erhält Maßnahme Erhält keine
Maßnahme
Einfluss auf eine bestimmte Größe
Seite 42Difference-in-Differences-Schätzer
Status Quo Maßnahme
Treatment-Group
t
Control-Group
t0 t1
y = β0 + δ0t2 + β1*Tr + δ1t2*Tr + andere Faktoren
t2 : Dummy für 2. Zeitperiode
Tr : Dummy für Treatment
Seite 43Difference-in-Differences-Schätzer
y = β0 + δ0d2 + β1dTr + δ1d2*dTr + andere Faktoren
Vorher Nachher Nachher - Vorher
Control β0 β0 + δ0 δ0
Treatment β0 + β1 β0 + δ0 + β1 + δ1 δ0 + δ 1
Treatment - β1 β1 + δ1 δ1
Control
Seite 44Difference-in-Differences-Schätzer
y = β0 + δ0d2 + β1dTr + δ1d2*dTr
Es gilt:
Durchschnittlicher Treatment-Effekt
Seite 45Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Exogene Selektion
3.2.2 Ability Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 46Probleme Difference-in-Differences-
Schätzer
Können Treatment- und Controlgruppe nicht derart
gewählt werden, dass die Teilnahme am Treatment mit
einer bestimmten unbeobachteten Eigenschaft korreliert,
die wiederum die Outputvariable beeinflusst, dann ist
auch diese Schätzmethode verzerrt.
z.B. freiwillige Teilnahme an einem Nikotin-Entzugs-
Programm. An dem Kurs werden eher Individuen
teilnehmen die besonders motiviert sind, sich das
Rauchen abzugewöhnen Æ Selbstselektion
Seite 47Gliederung
II. Empirischer Teil
3 Lineare Regressionsanalyse
3.1 Schätzung der Bildungsrendite
3.2 Probleme
3.2.1 Exogene Selektion
3.2.2 Ability Bias
4 Natürliche Experimente
4.1 Difference-in-Differences-Schätzung
4.2 Probleme bei Difference-in-Differences
4.3 Fallbeispiel: Weiterbildungsmaßnahmen
Seite 48Fallbeispiel: Weiterbildungsmaßnahmen
Ein Unternehmen beauftragt Sie herauszufinden, inwiefern ein
Weiterbildungskurs, an dem verschiedene Mitarbeiter
teilgenommen haben, deren Effizienz beim Arbeiten
gesteigert hat. Anhand der Effizienzsteigerung –falls
überhaupt vorhanden- möchte das Unternehmen
entscheiden, ob dieser Kurs auch weiterhin für Mitarbeiter
angeboten werden sollte.
Wie gehen Sie vor? Welche Informationen brauchen
Sie ggf. noch von dem Unternehmer?
Seite 49Probleme
Auch bei der Untersuchung von Weiterbildungsmaßnahmen
gibt es sowohl Selektionsprobleme (exogene Selektion), als
auch Verzerrungen durch den Ability Bias.
Exogene Selektion:
Ability Bias:
Seite 50Lösungsansätze
Welche Möglichkeiten bestehen für das Unternehmen, um ein
möglichst unverzerrtes Bild über den Erfolg der Maßnahme zu
erhalten, d.h. den Einfluss der Maßnahme auf die Effizienz der
Mitarbeiter möglichst isoliert zu betrachten?
Seite 51Sie können auch lesen
