5. sitzung alexander spermann universität freiburg 1 gleicher lohn bei gleicher qualifikation:...
Post on 05-Apr-2015
105 Views
Preview:
TRANSCRIPT
1
5. Sitzung
Alexander SpermannUniversität Freiburg
Gleicher Lohn bei gleicher Qualifikation: Frauen verdienen im Durchschnitt zwar weniger als Männer, aber ist die Ursache dafür in der Diskriminierung zu suchen?
Frage: liegt Lohndiskriminierung trotz Qualifikationsgleichstand
von Frauen vor? Niedrigere Durchschnittslöhne weisen noch nicht auf
Diskriminierung von Frauen bei der Entlohnung hin erhalten Frauen bei sonst gleichen Eigenschaften die gleiche
Entlohnung wie Männer? Wenn ja: Unterschiedliche Entlohnungen sind auf
Qualifikationsunterschiede, unterschiedliche Berufserfahrung zurückzuführen
Wenn nein: Lohndiskriminierung
Dummy-Variablen
2
5. Sitzung
Alexander SpermannUniversität Freiburg
Ökonomisches Modell: y = f( x1, x2, x22)
y = Lohn, x1 = Schuljahre , x2 = Berufserfahrung in Jahren
Ökonometrisches Modell: y = + ß1 ·x1 + ß2 ·x2 + ß3 ·x2 2 + u
Ökonomische Interpretation: Parameter repräsentiert Lohn bei Schuljahre = Null und Berufserfahrungsjahre = Null
Einführung einer neuen Variable: DF = 1 (Individuum weibl.)
DF = 0 (Individuum männl.)
12 8 64 0
10 6 36 1 14 10 100 1
1 2 3
Y x1 x2 x22 DF
Individuen
Dummy-Variablen
3
5. Sitzung
Alexander SpermannUniversität Freiburg
Neue Gleichung:
y = + ßF ·DF + ß1 ·x1 + ß2 ·x2 + ß3 ·x2 2 + u
Interpretation: Frauen DF = 1 a + bF entspricht Lohn bei x1 =x2 = 0
Männer DF = 0 a entspricht Lohn bei x1 =x2 = 0
Ist Schätzer bF signifikant und negativ, liegen Frauenlöhne systematisch unter den entsprechenden Männerlöhnen bei gleicher Schulbildung und Berufserfahrung
unterschiedlicheAchsenabschnitte
Dummy-Variablen
4
5. Sitzung
Alexander SpermannUniversität Freiburg
y = + ßF ·DF + ß1 ·x1 + ß2 ·x2 + ß3 ·x2 2 + u
y = Lohn
x1 = Schuljahre
a
a + bF
a + b1 ·x1
a + bF + b1 ·x1
(-)
negativ, wenn D=1
Dummy-Variablen
5
5. Sitzung
Alexander SpermannUniversität Freiburg
Dummy-Variablen
6
5. Sitzung
Alexander SpermannUniversität Freiburg
Interpretation des Regressionsoutputs I:
Konstante c=0,606 : Achsenabschnitt für „männlich“ (D=0) Koeffizient für (D=1) „weiblich“= - 0,265, d.h. die
Schätzgerade für Frauen verschiebt sich um 0,265 nach unten |t-Werte| > 2, was die Signifikanz der unabhängigen Variablen
bestätigt R2=31%, folglich hat das Modell durch das Einführen der
Dummy-Variable für das Geschlecht an Erklärungsgehalt gewonnen Die -Fehlerwahrscheinlichkeit bei Ablehnen der Nullhypothese ist mit Prob=0,0000 sehr gering: Ergebnis ist hoch signifikant
0,606
0,341
-0,265
a + b1 ·x1
a + bF + b1 ·x1
y=Lohn
x=Schuljahre
Dummy-Variablen
7
5. Sitzung
Alexander SpermannUniversität Freiburg
y = + ßF ·DF + ßV ·DV + ß1 ·x1 + ß2 ·x2 + ß3 ·x2 2 + u
Neue Variable DV = 1 (Individuum verheiratet)
DV = 0 (Individuum nicht verheiratet)
wenn Schätzer bV signifikant und negativ (positiv), dann
erhalten Verheiratete systematisch niedrigere (höhere)
Löhne als Unverheiratete
1 1 0
0 1 1
DVDF
Dummy-Variablen
8
5. Sitzung
Alexander SpermannUniversität Freiburg
Dummy-Variablen
9
5. Sitzung
Alexander SpermannUniversität Freiburg
Interpretation des Regressionsoutputs II:
der |t-Wert| für „verheiratet“ ist mit 1,294 < 2, und somit ist der Koeffizient der erklärenden Variable „Familienstatus“ insignifikant
R2=32%, folglich hat das Modell durch das Einführen einer weiteren Dummy-Variable kaum an Erklärungskraft gewonnen
Die -Fehlerwahrscheinlichkeit von 19,6% (Prob=0,1963) bei Ablehnen der Nullhypothese ist zu hoch: Ergebnis ist nicht signifikant
Dummy-Variablen
10
5. Sitzung
Alexander SpermannUniversität Freiburg
Schätzer bV nicht signifikant von Null verschieden, da | t | < 2
DV bezieht sich sowohl auf verheiratete Frauen als auch auf verheiratete Männer, quantitativer Effekt bV für beide identisch
DF = DV = 0: a (unverh. Männer)
DF = 0, DV = 1: a + bV (verh. Männer)
DF = 1, DV = 0: a + bF (unverh. Frauen)
DF = DV = 1: a + bF + bV (verh. Frauen)
Diff. bV
Diff. bV
Ach
sena
bsch
nite
Dummy-Variablen
11
5. Sitzung
Alexander SpermannUniversität Freiburg
Gibt es unter Umständen systematischen Unterschied, d.h. wirkt sich der Familienstatus für Frauen anders auf Lohn aus als für Männer?
Hypothese: Wenn Familienstatus mit Existenz von Kindern korreliert, kann sich dieser für Frauen negativer auswirken als für Männer, wenn Existenz von Kindern mit Erwerbsunterbrechungen und Humankapitalentwertung einhergeht
Frage: Wie misst man geschlechtsspezifische unterschiedliche Effekte des Familienstatus auf Löhne ?
Interaktions-Dummy-Variablen
12
5. Sitzung
Alexander SpermannUniversität Freiburg
y = + ßF ·DF + ßV ·DV + ßFV ·DFV + ß1 ·x1 + ß2 ·x2 + ß3 ·x2 2 + u
Neue Variable DFV = 1 (Individuum verheir. und weiblich)
DFV = 0 (sonst)
durch Multiplikation: DF* DV = DFV
Interaktionsdummy DFV misst unterschiedlichen Einfluss des
Familienstatus bei Frauen und Männern
0 1 01 1 11 0 0
DF DV DFV
Interaktions-Dummy-Variablen
13
5. Sitzung
Alexander SpermannUniversität Freiburg
DF = DV = DFV = 0: a (unverh. Männer)
DF = 0, DV = 1, DFV = 0 : a + bV (verh. Männer)
DF = 1, DV = 0, DFV = 0 : a + bF (unverh. Frauen)
DF = DV = DFV = 1: a + bF + bV + bFV (verh. Frauen)
bFV misst unterschiedlichen Einfluss des Familienstatus
bFV signifikant und negativ: Verheiratet sein wirkt sich für Frauen negativer aus als für Männer, Gesamteffekt hängt von bV ab
Diff. bV
Diff.
bV +bFV
Interaktions-Dummy-Variablen
14
5. Sitzung
Alexander SpermannUniversität Freiburg
Interaktions-Dummy-Variablen
15
5. Sitzung
Alexander SpermannUniversität Freiburg
bV=0,153 mit I t I=2,7 , folglich ist der Koeffizient positiv und signifikant von Null verschieden
bF= -0,128 mit I t I=1,97 und mit der -Fehlerwahrscheinlichkeit von 4,8% , folglich ist der Koeffizient positiv und signifikant von Null verschieden
bFV= -0,207 mit I t I=2,6 , folglich ist der Koeffizient negativ und signifikant von Null verschieden
Bei Männern wirkt sich Ehe positiv auf Lohn aus (Effekt wird gemessen durch: bV)
Bei Frauen wirkt sich Ehe negativ auf Lohn aus (leicht negativer Effekt, gemessen durch: bV + bFV = - 0,055)
C=0,564
0,716
0,380,44
y=Lohn
x=Schuljahre
0,56+0,150,56-0,12
0,56-0,12-0,06
Verheiratete MännerUnverheiratete Männer
Unverheiratete Frauen
Verheiratete Frauen
Interaktions-Dummy-Variablen
16
5. Sitzung
Alexander SpermannUniversität Freiburg
Slope-Dummy-Variablen
Bislang haben Dummy-Variable unterschiedliche
Achsenabschnitte für unterschiedliche Personengruppen
repräsentiert
Koeffizienten der erklärenden Variablen können sich ebenfalls
für unterschiedliche Personengruppen unterscheiden
Beispiel: Einfluss höherer Schulbildung kann für Frauen und
Männer unterschiedlich wirken
17
5. Sitzung
Alexander SpermannUniversität Freiburg
Slope-Dummy-Variablen
y = + ßF·DF + ... ß1 ·x1 + ß2·x2 + ß2F·DF ·x2 ....+ u
Effekt der Berufserfahrung auf Lohn für Männer: DF=0
Effekt der Berufserfahrung auf Lohn für Frauen:
DF=1
ß2F misst Differenz
22
x
y
Fx
y22
2
18
5. Sitzung
Alexander SpermannUniversität Freiburg
Slope-Dummy-Variablen
y = + ßF·DF + ... + ß1·x1 + ß2·x2 + ß2F·DF ·x2…+ u
y = Lohn
x2 = Berufserfahrung
a
a + b2 ·x2
a + (b2 + b2F)·x2
(-)
(-)
19
5. Sitzung
Alexander SpermannUniversität Freiburg
Slope-Dummy-Variablen
y = Lohn
a + b1 ·x1
a + (b1 + b1F)·x1
(-)
(-)
20
5. Sitzung
Alexander SpermannUniversität Freiburg
Slope-Dummy-Variablen
Durch das Hinzunehmen der Slope-Dummy-Variable mit dem Koeffizienten 0,007 „Berufserfahrung*Weiblich“, wird die Variable „Weiblich“ insignifikant mit I t I = 0,45 und der
-Fehlerwahrscheinlichkeit=65,4%
0,687
y=Lohn
x=Berufserfahrung
Slope: 0,038-0.007
top related