Fallbeispiel 5: Humankapital und Returns to Education. Seite 1

Transkript

1 Fallbeispiel 5: Humankapital und Returns to Education Seite 1

2 Gliederung 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 2

3 Gliederung 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 3

4 Gliederung II. Empirischer Teil 3 Lineare Regressionanalyse 3.1 Schätzung der Bildungsrendite 3.2 Probleme Ability Bias Selection Bias 4 Natürliche Experimente 4.1 Difference-in-Differences-Schätzung 4.2 Probleme bei Difference-in-Differences 4.3 Fallbeispiel: Weiterbildungsmaßnahmen Seite 4

6 Einführung: 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) Zur exakten Bestimmung des Effektes einer Maßnahme muss dieser Effekt möglichst isoliert betrachtet werden, sogenannte ceteris-paribus Analysen. Kontrafaktische Kausalzusammenhänge können so mit der Frage: Was wäre wenn beantwortet werden Seite 6

7 Einführung: 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 7

9 Humankapital: 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 9

10 Humankapital: Definition Löhne variieren zwischen Arbeitnehmern weil Arbeitnehmer unterschiedliche Jobs haben. Löhne variieren zwischen Arbeitnehmern weil Arbeitnehmer unterschiedlich sind. Jeder Arbeitnehmer bringt bestimmte Eigenschaften und Fähigkeiten mit, das sogenannte HUMANKAPITAL Seite 10

12 Humankapital 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. Investition in Humankapital Seite 12

13 Humankapital: Fakten und Entwicklung Grund-/ Realschulabschluss (Fach)Abitur Hauptschulabschluss 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 Starke Evidenz für ein deutlich gestiegenes Bildungsniveau in den letzten Jahrzehnten Zahlen für Deutschland Quelle: Franz, Arbeitsmarktökonomik Seite 13

14 Humankapital: Fakten und Entwicklung Seite 14

15 Humankapital: Fakten und Entwicklung Quelle: Borjas Seite 15

16 Humankapital: 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 16

18 Schooling Model Frage: Wenn Bildung zu niedrigere Arbeitslosigkeit und höheren Löhnen führt, warum lassen sich dann nicht alle maximal ausbilden? Jede Investitionsentscheidung auch die in Humankapitalist abhängig vom Verhältnis der laufenden Kosten mit den späteren Erträgen. r: Diskontrate t: Zeit Gegenwartswert: Seite 18

19 Schooling 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 19

20 Lebenszyklustheorie (stylisiert) Einkommen y COL y HS College Absolvent High School Absolvent Alter DK DK: direkte Kosten der Ausbildung (Bücher, etc.) Seite 20

21 Lebenszyklustheorie Max wird sich für dafür entscheiden arbeiten zu gehen, wenn PV HS >PV COL und er wir sich für das College entscheiden, wenn PV COL > PV HS Seite 21

22 Lebenszyklustheorie Beispiel: Max lebt genau 2 Perioden, er kann entscheiden nicht zum College zu gehen und $ zu erhalten, oder zum College zu gehen, 5000$ in der ersten Periode zu investieren um danach in der zweiten Periode $ zu verdienen. r = 5% r = 15% PV 0 = / (1+r) PV 1 = / (1+r) $ $ $ $ PV 0 < PV 1 PV 0 > PV 1 Seite 22

23 Diskontrate 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 23

24 Lebenszyklustheorie Einkommen Verlorenes Einkommen Bruttogewinn College Absolvent High School Absolvent Alter DK Kosten DK: direkte Kosten der Ausbildung (Bücher, etc.) Seite 24

25 Lohn-Ausbildungs-Kurve Dollar Lohn- Ausbildungskurve Vom Markt exogen gegeben Für jedes Individuum unterschiedlich Ausbildungsjahre Seite 25

26 Eigenschaften 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 26

27 Stopping-Rule Wann ist es nun für ein Individuum optimal die Ausbildung zu beenden und in die Arbeitswelt einzutreten? Diskontrate r r* Jedes Individuum hat ein kritischen Wert r* bezüglich der MBR, bei dem es gerade indifferent ist zwischen Ausbildung und Arbeitsleben, nämlich genau dann wenn MBR = r MBR s s Ausbildungsjahre Seite 27

28 Lohnunterschiede Problem: Die Bildungsrendite lässt sich nicht mehr so einfach berechnen, wenn jedes Individuum einer eigene Lohn- Ausbildungskurve gegenübersteht. Diskontfaktor 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* MBR 1 MBR 2 s 1 * s 2 * Ausbildungsjahre Seite 28

29 Lohnunterschiede FAZIT: Lohnunterschiede werden also maßgeblich von zwei Faktoren beeinflusst: Ausbildungsniveau Individ. Fähigkeiten Seite 29

30 Gliederung II. Empirischer Teil 3 Lineare Regressionsanalyse 3.1 Schätzung der Bildungsrendite 3.2 Probleme Ability Bias Selection Bias 4 Natürliche Experimente 4.1 Difference-in-Differences-Schätzung 4.2 Probleme bei Difference-in-Differences 4.3 Fallbeispiel: Weiterbildungsmaßnahmen Seite 30

31 Empirische 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 31

32 Gliederung II. Empirischer Teil 3 Lineare Regressionsanalyse 3.1 Schätzung der Bildungsrendite 3.2 Probleme Exogene Selektion Ability Bias 4 Natürliche Experimente 4.1 Difference-in-Differences-Schätzung 4.2 Probleme bei Difference-in-Differences 4.3 Fallbeispiel: Weiterbildungsmaßnahmen Seite 32

33 Lineares Regressionsmodell Klassische Methode: lineares Regressionsmodell log w = β 0 + β 1 * educ + β 2 * gender + + u i Logarithmierter Lohn Ausbildungsrendite (=rate of return to education) Renditen anderer Faktoren Ausgelassene Faktoren, die auch den Lohn beeinflussen (Motivation, Intelligenz, etc.) USA: β 1 beträgt etwa 9 Prozent Seite 33

34 Regressionsanalyse: Returns to Education. reg lwage educ black hisp exper married union Source SS df MS Number of obs = 4360 F( 6, 4353) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lwage Coef. Std. Err. t P> t [95% Conf. Interval] educ black hisp exper married union _cons Bildungsrendite: 10,4 % Seite 34

35 Exkurs: Interpretation der Parameter Bildungsrendite: 10,4 % steigt die Ausbildung um 1 Jahr, so steigt der logarithmierte Lohn um 10,4%. Semielastizität wegen Seite 35

37 Exogene 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 37

38 Selbstselektion 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 38

39 Ability Bias Annahmen einfaches lineares Regressionsmodell: Ann. 1: x i sind i.i.d. Ann. 2: X i hat vollen Rang Ann. 3: E(u x) = 0 (x i = exogene Variablen) Grundlagen für konsistenten Schätzer Annahme drei (Exogenitätsannahme) wird in diesem Lohnbeispiel verletzt, da im Störterm u i unbeobachtete Faktoren (z.b. Intelligenz, Motivation) sind, die mit der exogenen Variablen educ korrelieren und den Lohn w i beeinflussen. Ability Bias Seite 39

41 Kontrafaktische 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 41

42 Difference-in-Differences-Schätzer Treatment-Group Control-Group Erhält Maßnahme Erhält keine Maßnahme Einfluss auf eine bestimmte Größe Seite 42

43 Difference-in-Differences-Schätzer Status Quo Maßnahme Treatment-Group Control-Group t t 0 t 1 y = β 0 + δ 0 t2 + β 1 *Tr + δ 1 t2*tr + andere Faktoren t2 : Dummy für 2. Zeitperiode Tr : Dummy für Treatment Seite 43

44 Difference-in-Differences-Schätzer y = β 0 + δ 0 d2 + β 1 dtr + δ 1 d2*dtr + andere Faktoren Vorher Nachher Nachher - Vorher Control β 0 β 0 + δ 0 δ 0 Treatment β 0 + β 1 β 0 + δ 0 + β 1 + δ 1 δ 0 + δ 1 Treatment - Control β 1 β 1 + δ 1 δ 1 Seite 44

45 Difference-in-Differences-Schätzer y = β 0 + δ 0 d2 + β 1 dtr + δ 1 d2*dtr Es gilt: Durchschnittlicher Treatment-Effekt Seite 45

47 Probleme 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 Selbstselektion Seite 47

49 Fallbeispiel: 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 49

50 Probleme Auch bei der Untersuchung von Weiterbildungsmaßnahmen gibt es sowohl Selektionsprobleme (exogene Selektion), als auch Verzerrungen durch den Ability Bias. Exogene Selektion: Ability Bias: Seite 50

51 Lösungsansätze 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 51