Folien

mit 1. Kind
ohne 1. Kind
1. Ehe
Ereignisanalyse: Lokale Interdependenz
Bsp. Frau Nr. 432:
Alter 16 Heirat mit 25 Alter 27: Geburt 1. Kind
t= - 132 Monate
Y(t)
t=0-24 t= 0
Di= if ge(Thei,Tint) then Tint - Tkid else Thei – Tkid,
ledig Zeitachse
t
t

Ereignisanalyse: Lokale Interdependenz
Problem: edef(); - Befehl verlangt positive Werte für
Verweildauer bzw. tf.
Lösung: Addition, des Betrags des kleinsten Wertes im Datensatz
als Konstante.
1.) bmin ohne dblock bezieht sich sich auf die ganze Datei.
Schreibt in jede Zeile (Person) den kleinsten Wert.
2.) Konstante wird auf die häufig negative Prozesszeit addiert. +1
und alle Werte für die Prozesszeit sind nun positiv.
3.) Bei Erstellung der Grafiken wird Konstante wieder abgezogen.
Konst=bmin(Di)*(-1),
T=Di+Konst+1,
Des_h=if lt(Thei,Tint) then 1 else 0,

Ereignisanalyse: Exponentialmodell
Modellvarianten, nicht nur für Exponentialmodell: exp1.cf
1.) Ein Zielzustand, eine Episode pro Person
2.) Ein Zielzustand, mehrere Episoden pro Person
3.) Ein Zielzustand, mehrere Episoden pro Person, Effekte für jeden
Übergang separat geschätzt
4.) Mehrere Zielzustände: competing risk models (17.6.)
dblock=ID,
Lfx=cum(Dur)-Dur,
# Vorgeschichte
Ep_1=SN - 1,
1. Aufgabenblatt, auch mit pre
Anzahl der vorangegangenen Episoden
# Kovariate: Effekt von Lfx fuer beide Geschlechter
# Interaktionsterm
Lfx_fr=Frau[1]*Lfx,
Interaktionsterm

Ereignisanalyse: Exponentialmodell
edef(
org=0,
des=DES,
Definition der Episodendaten → bekannt!
ts=0,
tf=Dur,
);
# Regressionsmodell: Rate von Geschlecht abhängig
rate(
xa(0,1)=Frau, # x-Vektor auf den a-Term
rrisk, # relative Risiken, exp(b)
)=2; # 2=exponential model
# Regressionsmodell: Rate von Geschlecht abhängig,
# unter Kontrolle des Ausbildungsniveaus ("highest")
rate(
xa(0,1)=Frau,EDU,
rrisk,
)=2;

Ereignisanalyse: Exponentialmodell
Mehrere Episoden pro Person:
• Problem: Episoden sind nicht unabhängig voneinander.
• Lösungsansatz 1.) : Kontrolle der Vorgeschichte, hier:
Berufserfahrung und Zahl der vorangegangenen Episoden.
• Lösungsansatz 2.) : separate Modellierung der Übergänge
rate(
xa(0,1)=Frau,EDU,Lfx,
rrisk,
)=2;
rate(
xa(0,1)=Frau,EDU,Lfx,Ep_1,
rrisk,
)=2;
1.) Kontrolle der Vorgeschichte
Berufserfahrung
Anzahl der vorangegangenen Episoden. Problem:
was misst diese Variable genau? Zumindest Kontrolle
„unbeobachteter Heterogenität“, die mit häufigem
Wechseln korreliert.

Ereignisanalyse: Exponentialmodell
2.) separate Modellierung der einzelnen Übergänge
edef(
org=0,
des=DES,
ts=0,
tf=Dur,
id=ID,
sn=SN, # Mehrepisodenfall,
);
• wenn SN nicht vorhanden, Variable bilden mit:
dblock=ID,
SN=brec,
• Problem des Ansatzes: schwindende Fallzahlen mit steigender
Episodennummer. Begrenzung auf „die ersten Episoden“ wiederum
problematisch, da „Mover“ zu gering vertreten sind.

Ereignisanalyse: Exponentialmodell
Idx SN Org Des MT Variable Coeff Error C/Error Signif
-------------------------------------------------------------------
1 1 0 1 A Constant -4.7610 0.2541 -18.7397 1.0000
2 1 0 1 A Frau 0.3834 0.1166 3.2884 0.9990
3 1 0 1 A EDU 0.0289 0.0208 1.3869 0.8345
4 1 0 1 A Lfx -0.0051 0.0011 -4.8416 1.0000
5 1 0 1 A Lfx_fr 0.0034 0.0016 2.1305 0.9669
Regressionsmodell, allgemeine Darstellung:
y=b ^
0 +b1x1 +...+bnxn Regressionsmodell mit Interaktion Berufserfahrung x Frau:
r(t)=exp(-4.76+0.3834*Frau+0.0289*EDU
-0.0051*Lfx+0.0034*Lfx_fr)
b(Lfx) =Effekt für Männer
b(Lfx)+b(Lfx_fr) =Effekt für Frauen
Resultat:
Effekt für Männer negativ. Effekt für Frauen auch, jedoch weniger
stark. Berufserfahrung wirkt sich für Frauen also weniger
stabilisierend aus, als für Männer

Ereignisanalyse: Exponentialmodell
Wichtig: anschauliche Darstellung der empirischen Befunde
• Ereignisanalytisches Regressionsmodell: wenig anschaulich,
zumal mit Interaktionseffekt
• Survivorfunktion: einfach, sehr anschaulich
Anhand der geschätzten Parameter können Survivorfunktionen für
spezifische Merkmalskonstellationen berechnet werden.
→prate-Option im Rahmen des rate- Befehls
liefert für jeden gewählten Zeitpunkt G(t), f(t) und r(t)
Ergebnis wird grafisch dargestellt

Anteil noch im Job
Abb. 1: Einfluss der Berufserfahrung auf die
Beschäftigungsstabilität, getrennt nach Geschlecht
1,0
,9
,8
,7
,6
,5
,4
,3
,2
,1
0,0
0
2
Lfx Lfx=60 Lfx Lfx =60 Monate
Monate
Lfx Lfx=24 Lfx =24 Monate
Monate
4
6
8
10
12
14
16
18
20
22
24
Prozesszeit in Monaten
Quelle: MPI-Lebensverlaufsstudie, eigene Berechungen
26
28
30
32
34
36
Männer
Männer
Frauen
Frauen

Ereignisanalyse: Exponentialmodell
rate(
xa(0,1)=Frau,EDU,Lfx,Lfx_fr,
rrisk,
# Frauen, 2 Jahre Berufserfahrung
prate(tab=0(1)36,Frau=1,EDU=12,Lfx=24,Lfx_fr=24)=Frau24.t,
# Maenner, 2 Jahre Berufserfahrung
prate(tab=0(1)36,Frau=0,EDU=12,Lfx=24,Lfx_fr=0)=Mann24.t,
# Frauen, 5 Jahre Berufserfahrung
prate(tab=0(1)36,Frau=1,EDU=12,Lfx=60,Lfx_fr=60)=Frau60.t,
# Maenner, 5 Jahre Berufserfahrung
prate(tab=0(1)36,Frau=0,EDU=12,Lfx=60,Lfx_fr=0)=Mann60.t,
)=2;

Ereignisanalyse: Exponentialmodell
„trivial“ matching: Zusammenführen der Datensätze durch
einfaches nebeneinander legen. Hier ausreichend, weil die
Zeitachse für jede Matrix identisch ist.
Frau24.t Frau60.t Mann24.t Mann60.t
0 1
1 0.99
2 0.96
3 0.91
. .
. .
36 0.57
0 1
1 0.99
2 0.98
3 0.97
. .
. .
36 0.60
0 1
1 0.99
2 0.98
3 0.98
. .
. .
36 0.74
0 1
1 0.99
2 0.99
3 0.99
.
.
36 0.80
Dann wird
Datensatz in SPSS
eingelesen und
Grafik erstellt.
4 Datensätze werden zu einem Datensatz verbunden und
herausgeschrieben, weil clear; Befehl fehlt