Übungsblatt 5 Durchschnittliche Treatment-Effekte (ATT, ATE)

PD Alexander Spermann Übung zur Mikroökonometrie
Katrin Sommerfeld Albert-Ludwigs-Universität Freiburg
Wintersemester 2007/08
Übungsblatt 5
Durchschnittliche Treatment-Effekte (ATT, ATE)
Lesen Sie den Datensatz schweiz.raw vom L-Laufwerk in TSP ein. Der Datensatz ist ein
Auszug des SEVS („Schweizerische Einkommens- und Vermögensstichprobe“) und
SOMIPOPS („Soziomedizinisches Indikatorensystem für die Population der Schweiz“) und
enthält die folgenden Variablen in der angegebenen Reihenfolge:
ET Dummy für Erwerbstätigkeit (1 = erwerbstätig)
lnNNE Logarithmiertes Netto-Nichterwerbseinkomen
AGE Alter
G Gesundheitsindex (steigt mit besserer Gesundheit)
BJ Bildungsjahre
BE Potenzielle Berufserfahrung (Age - education - 7)
AMS Index für Arbeitsmarktsituation (offene Stellen/ Arbeitslose, kantonal)
V Dummy für verheiratet (1 = verheiratet)
KT Kinderanzahl (total)
HS Treatment-Dummy (1 = mehr als 13 Bildungsjahre, d.h. Hochschulbildung)
Wir werden im Folgenden untersuchen, wie sich Hochschulbildung (Treatment) auf die
Beschäftigung von Frauen auswirkt.
1. Betrachten Sie die durchschnittliche Erwerbstätigkeit separat für Frauen mit und ohne
Hochschulbildung.
2. Berechnen Sie den “average treatment effect on the treated” (ATT).
Vorgehensweise: Berechnen Sie dazu den Unterschied zwischen den beiden
konditionalen Wahrscheinlichkeiten P(et|Xj, hs=1) - P(et|Xj, hs=0) für alle Individuen:
a) Zunächst führen Sie eine Probit-Schätzung durch, wobei die erklärte Variable die
Erwerbstätigkeit ist, die durch eine Konstante, die potenzielle Berufserfahrung, die
Kinderzahl, das logarithmierte Nichterwerbseinkommen, die Arbeitsmarktsituation,
die Gesundheit und die Hochschulbildung erklärt wird.
b) Generieren Sie zwei Variablen für die Wahrscheinlichkeit, erwerbstätig zu sein
unter der Annahme, dass man eine Hochschulausbildung hat bzw. nicht hat, d.h.:
Yi = Φ(Xβ+hs)= Φ(β1*cons + β2 *be + β3*kt + … + β7*i ) mit i=0;1

Y1
Y0
ATT = E Y − Y | C = 1)
= E(
Y | C = 1)
− E(
Y | C = 1)
( 1 0
1
0
c) Berechnen Sie nun den Unterschied zwischen P(Y=1|X) und P(Y=0|X), indem Sie
eine neue Variable für die Differenz bilden.
d) Der ATT bezieht sich auf die “treated”, also in diesem Fall die Frauen mit
Hochschulausbildung. Berechnen Sie deshalb die durchschnittliche Differenz nur
für diese Frauen.
genr prob1 =
3. Berechnen Sie den „average treatment effect“ (ATE).
Vorgehensweise: Es gibt hier zwei Möglichkeiten, die zum gleichen Ergebnis führen:
a) Berechnen Sie die durchschnittliche Differenz der beiden Wahrscheinlichkeiten,
erwerbstätig zu sein (siehe 2.) für alle Frauen.
b) Oder: Berechnen Sie für das geschätzte Probit-Modell den marginalen Effekt der
Variable Hochschulbildung.
cnorm(@coef(1)+@coef(2)*BE+@coef(3)*KT+@coef(
4)*lnNNE+@coef(5)*AMS+@coef(6)*G+@coef(7)*1);
genr prob0 =
cnorm(@coef(1)+@coef(2)*BE+@coef(3)*KT+@coef(
4)*lnNNE+@coef(5)*AMS+@coef(6)*G+@coef(7)*0);
c)
d)

Soziales Experiment
Lesen Sie nun den Datensatz experiment.raw ein. Er enthält Daten zu einem sozialen
Experiment aus den USA, welches zwischen 1975 und 1977 stattfand. Dabei ging es um die
Teilnahme an einer Trainingsmaßnahme, die bestimmten Arbeitslosen ermöglicht wurde. Der
Datensatz enthält die folgenden Variablen in der angegebenen Reihenfolge:
treated Dummy Variable für Treatment (1=Teilnahme)
age Alter
educ Bildungsjahre
black Dummy für Hautfarbe (1=farbig)
mar Dummy für verheiratet (1=verheiratet)
nodegree Dummy für Schulabschluss (1=kein Schulabschluss)
re74 Realeinkommen 1974
re75 Realeinkommen 1975
re78 Realeinkommen 1978
hisp =1, wenn „hispanic“
Wir wollen im Folgenden herausfinden, ob Teilnehmer und Nicht-Teilnehmer des
Experiments valide randomisiert wurden und die Nicht-Teilnehmer eine geeignete
Kontrollgruppe darstellen. Dazu überprüfen wir zunächst, ob sie vergleichbare Eigenschaften
aufweisen.
1. Vergleichen Sie Teilnehmer und Nicht-Teilnehmer des Experiments in Bezug auf die
Charakteristika, die sie vor dem Experiment aufwiesen.
Zusatzaufgabe: Führen Sie t-tests auf Unterschiedlichkeit der Variablen durch.
2. Untersuchen Sie mit Hilfe eines Probit-Modells, ob die Teilnahme an der Maßnahme
tatsächlich zufällig verteilt wurde („random assignment“). Führen Sie dazu eine
Probit-Regression durch mit der abhängigen Variable Teilnahme an der Maßnahme
und allen erklärenden Variablen, die vor Zeitpunkt der Maßnahme feststehen (d.h.
age, educ, black, married, nodegree, re74, re75, hisp).
3. Hatte die Maßnahme einen Effekt auf das Realeinkommen 1978? Berechnen Sie
dazu den average treatment effect (ATT). Gehen Sie davon aus, dass die
Randomisierung in diesem sozialen Experiment valide ist und Sie daher lediglich die
Differenz zwischen den Mittelwerten betrachten müssen.