Übungsblatt 5 Durchschnittliche Treatment-Effekte (ATT, ATE)
Übungsblatt 5 Durchschnittliche Treatment-Effekte (ATT, ATE)
Übungsblatt 5 Durchschnittliche Treatment-Effekte (ATT, ATE)
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
PD Alexander Spermann Übung zur Mikroökonometrie<br />
Katrin Sommerfeld Albert-Ludwigs-Universität Freiburg<br />
Wintersemester 2007/08<br />
<strong>Übungsblatt</strong> 5<br />
<strong>Durchschnittliche</strong> <strong>Treatment</strong>-<strong>Effekte</strong> (<strong>ATT</strong>, <strong>ATE</strong>)<br />
Lesen Sie den Datensatz schweiz.raw vom L-Laufwerk in TSP ein. Der Datensatz ist ein<br />
Auszug des SEVS („Schweizerische Einkommens- und Vermögensstichprobe“) und<br />
SOMIPOPS („Soziomedizinisches Indikatorensystem für die Population der Schweiz“) und<br />
enthält die folgenden Variablen in der angegebenen Reihenfolge:<br />
ET Dummy für Erwerbstätigkeit (1 = erwerbstätig)<br />
lnNNE Logarithmiertes Netto-Nichterwerbseinkomen<br />
AGE Alter<br />
G Gesundheitsindex (steigt mit besserer Gesundheit)<br />
BJ Bildungsjahre<br />
BE Potenzielle Berufserfahrung (Age - education - 7)<br />
AMS Index für Arbeitsmarktsituation (offene Stellen/ Arbeitslose, kantonal)<br />
V Dummy für verheiratet (1 = verheiratet)<br />
KT Kinderanzahl (total)<br />
HS <strong>Treatment</strong>-Dummy (1 = mehr als 13 Bildungsjahre, d.h. Hochschulbildung)<br />
Wir werden im Folgenden untersuchen, wie sich Hochschulbildung (<strong>Treatment</strong>) auf die<br />
Beschäftigung von Frauen auswirkt.<br />
1. Betrachten Sie die durchschnittliche Erwerbstätigkeit separat für Frauen mit und ohne<br />
Hochschulbildung.<br />
2. Berechnen Sie den “average treatment effect on the treated” (<strong>ATT</strong>).<br />
Vorgehensweise: Berechnen Sie dazu den Unterschied zwischen den beiden<br />
konditionalen Wahrscheinlichkeiten P(et|Xj, hs=1) - P(et|Xj, hs=0) für alle Individuen:<br />
a) Zunächst führen Sie eine Probit-Schätzung durch, wobei die erklärte Variable die<br />
Erwerbstätigkeit ist, die durch eine Konstante, die potenzielle Berufserfahrung, die<br />
Kinderzahl, das logarithmierte Nichterwerbseinkommen, die Arbeitsmarktsituation,<br />
die Gesundheit und die Hochschulbildung erklärt wird.<br />
b) Generieren Sie zwei Variablen für die Wahrscheinlichkeit, erwerbstätig zu sein<br />
unter der Annahme, dass man eine Hochschulausbildung hat bzw. nicht hat, d.h.:<br />
Yi = Φ(Xβ+hs)= Φ(β1*cons + β2 *be + β3*kt + … + β7*i ) mit i=0;1
Y1<br />
Y0<br />
<strong>ATT</strong> = E Y − Y | C = 1)<br />
= E(<br />
Y | C = 1)<br />
− E(<br />
Y | C = 1)<br />
( 1 0<br />
1<br />
0<br />
c) Berechnen Sie nun den Unterschied zwischen P(Y=1|X) und P(Y=0|X), indem Sie<br />
eine neue Variable für die Differenz bilden.<br />
d) Der <strong>ATT</strong> bezieht sich auf die “treated”, also in diesem Fall die Frauen mit<br />
Hochschulausbildung. Berechnen Sie deshalb die durchschnittliche Differenz nur<br />
für diese Frauen.<br />
genr prob1 =<br />
3. Berechnen Sie den „average treatment effect“ (<strong>ATE</strong>).<br />
Vorgehensweise: Es gibt hier zwei Möglichkeiten, die zum gleichen Ergebnis führen:<br />
a) Berechnen Sie die durchschnittliche Differenz der beiden Wahrscheinlichkeiten,<br />
erwerbstätig zu sein (siehe 2.) für alle Frauen.<br />
b) Oder: Berechnen Sie für das geschätzte Probit-Modell den marginalen Effekt der<br />
Variable Hochschulbildung.<br />
cnorm(@coef(1)+@coef(2)*BE+@coef(3)*KT+@coef(<br />
4)*lnNNE+@coef(5)*AMS+@coef(6)*G+@coef(7)*1);<br />
genr prob0 =<br />
cnorm(@coef(1)+@coef(2)*BE+@coef(3)*KT+@coef(<br />
4)*lnNNE+@coef(5)*AMS+@coef(6)*G+@coef(7)*0);<br />
c)<br />
d)
Soziales Experiment<br />
Lesen Sie nun den Datensatz experiment.raw ein. Er enthält Daten zu einem sozialen<br />
Experiment aus den USA, welches zwischen 1975 und 1977 stattfand. Dabei ging es um die<br />
Teilnahme an einer Trainingsmaßnahme, die bestimmten Arbeitslosen ermöglicht wurde. Der<br />
Datensatz enthält die folgenden Variablen in der angegebenen Reihenfolge:<br />
treated Dummy Variable für <strong>Treatment</strong> (1=Teilnahme)<br />
age Alter<br />
educ Bildungsjahre<br />
black Dummy für Hautfarbe (1=farbig)<br />
mar Dummy für verheiratet (1=verheiratet)<br />
nodegree Dummy für Schulabschluss (1=kein Schulabschluss)<br />
re74 Realeinkommen 1974<br />
re75 Realeinkommen 1975<br />
re78 Realeinkommen 1978<br />
hisp =1, wenn „hispanic“<br />
Wir wollen im Folgenden herausfinden, ob Teilnehmer und Nicht-Teilnehmer des<br />
Experiments valide randomisiert wurden und die Nicht-Teilnehmer eine geeignete<br />
Kontrollgruppe darstellen. Dazu überprüfen wir zunächst, ob sie vergleichbare Eigenschaften<br />
aufweisen.<br />
1. Vergleichen Sie Teilnehmer und Nicht-Teilnehmer des Experiments in Bezug auf die<br />
Charakteristika, die sie vor dem Experiment aufwiesen.<br />
Zusatzaufgabe: Führen Sie t-tests auf Unterschiedlichkeit der Variablen durch.<br />
2. Untersuchen Sie mit Hilfe eines Probit-Modells, ob die Teilnahme an der Maßnahme<br />
tatsächlich zufällig verteilt wurde („random assignment“). Führen Sie dazu eine<br />
Probit-Regression durch mit der abhängigen Variable Teilnahme an der Maßnahme<br />
und allen erklärenden Variablen, die vor Zeitpunkt der Maßnahme feststehen (d.h.<br />
age, educ, black, married, nodegree, re74, re75, hisp).<br />
3. Hatte die Maßnahme einen Effekt auf das Realeinkommen 1978? Berechnen Sie<br />
dazu den average treatment effect (<strong>ATT</strong>). Gehen Sie davon aus, dass die<br />
Randomisierung in diesem sozialen Experiment valide ist und Sie daher lediglich die<br />
Differenz zwischen den Mittelwerten betrachten müssen.