Сочинение на тему Влияние опыта и образования на заработную плату женщин

В-третьих, модель влияет на распределение доходов. Например, поскольку благосостояние людей определяется приведенной стоимостью их заработков на протяжении всей их жизни, распределение доходов должно превышать распределение «человеческого благосостояния» (Polachek 2007). Таким образом, разница в заработках должна превышать разницу в человеческом богатстве как измеряется по текущей стоимости потока доходов. Кроме того, поддержание уровня школьного образования на постоянном уровне относительных различий в доходах (например, измеряемых как дисперсия логарифма доходов среди населения) должно сузиться с опытом, а затем расширяться. При этом профили опыта логарифмической дисперсии заработка должны быть U-образными. Этот раздел состоит из трех частей, каждая из которых представляет доказательства этих последствий.

Коэффициент возврата к образованию. Соотношение между заработком и обучением очевидно, показатели доходности для школьников были глубоко изучены во многих странах на протяжении бесчисленных лет. Положительная корреляция показывает, что образование является мощным вложением в будущее.

Функция дохода имеет вогнутую форму. Рассматривая функцию дохода, мы обнаруживаем, что она имеет вогнутую форму из-за отрицательного коэффициента β3, получаемого при оценке функции Минсера. Что это изображает; заключается в том, что для тех, кто остается на рынке труда, доходы растут с уменьшающейся скоростью в течение всей их жизни до момента, когда накопление человеческого капитала будет превышено амортизацией.

Распределение доходов в течение жизненного цикла: точка обгона – это один из наиболее уникальных, но не часто просчитываемых баллов из функции заработков Mincers, известный как точка обгона. Это точка в жизни, когда наблюдаемый доход равен потенциальному доходу на момент окончания учебного заведения, при условии отсутствия инвестиций после школы. Глядя на диаграмму (слева), мы видим, что вогнутая кривая (Y0 Yj Yp) показывает наблюдаемую прибыль, которая равна потенциальной прибыли (Ej) минус инвестиции в человеческий капитал (Cj). Мы можем видеть в точке, где наблюдаемый доход равен потенциальному доходу после выпуска, это точка обгона (J ^), поэтому YJ = E0 = Ys. Точка обгона позволяет нам наблюдать потенциальный заработок после окончания школы на каждом уровне обучения. Различные процентные доходы отражают значимость школы и определяют норму прибыли, а также подразумевают, что она оказывает большое влияние на заработную плату.

Проблемы, связанные с оценкой функции дохода Мясорубки

Пропущенные и неправильно измеренные переменные

Когда Минсер впервые создал свою первоначальную функцию заработка в 1958 году, он использовал сокращенную «модель обучения», в которой упоминались термины «опыт и квадрат опыта». Это может привести к смещенным результатам, особенно если пропущенная переменная и объясняющая переменная коррелируют так же, как и остальные независимые переменные. В результате этого, с некоторыми данными, было изображено, что опыт и обучение были отрицательно коррелированы. Это подразумевает, что у тех, у кого больше школьного образования, меньше опыта. Но мы знаем, что обучение и опыт имеют положительную корреляцию с заработком. Это означает, что отсутствие опыта (и квадрата опыта) приводит к пониженному коэффициенту школьного обучения.

Селективность – избирательность выборки может возникнуть из-за неслучайности используемых данных. Использование неслучайных данных для оценки гендерного разрыва может привести к смещению по отношению к мужчинам, поскольку на рынке труда женщин меньше, чем мужчин. Если бы метод выборки был случайным, то вышеупомянутое утверждение не было бы проблемой, но неслучайная выборка создает смещение. Это еще одна возможность того, что гендерный разрыв между мужчинами и женщинами в последнее время не уменьшается.

Ненаблюдаемая неоднородность – многомерный регрессионный анализ, используется для поддержания постоянных переменных величин с целью поиска факторов, влияющих на заработную плату. Однако проблема этого метода заключается в том, что он может привести к тому, что важные переменные будут опущены из-за отсутствия или отсутствия данных по нему. В примере с заработной платой, если посмотреть на людей, которые дольше остаются в школе, из-за связи между образованием и положительной корреляцией заработной платы, можно предположить, что это повысит заработок, но это не только образование, если останутся более одаренные люди в школе более длительный период может привести к смещению доходов в сторону увеличения из-за неизмеримых способностей. Таким образом, это упущение приводит к переоценке нормы прибыли.

Dataset

Ниже показана регрессия на основе наименьших квадратов заработной платы женщин. Мы можем видеть две объясняющие переменные, на которые смотрят: Опыт и Образование. Посмотрев сначала на опыт, мы видим, что он имеет коэффициент 0,0344, что свидетельствует о слабой положительной корреляции с заработной платой женщин. Это означает, что за каждый год опыта работы это приводит к увеличению заработной платы женщин на 3,44%. Со стандартной ошибкой 0,000524, которая подразумевает низкую дисперсию ошибки 0,05%. Далее, посмотрев на следующую пояснительную переменную Education, мы увидим, что она имеет коэффициент 0,074164, подразумевая сильную положительную корреляцию. Тогда на каждый год обучения это приведет к увеличению заработной платы женщин на 7,42%. Образование имеет стандартную ошибку 0,001049, так же мало по значению, как и опыт на 0,1%. Далее, глядя на значения R в квадрате, которые мы можем видеть со значением 0,299163, это показывает, что и Образование, и Опыт показывают около 30% различий в заработной плате женщин. Это говорит о том, что есть и другие важные переменные, которые являются определяющими факторами. Ниже R в квадрате – скорректированный R в квадрате, который имеет значение 0,299114, аналогично R в квадрате, но с поправкой на ошибку в данных. Этот результат показывает, что уровень ошибки составляет 0,005%, что по существу незначительно.