Monthly Archives: March 2011

Economics und Google

Nachdem ich etwas ganz anderes gesucht habe, bin ich auf zwei interessanten Artikel im Zusammenhang mit Google und VWL gestoßen – ich wusste gar nicht, dass Varian für Google arbeitet. Absolut lesenswert!

http://www.wired.com/culture/culturereviews/magazine/17-06/nep_googlenomics?currentPage=all

http://blogs.wsj.com/economics/2007/07/19/economics-according-to-google/

Advertisements

How Computers have changed the Wage Structure: Evidence from Microdata

In diesem Artikel beschreibt Alan B. Krueger seine Versuche, in denen er versucht hat, Computern eine Produktivitätsverbesserung und damit bessere Löhne anzuhängen. Auch wenn er in seiner Einleitung darauf eingeht, dass Computer skilled workers substituieren oder komplimentieren können, fokussiert er sich nach ersten Ergebnissen auf positive Auswirkungen auf Skilled Workers in den Returns to Computer Use.

In einem ersten Ansatz untersucht er die Korrelation von Computer-Nutzung in einem Cross-Sectional Datensatz, welcher die Jahre 1984 und 1989 beinhaltet. Hier kommt er, je nach dem ob er den Standardvektor von typischen zusätzlichen Arbeitereigenschaften hinzu zieht, oder nicht, zu Werten zwischen 14% und 27% – 1989 sind es bereits 16% – 32%. Die Returns steigen also (anscheinend) in der Zeit – wenn denn tatsächlich Korrelation existiert.
Um dies zu überprüfen, hat er drei Ansätze (II):
A- Er überprüft, ob drei Gegebenheiten die Werte signifikant verändern:
  • Existenz von Rent-Sharing-Modellen (Arbeiter greifen Returns-To-Capital ab: nur leidlich überprüfbar, leichte Veränderungen)
  • Größe der Unternehmen (Unterschiede in bis zu 2%)
  • Mitgliedschaft der Arbeiter in Gewerkschaften (7.8% vs 20.% (keine Gew.). Da Gewerkschaften Lohnunterschiede reduzieren, keine Überraschung. Dies widerlegt allerdings die Rent-Sharing-Theorie.
B- Veränderung im Return to Computer Use mit der Zeit
Es existiert eine statistisch signifikante Verbesserung in den Returns to Copmuter, was aussagt, dass, selbst wenn die Anzahl der Arbeiter, welche Computer nutzen konnten, stieg, die Nachfrage nach diesen noch stärker stieg (Analog zu Returns to Schooling, Skilled workers). Dies wird von der verstärkten Computernutzung und den Preissenkungen von Computern zu diesem Zeitraum unterstützt.
Zum andern entkräftet dies ein anderes Gegenargument, das der positiven Selektion der Arbeiter in Computer-Nutzung: hiernach würden die Firmen erst den Arbeitern Computer geben, bei welchen die Produktivität am stärksten steigt (und somit einen Bias verursachen). Hiernach müssten die Returns to Computer allerdings mit der Zeit sinken, da nun die Benutzer Computer bekommen, welche davon einen geringeren Gegenwert haben. Da dies nicht der Fall ist, kann die positive Selektion nicht treibender Faktor sein.
C – Besondere Computeraktivitäten
Die Returns sind am stärksten für Arbeiter, welche die Computer für Email, Buchführung und Inventarskontrolle nutzen – die letzteren zwei sind zweifellos Bereiche, in welchen Computer die Produktivität sehr steigern (im Gegensatz zu negativen Returns für Arbeiter, die mit dem Computer spielen). Emails repräsentieren, dass viele (hochbezahlte) Manager oft Emails verschicken, und ist somit keine Kausalität, sondern Korrelation. 
Ob diese Korrelation nun auch Kausalität bedeutet, überprüft Kruger in vier weiteren Unterpunkten (III).
A – Computer-Benutzung auch privat
Wenn er auch die private Computernutzung mit ein bezieht (und somit unobserved Characteristics ausschließt, welche Produktivität beeinflussen können), kommt er zu Returns von 16% bei Arbeit, 5-7% zu Hause und 0,6-1% bei der Arbeit und Zuhause. Inwiefern das die Kausalitätsfrage beeinflusst, beantwortet er nicht. 
B – Intersektorale Estimates
Nun nimmt er sich die Sekretärinnen vor, weil sie die Arbeit im Datensatz darstellen, der den größten Datensatz hat. Diese haben 5% (1984) und 9% (1989) Returns von der Computer-Nutzung – erstaunlich wenig. Allerdings kann man sich hier aufgrund der Homogenität recht sicher sein, dass kausale Zusammenhänge existieren. Umfragen bei Teilzeit-Arbeitskräften-Vermittlern bestätigen diese Vermutung und geben viel höhere Returns für Computer-fähige Sekretärinnen wieder (33%).
Diese Vermittler wurden auch gefragt, ob sie Schulungen anbieten – ja. Viele Agenturen bezahlen die sogar selbst. Was deswegen erstaunlich ist, weil viele Arbeitskräfte beim neuen Arbeitgeber anfangen und nie wieder kommen – verschwendetes Kapital! Nur so zu erklären, dass sich diese Schulungen bereits in den ersten Returns der Sekretärinnen bzw. der Abfindungen widerspiegeln – was Krugers Argumente nur bekräftigen.
C & D – Divers
In Abschnitt C versucht Kruger, seine Argumente auf Basis eines anderen Datensatzes zu bekräftigen. In D versucht er, die Wachstumsrate von Berufsfeldern zu korrelieren mit der Wachstumsrate der Computer-Benutzenden Arbeiter in diesem Berufsfeld. Auch hier ist eine Kausalität leichter herzustellen: wenn Computer-Nutzung die Produktivität steigert, sollten diese Firmen wachsen, die mehr Computer nutzen. 
IV – Returns to Education
Letztendlich will Kruger noch herausfinden, ob die Returns to Computer auch die anderen Differentials (wie die Returns to Schooling) verändert haben – ob sich also letztere durch erstere erklären lassen. Wenn man Computernutzung einberechnet, reduziert sich bspw. der Lohngegenwert von Years of Schooling um 7%. Wenn man Computer*Education variieren lässt, gar um 9%.

Are Emily and Greg More Employable Than Lakisha and Jamal? A Field Experiment on Labor Market Discrimination

In diesem Artikel beschreiben Bertrand und Mullainathan in Experiment, in welchem sie Diskriminierungen bei Arbeitseinstellung der Unternehmen untersuchen. Sie haben hierbei 5.000 Lebensläufe generiert, welche sie nach dem Zufallsprinzip besonders „schwarzen“ oder „weißen“ Namen zugewiesen haben (i.e. Namen, bei welcher der jeweilige Anteil der Hautfarbe am stärksten dominiert). Indem sie bestimmte Faktoren variierten, haben sie zudem für Bewerbungen hoher und niedriger Qualität gesorgt, um zu beobachten, wie eine eventuelle rassistische Diskriminierung sich in den Fähigkeiten verändert.

Die wichtigsten Ergebnisse zusammen gefasst (kein Anspruch auf Vollständigkeit; III & IV sind 6 Seiten lang):

  • bei gleichen Lebensläufen haben „weiße“ Namen eine 50% höhere Rücklaufquote (i.e. eine Einladung zum Vorstellungsgespräch. Diese Quote ist konstant über alle getesteten Berufsgenres und benötigten Fähigkeiten. Sie sinkt leicht, wenn der Arbeitgeber in einer besonders „schwarzen“ Gegend sitzt.
  • Es wird erwartet, dass der Gegenwert steigender Kompetenzen für Schwarze größer ist, als für Weiße, weil ein häufiges Argument die Unsicherheit bzgl. der Kompetenzen in schlechten Milieus erwachsenen Menschen ist. Das Gegenteil ist der Fall: der Gegenwert von Bildung ist größer für Weiße – die Schere der Ungleichheit spreizt sich in Fähigkeiten.
  • Die Quote ist unabhängig von den Milieus, aus welchen sich die Bewerber bewerben – eine Theorie sagt aus, dass Rassismus nur ein Proxy für das Soziale Umfeld ist: Im Extremfall ist einem die Hautfarbe egal, man möchte keine „asozialen“. Da die Quote allerdings auch bei solchen Bewerbern stabil bleibt, wird diese Theorie von den gegebenen Daten widerlegt.

Cigarette Smoking, Seatbelt Use and Differences in Wage-Risk Tradeoff

In dieser Arbeit errechnen die Professoren Hersch und Viscusi den risikoabhängigen Lohn-Differential. Hierfür versuchen sie die Risikoaversität der Arbeiter anhand den Tatsachen zu bestimmen, ob sie den Sicherheitsgurt im Auto nutzen, und ob sie Raucher sind (und wenn ja, wie viele Zigaretten sie rauchen). Dieses Wissen nutzen sie bei der Berechnung der Risiko-Komponente der Löhne.

Da bei der Lohn-Aushandlung nicht der neutrale Risikowert wichtig ist, sondern wie der Arbeitnehmer das Risiko einschätzt, werden die Arbeiter ferner gebeten, das Risiko ihrer Arbeitsstelle auf einer Skala zu quantifizieren. Anschließend lassen die Autoren mehrere Regressionen über diese Variablen laufen – u.A. auch, ob die besondere Kombination Raucher/Kein-Gurt bzw. Nicht-Raucher/Gurt besonders extreme Lohn-Differentiale haben.

Auch andere typische Variablen werden mit eingebunden, u.A. soll überprüft werden, ob höhere Bildung oder Gewerkschaftsmitgliedschaft zu höheren Risiko-Gegenwerten führen (ja). Argumentation: höhere Bildung erhöht den Lebenserwartungsgegenwert (Lebenszyklus-Gesamt-Einnahmen), weswegen Risiko höher gewichtet wird. Gewerkschaften haben hingegen bessere Informationen hinsichtlich der tatsächlichen Risikohöhe, weswegen auch hier Risiko besser vergütet wird. Beide Ergebnisse sind, however, statistisch nicht signifikant. Bei letzterem habe ich persönlich sowieso etwas auszusetzen: die Argumentation hat Lücken, da „bessere“ Informationen hinsichtlich der Risikohöhe von der subjektiven Risikoeinschätzung der Arbeiter abweicht. Selbst wenn das Ergebnis also signifikant wäre, würde dies eine Parallelverschiebung (upward bias) bedeuten – der Gewerkschaftseffekt würde überbewertet.

Schlussendlich kommen sie zu dem Ergebnis, dass eine Verletzung, einen Tag auszufallen (das Risiko, um das es die ganze Zeit ging), ca 48.000 USD beträgt (hochgerechnet von den Kompensationen in den Löhnen). Bei der extrem-aversen Gruppe der Sicherheitsgurt-Nichtraucher beträgt dies sogar 81.000 USD, während es bei der anderen extremen nicht-aversen Gruppe keine statistisch signifikante Abweichung nach oben gibt. Somit ist die Theorie (zumindest hier) bestätigt.

Allerdings gibt es kleinere Gegenargumente, auf die auch hingewiesen wird:

  • von der Gurt/Zigaretten-Nutzung auf Risikoaversität zu schließen hat die Schwäche, dass wir dabei die absolute Gefahr von Gurt/Zigaretten definieren müssen. Wenn einzelne Subjekte diese Risiken falsch einschätzen (und z.B. viel zu viel rauchen), würden wir sie als sehr risikoavers einschätzen, auch wenn sie einfach nur dumm sind. Solange diese Dummheit allerdings übertragbar (auf die Risiken der Arbeitsstelle) ist, kann man damit leben.
  • Auch sind diese Werte abhängig davon, wie sehr die Arbeiter in der Lage sind, (in einer unsicheren Umgebung) für Sicherheit zu sorgen. Dies würde das Risiko ihres Jobs verringern (und in einer größeren Entlohnung-Pro-Risiko-Verhältnis resultieren).