Samenvatting Uitgebreide interpretatie case Econometrie

CASE ECONOMETRIE 2023-2024
Onderwerp: determinanten van het uurloon

STAP 1

EIGENSCHAPPEN DATA (MET OOG OP INTERPRETATIE)




In vergelijking 1:
- 1 interactieterm = aantal jaren scholing en geslacht
In vergelijking 2:
- 1 interactieterm = aantal jaren scholing en geslacht
In vergelijking 3:
- 1e interactieterm = aantal jaren scholing en geslacht
- 2e interactieterm = geslacht en ras

Dummyvariabelen in 3 vergelijkingen:
- Female_i => referentiecategorie = vrouw
- Nonwhite_i => referentiecategorie = niet-blank
- Union_i => referentiecategorie = geen lid




1

,BESCHRIJVENDE STATITIEK DATA




THEORETISCHE (A PRIORI) HYPOTHESEN

Vergelijking 1 (ln(Wi)=β1 +β2S+β3E+β4E2+β5Female + β6Nonwhitei + β7Unioni + β8Si ∗ Femalei +
εi):


Scholing
H1: We verwachten een positieve impact van scholing op het uurloon van de mensen
H0: 2 ≤ 0
HA: 2 > 0
 Hoe hoger het aantal jaren scholing een persoon heeft, hoe hoger het uurloon van
deze persoon

Ervaring
H2: We verwachten een impact van ervaring op het uurloon van de mensen (tweezijdig)
H0: 3 = 0
HA: 3 ≠ 0
 Men verwacht dat een ervaren persoon meer of minder zal verdienen dan een
onervaren persoon.

Ervaring^2
H3: We verwachten een negatief impact van ervaring^2 op het uurloon. Onze reden hiervoor
is dat we een bergparabool verwachten (eerst een stijging van het loon tot een bepaald punt
en vervolgens een vermindering van het loon) hiervoor moet het getal voor de variabele in
de vergelijking negatief zijn.
H0: 4 ≥ 0
HA: 4 < 0

Female
H4: We verwachten dat geslacht (man) een positieve impact heeft op het uurloon van de
mensen
H0: 5 ≤ 0
HA: 5 > 0
 Men verwacht dat een man gemiddeld meer zal verdienen dan een vrouw




2

,Nonwhite
H5: We verwachten dat ras (blank) een positieve impact heeft op het uurloon van de mensen
H0: 6 ≤ 0
HA: 6 > 0
 Men verwacht dat een blanke persoon gemiddeld meer zal verdienen dan een niet-
blanke persoon

Union
H6: We verwachten dat vakbondslid (lid) een impact heeft op het uurloon van de mensen
(tweezijdig)
H0: 7 = 0
HA: 7 ≠ 0
 Men verwacht dat een vakbondslid gemiddeld meer of minder zal verdienen dan een
niet-vakbondslid

Scholing*Female
H7: We verwachten een sterke positieve impact van scholing en geslacht (man) op het
uurloon
H0: 8 ≤ 0
HA: 8 > 0
 Men verwacht dat een hooggeschoolde man gemiddeld meer zal verdienen dan een
laaggeschoolde vrouw




3

,STAP 2

VERKLARINGSKRACHT MODEL
Verklaringskracht (R2) vergelijking 1 = 64,7%

Significant verschillend van nul?
 Testen mbv F-test

F-TEST
H0 : R2 = 0
HA : R2 ≠ 0

F = 128,8 (zie output basisvergelijking A)
df1 = 7 ; df2 = 492

Kritische waarde =




P-waarde  0

Besluit: De F-statistiek > de kritische waarde. We kunnen de nulhypothese verwerpen omdat
we een P-waarde hebben die zo goed als gelijk is aan 0 dus we maken 0% kans dat we H0
foutief verwerpen dus we gaan het verwerpen. DUS R2 is significant verschillend van 0
(alternatieve hypothese).

HYPOTHESETESTEN




Hypothese 1: Scholing
H0: 2 ≤ 0
HA: 2 > 0

T-statistiek = 17,206
Kritische waarde = 1,648

Aangezien de T-statistiek > kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.




4

,Hypothese 2: Ervaring
H0: 3 = 0
HA: 3 ≠ 0

T-statistiek = 9,278
Kritische waarde = 1,965

Aangezien de T-statistiek > kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.

Hypothese 3: Ervaring^2
H0: 4 ≥ 0
HA: 4 < 0

T-statistiek = -6,703
Kritische waarde = -1,648

Aangezien de T-statistiek < kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.

Hypothese 4: Female
H0: 5 ≤ 0
HA: 5 > 0

T-statistiek = 1,963
Kritische waarde = 1,648

Aangezien de T-statistiek > kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.

Hypothese 5: Nonwhite
H0: 6 ≤ 0
HA: 6 > 0

T-statistiek = 2,635
Kritische waarde = 1,648

Aangezien de T-statistiek > kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.




5

, Hypothese 6: Union
H0: 7 = 0
HA: 7 ≠ 0

T-statistiek = 2,935
Kritische waarde = 1,965

Aangezien de T-statistiek > kritische waarde kan H0 verworpen worden. De
schattingsresultaten ondersteunen onze theoretische verwachtingen.

Hypothese 7: Scholing*Female
H0: 8 ≤ 0
HA: 8 > 0

T-statistiek = -0,170
Kritische waarde = 1,648

Aangezien de T-statistiek < kritische waarde kan H0 niet verworpen worden. De
schattingsresultaten ondersteunen niet onze theoretische verwachtingen.


EIGENSCHAPPEN

Numerieke eigenschappen:

1.De steekproef-regressielijn gaat door de steekproefgemiddelden van Y en X. Het
gemiddelde van 𝑌^ 𝑖 is gelijk aan het gemiddelde van 𝑌𝑖
3. De geschatte storingstermen 𝜇̂𝑖 zijn gemiddeld nul
4. De geschatte storingstermen 𝜇̂𝑖 zijn niet gecorreleerd met Xi
5. De geschatte storingstermen 𝜇̂𝑖 zijn niet gecorreleerd met Y

 Deze eigenschappen gaan altijd op en zijn inherent aan het uitvoeren van OLS

Statistische eigenschappen BLUE:

• Schatter is lineair, indien deze een lineaire functie is van kans variabele Yi => OK
• Schatter is zuiver (unbiased) indien 𝐸(𝛽̂^) overeenstemt met de werkelijke
populatiewaarde β => deze eigenschap gaat op als aan alle GM-veronderstellingen
wordt voldaan (zal dus niet het geval zijn → zie stap 3)
• De schatter is efficiënt (best estimater), als de schatter binnen de klasse van de
zuivere schatters de laagste variantie heeft => deze eigenschap gaat op als aan alle
GM-veronderstellingen wordt voldaan (zal dus niet het geval zijn → zie stap 3)

Gemiddelde van de storingstermen




6