CASE ECONOMETRIE: CRIME: 2021 – 2022
Stap 1: Empirische Specificatie, hypothesen en data
- We wensen na te gaan wat het effect is van misdaadbestrijding op het effectief aantal
gepleegde misdaden
- Veronderstel dat het misdaadcijfer (Ci ) door het volgend model bepaalt wordt:
ln($! ) = '" + '# ln()! ) + '$ ln(*! ) + '% ln(+! ) + '& (-. +/! )
+ '' ln(0! ) + '( ln(/! ) + ') 12345 + 6!
Definiëren van de variabelen
!! = Aantal misdaden in het district per persoon woonachtig in het district
"! = Kans om gearresteerd te worden
(Ratio van het aantal arrestaties op het aantal gepleegde misdaden)
#! = Kans om veroordeeld te worden, gegeven een arrestatie
(Ratio van aantal veroordelingen t.o.v. het aantal arrestaties)
$! = Kans om een gevangenisstraf te krijgen, gegeven een veroordeling
(Proportie van het totaal aantal veroordelingen die resulteert in een gevangenisstraf)
$%! = Duur van de gevangenisstraf
(Als een maatstaf voor de strengheid van het systeem)
&! = Het aantal agenten per capita
(Maatstaf voor het potentieel van het district om een misdaad op te sporen)
%! = Bevolkingsdichtheid
(Bevolking van het district gedeeld door de oppervlakte van het district)
'()*+= Dummy variabele voor de regio waarin het district gevestigd is
DummyCentraal = 1 en 0 voor Oosten en Westen
DummyWesten = 1 en 0 voor Centraal en Oosten
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Beschrijvende statistiek
Hypothese: Theoretische verwachtingen
1. Kans om gearresteerd te worden (," ): We verwachten een negatieve impact van de
kans om gearresteerd te worden op het aantal misdaden in het district per persoon
woonachtig in het district. Hoe groter de kans om gearresteerd te worden, hoe minder
misdaden er gepleegd zullen worden en omgekeerd.
2. Kans om veroordeeld te worden (-" ), gegeven een arrestatie: We verwachten een
negatieve impact van de kans om veroordeeld te worden op het aantal misdaden in het
district. Hoe hoger de kans om veroordeeld te worden, hoe lager de misdaden in het
district en omgekeerd.
3. Kans om een gevangenisstraf te krijgen, gegeven een veroordeling (/" ): We
verwachten een negatieve impact. Hoe hoger de kans op een gevangenisstraf, hoe
lager het aantal misdaden in het district en omgekeerd.
4. Duur van de gevangenisstraf (/0" ): We verwachten een negatieve impact. Hoe
langer de gevangenisstraf, hoe kleiner het aantal misdaden in het district en
omgekeerd.
5. Het aantal agenten per capita (1" ): We verwachten een negatieve impact. Hoe meer
agenten per capita, hoe minder misdaden in het district en omgekeerd.
6. Bevolkingsdichtheid (0" ): We verwachten een positieve impact. Een meer
dichtbevolkt district leidt waarschijnlijk tot meer misdaden in het district.
7. Regio: De referentiecategorie is Oosten omdat er geen dummy variabele voor
aangemaakt werd. We hebben geen theoretische verwachtingen voor regio.
DummyCentraal = 1 en 0 voor Oosten en Westen
DummyWesten = 1 en 0 voor Centraal en Oosten
DummyCentraal en DummyWesten = 0 è Oosten
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Stap 2: OLS-regressie en hypothesetesten
OLS-regressie
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Hypothesetesten van de theoretische verwachtingen
1. Ondersteunen uw schattingsresultaten de a-priori theoretische verwachtingen wat
betreft de impact van Ai op Ci?
(a) Hypothese opstellen:
2#: 3& ≥ 0
2': 3& < 6
(b) Vind de statistiek (t-stat)
9
!! − !∗! −6. >?>?@ − 6
7= = = −B, BBD
:
; #! 6. 6A@A6
(c) Kritische waarde op significantieniveau = 5%
7∗()%,,- = -1,663884
(d) Interpretatie
De nulhypothese wordt verworpen.
Daarbovenop is de P waarde = 0 è De kans bij het verwerpen van de H0 en dat ze
juist was is 0%
2. Ondersteunen uw schattingsresultaten de a-priori theoretische verwachtingen wat
betreft de impact van Vi op Ci?
(Werkwijze is idem)
Stap 1: Empirische Specificatie, hypothesen en data
- We wensen na te gaan wat het effect is van misdaadbestrijding op het effectief aantal
gepleegde misdaden
- Veronderstel dat het misdaadcijfer (Ci ) door het volgend model bepaalt wordt:
ln($! ) = '" + '# ln()! ) + '$ ln(*! ) + '% ln(+! ) + '& (-. +/! )
+ '' ln(0! ) + '( ln(/! ) + ') 12345 + 6!
Definiëren van de variabelen
!! = Aantal misdaden in het district per persoon woonachtig in het district
"! = Kans om gearresteerd te worden
(Ratio van het aantal arrestaties op het aantal gepleegde misdaden)
#! = Kans om veroordeeld te worden, gegeven een arrestatie
(Ratio van aantal veroordelingen t.o.v. het aantal arrestaties)
$! = Kans om een gevangenisstraf te krijgen, gegeven een veroordeling
(Proportie van het totaal aantal veroordelingen die resulteert in een gevangenisstraf)
$%! = Duur van de gevangenisstraf
(Als een maatstaf voor de strengheid van het systeem)
&! = Het aantal agenten per capita
(Maatstaf voor het potentieel van het district om een misdaad op te sporen)
%! = Bevolkingsdichtheid
(Bevolking van het district gedeeld door de oppervlakte van het district)
'()*+= Dummy variabele voor de regio waarin het district gevestigd is
DummyCentraal = 1 en 0 voor Oosten en Westen
DummyWesten = 1 en 0 voor Centraal en Oosten
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Beschrijvende statistiek
Hypothese: Theoretische verwachtingen
1. Kans om gearresteerd te worden (," ): We verwachten een negatieve impact van de
kans om gearresteerd te worden op het aantal misdaden in het district per persoon
woonachtig in het district. Hoe groter de kans om gearresteerd te worden, hoe minder
misdaden er gepleegd zullen worden en omgekeerd.
2. Kans om veroordeeld te worden (-" ), gegeven een arrestatie: We verwachten een
negatieve impact van de kans om veroordeeld te worden op het aantal misdaden in het
district. Hoe hoger de kans om veroordeeld te worden, hoe lager de misdaden in het
district en omgekeerd.
3. Kans om een gevangenisstraf te krijgen, gegeven een veroordeling (/" ): We
verwachten een negatieve impact. Hoe hoger de kans op een gevangenisstraf, hoe
lager het aantal misdaden in het district en omgekeerd.
4. Duur van de gevangenisstraf (/0" ): We verwachten een negatieve impact. Hoe
langer de gevangenisstraf, hoe kleiner het aantal misdaden in het district en
omgekeerd.
5. Het aantal agenten per capita (1" ): We verwachten een negatieve impact. Hoe meer
agenten per capita, hoe minder misdaden in het district en omgekeerd.
6. Bevolkingsdichtheid (0" ): We verwachten een positieve impact. Een meer
dichtbevolkt district leidt waarschijnlijk tot meer misdaden in het district.
7. Regio: De referentiecategorie is Oosten omdat er geen dummy variabele voor
aangemaakt werd. We hebben geen theoretische verwachtingen voor regio.
DummyCentraal = 1 en 0 voor Oosten en Westen
DummyWesten = 1 en 0 voor Centraal en Oosten
DummyCentraal en DummyWesten = 0 è Oosten
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Stap 2: OLS-regressie en hypothesetesten
OLS-regressie
, CASE ECONOMETRIE: CRIME: 2021 – 2022
Hypothesetesten van de theoretische verwachtingen
1. Ondersteunen uw schattingsresultaten de a-priori theoretische verwachtingen wat
betreft de impact van Ai op Ci?
(a) Hypothese opstellen:
2#: 3& ≥ 0
2': 3& < 6
(b) Vind de statistiek (t-stat)
9
!! − !∗! −6. >?>?@ − 6
7= = = −B, BBD
:
; #! 6. 6A@A6
(c) Kritische waarde op significantieniveau = 5%
7∗()%,,- = -1,663884
(d) Interpretatie
De nulhypothese wordt verworpen.
Daarbovenop is de P waarde = 0 è De kans bij het verwerpen van de H0 en dat ze
juist was is 0%
2. Ondersteunen uw schattingsresultaten de a-priori theoretische verwachtingen wat
betreft de impact van Vi op Ci?
(Werkwijze is idem)
