2. INDHOLD
• Introduktion
• Skitsering af udvalgte metoder med eksempler, styrker og
svagheder
• Regressionsanalyse
• Matching
• Regression discountinuity
• Difference-in-difference
MIKRO-ØKONOMETRISKE METODER
31-01-2014
2
3. INTRODUKTION
• Alternativ til lodtrækningsforsøg:
• ”Kigge tilbage” vha. eksisterende data
• Alternativt: være på forkant og indsamle masser af data
• Udgangspunktet: Ikke muligt at styre, hvem der deltager
• Indsats- og kontrolgruppe typisk ikke ”ens” (=
”selektionsskævhed”)
• Metoderne anvendes til korrektion
MIKRO-ØKONOMETRISKE METODER
31-01-2014
3
4. INTRODUKTION – FORMÅL
• At I får en intuitiv forståelse
af metoderne for dermed at:
• Få bedre indsigt i, hvornår metoder kan anvendes som
alternativ
• Få bedre forudsætninger for at vurdere validiteten af
eksisterende undersøgelser
MIKRO-ØKONOMETRISKE METODER
31-01-2014
4
5. INTRODUKTION – STORE KRAV TIL FAGLIGE
FORUDSÆTNINGER
• Krav til anvendelse:
• Detaljeret indsigt i økonometri og databehandling
• Konsekvens:
• Formålet er ikke, at I skal blive i stand til selv at
gennemføre analyserne
MIKRO-ØKONOMETRISKE METODER
31-01-2014
5
6. SELEKTIONSSKÆVHED – HVAD ER
PROBLEMET?
• Systematiske forskelle mellem personer i hhv. indsats- og
kontrolgruppe =>
• personer, der udtages til deltagelse, kan ikke sammenlignes
direkte med de personer, der ikke deltager, hvis
• den målte effekt er påvirket af, at personerne er
forskellige
• fordi det dermed ikke er den rene effekt af indsatsen,
der måles
MIKRO-ØKONOMETRISKE METODER
31-01-2014
6
7. SELEKTIONSSKÆVHED – HVORNÅR?
• Eksempler
• Kommuner: Ishøj sammenlignet med Gentofte
• Unge på forskellige uddannelser, fx gymnasium vs. HTX
• Sygemeldte på kursus vs. sygemeldte, der ikke deltager i
kurset
MIKRO-ØKONOMETRISKE METODER
31-01-2014
7
8. SELEKTIONSSKÆVHED – HVORNÅR?
• Opstår, når man ikke har et retvisende billede af den
kontrafaktiske situation:
Udfaldsmål
Indsatsgruppe,
faktisk forløb
Effekt af indsats
= det vi vil måle
MEN
kontrafaktisk
forløb ukendt
Indsats
MIKRO-ØKONOMETRISKE METODER
Indsatsgruppe,
kontrafaktisk
forløb
Tid
31-01-2014
8
9. SELEKTIONSSKÆVHED – HVORNÅR?
• Hvis vi bruger kontrolgruppe som mål for kontrafaktisk
situation, der afviger systematisk fra indsatsgruppe på forhold
af betydning for udfald:
Udfaldsmål
Indsatsgruppe,
faktisk forløb
Målte effekt af
indsats
Indsatsgruppe,
kontrafaktisk
forløb
Kontrolgruppe
Indsats
MIKRO-ØKONOMETRISKE METODER
Tid
31-01-2014
9
10. SELEKTIONSSKÆVHED – HVORNÅR?
• I eksempel: En del af målt effekt kan tilskrives
selektionsskævhed => Vi måler ikke den rene effekt
Udfaldsmål
Indsatsgruppe,
faktisk forløb
Faktisk effekt af
indsats
Selektionsskævhed
Indsatsgruppe,
kontrafaktisk
forløb
Kontrolgruppe
Indsats
MIKRO-ØKONOMETRISKE METODER
Tid
31-01-2014
10
11. METODER TIL HÅNDTERING AF
”SYNLIGE”/MÅLBARE FORSKELLE
Indsats
Udfald
Målbare
forhold
MIKRO-ØKONOMETRISKE METODER
31-01-2014
11
12. REGRESSIONSANALYSE - FORMÅL
• Sammenhæng med et eller flere forhold ?
• Eksempel:
• Er der sammenhæng mellem andel piger i 9. klasse på
en given skole og andel elever, der gennemfører en
ungdomsuddannelse?
MIKRO-ØKONOMETRISKE METODER
31-01-2014
12
13. REGRESSIONSANALYSE - EKSEMPEL
Andel elever, der gennemfører
en ungdomsuddannelse
Skoler
Andel piger i 9. klasse
MIKRO-ØKONOMETRISKE METODER
31-01-2014
13
14. REGRESSIONSANALYSE - EKSEMPEL
Andel elever, der gennemfører
en ungdomsuddannelse
Forventet andel
elever, der gennemfører en ungdomsuddannelse givet
andel piger i 9. kl.
Skoler
Andel piger i 9. klasse
MIKRO-ØKONOMETRISKE METODER
31-01-2014
14
15. REGRESSIONSANALYSE - EKSEMPEL
Andel elever, der gennemfører
en ungdomsuddannelse
Forventet andel
elever, der gennemfører en ungdomsuddannelse givet
andel piger i 9. kl.
Skoler
Hældning udtrykker sammenhængen
Andel piger i 9. klasse
MIKRO-ØKONOMETRISKE METODER
31-01-2014
15
16. REGRESSIONSANALYSE - EFFEKTMÅLING
• Effekt af vejledningsindsats som gives i udvalgte skoler
• Er der (positiv eller negativ) sammenhæng mellem at få
vejledning og andel elever, der gennemfører en
ungdomsuddannelse?
• Vi må tage hensyn til andelen af piger
MIKRO-ØKONOMETRISKE METODER
31-01-2014
16
17. REGRESSIONSANALYSE - EFFEKTMÅLING
Eksempel: Effekt af forøget vejledningsindsats
Andel elever, der gennemfører
en ungdomsuddannelse
Effekt af
indsats
Forventet andel
elever, der gennemfører en ungdomsuddannelse givet
andel piger i 9. kl.
Skoler med indsats
Skoler uden indsats
Andel piger i 9. klasse
MIKRO-ØKONOMETRISKE METODER
31-01-2014
17
18. REGRESSIONSANALYSE – SVAGHED =
”OMVENDT KAUSALITET”
• Udfaldsmål kan have kausal effekt på indsats:
Indsats
Udfald
• Eksempel:
• Hvis især skoler med dårligt karaktergennemsnit
gennemfører indsats:
• Skoler med indsats har systematisk lavere
karaktergennemsnit end skoler uden indsats
• Kan være årsag til negativ sammenhæng mellem
indsats og karaktergennemsnit
MIKRO-ØKONOMETRISKE METODER
31-01-2014
18
19. REGRESSIONSANALYSE – SVAGHED =
”UDELADTE VARIABLER”
•
Ikke-målte variabler påvirker både indsats og udfald:
•
Eksempel:
Målbare/ikke
målbare forhold
Indsats
Udfald
• Effekt af mindre klassestørrelse på elevpræstationer:
• Forældre med størst engagement kan være dem:
• der arbejder mest for at få små klasser
• der mere end andre sikrer bedst mulig lektiehjælp
• Hvis forældreengagement påvirker både elevpræstationer og
klassestørrelse:
• Sammenhæng kan skyldes forældreengagement
MIKRO-ØKONOMETRISKE METODER
31-01-2014
19
21. MATCHING
Indsatsgruppen
Indsats
Kontrol
Indsats
Kontrol
• Central ide:
• Personer i indsatsgruppe matches med en eller flere uden
for indsatsgruppe baseret på målbare forhold = forsøg på
efterligning af RCT
• Kontrolgruppe = udvalgte sammenligningspersoner
• Central antagelse:
• Når der betinges på en lang række målbare forhold =>
selektionsskævhed forsvinder => kausalt resultat opnås
MIKRO-ØKONOMETRISKE METODER
31-01-2014
21
22. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
Lars Skipper (2010): En mikroøkonometrisk evaluering af
den aktive beskæftigelsesindsats (AKF)
• Fokus:
• Fuld population af aktiverede kontanthjælpsmodtagere med
problemer ud over ledighed (match 4 og 5) i vinteren 20052006
MIKRO-ØKONOMETRISKE METODER
31-01-2014
22
23. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
• Registerdata fra Arbejdsmarkedsstyrelsen, Danmarks Statistik
og Sundhedsstyrelsen
• Oplysninger om:
• Kontaktforløb mellem ledig og sagsbehandler
• Sagsbehandlervurdering af fx søgeadfærd, risiko for
langtidsledighed, matchindplacering og årsag hertil
• Arbejdsmarkedshistorie, indkomst, overførselsindkomster
• Alder, køn, samlivsstatus, nationalitet, uddannelse
• Diagnoser, hospitalsindlæggelse, køb af receptpligtig medicin
MIKRO-ØKONOMETRISKE METODER
31-01-2014
23
24. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
• Matching anvendes til at konstruere sammenligningsgruppe af
kontanthjælpsmodtagere
• Forudsætninger:
• Har alle oplysninger, der kan forventes at påvirke
udfaldsmålet
• De to grupper er ikke så forskellige, at der ikke findes
overlap
MIKRO-ØKONOMETRISKE METODER
31-01-2014
24
25. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
• Indsatsgruppe:
• Kontanthjælpsmodtagere, der deltager i aktivering mellem to
tremåneders samtaler omkring årsskiftet 2005/2006
• Kontrolgruppe:
• Kontanthjælpsmodtagere, der i samme periode ikke deltager
i aktivering
MIKRO-ØKONOMETRISKE METODER
31-01-2014
25
26. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
• Sammenligning af indsats- og kontrolgruppe med matching:
• Der matches på lang række forhold knyttet til den enkelte
kontanthjælpsmodtager af betydning for udfald, bl.a.:
• Demografiske forhold, arbejdsmarkedshistorik,
sagsbehandlervurdering, sundhedsoplysninger => ren
effekt af aktiveringsindsats beregnes – eneste forskel
mellem grupper: indsats/ikke indsats (forhåbentlig)
MIKRO-ØKONOMETRISKE METODER
31-01-2014
26
27. MATCHING – EKSEMPEL:
EFFEKT AF AKTIVERING AF KONTAKTHJÆLPSMODTAGERE MED
PROBLEMER UDOVER LEDIGHED
• Analyse:
• Virker aktiveringen?
• Udfaldsmål:
• Tilknytning til arbejdsmarkedet (beskæftigelsesgrad og
lønindkomst)
• Sum af offentlige overførsler
• Konklusion: Aktivering har ingen effekt, hverken på kort (3-6
mdr.) eller mellemlangt (op til tre år) sigt
MIKRO-ØKONOMETRISKE METODER
31-01-2014
27
28. MATCHING – STYRKER OG SVAGHEDER
• Styrke:
• Mere fleksibel metode end regressionsanalyse:
• Sammenhæng ikke nødvendigvis lineær
• Heterogene effekter kan belyses bedre
• Potentielle svagheder:
• Hvis ikke-målbare forhold af betydning => misvisende
resultater
• Hvis manglende overlap => behov for stort datamateriale for
at finde éns grupper
MIKRO-ØKONOMETRISKE METODER
31-01-2014
28
29. METODER TIL HÅNDTERING AF
”USYNLIGE”/IKKE-MÅLBARE FORSKELLE
Indsats
Udfald
Målbare
forhold
Ikke-målbare
forhold
MIKRO-ØKONOMETRISKE METODER
31-01-2014
29
30. REGRESSION DISCOUNTINUITY ANVENDELSE
• Når deltagelse/ikke-deltagelse i indsats er bestemt af, om
person ligger over/under grænseværdi for variabel, der er
afgørende for modtagelse af indsats
• Eksempel: Ansatte på virksomhed, der har arbejdsrelateret
stress og ligger på mindst 80 på en skala fra 1-100
MIKRO-ØKONOMETRISKE METODER
31-01-2014
30
31. REGRESSION DISCOUNTINUITY – IDE OG
INTUITION
• Ide:
• Sammenligning af personer, der ligger hhv. lige over og lige
under grænseværdi = indsats- og kontrolgruppe
• Intuition:
• Personer i de to grupper er ikke forskellige, bortset fra, om
de får en indsats.
• Argument: De er i høj grad ens mht. den variabel, der afgør
om de får indsats
MIKRO-ØKONOMETRISKE METODER
31-01-2014
31
32. REGRESSION DISCOUNTINUITY
• Kausal effekt af indsats = spring i udfald ved grænseværdi
• Forudsætning = Ikke andre spring omkring grænseværdi,
der kan påvirke udfaldsmål
• Tænkt eksempel:
• Indsatsgruppe består af elever, der har mindre end 50%
rigtige i en given test (test1).
• Hvordan påvirker en given indsats disse elevers andel
rigtige i ny test (test2)?
MIKRO-ØKONOMETRISKE METODER
31-01-2014
32
33. Udfald: Andel rigtige i test2
REGRESSION DISCOUNTINUITY – EKSEMPEL
Indsatskriterie: Andel rigtige i test1
MIKRO-ØKONOMETRISKE METODER
31-01-2014
33
34. Udfald: Andel rigtige i test2
REGRESSION DISCOUNTINUITY – EKSEMPEL
Indsatskriterie: Andel rigtige i test1
MIKRO-ØKONOMETRISKE METODER
31-01-2014
34
35. REGRESSION DISCOUNTINUITY – EKSEMPEL
Eksempel fra forskerverdenen (Leuven m.fl., 2007)
• Indsats = ekstra økonomiske midler til hollandske skoler med
mange børn, der
• var etniske minoriteter eller
• havde forældre med et lavt uddannelsesniveau
• Indsatskriterie = Mindst 70% af eleverne opfyldte krav
• Formål: at forbedre elevers præstationer på udvalgte skoler
MIKRO-ØKONOMETRISKE METODER
31-01-2014
35
36. REGRESSION DISCOUNTINUITY – EKSEMPEL
Eksempel (Leuven m.fl., 2007)
• Fremgangsmåde:
• Sammenligne skoler, der fik ekstra midler med skoler, der
ikke fik disse midler
• Sammenligne før og efter introduktion af program
(plus/minus 5% og 10% omkring de 70%)
• Resultat: ingen klar effekt – svag tendens til negativ effekt
MIKRO-ØKONOMETRISKE METODER
31-01-2014
36
37. REGRESSION DISCOUNTINUITY –
POTENTIELLE SVAGHEDER
• Vanskeligheder, hvis sammenhæng mellem indsatskriterie og
udfaldsmål er ikke-lineær
• Der er ingen værdier for indsatskriterie, hvor der både er
personer i indsats- og kontrolgruppe
• Kun effekt omkring grænseværdien
MIKRO-ØKONOMETRISKE METODER
31-01-2014
37
38. DIFFERENCE-IN-DIFFERENCES
• Paneldatametode: Bygger på data, hvor hver person (eller
aldersgruppe eller skole eller… etc.) er observeret mindst to
gange over tid
Tid
• Datamateriale:
• To grupper, hvoraf kun den ene modtager en indsats
mellem de to observationstidspunkter
Tid
Tid
MIKRO-ØKONOMETRISKE METODER
31-01-2014
38
39. DIFFERENCE-IN-DIFFERENCES - IDÉ
• De to grupper kan være forskellige på målbare forhold
• De gruppespecifikke gennemsnit for udfaldsmål kan være
forskellige i fravær af indsats
• Men: Forskel kan ”differentieres ud”
• Trække ændring for kontrolgruppe fra ændring for
indsatsgruppe
• Tilbageværende forskel = kausal effekt
MIKRO-ØKONOMETRISKE METODER
31-01-2014
39
40. DIFFERENCE-IN-DIFFERENCES – EKSEMPEL:
Bille, Larsen, Høgelund og Holt (2013)
Effekten af
indsatsen
C = (Indsatsgruppeefter-indsatsgruppefør) – (kontrolgruppeefter-kontrolgruppefør)
MIKRO-ØKONOMETRISKE METODER
31-01-2014
40
41. DIFFERENCE-IN-DIFFERENCES – EKSEMPEL:
Bille, Larsen, Høgelund og Holt (2013)
• Kontrol kommuner som ligner indsatskommuner mht.
rammevilkår og geografisk placering
• Brug af kontrolvariabler som køn, alder, uddannelse,
medicinforbrug, indlæggelser, kontakter til læge mv.
• Tager højde for konjunkturer: de påvirker begge grupper=>
påvirker ikke det endelige resultat
=> Resultater af DiD kan fortolkes som egentlige
årsagssammenhænge
MIKRO-ØKONOMETRISKE METODER
31-01-2014
41
42. DIFFERENCE-IN-DIFFERENCES –
ANTAGELSER
• Gruppespecifikke udviklingstræk for udfaldsmål ville have
været være ens (= parallelle) i fravær af indsats, dvs. forskel
skal være konstant over tid
• ”Før-måling” må ikke være påvirket af fremtidig indsats
(annonceringseffekt)
• Der må ikke – samtidig med indsatsen – være andre
ændringer af betydning for adfærd, der påvirker de to grupper
forskelligt
MIKRO-ØKONOMETRISKE METODER
31-01-2014
42
43. DIFFERENCE-IN-DIFFERENCES – STYRKER OG
SVAGHED
• Styrker:
• anvender kontrolgruppe
• tager højde for gruppespecifikke uobserverbare forhold, der
er konstante over tid…
• Potentiel svaghed:
• …men tager ikke højde for uobserverbare forhold, der
varierer over tid
MIKRO-ØKONOMETRISKE METODER
31-01-2014
43
44. OPSAMLING
• ÉN METODE, der kan løse alle udfordringer, FINDES IKKE
• Regressionsanalyse og matching:
• Fortolkes med forsigtighed, især overveje ikke-målbare
forholds betydning
• Brug af regression discountinuity:
• ”Naturlige” eksperimenter – kræver diskontinuitet i
indsatsvariabel
• Differences-in-differences:
• Kan tage højde for individ- eller gruppespecifikke ikkemålbare forhold, der er konstante over tid
MIKRO-ØKONOMETRISKE METODER
31-01-2014
44
45. Hvad er forudsætningen for at lave en
effektmåling
•Veldefineret indsats
•Veldefineret (stor) målgruppe
•Veldefineret (stor) kontrolgruppe
•Målbare effekter
•Data for BÅDE indsatsgruppe og kontrolgruppe
•Effektmål
•Oplysninger til brug for korrektion af forskelle =>
MANGE data skal indsamles for både indsatsgruppe og
kontrolgruppe
MIKRO-ØKONOMETRISKE METODER
31-01-2014
45