Mette Deding, afdelingsleder af SFI's afdeling for Skole og Uddannelse, på SFI-konferencen om hvordan skolen kan mindske betydningen af social baggrund.
Hvorfor kvalificerer data ledelsesbeslutninger i folkeskolen? Hvordan lærer skoleledere at implementere datainformeret ledelse i egen organisation? Dette paper er et bud.
Familiebaggrund og social marginalisering SFI-slides
SFI-forsker Lars Benjaminsen præsenterer resultaterne af SFI’s store undersøgelse af Familiebaggrund og social marginalisering på SFI-konference om Social arv
Tidl. statsminister og protektor for Det Sociale Netværk, Poul Nyrup Rasmussen, åbner SFI-konferencen om Social arv med et blik på det hele, udsatte menneske.
The document discusses senior citizens in the labor market across OECD countries. It finds that while employment rates for older workers have increased, opportunities still vary significantly between countries. Retention rates are more important than hiring rates in determining employment levels. Older unemployed also face higher risks of long-term unemployment. Further, there are still perceptions of age discrimination. The document outlines key policy actions needed to better promote longer working lives, including addressing discrimination, training, employment assistance, and improving job quality. While countries have implemented some policies, more comprehensive reforms are needed to improve practices and ensure older citizens are welcomed in labor markets.
Release of working better with age in denmarkSFI-slides
The document summarizes an OECD report on older workers in Denmark. It finds that while Denmark's employment rates for older workers are above the OECD average, they remain below the highest-performing countries. It identifies challenges such as lower employment among older age groups hit by the financial crisis. Key recommendations include making work more rewarding for older ages, encouraging age-neutral hiring practices, abolishing mandatory retirement ages, and improving training to strengthen older workers' employability.
Mette Deding, afdelingsleder af SFI's afdeling for Skole og Uddannelse, på SFI-konferencen om hvordan skolen kan mindske betydningen af social baggrund.
Hvorfor kvalificerer data ledelsesbeslutninger i folkeskolen? Hvordan lærer skoleledere at implementere datainformeret ledelse i egen organisation? Dette paper er et bud.
Similar to Alternativer til randomiserede kontrollerede forsøg (8)
Familiebaggrund og social marginalisering SFI-slides
SFI-forsker Lars Benjaminsen præsenterer resultaterne af SFI’s store undersøgelse af Familiebaggrund og social marginalisering på SFI-konference om Social arv
Tidl. statsminister og protektor for Det Sociale Netværk, Poul Nyrup Rasmussen, åbner SFI-konferencen om Social arv med et blik på det hele, udsatte menneske.
The document discusses senior citizens in the labor market across OECD countries. It finds that while employment rates for older workers have increased, opportunities still vary significantly between countries. Retention rates are more important than hiring rates in determining employment levels. Older unemployed also face higher risks of long-term unemployment. Further, there are still perceptions of age discrimination. The document outlines key policy actions needed to better promote longer working lives, including addressing discrimination, training, employment assistance, and improving job quality. While countries have implemented some policies, more comprehensive reforms are needed to improve practices and ensure older citizens are welcomed in labor markets.
Release of working better with age in denmarkSFI-slides
The document summarizes an OECD report on older workers in Denmark. It finds that while Denmark's employment rates for older workers are above the OECD average, they remain below the highest-performing countries. It identifies challenges such as lower employment among older age groups hit by the financial crisis. Key recommendations include making work more rewarding for older ages, encouraging age-neutral hiring practices, abolishing mandatory retirement ages, and improving training to strengthen older workers' employability.
2. INDHOLD
• Introduktion
• Skitsering af udvalgte metoder med eksempler, styrker og
svagheder
• Regressionsanalyse
• Matching
• Regression discountinuity
• Difference-in-difference
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
6
7. SELEKTIONSSKÆVHED – HVORNÅR?
• Eksempler
• Kommuner: Ishøj sammenlignet med Gentofte
• Unge på forskellige uddannelser, fx gymnasium vs. HTX
• Skoler i forskellige boligområder
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
10
11. METODER TIL HÅNDTERING AF
”SYNLIGE”/MÅLBARE FORSKELLE
Indsats
Udfald
Målbare
forhold
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
12
13. REGRESSIONSANALYSE - EKSEMPEL
Andel elever, der gennemfører
en ungdomsuddannelse
Skoler
Andel piger i 9. klasse
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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 betinges på lang række målbare forhold =>
selektionsskævhed forsvinder => kausalt resultat opnås
MIKRO-ØKONOMETRISKE METODER
11-10-2013
21
22. MATCHING – EKSEMPEL:
MTFC – Multidimensional Treatment Foster Care
At undersøge effekten af MTFC i en dansk kontekst
SFI udfører forskningsprojektet i samarbejde med
Socialstyrelsen
Involverer de fem MTFC teams og udvalgte
institutioner for samme målgruppe
Behandling skal helst foregå så tæt som muligt på
normal praksis
MIKRO-ØKONOMETRISKE METODER
11-10-2013
22
23. MTFC DESIGN
Matchet før og efter måling, hvor vi sammenligner
unge i MTFC og unge anbragt på institutioner
for samme målgruppe
Målgruppe:
• Familier med 12-17 årige med alvorlig
problemadfærd og behov for anbringelse eller
genanbringelse
• Skal opfylde krav til MTFC behandling
MIKRO-ØKONOMETRISKE METODER
11-10-2013
23
24. MTFC DESIGN
Population: 150 familier i alt (50
familier i MTFC)
Rekruttering: august 2013 - januar
2015 (1½ år)
Målgruppe og
sammenligningsinstitutioner
kortlægges i projektet
MIKRO-ØKONOMETRISKE METODER
11-10-2013
24
25. MTFC MÅLING
Der måles ved indskrivning, 12 mdr. og 24 mdr.
Både forældrene og den unge skal udfylde spørgeskema på PC
Udføres ved besøgsinterview i hjemmet – inden for 5 dage efter
rekruttering
MIKRO-ØKONOMETRISKE METODER
11-10-2013
25
26. MTFC MÅL
Den unges adfærd
Generel trivsel
Forældre stress
Sammenhængskraft i familien
Depression
Fritidsaktiviteter
Sundhed (også alkohol og stoffer)
Nære relationer
Kriminalitet
Sammenbrud i anbringelse
MIKRO-ØKONOMETRISKE METODER
11-10-2013
26
27. MTFC ETISKE FORHOLD
Mundtlig og skriftlig information om studiet til forældre og ung
Skriftligt samtykke
Kan trække sig ud til hver tid
Datatilsyn
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
28
29. METODER TIL HÅNDTERING AF
”USYNLIGE”/IKKE-MÅLBARE FORSKELLE
Indsats
Udfald
Målbare
forhold
Ikke-målbare
forhold
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
32
33. Udfald: Andel rigtige i test2
REGRESSION DISCOUNTINUITY – EKSEMPEL
Indsatskriterie: Andel rigtige i test1
MIKRO-ØKONOMETRISKE METODER
11-10-2013
33
34. Udfald: Andel rigtige i test2
REGRESSION DISCOUNTINUITY – EKSEMPEL
Indsatskriterie: Andel rigtige i test1
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
39
40. DIFFERENCE-IN-DIFFERENCES – EKSEMPEL:
JENSEN OG NIELSEN (2010)
• Effekt af UU-vejledning på påbegyndelse af ungdomsuddannelse
C = (Indsatsgruppeefter-indsatsgruppefør) – (kontrolgruppeefter-kontrolgruppefør)
MIKRO-ØKONOMETRISKE METODER
11-10-2013
40
41. DIFFERENCE-IN-DIFFERENCES – EKSEMPEL :
JENSEN OG NIELSEN (2010)
• Brug af kontrolvariabler som elevsammensætning,
familiestatus, mors alder ved fødsel, mors uddannelse, antal
uddannelsestilbud i kommunen, ledighed i kommunen, m.m.
• Tager højde for årgangsforskelle
• Fx vil regeringens budskab om, at unge skal hurtigere i
gang med en uddannelse påvirke begge grupper ens =>
påvirker ikke det endelige resultat
• => Resultater af DiD kan fortolkes som egentlige
årsagssammenhænge
MIKRO-ØKONOMETRISKE METODER
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
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
11-10-2013
45