عنوان مقاله:
نابرابری درآمد و تخصیص سرمایه انسانی
Income inequality and human capital allocation
سال انتشار: 2022
رشته: اقتصاد - مدیریت - حسابداری
گرایش: اقتصاد نظری - حسابداری مدیریت
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
5. Empirical analysis
Using the stepwise regression method, the explanatory variables, ‘wage premium in state-owned sectors (Rsoe)’ and ‘intergenerational income inequality (Ela)’, and the control variables are introduced successively to verify if our hypotheses are tenable. Table 2 presents the regression results. The stepwise introduction of both the explanatory and control variables are shown in columns 1 to 4.
We used the instrumental variable method to check whether the explanatory variables are endogenous. In selecting the instrumental variables, we used the Bartlett method to construct the main instrumental variables for the explanatory variables Rsoe, Ela, and Rsoe × Ela. This specific method aims to sort the explanatory variable X according to the observed value and divide it into three groups on average. The Bartlett instrumental variable is recorded as ZX: the ZX value of the group with the larger value of X is 1, the ZX value of the group with the smaller value of X is −1, and the ZX value of the group with the median value of X is 0. Based on the main instrumental variables, the regional proportion of parents in a vulnerable class, and the regional proportion of individuals with higher education are included as the instrumental variables. We used the Kleibergen-Paap rk LM statistics, Cragg-Donald F statistics, and Hansen J statistics to examine the problems of insufficient identification of instrumental variables, weak instrumental variables, and endogenous instrumental variables. The results in Table 2 show that the p-value of the Kleibergen-Paap rk LM statistic is 0.006; the problem of insufficient identification of instrumental variables can be rejected at 1% significance. The Cragg-Donald F statistic is 11.627, and the critical value at 5% significance is 9.53; thus, the original hypothesis of weak instrumental variables is rejected. The Hansen J statistic's p-value is 0.185; thus, the original hypothesis of exogenous instrumental variables cannot be rejected at 10% significance. Therefore, the selection of instrumental variables is considered reasonable. The Hausman p-value is used to test the exogeneity of the explanatory variables. As shown in Table 2, the Hausman p-value is 0.614, and the original hypothesis regarding the exogeneity of the explanatory variables cannot be rejected at 10% significance. Therefore, equation (3) can be directly regressed using the OLS method. To observe the model’s robustness, equation (3) is regressed using the two-stage least-squares (2SLS) regression method, and the results are reported in column 5 of Table 2. Compared with the OLS regression results, the 2SLS results do not show any significant changes regarding the significance of the variables, coefficient estimates, and coefficient symbols. Therefore, the model is robust.
5.1. Analysis of empirical results
In columns 1 and 2 of Table 2, the impact of the wage premium in the state-owned sector (Rsoe) on the degree of human capital mismatch (Diss) is significantly negative. This denotes that the overall income inequality between sectors alleviates the degree of regional human capital mismatch, which contrasts with the results in existing research (Li & Nan, 2019). After introducing the interaction term (Rsoe × Ela), as shown in columns 3 and 4, the coefficient of Rsoe remains considerably negative, and the significance improves. From an econometric perspective, this indicates that intersectoral income inequality has a direct and negative impact on human capital mismatch. These results show that Hypothesis 1 is supported.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
5. تحلیل تجربی
با استفاده از روش رگرسیون گام به گام، متغیرهای توضیحی، «حق بیمه دستمزد در بخش‌های دولتی (Rsoe)» و «نابرابری درآمد بین نسلی (Ela)» و متغیرهای کنترلی به‌طور متوالی معرفی می‌شوند تا بررسی شود که آیا فرضیه‌های ما قابل اثبات هستند یا خیر. جدول 2 نتایج رگرسیون را نشان می دهد. معرفی گام به گام هر دو متغیر توضیحی و کنترلی در ستون های 1 تا 4 نشان داده شده است.
ما از روش متغیر ابزاری برای بررسی درونزا بودن متغیرهای توضیحی استفاده کردیم. در انتخاب متغیرهای ابزاری، از روش بارتلت برای ساختن متغیرهای ابزاری اصلی برای متغیرهای توضیحی Rsoe، Ela و Rsoe × Ela استفاده کردیم. هدف این روش خاص مرتب کردن متغیر توضیحی X بر اساس مقدار مشاهده شده و تقسیم آن به سه گروه به طور متوسط است. متغیر ابزاری بارتلت به صورت ZX ثبت می شود: مقدار ZX گروه با مقدار X بزرگتر 1، مقدار ZX گروه با مقدار X کوچکتر 1- و مقدار ZX گروه با میانه است. مقدار X برابر 0 است. بر اساس متغیرهای ابزاری اصلی، نسبت منطقه ای والدین در یک طبقه آسیب پذیر و نسبت منطقه ای افراد دارای تحصیلات عالی به عنوان متغیرهای ابزاری در نظر گرفته شده است. ما از آمار Kleibergen-Paap rk LM، آماره Cragg-Donald F و آمار Hansen J برای بررسی مشکلات شناسایی ناکافی متغیرهای ابزاری، متغیرهای ابزاری ضعیف و متغیرهای ابزاری درون زا استفاده کردیم. نتایج جدول 2 نشان می دهد که p-value آماره Kleibergen-Paap rk LM 0.006 است. مشکل شناسایی ناکافی متغیرهای ابزاری را می توان در 1% معنی دار رد کرد. آماره Cragg-Donald F 11.627 است و مقدار بحرانی در 5% معناداری 9.53 است. بنابراین، فرضیه اصلی متغیرهای ابزاری ضعیف رد می شود. مقدار p آماره Hansen J 0.185 است. بنابراین، فرضیه اصلی متغیرهای ابزاری برون زا را نمی توان در 10 درصد معنی دار رد کرد. بنابراین انتخاب متغیرهای ابزاری منطقی تلقی می شود. مقدار p Hausman برای آزمایش برون زایی متغیرهای توضیحی استفاده می شود. همانطور که در جدول 2 نشان داده شده است، p-value هاسمن 0.614 است و فرضیه اصلی در مورد برون زایی متغیرهای توضیحی را نمی توان با 10 درصد معناداری رد کرد. بنابراین با استفاده از روش OLS می توان رابطه (3) را مستقیماً رگرسیون کرد. برای مشاهده استحکام مدل، معادله (3) با استفاده از روش رگرسیون حداقل مربعات دو مرحله ای (2SLS) رگرسیون شده است و نتایج در ستون 5 جدول 2 گزارش شده است. در مقایسه با نتایج رگرسیون OLS، نتایج 2SLS اینگونه نیست. هر گونه تغییر قابل توجهی را در رابطه با اهمیت متغیرها، برآورد ضرایب و نمادهای ضرایب نشان می دهد. بنابراین، مدل قوی است.
