Model Ekonometria - Mateusz Komendołowicz
-
Upload
mateuszkomendolowicz -
Category
Documents
-
view
34 -
download
1
description
Transcript of Model Ekonometria - Mateusz Komendołowicz
Uniwersytet Warszawski
Wydział Nauk Ekonomicznych
Mateusz Komendołowicz Nr albumu: 339988
Analiza czynników wpływających na współczynnik
małżeństw w Polsce
Model ekonometryczny
Praca wykonana pod kierunkiem
mgr Rafała Woźniaka
z Katedry Statystyki i Ekonometrii
WNE UW
Warszawa, styczeń 2015
1
SPIS TREŚCI
1. WSTĘP...................................................................................................................... 2
2. FUNDAMENTY TEORETYCZNE I PRZEGLĄD LITERATURY…...................
2
3. HIPOTEZY BADAWCZE........................................................................................
4. BAZA DANYCH I OPIS ZMIENNYCH.................................................................
5. WSTĘPNA ANALIZA DANYCH...........................................................................
6. FORMA FUNKCYJNA MODELU..........................................................................
7. DIAGNOSTYKA MODELU....................................................................................
7.1. OBSERWACJE NIETYPOWE…………………………………………...
7.2. BADANIE WSPÓLINIOWOŚCI…………………………………………
7.3. TEST RESET – TEST NA POPRAWNOŚĆ FORMY FUNKCYJNEJ….
7.4. TEST WHITE’A – TEST NA HOMOSKEDASTYCZNOŚĆ....................
7.5. NORMALNOŚĆ SKŁADNIKA LOSOWEGO..........................................
7.6. TEST CHOW’A...........................................................................................
8. WERYFIKACJA HIPOTEZ BADAWCZYCH.......................................................
9. PODSUMOWANIE..................................................................................................
10. BIBLIOGRAFIA.......................................................................................................
3
4
5
7
9
9
10
11
11
12
12
13
14
15
2
1. WSTĘP
W ciągu ostatnich lat znacznie spadła liczba zawieranych małżeństw przez Polaków.
Według szacunków Głównego Urzędu Statystycznego w 2013 roku zawarto o ponad 22
tysiące mniej niż rok wcześniej. Coraz więcej par decyduje się na życie w związku
nieformalnym. Postępujący spadek liczby zawieranych małżeństw ma istotny wpływ na inne
ważne wskaźniki takie jak dzietność kobiet, gdyż więcej dzieci rodzi się w związkach
formalnych. Zmieniający się model rodziny w ostatnich latach to ogromny przeskok
kulturowy dla Polski. W mediach trwa dyskusja nad przyczynami tego zjawiska, a rząd
próbuje mu zapobiegać. Wśród czynników, które determinują to zjawisko zwraca się uwagę
na niskie zarobki i brak szans na samodzielne utrzymanie, ale również fakt coraz większej
urbanizacji i cyfryzacji społeczeństwa.
W niniejszej pracy będę starał się odpowiedzieć na pytanie jakie są determinanty ilości
małżeństw w Polsce poprzez analizę poszczególnych powiatów. Zmienne, które zastosowano
w modelu odwołują się zarówno do przyczyn ekonomicznych jak i społecznych. Model ten
może mieć zastosowanie praktyczne przy próbie zapobieganiu tego negatywnego zjawiska.
2. FUNDAMENTY TEORETYCZNE I PRZEGLĄD LITERATURY
Rozpatrywanie problemu małej ilości małżeństw w kontekście ekonomii należy zacząć
od teorii Gary’ego Beckera. Stworzył on ekonomiczną teorie zachowań ludzkich, za co
otrzymał nagrodę Nobla w dziedzinie Ekonomii w roku 1992. Zakładał on, że człowiek jest
istotą homo oeconomicus, czyli że racjonalnie dąży zawsze do maksymalizacji swoich
zysków i dokonywania najlepszych wyborów. W kontekście tej teorii zawarcie małżeństwa
zwiększa użyteczność partnerów. Może to się stać dzięki specjalizacji, czyli sytuacji gdy
jeden partner pożytkuje swój czas na coś w czym jest lepszy od drugiego. Jako warunek
zawarcia małżeństwa Becker postawił równanie, mówiące, że użyteczność po zawarciu
małżeństwa musi być większa niż suma użyteczności partnerów osobno. Jako korzyści z
zawarcia małżeństwa wskazał między innymi podział czasu i obowiązków, zaspokojenie
seksualne, zarządzanie ryzykiem w życiu oraz wspomaganie inwestycji w kapitał ludzki, czyli
sytuację gdzie jeden z partnerów dokształca się, gdy drugi pracuje.
Pomysły Beckera są rozwijane w pracy A Joint Model of Marriage and Partner
Choice” napisanej przez Elaine Rose. Autorka estymuje w tym artykule model rynku
małżeńskiego. Zakłada ona dążenie do maksymalizacji użyteczności przez poszczególne
3
osoby. Następnie estymuje model ekonometryczny zawierania małżeństw na podstawie
danych PSID. Z modelu wynika, że podczas wyboru partnera ważne są m.in. jego edukacja i
kolor skóry.
W innej pracy, Marriage and Assortative Mating: How Have the Patterns Changed?
Elaina Rose dokonuje przeglądu literatury dotyczącej zmian w ilości zawieranych małżeństw
w ostatnich latach. Następnie szacując logitowy model szuka determinantów zmian w ilości
zawierania związków formalnych. Ciekawym jest fakt podziału osób na grupy wiekowe i
zauważenie, że istnieją różnice w wyborach między 20 latkami, a 40 latkami.
Jako jeden z powodów formalizacji związku wskazać można również fakt, że osoby,
które taki zwarły są szczęśliwsze i lepiej radzą sobie finansowo. Fakt ten jest dokładnie
zobrazowany w The case for marriage: Why married people are happier, healthier and better
of financially autorstwa Maggie Gallagher i Lindy White.
Warto również wspomnieć o fakcie, że 83 % małżeństw stanowią te zawarty po raz
pierwszy, co jest wskazane w notce informacyjnej GUS Podstawowe informacje o rozwoju
demograficznym Polski do 2013 roku. Może to wskazywać na zniechęcenie do zawarcia
kolejnego związku po rozwodzie, których w ostatnich latach znacząco przybywa.
Podsumowując można stwierdzić, że literatura wskazuje na fakt, że ludzie formalizują
związki z uwagi na większą wspólną użyteczność, płynące z tego korzyści finansowe oraz
szczęście. Ważna jest również sytuacja finansowa partnerów.
3. HIPOTEZY BADAWCZE
Na podstawie przeglądu literatury, analizy zjawiska jak i teorii ekonomii można
postawić następujące hipotezy badawcze:
1) Wskaźnik zatrudnienia mężczyzn ma pozytywny wpływ na zawieranych małżeństw.
2) Wskaźnik zatrudnienia kobiet ma pozytywny wpływ na ilość małżeństw.
3) Ilość rozwodów ma negatywny wpływ na ilość małżeństw.
4) Wysokość wynagrodzenia ma niejednoznaczny wpływ na ilość zawieranych
małżeństw.
Pierwsza i drugą hipotezę można argumentować faktem, że większa liczba osób
pracujących oznacza większą liczbę osób będących w stanie się utrzymać np. osób młodych.
To może powodować chęć wspólnego mieszkania czy też zawarcia małżeństwa.
4
Ostatnia hipoteza wynika z faktu, że z jednej strony im bogatsi są ludzie, tym mniej
potrzebują wsparcia finansowego. Argument specjalizacji czy też polepszenia swojej sytuacji
ekonomicznej nie musi być do końca w ich przypadku prawdziwy. Z drugiej strony większe
wynagrodzenie znowu pozwala myśleć o wspólnym życiu, kupnie mieszkania czy
wychowywaniu potomstwa.
Trzecia hipoteza jest z jednej strony oczywista, z drugiej strony w literaturze można
spotkać głębsze jej omawianie. Ilość rozwodów w sposób oczywisty przekłada się na ilość
małżeństw ponieważ ją zmniejsza. Z drugiej jednak strony wywołuje ona dodatkowy efekt,
duża liczba rozwodów w danym regionie może zachęcać inne osoby do brania takiego.
Zwłaszcza w powiatach, których struktura jest bardziej wiejska, niż miejska. Dlatego
zdecydowano się na sprawdzenie tej hipotezy.
4. BAZA DANYCH I OPIS ZMIENNYCH
Zbiór danych został zebrany z Banku Danych Lokalnych Głównego Urzędu
Statystycznego. Zostało stworzone zestawienie danych dla poszczególnych powiatów w
Polsce za rok 2011. Łącznie jest 379 obserwacji, w tym 314 powiatów ziemskich i 65 miast
na prawach powiatu. 3 obserwacje są niepełne oznaczone zostały więc znakiem kropki.
Poniżej lista wybranych zmiennych objaśniających i zmiennej objaśnianej.
Zmienna objaśniana
Małżeństwa na 1000 osób
Y= M1000. Zmienna ta jest zmienną ciągłą w zakresie od 4.2 do 7.3.
Zmienne objaśniające
Małżeństwa zawarte
𝑋1 = 𝑁𝑒𝑤𝑀𝑎𝑟𝑟𝑖𝑎𝑔𝑒
Małżeństwa zawarte w ostatnim roku w danym powiecie.
Wskaźnik ludności miejskiej [%]
𝑋2 = 𝑇𝑜𝑤𝑛𝑃𝑒𝑟
To liczba osób zamieszkująca tereny miejskie w stosunku do wszystkich mieszkańców
powiatu.
Wskaźnik ilości kawalerów i panien [%]
𝑋3 = 𝐴𝑣𝑎𝑖𝑙𝑎𝑏𝑙𝑒
To liczba kawalerów i panien w stosunku do wszystkich mieszkańców powiatu.
5
Wskaźnik feminizacji [%]
𝑋4 = 𝐹𝑒𝑚𝑖𝑛𝑖𝑛𝑒.
Liczba kobiet przypadająca na 100 mężczyzn.
Średnie miesięczne wynagrodzenie brutto
𝑋5 = 𝑆𝑎𝑙𝑎𝑟𝑦
Wskaźnik obciążenia demograficznego [%]
𝑋6 = 𝐷𝑒𝑚𝑜
Rozwody na 1000 osób
𝑋7 = 𝐷𝑖𝑣𝑜𝑟𝑐𝑒
Wskaźnik zatrudnienia kobiet [%]
𝑋8 = 𝐹𝑗𝑜𝑏𝑠
Wskaźnik zatrudnienia mężczyzn [%]
𝑋9 = 𝑀𝑗𝑜𝑏𝑠
5. WSTĘPNA ANALIZA DANYCH
Na początek przedstawione zostaną podstawowe statystyki opisowe zmiennych.
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
M1000 | 379 5.469129 .5219236 4.2 7.3
NewMarriage | 379 544.7784 568.5449 99 8217
TownPer | 376 .5128262 .2712031 .0193385 1
Available | 379 .2441201 .0148092 .2037686 .2873471
Feminine | 379 104.5805 3.821512 96 120
-------------+--------------------------------------------------------
Salary | 379 3064.666 450.1932 2224.07 6324.79
Demo | 379 55.97309 3.524489 46.4 66.9
Divorce | 379 1.529551 .5115828 .4 3.4
Fjobs | 379 40.77968 3.829043 32 52.5
Mjobs | 379 55.0876 4.058485 44.4 66.4
Jak widać zbiór zawiera 379 obserwacji. Na ten moment można zaobserwować duże
odchylenie standardowe oraz różnicę między wartością maksymalną, a minimalną w
wynagrodzeniach w poszczególnych powiatach. Ponadto powiaty są mocno zróżnicowane
pod względem ilością osób pracujących, obciążeniem demograficznym czy ilością rozwodów
i nowych małżeństw.
6
Następnie utworzona została macierz korelacji zmiennych.
| M1000 NewMar~e TownPer Available Feminine Salary Demo Divorce Fjobs Mjobs
-------------+------------------------------------------------------------------------------------------
M1000 | 1.0000
NewMarriage | -0.1177 1.0000
TownPer | -0.2851 0.2982 1.0000
Available | 0.0777 0.0280 -0.1102 1.0000
Feminine | -0.4211 0.4670 0.7764 -0.1450 1.0000
Salary | -0.0989 0.3844 0.4204 -0.1352 0.3646 1.0000
Demo | 0.1795 -0.0158 -0.4570 0.0018 -0.2298 -0.1964 1.0000
Divorce | -0.4168 0.1937 0.7164 -0.1233 0.5853 0.3106 -0.5683 1.0000
Fjobs | 0.0074 0.2765 -0.0577 -0.1766 0.1578 0.2375 0.0322 -0.0784 1.0000
Mjobs | 0.2027 0.1463 -0.2887 -0.1572 -0.1501 0.0903 0.0630 -0.2461 0.8171 1.0000
Widoczna jest znacząca korelacja między ilością pracujących kobiet i mężczyzn, można
to tłumaczyć faktem, że w danym regionie sytuacja ekonomiczna ma wpływ na obydwie
zmienne. Z uwagi jednak na charakter pisanej pracy i chęć wyróżnienia sytuacji kobiet i
mężczyzn nie ma to istotnego wpływu. Inne zmienne skorelowane to między innymi Divorce
oraz Feminine, a także Feminine oraz TownPer.
Następnie analizujemy zmienną objaśnianą przy pomocy histogramu.
Rys. 1 Histogram zmiennej M1000
Źródło: Opracowanie własne na podstawie danych z GUS.
0.2
.4.6
.81
Den
sity
4 5 6 7M1000
7
Histogram pokazuje, że zmienna nie ma rozkładu normalnego. Zlogarytmowanie
zmiennej również nie powoduje, że zmienna miałaby rozkład normalny. Jako przyczyny może
wskazać fakt, że różnice w wartościach zmiennej są nieznaczne.
6. FORMA FUNKCYJNA MODELU
Model będzie tworzony przy pomocy regresji liniowej wykorzystując program STATA.
Przyjmujemy poziom istotności na poziomie 5 %. Otrzymujemy następującą estymację:
Source | SS df MS Number of obs = 376
-------------+------------------------------ F( 9, 366) = 17.21
Model | 30.4090911 9 3.3787879 Prob > F = 0.0000
Residual | 71.8486749 366 .196307855 R-squared = 0.2974
-------------+------------------------------ Adj R-squared = 0.2801
Total | 102.257766 375 .272687376 Root MSE = .44307
------------------------------------------------------------------------------
M1000 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
NewMarriage | .0000431 .0000496 0.87 0.386 -.0000544 .0001406
TownPer | .8316592 .1717248 4.84 0.000 .493968 1.16935
Available | .9704507 1.634228 0.59 0.553 -2.243205 4.184106
Feminine | -.0654928 .0116371 -5.63 0.000 -.0883768 -.0426087
Salary | .000024 .0000608 0.39 0.693 -.0000955 .0001434
Demo | .0072672 .0084764 0.86 0.392 -.0094013 .0239358
Divorce | -.3774268 .0717285 -5.26 0.000 -.5184784 -.2363751
Fjobs | -.0266073 .0121451 -2.19 0.029 -.0504902 -.0027244
Mjobs | .040892 .0114935 3.56 0.000 .0182905 .0634936
_cons | 10.5635 1.409364 7.50 0.000 7.792035 13.33497
------------------------------------------------------------------------------
Otrzymano model w którym są zmienne nieistotne. Z tego powodu usuwamy kolejne
zmienne nieistotne, po każdej iteracji szacując ponownie model.
Ostatecznie uzyskano model w którym istotnych jest 5 zmiennych.
8
Source | SS df MS Number of obs = 376
-------------+------------------------------ F( 5, 370) = 30.60
Model | 29.9181289 5 5.98362577 Prob > F = 0.0000
Residual | 72.3396371 370 .195512533 R-squared = 0.2926
-------------+------------------------------ Adj R-squared = 0.2830
Total | 102.257766 375 .272687376 Root MSE = .44217
------------------------------------------------------------------------------
M1000 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
TownPer | .8076383 .1594802 5.06 0.000 .4940371 1.12124
Feminine | -.0601126 .010547 -5.70 0.000 -.0808522 -.039373
Divorce | -.4082543 .0644086 -6.34 0.000 -.5349071 -.2816015
Fjobs | -.0251877 .0119591 -2.11 0.036 -.0487041 -.0016714
Mjobs | .0400983 .0112425 3.57 0.000 .0179911 .0622055
_cons | 10.78642 1.082332 9.97 0.000 8.658127 12.91471
------------------------------------------------------------------------------
Odrzucamy hipotezę o łącznej nieistotności zmiennych, na co wskazuje wartość
𝑃𝑟𝑜𝑏 > 𝐹 = 0.000. Model wyjaśnia zmienność ilości małżeństw na 1000 osób w
przybliżeniu w 29 %, na co wskazuje 𝑅2 = 0.2926.
Proces dochodzenia do właściwego modelu obrazuje tabela, wywołana przy pomocy
polecenia estout.
--------------------------------------------------------------------------------------------
model1 model2 model3 model4 model5
b/se b/se b/se b/se b/se
--------------------------------------------------------------------------------------------
NewMarriage 0.000 0.000 0.000 0.000
(0.00) (0.00) (0.00) (0.00)
TownPer 0.832*** 0.849*** 0.846*** 0.811*** 0.808***
(0.17) (0.17) (0.17) (0.16) (0.16)
Available 0.970 0.910
(1.63) (1.63)
Feminine -0.065*** -0.066*** -0.067*** -0.065*** -0.060***
(0.01) (0.01) (0.01) (0.01) (0.01)
Salary 0.000
(0.00)
Demo 0.007 0.007 0.007
(0.01) (0.01) (0.01)
Divorce -0.377*** -0.377*** -0.381*** -0.405*** -0.408***
(0.07) (0.07) (0.07) (0.06) (0.06)
Fjobs -0.027* -0.026* -0.026* -0.026* -0.025*
(0.01) (0.01) (0.01) (0.01) (0.01)
Mjobs 0.041*** 0.041*** 0.040*** 0.039*** 0.040***
(0.01) (0.01) (0.01) (0.01) (0.01)
_cons 10.564*** 10.681*** 11.042*** 11.307*** 10.786***
(1.41) (1.38) (1.21) (1.17) (1.08)
--------------------------------------------------------------------------------------------
Kolejno odrzucano zmienne Salary, Available, Demo oraz NewMarriage.
Końcowa forma funkcyjna modelu przedstawia się następująco:
𝑀1000 = 10.78642 + 0.8076383𝑇𝑜𝑤𝑛𝑃𝑒𝑟 − 0.0601126𝐹𝑒𝑚𝑖𝑛𝑖𝑛𝑒 − 0.4082543𝐷𝑖𝑣𝑜𝑟𝑐𝑒
− 0.0251877𝐹𝑗𝑜𝑏𝑠 + 0.0400983𝑀𝐽𝑜𝑏𝑠
9
Estymacje można zinterpretować w następujący sposób:
Spodziewamy się, że wzrost wskaźnika ludności miejskiej o punkt procentowy
spowoduje wzrost liczby małżeństw na 1000 osób o 0.8076383.
Spodziewamy się, że wzrost wskaźnika feminizacji o 1 spowoduje spadek liczby
małżeństw na 1000 osób o 0.0601126.
Spodziewamy się, że wzrost ilości rozwodów na 1000 osób o 1 spowoduje spadek
liczby małżeństw na 1000 osób o 0.4082543.
Spodziewamy się, że wzrost wskaźnika zatrudnienia kobiet o 1 spowoduje spadek
liczby małżeństw na 1000 osób o 0.0251877.
Spodziewamy się, że wzrost wskaźnika zatrudnienia mężczyzn o 1 spowoduje wzrost
liczby małżeństw na 1000 osób o 0.0400983.
7. DIAGNOSTYKA MODELU
7.1. Obserwacje nietypowe
Po przeprowadzeniu testu Cooka okazało się, że podejrzanych nietypowych obserwacji
jest aż 24. Graficzne zobrazowanie obserwacji poniżej. Interesować nas będą obserwacje,
które posiadają dużą dźwignię i resztę standardową.
10
Rys. 2 Reszty standardowe i dźwignie
Źródło: Opracowanie własne na podstawie danych z GUS.
Po przejrzeniu obserwacji nietypowych okazało się, że w dużej części są to miasta na
prawach powiatu lub obserwacje te są tylko małoznacząco nietypowe. Istotny jest również
fakt, zróżnicowania powiatów Polsce pod wieloma czynnikami i wpływ tego na badanie tu
przeprowadzane. Obserwacje nietypowe na wykresie znajdują się w akceptowalnym miejscu.
Z uwagi na te fakty, zdecydowano się nie usuwać obserwacji nietypowych i przejść do
kolejnych testów diagnostycznych.
7.2. Badanie współliniowości
Po przeprowadzeniu estymacji modelu przejdziemy do diagnostyki. Zaczęto od testu na
współliniowość.
0
.02
.04
.06
.08
Leve
rag
e
0 .01 .02 .03 .04Normalized residual squared
11
Variable | VIF 1/VIF
-------------+----------------------
Fjobs | 4.02 0.248702
Mjobs | 3.97 0.251764
TownPer | 3.59 0.278702
Feminine | 3.08 0.324989
Divorce | 2.08 0.481672
-------------+----------------------
Mean VIF | 3.35
Możemy zaobserwować, że wszystkie wartości są znacząco mniejsze od 10, zatem w
modelu nie występuje współliniowość.
7.3. Test RESET – test na poprawność formy funkcyjnej
Kolejnym krokiem jest wykonanie testu RESET – testu na poprawność formy
funkcyjnej.
Ramsey RESET test using powers of the fitted values of M1000
Ho: model has no omitted variables
F(3, 367) = 2.01
Prob > F = 0.1121
Test wskazuje na poprawność przyjętej przez nas formy funkcyjnej na przyjętym
poziomie istotności 5 %. Możemy oczekiwać więc, że estymatory zmiennych są
nieobciążone.
7.4. Test White’a – test na homoskedastyczność
W następnym kroku zbadamy heteroskedastyczność składnika losowego przy pomocy
testu White’a.
12
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(20) = 19.82
Prob > chi2 = 0.4690
Cameron & Trivedi's decomposition of IM-test
---------------------------------------------------
Source | chi2 df p
---------------------+-----------------------------
Heteroskedasticity | 19.82 20 0.4690
Skewness | 9.43 5 0.0931
Kurtosis | 3.81 1 0.0508
---------------------+-----------------------------
Total | 33.07 26 0.1602
---------------------------------------------------
Na podstawie P-Value równego 0.4690 przy poziomie istotności 5 % odrzucamy
hipotezę zerową mówiącą o homoskedastyczności składnika losowego.
7.5. Normalność składnika losowego
Następnie zbadaliśmy normalność rozkładu składnika losowego.
Skewness/Kurtosis tests for Normality
------- joint ------
Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+---------------------------------------------------------------
r | 376 0.0680 0.0149 8.64 0.0133
Na podstawie testu Jarque-Bery możemy stwierdzić, że z uwagi na wartość
prawdopodobieństwa statystyki testowej (0.0133) odrzucamy hipotezę zerową mówiącą o
normalności rozkładu składnika losowego.
7.6. Test Chow’a
Korzystając z testu Chow’a sprawdzimy stabilność strukturalną modelu. Aby wykonać
ten test należy podzielić obserwacje na dwa podzbiory.
13
Source | SS df MS Number of obs = 376
-------------+------------------------------ F( 11, 364) = 17.78
Model | 35.7347396 11 3.24861269 Prob > F = 0.0000
Residual | 66.5230263 364 .182755567 R-squared = 0.3495
-------------+------------------------------ Adj R-squared = 0.3298
Total | 102.257766 375 .272687376 Root MSE = .4275
------------------------------------------------------------------------------
M1000 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
TownPer | 1.411317 .2510044 5.62 0.000 .9177162 1.904918
Feminine | -.1126245 .015369 -7.33 0.000 -.1428477 -.0824014
Divorce | -.4294877 .0875768 -4.90 0.000 -.6017077 -.2572677
Fjobs | -.015907 .0160492 -0.99 0.322 -.0474679 .0156538
Mjobs | .0123854 .0177096 0.70 0.485 -.0224406 .0472115
d | -10.70872 2.232195 -4.80 0.000 -15.09833 -6.319099
d1 | -1.001665 .3336149 -3.00 0.003 -1.65772 -.3456105
d2 | .0877765 .0215707 4.07 0.000 .0453577 .1301953
d3 | .0964323 .1271993 0.76 0.449 -.1537054 .34657
d4 | -.006968 .0240434 -0.29 0.772 -.0542494 .0403133
d5 | .0380193 .0231068 1.65 0.101 -.0074202 .0834588
_cons | 17.22985 1.638042 10.52 0.000 14.00864 20.45107
------------------------------------------------------------------------------
. TEST (D=0) (D1=0) (D2=0) (D3=0) (D4=0) (D5=0)
( 1) D = 0
( 2) D1 = 0
( 3) D2 = 0
( 4) D3 = 0
( 5) D4 = 0
( 6) D5 = 0
F( 6, 364) = 5.30
PROB > F = 0.0000
Korzystając z testu Chow’a zauważamy, że hipoteza zerowa jest odrzucana i, że
oszacowania parametrów w obydwu podpróbach są od siebie istotnie różne. Możemy
próbować do wyjaśnić znaczącym zróżnicowaniem pomiędzy powiatami w Polsce.
8. WERYFIKACJA HIPOTEZ BADAWCZYCH
Analizując otrzymane estymacje możemy uznać, że hipotezy badawcze 1, 3 i 4 zostały
potwierdzone. Odrzucona została natomiast hipoteza 2.
Wskaźnik zatrudnienia mężczyzn ma istotnie pozytywny wpływ na ilość małżeństw.
Można to argumentować faktem, że mężczyźni pracujący są w stanie utrzymać rodzinę i
chętniej oświadczają się partnerce. Wpływać może to również na fakt, że małżeństwa, które
lepiej radzą sobie finansowo, rzadziej się rozpadają.
14
Jeśli chodzi o hipotezę 3 to istotnie ilość rozwodów ma negatywny wpływ na ilość
zawieranych małżeństw. Można to argumentować nie tylko bezpośrednim powiązaniem, ale
również wspomnianym przy stawianiu hipotezy zachęceniem społecznym. Dobrym
odwołaniem będą historyczne dane na temat ilości rozwodów w Polsce w latach 80’ i
wcześniej. Liczba rozwodów była wtedy znacznie niższa, z uwagi na brak akceptacji
społecznej. Wraz ze wzrostem ilości rozwodów oraz migracją społeczeństwa do miast,
zjawisko stawało się coraz bardziej akceptowane.
Hipoteza 4 również znalazła swoje potwierdzenie w badaniach. Zmienna 𝑆𝑎𝑙𝑎𝑟𝑦
okazała się nieistotna. Zaprzecza to niektórym pozycjom z literatury. Okazuje się, że fakt
bycia bogatszym nie zwiększa istotnie prawdopodobieństwa bycia w związku małżeńskim.
Ciekawym badaniem mogłoby być sprawdzenie tego faktu wśród najbiedniejszej części
społeczeństwa, gdyż wśród niej brak środków finansowych mógłby okazać się istotną barierą.
Druga hipoteza została odrzucona. Z badania wynika zupełnie inny wniosek. Okazuje
się, że wzrost wskaźnika zatrudnienia wśród kobiet ma negatywny wpływ na ilość małżeństw.
Jest to temat bardzo rozległy i wielokrotnie już badany przez ekonomistów. W ostatnich
dwudziestu latach w Polsce nastąpiła zmiana kulturowa, jeśli chodzi o ilość kobiet aktywnych
zawodowo oraz takich, które podejmują pracę zawodową. Zmienia to istotnie model rodziny.
Fakt wzrostu ilości kobiet pracujących może negatywnie odbijać się na związkach
małżeńskich z powodu braku czasu na założenie rodziny lub przesuwanie tej decyzji z uwagi
na skupienie się na rozwoju kariery zawodowej.
9. PODSUMOWANIE
Podsumowując, opracowany model potwierdził większość z postawionych hipotez.
Okazało się, że istnieje statystycznie istotny wpływ wskaźników zatrudnienia kobiet i
mężczyzn na ilość małżeństw w danym powiacie. Co więcej mają one różny znak wpływu.
W związku ze zmieniającym się modelem rodziny w Polsce oraz niskim wskaźnikiem
urodzeń wydaje się, że należy kontynuować badania na temat determinantów zawierania
małżeństw i ich ilości. W najbliższych latach może bowiem okazać się, że z uwagi na
spadającą liczbę małżeństw znacząco spadnie również wskaźnik urodzeń. Samorządy lokalne
w Polsce powinny być świadome problemu i zachęć ludzi młodych do związków formalnych
oraz posiadania potomstwa. Wydaje się, że jest to jeden z istotniejszych problemów
nadchodzących lat w Polsce.
15
BIBLIOGRAFIA
Becker G., A Theory of Marriage: Part I, The Journal of Political Economy, Vol. 81. No. 4,
1993, Chapter 1.
Blau F., Ehrenberg R., Gender and Family Issues in Workplace, Russell Sage Foundation,
Nowy Jork, 1998, s. 20 – 58.
Florczak W., Ekonometryczny model szacowania liczby urodzeń dla Polski, Wiadomości
Statystyczne, Nr 6., 2009, s. 48-72.
Grossbard-Schechtman S., On the Economics of Marriage: A Theory of
Marriage, Labor and Divorce, 1993, Chapter 1 The Economics of Marriage and other
Social Sciences.
Moffitt R., The effect on the U.S. welfare system on marital status, Journal of Public
Economics, Nr 41., 1990. On line. Dostęp 18 stycznia 2014 roku.
http://sjoquist.gsu.edu/ec9450/pprlist/moffitt.pdf
Rose E., A Joint Model of Marriage and Partner Choice, Center for Statistics in the Social
Sciences, University of Washington, Working Paper No. 58, Waszyngton, 2006.
On line. Dostęp 18 stycznia 2014 roku
http://www.csss.washington.edu/Papers/2006/wp58.pdf
Rose E., Marriage and Assortative Mating: How Have the Patterns Changed?, Center for
Statistics in the Social Sciences, University of Washington, Working Paper No. 2,
Waszyngton,2001.
On line. Dostęp 18 stycznia 2014 roku.
https://www.csss.washington.edu/Papers/wp22.pdf
Stutzer A., Does marriage make people happy, or does happy people get married, The
Journal of Socio-Economics, Volume 35, Issue 2, 2006, s. 326-347.