PUH-RAPPORT - BADA - Högskolan i Borås

PUH-RAPPORT - BADA - Högskolan i Borås PUH-RAPPORT - BADA - Högskolan i Borås

28.02.2014 Views

Modell 1 Modell 2 Modell 3 Modell 4 Koefficienter (S.E.) Koefficienter (S.E.) Koefficienter (S.E.) Koefficienter (S.E.) Ålder 499,54*** (50,08) 499,48*** (50,06) 509,80*** (9,58) 516,36*** (15,56) Arbetslivserfarenhet 10,21 (49,10) 10,31 (49,08) År av utbildning 994,50*** (54,64) 994,71*** (54,61) 984,43*** (24,27) 1023,97*** (39,35) Antal anställda (10-tal) 4,48 (14,57) Kön -7 154,29*** (193,55) -7 152,47*** (193,37) -7 154,63*** (193,01) Ägande 4 980,72*** (315,76) 4 978,26*** (315,51) 4 978,86*** (315,34) Konstant 14 810,69*** (616,57) 14 841,56*** (608,05) 14 841,41*** (607,76) 11 505,76*** (976,61) Adj R 2 0,86 0,86 0,86 0,64 F 1 045,72 1 255,99 1 571,48 879,39 N 1 000 1 000 1 000 1 000 Fotnot: *** p < 0,01; ** p < 0,05; * p < 0,1. Tabell 6. (Beroende variabel: Lön) De höga F-värdena hamnar långt inne i förkastelseområdet och innebär att vi förkastar nollhypotesen om att det inte finns en modell i datamaterialet. Eftersom att en hel regression är signifikant inte innebär att alla variablerna är signifikanta måste vi undersöka t-värdena, dvs. kvoten mellan regressionskoefficienten och dess S.E. Arbetslivserfarenhet och Antal anställda är inte signifikanta variabler och bör därför inte ingå i den slutliga modellen. I modell 2 tas Antal anställda bort medan 116 puh-rapport 2013

i modell 3 tas även Arbetslivserfarenhet bort för att se om deras närvaro i modellen påverkar de andra variablerna. Både i modell 3 och 4 är alla variablerna signifikanta men i modell 4 sjunker förklaringsgraden avsevärt när variablerna Kön och Ägande tas bort. Man bör därför välja modell 3 som den bästa modellen. Modellvalidering Den teoretiska litteraturen om lön brukar utgå från humankapitalansatsen som föreslår att variablerna som ökar individens produktivitet, såsom utbildning och ålder, är positivt korrelerade med lönen vilket vi får i vår modell. Tidigare studier har visat att även om framsteg har uppnåtts och att skillnaden idag mellan män och kvinnors löner är mindre än tidigare, enligt vår modell, har kvinnor en lägre lön än män med motsvarande utbildning och arbetslivserfarenhet. Detta kan tolkas som effekten av variabler som inte finns i modellen men som är korrelerade med könen eller som en ren lönediskriminering. Angående effekten av ägande är det svårt att hitta studier som tittar på den effekten och därför får vi låta framtida studier bedöma om den effekten vi fångade i modellen är korrekt eller inte. Slutlig regressionsmodell Med informationen från Tabell 6 får man fram den slutliga modellen: Lön = 14 841 + 510∙Ålder + 984∙Utbildning - 7 155∙Kön + 4 979∙Ägande Man kan t.ex. beräkna en prediktion för den genomsnittliga individen genom att använda medelvärdet av de förklarande variablerna. En hypotetisk man som är 47 år, har 16 år av utbildning och jobbar på ett svenskt företag förväntas ha en lön på: 54 555 = 14 841 + 510∙47 + 984∙16 - 7 155∙0 + 4 979∙0 Lönen för en kvinna med motsvarande egenskaper förväntas vara: 47 379 = 14 841 + 510∙47 + 984∙16 - 7 155∙1 + 4 979∙0 6. tillämpning av principerna för god feedback i undervisningen av regressionsanalys 1) Hur skall en god prestation se ut? I avsnitt 5 presenteras en regressionsanalys som kan användas som exempel på hur olika delar av en regressionsanalys bör genomföras. En viss fördjupning av vissa delar bör genomföras innan analysen kan anses vara färdigt. 117

i modell 3 tas även Arbetslivserfarenhet bort för att se om deras närvaro i modellen<br />

påverkar de andra variablerna. Både i modell 3 och 4 är alla variablerna signifikanta<br />

men i modell 4 sjunker förklaringsgraden avsevärt när variablerna Kön och<br />

Ägande tas bort. Man bör därför välja modell 3 som den bästa modellen.<br />

Modellvalidering<br />

Den teoretiska litteraturen om lön brukar utgå från humankapitalansatsen som<br />

föreslår att variablerna som ökar individens produktivitet, såsom utbildning och<br />

ålder, är positivt korrelerade med lönen vilket vi får i vår modell. Tidigare studier<br />

har visat att även om framsteg har uppnåtts och att skillnaden idag mellan män och<br />

kvinnors löner är mindre än tidigare, enligt vår modell, har kvinnor en lägre lön än<br />

män med motsvarande utbildning och arbetslivserfarenhet. Detta kan tolkas som<br />

effekten av variabler som inte finns i modellen men som är korrelerade med könen<br />

eller som en ren lönediskriminering. Angående effekten av ägande är det svårt att<br />

hitta studier som tittar på den effekten och därför får vi låta framtida studier bedöma<br />

om den effekten vi fångade i modellen är korrekt eller inte.<br />

Slutlig regressionsmodell<br />

Med informationen från Tabell 6 får man fram den slutliga modellen:<br />

Lön = 14 841 + 510∙Ålder + 984∙Utbildning - 7 155∙Kön + 4 979∙Ägande<br />

Man kan t.ex. beräkna en prediktion för den genomsnittliga individen genom att<br />

använda medelvärdet av de förklarande variablerna. En hypotetisk man som är 47 år,<br />

har 16 år av utbildning och jobbar på ett svenskt företag förväntas ha en lön på:<br />

54 555 = 14 841 + 510∙47 + 984∙16 - 7 155∙0 + 4 979∙0<br />

Lönen för en kvinna med motsvarande egenskaper förväntas vara:<br />

47 379 = 14 841 + 510∙47 + 984∙16 - 7 155∙1 + 4 979∙0<br />

6. tillämpning av principerna för god feedback i undervisningen<br />

av regressionsanalys<br />

1) Hur skall en god prestation se ut?<br />

I avsnitt 5 presenteras en regressionsanalys som kan användas som exempel på hur<br />

olika delar av en regressionsanalys bör genomföras. En viss fördjupning av vissa<br />

delar bör genomföras innan analysen kan anses vara färdigt.<br />

117

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!