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


-------------+------------------------------ F( 5, 370) = 30.60

Model | 29.9181289 5 5.98362577 Prob > F = 0.0000


-------------+------------------------------ Adj R-squared = 0.2830

Total | 102.257766 375 .272687376 Root MSE = .44217

------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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


Spodziewamy się, że wzrost wskaźnika zatrudnienia mężczyzn o 1 spowoduje wzrost


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


-------------+------------------------------ F( 11, 364) = 17.78

Model | 35.7347396 11 3.24861269 Prob > F = 0.0000


-------------+------------------------------ Adj R-squared = 0.3298

Total | 102.257766 375 .272687376 Root MSE = .4275

------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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.

http://sjoquist.gsu.edu/ec9450/pprlist/moffitt.pdf



Model Ekonometria - Mateusz Komendołowicz

Documents

Transcript of Model Ekonometria - Mateusz Komendołowicz