Abstract

In den hier versammelten Aufsätzen werden verschiedene statistische Verfahren zur Analyse diskreter Strukturen auf Fragen der Arbeitsmarkt- und Entwicklungsökonomie angewandt. In Teil I wird untersucht, ob Arbeitslosigkeit einen Einfluss auf das Auszugsverhalten junger Menschen in der Bundesrepublik (West) hat. Die Untersuchung wird auf Basis von Daten des sozioökonomischen Panels für die Geburtsjahrgänge von 1968 bis 1981 durchgeführt. Es wird ein Hazardratenmodell geschätzt, in welchem die Zielzustände „Single-Haushalt“ und „Wohnung mit Partner“ unterschieden werden. Die Auswirkung des Einkommens auf die Auszugswahrscheinlichkeit wird semi-parametrisch modelliert. Es zeigt sich zwar, dass junge Männer, die arbeitslos werden, mit einer geringeren Wahrscheinlichkeit einen Haushalt mit einer Partnerin gründen. Darüber hinaus hat Arbeitslosigkeit jedoch keinen Einfluss auf die Auszugswahrscheinlichkeit. Die Institution Familie fungiert also für junge Menschen nur in geringem Maße als Versicherung gegen Arbeitslosigkeit. Ziel des II. Teil dieser Untersuchung ist, den Einfluss ökonomischer Faktoren auf die Wahrscheinlichkeit zu bestimmen, mit der junge Menschen in Italien das Elternhaus verlassen. Hierzu werden mit den Wellen von 1991 bis 1998 des Householdsurveys der Banca d` Italia mehrere Logit-Modelle geschätzt. Ein Ergebnis ist, dass mit der Beendigung der Schulausbildung die Auszugswahrscheinlichkeit zunimmt. Arbeitslose Männer haben gegenüber Beschäftigten eine geringere Auszugswahrscheinlichkeit. Ökonomische Faktoren haben in Italien somit einen hohen Einfluss auf das Auszugsverhalten junger Menschen. Die Bedeutung ökonomischer Größen deutet auf die Versicherungsfunktion hin, die familiäre Netzwerke in Italien einnehmen. Im Teil III der Arbeit werden die Bestimmungsfaktoren von Unterernährung und Kindersterblichkeit analysiert. Untersuchungen zu dieser Frage stehen oft vor dem Problem, dass die Datengrundlage in Entwicklungsländern schlecht ist. Im hier verwendeten Makro-Datensatz fehlen zahlreiche Beobachtungen. Bei einer in solchen Situationen üblichen Complete-case Analyse gehen viele der vorhandenen Informationen im Datensatz verloren. Mit einem Verfahren der multiplen Imputation der fehlenden Werte wird versucht, dieses Problem zu lösen. Hierzu werden mit einem Markov-Chain-Monte-Carlo-Verfahren mehrere vervollständigte Datensätze generiert, welche dann weiter bearbeitet werden. Durch die Auswertung mehrerer vervollständigter Datensätze wird eine höhere Effizienz der Schätzer erreicht. Ein Vergleich von Regressionsanalysen, die mit dem vervollständigten Daten durchgeführt wurden, mit einer Complete-case-Analyse hat gezeigt, dass sich bestimmte Koeffizienten in ihrer Größenordnung geändert haben. Bei manchen Koeffizienten sind unplausible Vorzeichen aus der Complete-case Analyse verschwunden. Es ist also vorteilhaft, bei Problemen mit fehlenden Werten moderne Imputationsverfahren zu verwenden. Durch die Ersetzung der fehlenden Werte konnten eine Reihe von Variablen zugänglich gemacht werden, die bei einer Complete-case Analyse nicht brauchbar sind, da bei deren Verwendung auf noch mehr Beobachtungen hätte verzichtet werden müssen.