Intergenerational mobility : Econometric theory and applications

Abstract

Ο στόχος αυτής της διατριβής είναι να μελετήσω την κοινωνική κινητικότητα χρησιμοποιώντας καινοτόμες οικονομετρικές μεθόδους που παρέχουν τόσο θεωρητική όσο και εμπειρική συμβολή στην υπάρχουσα βιβλιογραφία. Στο Κεφάλαιο 1 μελετάται η μετάδοση της ευημερίας από γενιά σε γενιά, εστιάζοντας στον ρόλο των επενδύσεων των γονιών στα παιδιά κατά τη διάρκεια της παιδικής ηλικίας και της νεαρής ηλικίας, χρησιμοποιώντας δεδομένα από τη βάση δεδομένων Panel Study of Income Dynamics (PSID). Σε αντίθεση με την πλειονότητα της βιβλιογραφίας η οποία επικεντρώνεται σε έναν μόνο αριθμό που συνοψίζει την κινητικότητα μεταξύ γενεών, η ανάλυσή μας εστιάζει σε μια καμπύλη που καταγράφει τη διαγενεıακή τροχιά κατά τη διάρκεια της πορείας ζωής ενός ατόμου. Χρησιμοποιούμε functional data analysis, μια μέθοδο ανάλυσης δεδομένων που μας επιτρέπει να κατασκευάσουμε εκτιμήσεις των τροχιών της κινητικότητας μεταξύ γενεών. Διαπιστώνουμε ότι οι γονικές επενδύσεις είναι πιο παραγωγικές στην πρώιμη και όψιμη εφηβική ηλικία ή στην νεαρή ενηλικίωση, ένα εύρημα το οποίο υποδεικνύει ότι η χρονική στιγμή κατά την οποία γίνονται επενδύσεις στην εκπαίδευση και το ανθρώπινο κεφάλαιο είναι πολύ σημαντική. Επιπλέον, υπάρχουν στοιχεία ετερογένειας λόγω της κοινωνικοοικονομικής κατάστασης και της οικογενειακής δομής των παιδιών. Τέλος, ο χρόνος κατά τον οποίο τα παιδιά που προέρχονται από δυσπραγούσες οικογένειες βιώνουν κάποιο σοκ (διαζύγιο, θάνατος ενός γονιού ή οικονομικό σοκ) αποτελεί σημαντικό παράγοντα για την ανοδική τους κινητικότητα. Στο Κεφάλαιο 2 αναπτύσσουμε μια νέα τάξη μοντέλων κοινωνικής αλληλεπίδρασης που γενικεύουν το Spatial autoregressive model έτσι ώστε να επιτρέπει την παρουσία ετερογένειας με τη μορφή threshold effects. Αυτά τα μοντέλα μπορούν να εφαρμοστούν για να εξηγήσουν μια σειρά μη γραμμικών φαινομένων όπως περιπτώσεις όπου τα άτομα παραμένουν παγιδευμένα στη φτώχεια (poverty traps). Συγκεκριμένα, προτείνουμε ένα γενικό μοντέλο Threshold Spatial Autoregressive (TSAR), το οποίο αποτελεί γενίκευση τόσο του Mixed regressive, spatial autoregressive model όσο και του Spatial autoregressive model και επιτρέπει την ύπαρξη ενδογενών κοινωνικών αλληλεπιδράσεων ανά διαφορετικό καθεστώς. Αναπτύσσουμε μια μέθοδο GMM σε δύο βήματα για την εκτίμηση των παραμέτρων του μοντέλου και δείχνουμε την συνέπεια και την ασυμπτωτική κανονικότητα των προτεινόμενων εκτιμητών. Τέλος, αξιολογούμε την απόδοση των μεθόδων μας χρησιμοποιώντας Monte Carlo προσομοιώσεις. Στο Κεφάλαιο 3 μελετάμε τη στατιστική συμπερασματολογία σχετικά με τις threshold παλινδρομήσεις ενώ υπάρχει αβεβαιότητα ως προς ποιο είναι το πραγματικό μοντέλο. Αυτό το πρόβλημα προκύπτει όταν κάποιος ενδιαφέρεται να ελέγξει την ύπαρξη μη γραμμικοτήτων τύπου threshold, αλλά υπάρχει αβεβαιότητα σχετικά με το σύνολο των μεταβλητών που πρέπει να συμπεριληφθούν στο μοντέλο. Η τυπική προσέγγιση για την αντιμετώπιση της αβεβαιότητας του μοντέλου είναι η post-sıngle προσέγγιση, δηλαδή αρχικά η επιλογή των μεταβλητών ελέγχου (για παράδειγμα μέσω κάποιων ελέγχων υποθέσων) και στη συνέχεια η εξαγωγή συμπερασμάτων. Εντούτοις, η post-sıngle προσέγγιση οδηγεί σε σοβαρές στρεβλώσεις στο μέγεθος και στην ισχύ ενός ελέγχου για ύπαρξη μη γραμμικοτήτων τύπου threshold. Στο παρόν κεφάλαιο υιοθετούμε την post-double προσέγγιση των Belloni, Chernozhukov, και Hansen (2011) στο πλαίσιο των threshold παλινδρομήσεων και δείχνουμε ότι ο ελεγχος υποθέσων μετά τη χρήση αυτής της μεθόδου λειτουργεί καλά τόσο σε μέγεθος όσο και σε ισχύ. Τέλος, αυτό το κεφάλαιο αξιολογεί την απόδοση της προτεινόμενης μεθόδου μέσω προσομοίωσης Monte Carlo.

The broad aim of my thesis is to study social mobility using novel econometric methods that provide both theoretical and empirical contributions in the existing literature. In Chapter 1 we study the intergenerational transmission of well-being by focusing on the role of trajectories of exposures during childhood and young adulthood using PSID data. Our analysis shifts the focus from a single number that summarizes the intergenerational mobility to a curve that captures the intergenerational trajectory over the life-course of an individual. In doing so, we employ a functional data analysis approach that allows us to construct estimates of trajectories of intergenerational mobility. We find that parental investments are more productive in the early and late childhood or young adulthood, highlighting the importance of the timing of human capital investments. Furthermore, we uncover evidence of heterogeneity due to socioeconomic status and family structure that suggests that the timing of the shocks for the disadvantaged children is an important factor for their upward mobility. In Chapter 2 we develop a new class of social interaction models that generalize the spatial autoregressive model to allow for threshold effects. These models can be applied to explain a range of nonlinear phenomena such as poverty traps. In particular, we propose a general Threshold Spatial Autoregressive (TSAR) Model, which nests both mixed regressive, spatial autoregressive model as well as the spatial autoregressive model and allows for regime specific endogenous as well as contextual effects. We develop a two-step GMM method for the estimation of the threshold and regression parameters and show consistency and asymptotic normality of the proposed estimators. Finally, we assess the performance of our methods using a Monte Carlo simulation. In Chapter 3 we study inference in threshold regressions in the presence of model uncertainty. This problem arises when one is interested in testing for the presence of threshold type nonlinearities but there exists uncertainty about the set of controls. The standard approach to deal with model uncertainty is the post-single approach, that is, select the control variables and then draw an inference. However, post-single selection leads to severe size and power distortions. Following Belloni, Chernozhukov, and Hansen (2011) this chapter uses a post-double selection procedure to construct a threshold test that is valid under model uncertainty and performs well in both size and power. Finally, this chapter evaluates the finite sample performance of the proposed method via a Monte Carlo simulation.