d_worker_sex_fully_male 0 1.00 0.04 0.20 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_worker_sex_fully_female 0 1.00 0.05 0.22 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_unskilled_low_skilled_workers 0 1.00 0.02 0.13 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_medium_high_skilled_workers 0 1.00 0.00 0.06 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_only_blue_collar_workers 0 1.00 0.21 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ d_only_white_collar_workers
alle ins regresion file tun
d_funding 0 1.00 0.22 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ wtr_perc_change 130 0.89 -6.30 4.15 -27.08 -9.09 -3.75 -3.75 -2.50 ▁▁▁▂▇ wtr_abs_change
alle in s regression file tun
"Individual" "Industry" [3] "Firm" "Establishment" [5] "Labor market" "Employment zone" [7] "Individual/Region" "Aggregate" [9] "Plant" "Aggregate (Business Sector)" [11] "Aggregate (One Sector)"
Umcodieren auf micro/meso/macro:
micro: "Individual", "Firm", "Establishment", "Plant" meso: "Industry", "Labor market", "Employment zone", "Aggregate (Business Sector)", "Aggregate (One Sector)" macro: "Aggregate"
Aber was ist "Individual/Region"?
wtr_abs_change
rüber ins regrresion-file schieben
Aufgabe Eigenen d_region-Dummy bauen, der 1 ist wenn es sich bei den Ergebnissen um eErgebnisse einzelner Regionen handelt, die nicht repräsentativ für das ganze Land sind
Aufgabe erledigen
df_clean$year_study_published
eventuell in Datum umkodieren, und dann in var_info daten sortieren.
df_clean$d_funding
Variable und value labels hinzufügen (variable label von funding übernehmen)
wtr_end
Idee: Den Unterschied zwischen wtr_end und Jahr der jeweiligen Schätzung nehmen und als indep variable reinschmeißen - Idealerweise messen wir damit kurz-/mittel-/langfristige Effekte von AZV.
Vorschlag: sample_end - wtr_end
Achtung: in 26 Fällen ist sample_end -kleiner als wtr_end (in nur 20 Fällen davon ist before_policy_implementation = Yes - muss überprüft werden.
df_clean$entire_sample_period
in Dummy umwandeln
df_clean$data_type
drei Dummies daraus machen
df_clean$regression_fixed_effects_description
ähnlich wie andere Dummies fixed-effects-dummies bauen
Missed variable - check `fct_collapse` command
Das sollten eigentlich alle originalen value labels sein - überprüfen!
Duwendag
Wir brauchen einen d_Duwendag - Dummy
author_1
Eine Tabelle erstellen welche Autoren als irgendein Author (first-last) in papers auftauchen und relativen Anteil ausrechnen
Being unemployedDummy (0: Being occupied/inactive or 1: Being unemployed)Employed, unemployed or inactive (individual)Dummy (0 or 1)4
Kombination löschen
Being inactiveDummy (0: Being employed/unemployed or 1: Being inactive)Employed, unemployed or inactive (individual)Dummy (0 or 1)4
Kombination löschen
Unit gap, overtime hour
Alle Zeilen die diesen Wert haben rausschmeißen
author_1
Eine Tabelle erstellen welche Autoren als irgendein Author (first-last) in papers auftauchen und relativen Anteil ausrechnen
Missed variable - check `fct_collapse` command
Das sollten eigentlich alle originalen value labels sein - überprüfen!
Duwendag
Wir brauchen einen d_Duwendag - Dummy
df_clean$regression_fixed_effects_description
ähnlich wie andere Dummies fixed-effects-dummies bauen
df_clean$data_type
drei Dummies daraus machen
df_clean$entire_sample_period
in Dummy umwandeln
wtr_end
Idee: Den Unterschied zwischen wtr_end und Jahr der jeweiligen Schätzung nehmen und als indep variable reinschmeißen - Idealerweise messen wir damit kurz-/mittel-/langfristige Effekte von AZV.
Vorschlag: sample_end - wtr_end
Achtung: in 26 Fällen ist sample_end -kleiner als wtr_end (in nur 20 Fällen davon ist before_policy_implementation = Yes - muss überprüft werden.
df_clean$year_study_published
eventuell in Datum umkodieren, und dann in var_info daten sortieren.
df_clean$d_funding
Variable und value labels hinzufügen (variable label von funding übernehmen)
Aufgabe Eigenen d_region-Dummy bauen, der 1 ist wenn es sich bei den Ergebnissen um eErgebnisse einzelner Regionen handelt, die nicht repräsentativ für das ganze Land sind
Aufgabe erledigen
wtr_abs_change
rüber ins regrresion-file schieben
d_funding 0 1.00 0.22 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ wtr_perc_change 130 0.89 -6.30 4.15 -27.08 -9.09 -3.75 -3.75 -2.50 ▁▁▁▂▇ wtr_abs_change
alle in s regression file tun
"Individual" "Industry" [3] "Firm" "Establishment" [5] "Labor market" "Employment zone" [7] "Individual/Region" "Aggregate" [9] "Plant" "Aggregate (Business Sector)" [11] "Aggregate (One Sector)"
Umcodieren auf micro/meso/macro:
micro: "Individual", "Firm", "Establishment", "Plant" meso: "Industry", "Labor market", "Employment zone", "Aggregate (Business Sector)", "Aggregate (One Sector)" macro: "Aggregate"
Aber was ist "Individual/Region"?
d_worker_sex_fully_male 0 1.00 0.04 0.20 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_worker_sex_fully_female 0 1.00 0.05 0.22 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_unskilled_low_skilled_workers 0 1.00 0.02 0.13 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_medium_high_skilled_workers 0 1.00 0.00 0.06 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_only_blue_collar_workers 0 1.00 0.21 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ d_only_white_collar_workers
alle ins regresion file tun