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
estimated_variables 4 1.00 14.00 26.84 1.00 2.00 3.00 17.00 255.00 ▇▁▁▁▁ estimated_fixed_effects 8 0.99 1617.31 14574.57 0.00 0.00 0.00 0.00 168265.00 ▇▁▁▁▁ sample_size 18
Bitte checken
"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"?
standard_error 30
bitte checken
t_statistic
In SEs umwandeln
wtr_begin 95 0.92 1989.73 11.64 1915.00 1985.00 1985.00 1997.00 2013.00 ▁▁▁▇▅ wtr_end 95 0.92 1990.93 12.38 1920.00 1985.00 1985.00 2000.00 2013.00 ▁▁▁▇▆ wtr_hours_old 130 0.89 41.75 3.09 39.00 40.00 40.00 44.00 59.00 ▇▂▂▁▁ wtr_hours_new 110 0.91 39.09 2.24 35.00 38.50 38.50 40.00 48.00 ▁▇▁▁▁ sample_begin 34 0.97 1988.14 10.97 1914.00 1985.00 1986.00 1994.00 2013.00 ▁▁▁▇▃ sample_end 34
Bitte checken
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$year_study_published
eventuell in Datum umkodieren, und dann in var_info daten sortieren.
“Panel (Portugal, Italy, France, Belgium, Slovenia)” & “Panel (Sweden, Norway)” → Panel
Eventuell überdenken wie sinnvoll diese Gruppierung ist - schmeißen wir hier nicht Äpfel mit Birnen zusammen?
“Germany (West)”, “Germany (East)”, “Germany (Baden-Württemberg)”, “Germany (Nordrhein-Westfalen)”, “Germany (Hessen)”, “Germany (Niedersachsen)”, “Germany (Hamburg)”, “Germany (Schleswig-Holstein)” & “Germany (Baden-Württemberg, Nordrhein-Westfalen, Hessen, Niedersachsen, Hamburg, Schleswig-Holstein)” → Germany
Eventuell unterteilen in BRD/DDR?
df_clean$journal_name
Checken ob alle journals peer-reviewed journals sind. Wenn nicht, in type_study als "not peer-reviewed" speichern.
df_clean$d_funding
Variable und value labels hinzufügen (variable label von funding übernehmen)
Vorschlag “State (Law)”, “State (Law), Tripartite Comission”, “State (Law), in discussion with employers and employees”, “Agreements between firms and the president”, “State (Law), agreement between trade unions and industry”, “State (Law) & collective agreements”, “State (Law), partly collective agreements” → State “Employers and unions (collective agreements)” & “Employers and unions (collective agreements) & plant-based (firm-based agreemenst)”, “Establishment” → Collective agreement “Establishment” → ?
WIr müssen diskutieren, ob Establishment wirklich teil von Employers and employeessein soll, oder ob wir das als eigenen Daummy kodieren und dafür Employers and employees in Collective agreements zurückbenennen.
df_clean$wtr_begin
Es gibt hier 94 NAs, bitte kontrollieren
df_clean$accompanying_measures
Ganz am Ende diskutieren
df_clean$wtr_hours_old
Es gibt hier NAs, bitte anschauen
df_clean$motivation
Ganz am Ende diskutieren
"Employers and unions (collective agreements) & plant-based (firm-based agreemenst)"
ausbessern und Ludwig bescheid sagen.
df_clean$wage_adjustment
Ganz am Ende diskutieren
df_clean$costs_overtime
Ganz am Ende diskutieren
df_clean$wtr_end
Es gibt hier 94 NAs, bitte kontrollieren
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.
20024
Muss in Excel geändert werden
df_clean$sample_end
Es gibt hier NAs, bitte anschauen
df_clean$entire_sample_period
in Dummy umwandeln
To-do Wir haben hier einen Fehleintrag von 20024 drinnen, der muss noch ausgebessert werden. 1937, 1939, 1980, 1982, 1985, 1986, 1987, 1990, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2002, 2003, 2004, 2005, 2006, 2007, 2012, 2013, 2017, 20024 Ist das eigentlich 2024?
Dasselbe wie voher, 20024 checken
df_clean$treatment_group
df_clean$wtr_hours_new
Es gibt hier NAs, bitte anschauen
df_clean$data_type
drei Dummies daraus machen
Monthly
Es gibt nur 20 davon... wie damit umgehen?
df_clean$workers_working_hours
Eventuell für Unterscheidung Vollzeit/Teilzeit wichtig! Wie können wir das konzeptuell analysieren?
df_clean$level_analysis
Was bedeutet der Wert Aggregate hier?
df_clean$sector_type
Ich sehe zwei Möglichkeiten das zu codieren:
Manufacturing und anderen ? (Agriculture hat nur 6 obs..)df_clean$firms_size
Die Woche diskutieren
df_clean$econometric_issues_techniques
df_clean$regression_controls_description
Mehrere Dummies daraus bauen
df_clean$workers_income
Evt. nutzbar? "Wer kann es sich leisten, AZV zu machen"?
df_clean$econometric_model_design
Die Woche dkisutieren
df_clean$control_group
df_clean$regression_fixed_effects_description
ähnlich wie andere Dummies fixed-effects-dummies bauen
df_clean$dependent_variable_form
Wichtig!
df_clean$dependent_variable_name_category
df_clean$ts_or_se_information
Evt. Dummy bauen ob SEs clustered wurden oder nicht?
df_clean$before_policy_implementation
Sollen wir das als Kontrolle benutzen?
df_clean$independent_variable_wtr_form
Missed variable - check `fct_collapse` command
Das sollten eigentlich alle originalen value labels sein - überprüfen!
Duwendag
Wir brauchen einen d_Duwendag - Dummy
df_clean$preferred_estimate
Falls wir's benutzen wollen müssen wir die Variable überarbeiten.
Vorschlag: Main result vs. robustness check
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
Transition to a larger size establishmentDummy (Current job: 0, New job (larger size establishment): 1, Nonemployment: 2)Employed, unemployed or inactive (individual)Dummy (0 or 1)14
Anschauen um welche Effekte es hier genau geht
Individual is unemployed, employed at a large firm or employed at a small firm at time tDummy (1: Individual is unemployed, 2 if he is employed at a large firm, and 3 if he is employed at a small firm at time t)Employed, unemployed or inactive (individual)Dummy (0 or 1)16Individual is unemployed, employed at a large firm or employed at a small firm at time t+2 (the last year in each panel)Dummy (1: Individual is unemployed, 2 if he is employed at a large firm, and 3 if he is employed at a small firm at time t + 2)Employed, unemployed or inactive (individual)Dummy (0 or 1), interaction20Job to non-employmentDummy (Current job: 0, New job: 1, Nonemployment: 2)Employed, unemployed or inactive (individual)Dummy (0 or 1)14
Anschauen um welche Effekte es hier genau geht
dependent_variable_name_category == “Employment (growth)”
Für alle Variablen ansehen was genau gemessen wird, + Formeln heraussuchen. Im Idealfall können wir alles mit Employment per person kombinieren.
Unit gap, overtime hour
Alle Zeilen die diesen Wert haben rausschmeißen
Job-Job-TransitionDummy (Current job: 0, New job: 1, Nonemployment: 2)OtherDummy (0 or 1)28Staying at jobDummy (Current job: 0, New job: 1, Nonemployment: 2)OtherDummy (0 or 1)14
Nochmal genauer anschauen
Job growth rate (in %)
Sind das besetze Jobs oder ausgeschriebene JObs?
Differences and logEmployment (number of persons)Standard hours, log and differences
Checken:
Standard workweek, log
Anschaune ob es vergleichbar ist
Important
Eventuell wichtig für sowas wie wage adjustment, etc.
Note
Second control group muss ich mir nochmal ansehen
Vorschlag
Ja aber das muss dann bei effect size angepasst werden (zB Dummies müssen dann bei Effektgröße auf 0/1 gleich sein (zB employed/not employed), etc., wichtig für Vergleichbarkeit.
Vorschlag
Ja aber das muss dann bei effect size angepasst werden (zB Dummies müssen dann bei Effektgröße auf 0/1 gleich sein (zB employed/not employed), etc., wichtig für Vergleichbarkeit.
Vorschlag
Das mag eventuell nicht gut kodierbar sein, ist aber wichtige Hintergrund Information für wen der Effekt eigentlich gilt. DIskutieren
Vorschlag
Hier in private/public teilen (weiß nicht wie sinnvoll, weil manche not specified, bereden).
Important
Die sind ganz ganz wichtig, das sind die controls (die oben sind eben keine controls).
Important
Ja gerne, würd ich eventuell sogar mal auslassen.
Vorschlag
Das mag eventuell nicht gut kodierbar sein, ist aber wichtige Hintergrund Information für wen der Effekt eigentlich gilt. DIskutieren
Vorschlag
Hier eventuell auch (oder robustness): OLS vs Rest in Regression, oder anderes. Diskutieren, SUR kann SUR sein, Tobit ist Tobit, Oder man kann probit/logit/tobit auch zusammenfassen. Maximum Likelihood Method ist MLM
Vorschlag
Ja hier eventuell DiD/RDD/ähnliche zusammenfasen. Hir müssen wir aber diskutieren ob wir hier auf Kausalität, Endogenität, etc abzielen – analog diskutieren wie zu WL-PL Paper.
Ganz wichtig: DiD in spirit vs. DiD richtig (würde in spirit nicht zu DiD tun)
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Hier zB manufacturing (1) vs. Rest (0) oder andere Einteilung.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Diskutieren was hier sinnvoll wäre.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. In dem Fall eventuell Information zu blue collar/white collar/Arbeiter/Angestellte falls vorhanden kodieren in 0, 1, etc.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Vermutlich rauslassen.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Vermutlich rauslassen.
Vorschlag Nummer 2
Hier macht denk ich ausschließlich explizit low skilled/medium skilled/high skilled vs. other Sinn.
Vorschlag
Hier macht denk ich ausschließlich explizit low skilled/medium skilled/high skilled vs. other Sinn.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Diskutieren (z.B. nur low income workers von einer Studie)
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Diskutieren
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde.
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Variable eventuell aus Regression draußen lassen (und argumentieren, dass die meisten eh working age oder sowas sind).
Vorschlag
Nein, das macht nicht wirklich Sinn, hier geht es nur um die Zusammensetzung im Sample, nicht darum für was kontrolliert wurde. Das muss sowas sein wie: 1 wenn nur männlich/weiblich, 0 alles andere oder 0: alles andere, 1: nur männlich, 2: weiblich, etc.
Important
Ja versteh ich, Vorschlag klingt gut. Weiß nicht inwiefern wir diese Variable eigentlich verwenden
Ich hab wirklich keine Ahnung von den tieferen Implikationen dieser unterschiedlichen Modelle – ich würde die Kodierung hier gerne gemeinsam diskutieren.
Eventuell: overtime increases vs. no overtime increases, diskutieren
Sollen wir die wage compensation rausschmeissen? Ist ja schon im vorherigen Dummy drin.
Ja wage compensation muss in Wage compensation variable (muss geändert werden in Excel)
Vorschlag
Eventuell auch nur Policies für subsidies (also kostenabnahme) oder ähnliches, diskutieren
Vorschlag
Schwierig die Einteilung hier – diskutieren
Vorschlag
Anmerkung: Hier müssen wir im Text dann genau erklären, dass wir mit „State“ dann jene meinen wo der Staat letztendlich die Entscheidung gesetzt hat, auch wenn dies zuvor in Absprache mit Organisationen stattfand -> hier ist aber auch eine Robustness-Analyse möglich wo wir das nochmal verferinern in Mitsprache/Nicht-Mitsprache (wobei das eventuell tricky ist, weil nicht immer ganz klar ob es Mitsprache gab oder nicht, aber müsste man sich anschauen im Fall).
Bei Regression beachten
Versteh ich nicht: Du meinst bei Regressionen immer Länder-Dummies? Nebenbei: Sollen wir Länder-Dummies mitreingeben jeweils für jedes Land oder nur in expliziter Regression mit nur Länder-Dummies?
e - Raw data quality check
Hast du effect sizes (zB Dummy auf gleich gebracht, auf Stunden runtergerechnet auf selbe Einheit), etc. schon angepasst?
roject Name - Raw data quality check
Hast du die Studien untereinander abgeglichen, damit sie diesselben (auf Basis der bestmöglichen und detailliertesten) Werte haben für diesselben Sachen für denselben Zeitraum (zB policies, stunden, etc.)?
ct Name - Raw data quality check
Kannst du die Jahre-Variablen nach Jahr aufsteigend/absteigend ordnen?
ject Name - Raw data quality check
Wo ist motivation bei den unique values bei den Variablen?
Project Name - Raw data quality check
Sind externe Daten (Productivity, fiscal and monetary policy, macro environment wie Krisen, competitiveness, etc.) schon inkludiert und gruppiert?
Offene Fragen
Das ist schon die Kategorisierung, die Zuteilung steht im Excel.
Important
Das hab ich schon mal vor kategorisiert in einer Variable, siehe: 2.1.22 dependent_variable_name_category.
Vorschlag
Würd ich nicht löschen – der typ der fixed effects kompensiert teilweise fehlende Kontrollvariablen meiner Meinung nach.
Vorschlag
Ja brauchen wir für Partialkorrelationen
Note
Das ist eine wichtige Hintergrundinformation wie Effekt berechnet wurde.
Vorschlag
Individual ist Individual, Plant und Establishment als “Firm”, Employment Zone & Labor market als “Labor markets”
Anmerkung: Kommt etwas auf Regression drauf an, manche gehen zB nur auf individual (employed/not employed)
Wir haben hier einen Fehleintrag von 20024 drinnen, der muss noch ausgebessert werden. 1937, 1939, 1980, 1982, 1985, 1986, 1987, 1990, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2002, 2003, 2004, 2005, 2006, 2007, 2012, 2013, 2017, 20024 Ist das eigentlich 2024?
Ziemlich fix 2024 – Kannst du das im Excel direkt ausbessern?
Gleich lassen
Andere Möglichkeit/Robustness: Ähnlich wie „Early observation period“ in WL-PL Papier aber für Publikationsjahr? (vor nach bestimmtem Jahr)?
Gleich lassen
Andere Möglichkeit/Robustness: Ähnlich wie „Early observation period“ in WL-PL Papier aber für Publikationsjahr? (vor nach bestimmtem Jahr)?
wtr_hours_new
Variable für % in Stunden Verkürzung insgesamt
Gleich lassen
Variable für % in Stunden Verkürzung insgesamt
Gleich lassen
Andere Möglichkeit/Robustness: Ähnlich wie „Early observation period“ in WL-PL Papier aber für Publikationsjahr? (vor nach bestimmtem Jahr)?
Gleich lassen
Andere Möglichkeit/Robustness: Ähnlich wie „Early observation period“ in WL-PL Papier aber für Publikationsjahr? (vor nach bestimmtem Jahr)?
“No changes in net monthly wages”, “No change in total wages”, “Proportional reduction in weekly wages”, “No” → None
das bedeutet aber, dass es Regeln gab?
Checken wofür Establishment steht
Establishment ist Betriebs-Ebene, würd ich unter collective agreement geben (oder dann „agreement between employers and employees“ – das ist in dem Paper wo das so gemacht wird auch nicht 100 % klar (ist eine Bachelor oder Masterarbeit)
"Missed variable - check `fct_collapse` command"
?
Note
Australien & Afrika find ich auch spannend – für Afrika ähnlich wie WL-PL Paper. Kann man vermutlich irgendwie erklären (Daten, Systeme, Agrarisch geprägt teilweise, etc.). Eventuell noch eher was für South Africa vorhanden da gabs zB auch 4 day work week trials und vor kurzem mögliche Senkung auf 40 Stunden) aber aktuell macht es keinen Sinn nach mehr Paper zu suchen. Vielleicht für Zukunft. Australien haben wir andere Studien aber keine ökonometrischen Ergebnisse für employment soweit ich weiß.
Vorschlag
Kommentar: Portugal würd ich dann auch zusammenfassen (Portugal, excluding islands) und Canada (Quebec) als Kanada (wenns wir auf der Länderbene sind)
dependent_variable_form
Hier rauslöschen
year_study_published
Andere Möglichkeit/Robustness: Ähnlich wie „Early observation period“ in WL-PL Papier aber für Publikationsjahr? (vor nach bestimmtem Jahr)?
type_study
Andere Möglichkeit/Robustness: Peer-Reviewed und nicht peer-reviewed wie in WL-PL Paper? (Denn warum ist Working Paper/Conference Paper zB „semi-scientific“?)
journal_name
Kommentar: Mir unklar ob wir das brauchen, Qualität wird eher über Impact Factor gemessen? Eventuell als Robustness Analyse mit nur Journals oder so?
funding
Kommentar: Eventuell 1 für jene mit explizitem funding und 0 für keine explizites funding? Privat und öffentlich klingt auch interessant. Ich glaub für zB employers/employees gibt’s zu wenige explizite Gruppen.