Welchen Einfluss hat die persönliche Risikoaversion auf den monatlichen Nettoverdienst?


Hausarbeit, 2018

28 Seiten, Note: 2,0


Leseprobe


Inhaltsverzeichnis

1. Einleitung

2. Theoretische Herleitung

3. Daten und Methoden
3.1. Analysemethode
3.2. Verwendete Daten
3.3. Verwendete Variablen

4. Ergebnisse

5. Fazit

Literatur
A. Stata-Code
B. Zusatzliche Analysen

Abbildungsverzeichnis

1. Streudiagramm Einkommen und Risikobereitschaft

2. Streudiagramm Einkommen und Risikobereitschaft nach Geschlecht

Tabellenverzeichnis

1. Vergleich der Mittelwerte des Einkommens

2. Ergebnisse Hausman-Test

3. Ergebnisse der Regressionsanalyse

4. Fixed-Effects-Regression getrennt nach Geschlecht

5. Deskriptive Statistiken getrennt nach Geschlecht

1. Einleitung

In der folgenden Arbeit geht es um den Zusammenhang der personlichen Risikoaversion und dem monatlichen Nettoverdienst. Dabei soll die Frage „Welchen Einfluss hat die personliche Risikoaversion auf den monatlichen Nettoverdienst?“ ausfuhrlich diskutiert und abschliefiend beantwortet werden.

Da das Einkommen sowohl mit der personlichen Lebenszufriedenheit, als auch mit anderen ge- sellschaftlich relevanten Variablen, wie der physischen und mentalen Gesundheit korreliert, ist es wichtig weitere Zusammenhange mit anderen Variablen zu identifizieren. Nur so konnen effizi- ente politische Mafinahmen zur Verbesserung der allgemeinen Lebenssituation der Bevolkerung entwickelt werden.

Zunachst wird der aktuelle Forschungsstand des Themas kompakt aber ausfuhrlich dargestellt und beurteilt. Dabei werden auch die theoretischen Zusammenhange vorgestellt und erlautert. Auf dieser Grundlage wird eine Forschungshypothese gebildet. Darauf folgt eine kurze Beschrei- bung der verwendeten Analyseverfahren und des Datensatzes. Zusatzlich werden auch die in der Analyse verwendeten Variablen beschrieben und gegebenenfalls kritisiert. Im Anschluss wer­den die Ergebnisse der Datenanalyse vorgestellt und ausfuhrlich interpretiert. Am Ende steht eine kurze Zusammenfassung der wichtigsten Punkte, sowie ein Ausblick fur weitere mogliche Forschung.

Analysen dieser Art konnen dazu beitragen, die Ursachen fur Einkommensungleichheiten und somit auch sozialen Ungleichheiten in der Bevolkerung zu identifizieren. Politische Mafinahmen zur Verbesserung von gesellschaftlichen Problemen sind ohne gezielte Ursachenforschung kaum moglich.

2. Theoretische Herleitung

Allgemein hat die Hohe des personlichen Einkommens einen signifikanten Einfluss auf den Ge- sundheitszustand (vgl. Marmot 2002; Pickett und Wilkinson 2015), auf die allgemeine Lebenszu­friedenheit (vgl. Yu und Chen 2016; Cheung und Lucas 2015) und viele andere soziookonomische Variablen (vgl. Abadinsky u. a. 2013). Der Zusammenhang zwischen der Risikoeinstellung einer Person und ihrem personlichen Einkommen und Vermogen wurde ebenfalls bereits durch ver- schiedene Forscher analysiert. Im Folgenden soll kurz der Forschungsstand zu diesem Thema dargestellt werden.

Zunachst muss definiert werden, was genau Risikobereitschaft ist. Bei Entscheidungen unter Ri- siko steht ein Individuum vor verschiedenen Handlungsalternativen in einer gegebenen Situation. Dabei wird angenommen, dass ihm alle Alternativen und deren objektive Eintrittswahrschein- lichkeiten bekannt sind (Dhami 2016, S. 83). Die Risikobereitschaft gibt demnach an, zu welchem Ausmafi das Individuum bereit ist riskantere Alternativen einzugehen, um einen hoheren per- sonlichen Gewinn zu erhalten.1 Dhami (2016, S. 87) definiert eine risikoaverse Person wie folgt:

„an individual who would rather accept a sure amount that is lower than the expected value of the lottery, in order to avoid playing the lottery, is said to be risk averse“

Wenn der Erwartungswert eines Glucksspiels beispielsweise 10 Euro betragt und ein risikoaverses Individuum die Wahl zwischen diesem Spiel und einem sicheren Gewinn von unter 10 Euro hatte, wurde es wahrscheinlich den sicheren Gewinn nehmen. Ein eher risikofreudiger Mensch hingegen wurde lieber das Glucksspiel spielen.

Insgesamt scheint es einen positiven Zusammenhang zwischen genereller Armut und einer eher risikoaversen Einstellung zu geben. Dieser wurde am haufigsten bei finanziell schwacheren Bauern in verschiedenen Landern untersucht (vgl. Binswanger 1980; Yusuf u. a. 2015). Die Autoren Akay u. a. (2009) konnten in einer Untersuchung von unter Armut leidenden athiopischen Bauern zeigen, dass die meisten Untersuchten eine generell riskioaverse Haltung haben. Ajijola u. a. (2011) finden ahnliche Ergebnisse bei der Untersuchung von Nigerianischen Bauern. Von den 120 Untersuchten zeigten 117 deutliche Anzeichen von personlicher Risikoaversion. Zwar ist der direkte Zusammenhang zwischen Armut und Risikoaversion in dieser Studie eher gering, die allgemeine Tendenz wird dennoch abgebildet.

Ein moglicher Grund fur dieses Phanomen ist, dass ein hoheres Mafi an Risikoaversion Ver- haltensweisen produziert, welche fur ein relativ niedriges Einkommen sorgen (Gloede u. a. 2015, S. 54). Zusatzlich steht armeren Personen weniger okonomisches Kapital zur Verfugung, weshalb sie unter Umstanden keine grofieren Risiken eingehen konnen, ohne ihre Existenz zu bedrohen. Dieser Umstand wird oft als „Vicious Cycle of Poverty“ (Mosley und Verschoor 2005, S. 60f) beschrieben. So sind arme Menschen haufiger krank, was ihre Chancen auf dem Arbeitsmarkt senkt. Eine mogliche Folge von Arbeitslosigkeit ist eine Verschlechterung der Gesundheit, was die Chancen einen Job zu finden noch weiter beeintrachtigen (vgl. Norstrom u. a. 2014). In der Li- teratur werden viele verschiedene Faktoren genannt, die dabei eine Rolle spielen, unter anderem fehlendes soziales Kapital, fehlende schulische Ausbildung oder mangelndes Selbstbewusstsein. Mosley und Verschoor (2005, S. 60) heben dabei die Rolle der personlichen Risikoaversion hervor:

„one key element in many versions of the spiral, in any country or environment, is risk aversion: if very poor people are risk averse, they will be unwilling to invest in the acquisition of modern technology because that involves taking risks, and thus they will remain poor“

Niedrigere Risikobereitschaft tragt demnach zum Erhalt der Armut bei.

Auf der Makroebene zeigen sich diese Unterschiede allerdings meist nicht. Verschiedene Studien zum Vergleich von Risikopraferenzen in unterschiedlichen Landern zeigen, dass Menschen in wohlhabenderen Landern eher eine risikoaverse Einstellung haben als Individuen in armeren Landern (vgl. Statman 2008; Vieider u. a. 2012). Eine Kritik an diesen Untersuchungen ist, dass die Risikobereitschaft nicht getrennt nach Verlusten und Gewinnen erhoben wurde. Nach der empirisch gut untermauerten Prospect Theory von Kahneman und Tversky (1979) verhalten sich Menschen in Situation unter Risiko unterschiedlich, je nachdem ob sie sich relativ zu einem subjektiven Referenzpunkt im Bereich der Gewinne oder Verluste befinden. Verluste werden nach der Theorie starker wahrgenommen, weshalb Individuen in diesem Bereich eher risikoavers sind.2

Unter Beachtung dieses Unterschieds konnten Rieger u. a. (2014) bei der Untersuchung von Risikopraferenzen in 53 verschiedenen Landern zeigen, dass Akteure aus wohlhabenderen Lan­dern im Bereich der Gewinne risikoaversere Entscheidungen treffen als Untersuchte aus armeren Landern. Im Bereich der Verluste scheinen Personen aus reicheren Landern aber risikofreudiger zu sein als in armeren Landern (Rieger u.a. 2014, S. 6f). Zu beachten ist, dass es sich nicht um unabhangige einfache Zufallsstichproben der allgemeinen Bevolkerungen der jeweiligen Lan­der handelt, sondern meist um selbst selektierte Studenten der Wirtschaftswissenschaften. Eine strikte Verallgemeinerbarkeit der Ergebnisse ist damit nicht gegeben.

Die Prospect Theory bietet ebenso eine weitere Erklarungsmoglichkeit fur den Zusammenhang zwischen Einkommen und Risikoaversion. Koedijk u. a. (2012, S. 4f) argumentieren, dass nicht das absolute Einkommen selbst einen Einfluss auf die Risikoeinstellung einer Person hat, sondern die Diskrepanz des tatsachlichen Einkommens mit einem subjektiv empfunden Referenzpunkt. Schmidt u. a. (2015, S. 2f) argumentieren analog, dass die Einkommensverteilung im Umfeld des Individuums einen Einfluss auf die personliche Risikobereitschaft hat. So wurden relativ armere Personen eher risikofreudiger sein, wenn sie sich ihrer relativ schlechteren Position bewusst sind. Dies entspricht einer subjektiven Verschiebung des Referenzpunktes. Demnach wurden Personen, welche einen hoheren Status anstreben, weniger risikoavers handeln als andere. Das Einkommen allein wurde also als Variable zur Erklarung der Risikoeinstellung nicht genugen.

Da es sich in beinahe allen Untersuchungen zum Zusammenhang zwischen Einkommen und Risi- kobereitschaft um Querschnittuntersuchungen handelt, kann die Richtung des kausalen Effekts meist nicht bestimmt werden. Eine konkurrierende Hypothese lautet daher, dass nicht die Risiko­bereitschaft das Einkommen beeinflusst, sondern das Einkommen die Risikobereitschaft (Wright 2017, S. 2f). Durch ein hoheres Einkommen konnte der personliche Referenzpunkt der Personen sich verschieben, wodurch auch bei grofieren Geldmengen noch risikobereit gehandelt wird. Ins- gesamt konnten verschiedene Untersuchungen diese Hypothese unterstutzen (vgl. Barsky u.a. 1997; Donkers u.a. 2001).

Hopland u.a. (2013) analysierten die Daten einer norwegischen Spielshow Millionsjansen3. Bei dieser Show werden dem Teilnehmer acht Balle in einer Urne vorgestellt. Einer dieser Balle ist der „Bandit“, die anderen sind mit den Nummern 400, 500, 600, 700, 800 und 1000 nummeriert.

Die Balle werden nacheinander gezogen und nicht zuruckgelegt. Am Ende des Spiels enthalt der Teilnehmer die Summe der gezogenen Zahlen mal 1000 Kronen. Der Spieler kann das Spiel nach jeder Ziehung beenden und gewinnt insgesamt nur 500.000 Kronen, falls der „Bandit“ gezogen wird. Zusammen mit administrativen Daten zum Einkommen der insgesamt 104 Spieler vor ihrer Teilnahme entsteht so ein idealer Datensatz zur Analyse des Zusammenhangs zwischen Einkom- men und Risikobereitschaft. Dabei ergibt sich, dass Individuen mit geringerem Einkommen das Spiel eher ofter beenden als Spieler mit hoherem Einkommen. Demnach hat das Einkommen einen positiven Effekt auf die Risikobereitschaft (Hopland u. a. 2013, S. 6ff).

Trotz der nicht immer eindeutigen Befunde in der Literatur lasst sich dennoch eine ungefahre Tendenz im Zusammenhang zwischen Einkommen und Risikobereitschaft herauslesen. Insgesamt scheint es eine positive Wechselbeziehung zwischen den beiden Variablen zu geben. Vor diesem empirischen Hintergrund wird fur die anschliefiende Analyse folgende Hypothese gebildet:

Die personliche Risikoaversion hat einen negativen Einfluss auf das monatliche Net- toeinkommen.

Aquivalent dazu sollte also bei steigender Risikobereitschaft auch das Einkommen hoher werden. Diese Hypothese soll im Folgenden mit Hilfe der Daten des Soziookonomischen Panels untersucht werden.

3. Daten und Methoden

Im folgenden Abschnitt werden zunachst die verwendeten Analyseverfahren besprochen. Dar- aufhin werden kurz das Soziookonomische Panel (SOEP) sowie die in der Analyse verwendeten Variablen beschrieben.

3.1. Analysemethode

Die Verwendung von Zeitreihendaten hat einige Vorteile gegenuber Querschnittdaten. So kann mit Zeitreihen beispielsweise die Richtung eines kausalen Effekts bestimmt werden, was mit Daten aus nur einer Erhebung zu einem Zeitpunkt nicht moglich ist. Gleichzeitig sind aber auch spezielle Methoden zur Analyse der so gewonnenen Daten notig.

Das bekannte Modell der einfachen linearen Regression ergibt sich aus einer abhangigen, einer unabhangigen Variable und einem unkorrelierten Fehlerterm. Formal sieht dies folgendermafien aus:

Abbildung in dieser Leseprobe nicht enthalten

Will man Paneldaten mit Hilfe von Regressionsanalytischen Verfahren auswerten, mussen sie im „langen Format“ dargestellt werden. Das heifit, dass es im Datensatz eine Variable gibt, welche den Erhebungszeitpunkt angibt und jede Person des Datensatzes mehrere Reihen fur diese verschiedenen Zeitpunkte hat. Wendet man eine einfache lineare Regression auf diese Daten an, konnen die Koeffizienten beim Auftreten von unbeobachteter Heterogenitat systematisch verzerrt sein. Dies hat den Grand, dass bei einer solchen Anwendung die Fehlerterme nicht mehr zufallig verteilt sind, was eine Annahme der linearen Regression ist (Bruderl 2010, S. 967).

Um dennoch eine lineare Regression durchfuhren zu konnen, mussen zunachst die Daten trans- formiert werden, mit dem Ziel die Niveauunterschiede zwischen den Personen herauszurechnen. Dafur wird folgendes Modell spezifiziert:

Abbildung in dieser Leseprobe nicht enthalten

Dabei steht eit fur den Einfluss zeitkonstanter unbeobachteter Merkmale und ui fur den Einfluss von zeitlich variierenden unbeobachteten Merkmalen. Ziel ist es die zeitkonstanten Einflusse durch das Herauskurzen von Ui zu eliminieren. Um dies zu erreichen, wird bei jeder Variable der personenspezifische Mittelwert von dem tatsachlichen Wert in allen Zeitpunkten abgezogen. Verwendet man diese „entmittelte“ Variablen wird das eben beschriebene Problem der unbeob­achteten Heterogenitat behoben. Dieses Verfahren wird meist Fixed-Effects Regression genannt.

Ein Problem mit diesem Vorgehen ist, dass der Einfluss von zeitkonstanten Variablen im Modell nicht mit berechnet werden kann, da diese aus dem Modell herausfallen. Eine andere Alternative zur Analyse von Paneldaten ist die Random-Effects Regression. Das Modell bleibt im Vergleich zu der Fixed-Effects Regression gleich, jedoch andern sich die Annahmen und das Vorgehen.

Bei der Fixed-Effects Regression wird angenommen, dass die zeitlich variierenden unbeobachte- ten Merkmale mit dem Fehlerterm korreliert sind und werden daher eliminiert. Bei der Random- Effects Regression hingegen wird angenommen, dass zwischen Ui und den zeitlich variierenden Merkmalen keine Korrelation besteht. Es wird angenommen, dass Ui eine Zufallsvariable dar- stellt, die dann geschatzt werden soll. Statt die Variablen mit den personenspezifischen Mittel- werten zu entmitteln, wird hier die Schatzung von Ui zur entmittlung verwendet (Giesselmann und Windzio 2012, S. 80ff). So werden zeitkonstante Variablen im Modell erhalten.

Bei Verletzungen dieser Annahmen sind die so geschatzten Koeffizienten allerdings systematisch verzerrt. Um zu beurteilen, ob dies der Fall ist, entwickelte Hausman (1978) einen statistischen Test. Dabei wird mit Hilfe eines Chi-Quadrat Tests uberpruft, ob die Abweichung zwischen den Schatzungen des Fixed-Effects Modells und des Random-Effects Modells so grofi sind, dass es sehr unwahrscheinlich ist, dass diese durch Zufall entstanden sind. Ist der Test signifikant, sind die Koeffizienten der Random-Effects Regression mit hoher Wahrscheinlichkeit verzerrt. In diesem Fall muss die Fixed-Effects Regression zur Schatzung der Koeffizienten benutzt werden.

Will man zeitkonstante Variablen im Modell explizit berucksichtigen, so ist es moglich ein Hybrid-Modell zu bilden (vgl. Schunck 2013). Dabei werden sowohl die personenspezifischen Mittelwerte als auch die individuellen Abweichungen dieser als eigenstandige Variablen zusatz- lich im Modell aufgenommen. Formal hat das Modell folgende Form:

Abbildung in dieser Leseprobe nicht enthalten

Dabei ist pi der sogenannte „Within-Schatzer“. Dieser gibt also den Effekt der Variablen inner- halb einer Person im Zeitverlauf an und entspricht damit der Schatzung aus dem Fixed-Effects Modell. p2 ist der „Between-Schatzer “ und gibt damit den Effekt zwischen den Personen an. p3 gibt die Schatzung fur den Einfluss von zeitkonstanten Variablen an. Sowohl p2 als auch p3 sind bei unbeobachteter Heterogenitat systematisch verzerrt, da zur Bildung der Koeffizienten die Random-Effects Methode verwendet wird. Sollte ein Hausman-Test also signifikant sein, konnen die Ergebnisse von diesen Koeffizienten ebenfalls nicht sinnvoll interpretiert werden.4

3.2. Verwendete Daten

Zur anschliefienden Analyse werden die Daten des Soziookonomischen Panels (SOEP) verwendet. Das SOEP ist eine seit 1984 jahrlich stattfindende wiederholte Haushalts-Langsschnittbefragung.5 Im Gegensatz zu wiederholten Querschnittbefragungen, werden bei diesen die selben Leute er- neut befragt. Nur so konnen zeitliche Veranderungen auf der Individualebene mit einem Survey erfasst werden. Die angestrebte Grundgesamtheit ist die in Privathaushalten lebende allgemeine Bevolkerung der Bundesrepublik Deutschland (Wagner u. a. 2007, S. 10). In 1984 wurde eine Zufallsstichprobe von Haushalten aus dieser Grundgesamtheit gezogen, welche die erste Welle darstellte.

Innerhalb der so ausgewahlten Haushalte werden alle Personen befragt, welche 17 Jahre alt oder alter sind. Das Ziel des SOEP ist es ebenfalls alle Nachkommen der ursprunglichen Befragten dieser ersten Welle zu interviewen. Das gilt auch fur Nachkommen, welche zum Zeitpunkt der ersten Befragung noch nicht geboren waren. Alle Individuen, die nach diesen Auswahlkriterien in der Stichprobe sind, sollen so lange wie moglich uber Raum und Zeit verfolgt und befragt werden (Wagner u. a. 2007, S. 9). Die Teilnehmer werden hauptsachlich personlich befragt.

Da die so erhobenen Daten des SOEP alle zur Analyse notwendigen Variablen enthalten und allgemein, aufgrund der reflektierten methodischen Vorgehensweise, eine hohe Qualitat haben werden im folgenden die Daten der Erhebungsjahre 2006, 2008, 2009, 2010, 2011 verwendet. Das Jahr 2007 kann leider nicht verwendet werden, da in diesem Jahr nicht alle fur die Analyse relevanten Variablen erhoben wurden.

3.3. Verwendete Variablen

Die abhangige Variable in der hier beschriebenen Analyse ist das imputierte monatliche Netto- erwerbseinkommen. Dieses wurde durch eine direkte Abfrage erhoben. Fehlende Werte wurden durch das Verfahren der multiplen Imputation ersetzt. Eine unabhangige Variable, welche in das Modell aufgenommen wird gibt an, ob das Nettoerwerbseinkommen tatsachlich vom Be- fragten angegeben wurde oder durch das Verfahren der Multiplen Imputation geschatzt wurde.

Beim diesem Verfahren werden fur fehlende Werte mit Hilfe von anderen korrelierten Variablen verschiedene Werte geschatzt. Diese verschiedenen Schatzungen werden daraufhin gepoolt. Das Ergebnis ist ein neuer Wert, welcher den Platz des fehlenden Wertes im Datensatz einnimmt (Van Buuren 2012, S. 16f).

Dieses Verfahren hat unter gewissen Bedingungen einige Vorteile gegenuber anderen Moglich- keiten zur Behandlung von fehlenden Werten. Nach der Klassifikation von Rubin (1976) gibt es drei verschiedene Mechanismen, welche die Existenz von fehlenden Werten bedingen kann: ’Missing Completely at Random’ (MCAR), ’Missing at Random’ (MAR) und ’Missing not at Random’ (MNAR). Bei MCAR hangt die Wahrscheinlichkeit, dass ein fehlender Wert auftaucht, mit keiner anderen Variable zusammen und ist vollkommen zufallig; bei MAR ist die Wahr­scheinlichkeit eines fehlenden Wertes zwar abhangig von anderen Variablen, diese wurden aber ebenfalls beobachtet; bei MNAR ist die Wahrscheinlichkeit eines fehlenden Wertes abhangig von unbeobachteten anderen Variablen.

Haufig verwendete Verfahren zur Behandlung von fehlenden Werten wie listwise-deletion (der Auschluss von allen Fallen bei denen mindestens ein fehlender Wert vorkommt) produzieren nur unverzerrte Schatzungen, wenn MCAR gilt, was eine sehr fragwurdige Annahme fur die meisten Fragestellungen ist. Bei MAR und MNAR hingegen sind die Ergebnisse systematisch verzerrt. Verschiedene Simulationsstudien konnten dies zeigen (vgl. Pigott 2001; Schafer und Graham 2002; Rubright u. a. 2014). Multiple Imputation hingegen bringt auch unter der realistischeren Annahme von MAR unverzerrte Schatzungen hervor (Van Buuren 2012, S. 17f). Zusatzlich bleibt die Fallzahl erhalten, was generell zu kleineren Standardfehlern und somit exakteren Schatzungen fuhrt.

Leider ist die MAR Annahme nicht direkt statistisch testbar (Jaeger 2006, S. 671). Lediglich fur die MCAR Annahme wurden bisher verschiedene statistische Tests entworfen (vgl. Little 1988; Kim und Bentler 2002). Um dennoch erkennen zu konnen, ob die Verwendung von Multiplen Imputationen im vorliegenden Fall notig war und um gegebenenfalls die korrigierte Verzerrung beurteilen zu konnen, wird diese Variable ebenfalls in die verschiedenen Regressionsmodelle aufgenommen.

Die zentrale unabhangige Variable ist die personliche Risikobereitschaft. Diese wurde im SOEP durch folgende Frage gemessen, wobei der Befragte gebeten wurde seine Antwort auf einer Skala von 0 (gar nicht risikobereit) bis 10 (sehr risikobereit) einzuordnen.

Wie schatzen Sie sich personlich ein: Sind Sie im allgemeinen ein risikobereiter Mensch oder versuchen Sie, Risiken zu vermeiden?

Der Befragte wird also lediglich um eine Selbstauskunft gebeten. Diese Methode ist nicht unum- stritten (vgl. Coppola 2014; Thomas 2016). Wie bereits erwahnt sind Risikoeinstellungen nicht in jeder Situation gleich, sondern unterscheiden sich beispielsweise danach, ob der Akteur sich in der Entscheidungssituation subjektiv im Bereich der Gewinne oder Verluste befindet (Kah- neman und Tversky 1979). Andere Autoren unterteilen die Risikobereitschaft zusatzlich nach Bereichen wie Gesundheitsentscheidungen, ethischen Entscheidungen und anderen (Weber u. a. 2002). Um die personliche Risikobereitschaft einer Person zu messen, wurden daher verschiedene Methoden entwickelt.

Coppola (2014) unterteilen diese Methoden in zwei Kategorien. In der ersten Kategorie werden den Untersuchten vom Forscher direkt eine echte oder hypothetische Entscheidungssituation unter Risiko vorgelegt. Durch die Entscheidungen, welche die Untersuchten treffen, wird dann die Risikobereitschaft berechnet. In der zweiten Kategorie stehen Methoden, bei denen versucht wird, durch die Abfrage von Personlichkeitsmerkmalen oder eine direkte Abfrage die Risikoein- stellung zu ermitteln. Verschiedene Untersuchungen wurden durchgefuhrt, um die reliabelste und valideste Messung zu ermitteln (vgl. Ding u. a. 2010). Weber u.a. (2002) entwickelten fur Surveys die sogenannte DOSPERT-Skala. Diese umfasst 30 Fragen, die jeweils zwei mal vom Befragten beantwortet werden mussen. Die Verwendung dieser Skala wird von Coppola (2014) empfohlen.

Um die Validitat des vorliegenden Items im SOEP zu schatzen, fuhrten Dohmen u. a. (2011) eine zusatzliche Untersuchung durch. Sie konnten zeigen, dass die so erhobene personliche Risi­kobereitschaft mit den aus der Literatur bekannten Variablen, wie beispielsweise Geschlecht und Alter, korreliert. Zusatzlich fuhrten sie ein Experiment durch. Bei diesem wurden 450 Personen, welche mit der selben Methode erhoben wurde wie die Befragten des SOEP, neben der direk- ten Frage nach ihrer Risikobereitschaft verschiedene Lotterien vorgestellt, bei denen es fur sie um echtes Geld ging. Die Autoren fassen die Ergebnisse folgendermafien zusammen: „responses to the general risk question are in fact a reliable predictor of actual risky behavior, even con­trolling for a large number of observables“ (Dohmen u.a. 2011, S. 524). Insgesamt scheint die hier verwendete Frage zur Bestimmung der Risikobereitschaft trotz ihrer Simplizitat und der beschriebenen Kritikpunkte ausreichend reliabel und valide zu sein.

Eine weitere unabhangige Variable die im Modell aufgenommen wird, ist die selbstberichtete Personlichkeitseigenschaft ein sorgfaltig arbeitender Mensch zu sein. Diese muss hier als zeitlich konstant angenommen werden, da sie nur im Jahr 2009 erhoben wurde. Verschiedene Untersu- chungen zur zeitlichen Stabilitat von Personlichkeitsmerkmalen konnten zeigen, dass diese sich im Erwachsenenalter nur sehr geringfugig verandern (vgl. Hampson und Goldberg 2006; Cobb- Clark und Schurer 2012; Allemand u.a. 2013). Diese wird hier als Kontrollvariable verwendet, um den Effekt der Risikobereitschaft auf das Einkommen zu isolieren. So ware es denkbar das Akteure, welche risikobereiter sind, auch generell sorgfaltiger arbeiten. Ohne den Einfluss von verschiedenen Variablen zu kontrollieren, konnen keine validen Aussagen uber den tatsachlichen Zusammenhang zwischen zwei Variablen gemacht werden.

Zusatzlich wird als unabhangige Variable das berufliche Prestige aufgenommen. Dieses gibt an, welches Ansehen der Beruf der jeweiligen Person geniefit. Die im SOEP verwendete Magnitude- Prestigeskala selbst geht auf Wegener (1988) zuruck. Dabei wird jedem Beruf auf Basis der „Klassifizierung der Berufe“ (KlDB) der deutschen amtlichen Statistik ein Wert zugeordnet (vgl. Frietsch und Wirth 2001). Diese Variable wird hier zur Kontrolle verwendet.

Des Weiteren ist die gesamte Analyse beschrankt auf Personen, welche 30 bis 40 Jahre alt sind. Diese Einschrankung hat verschiedene Grunde. Zum einen ist die Stabilitat der Personlichkeits- merkmale, wie bereits erwahnt, in dieser Zeit am grofiten (Cobb-Clark und Schurer 2012, S. 14), was das Problem der Annahme von zeitlicher Konstantheit relativiert. Aufierdem mussen Men- schen in diesem Lebensabschnitt in der Regel viele mit risikobehaftete Entscheidungen treffen, wie etwa die Fertilitatsentscheidung oder die Abwagung verschiedener Karrierewege, was diese Altersgruppe im vorliegenden Kontext besonders interessant macht. Dieses Phanomen wird in der Literatur allgemein als „Rush-Hour des Lebens“ bezeichnet (vgl. Panova u. a. 2017). Fehlen- de Werte werden in der Analyse mit dem Verfahren der listwise-deletion behandelt. Wie bereits erwahnt ist dieses Verfahren nur unter der unrealistischen Annahme MCAR gultig, weshalb es moglich ist das die Ergebnisse verzerrt sind.

Aufierdem wird das hier beschriebene Modell zusatzlich nach Geschlechtern getrennt analysiert, um mogliche Geschlechterunterschiede zu kontrollieren. Dies ist notig, da die Risikobereitschaft von Mannern und Frauen empirisch nicht gleich sind. In einer Meta-Analyse von 150 verschiede- nen Untersuchungen fanden Byrnes u.a. (1999), dass Manner generell risikofreudiger eingestellt sind als Frauen. Auch aufgeteilt nach inhaltlich verschiedenen Bereichen blieb dieser Effekt meist erhalten. Neuere Untersuchungen kommen meist zum selben Ergebnis (vgl. Dwyer u.a. 2002; Charness und Gneezy 2012).

4. Ergebnisse

Im Anschluss sollen die Ergebnisse der durchgefuhrten Datenanalyse dargestellt und interpretiert werden. Der vollstandige und kommentierte Stata-Code zur Replikation der Ergebnisse befindet sich in Anhang A. In Tabelle 1 sind die Mittelwerte des uber alle Jahre pro Person gemittelten Einkommens getrennt nach eher risikoaversen und eher risikosuchenden Personen dargestellt. Als eher risikoavers wurden Personen eingestuft, welche im Mittel uber alle erhobenen Jahre auf die 11 Punkte Skala mit 0-4 antworteten. Der Rest wurde als eher risikosuchend eingeordnet. So ergeben sich zwei ungefahr gleichgrofie Gruppen.

Tabelle 1: Vergleich der Mittelwerte des Einkommens

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Zu erkennen ist hier, dass die Mittelwerte nicht gleich sind. Mit einer Differenz von 251,8493 unterscheiden sich die Mittelwerte zwischen den beiden Gruppen deutlich. Ein durchgefuhrter t-Test auf die Aquivalenz der Mittelwerte ist ebenfalls auf dem p < 0,001 Niveau signifikant (t = -5.0607, p = 0,0000), was darauf schliefien lasst, dass dieser Unterschied nicht durch Zufall entstanden ist.

Die Korrelation der beiden uber Personen gemittelten Variablen betragt 0.1973 und ist ebenfalls auf dem 1%-Niveau signifikant. In Anhang B ist zusatzlich ein Streudiagramm der beiden Va­riablen dargestellt. Diese Ergebnisse sprechen fur die Richtigkeit der Forschungshypothese. Zu beachten ist hier, dass die personlichen zeitlichen Veranderungen sowie der Einfluss von anderen Variablen nicht berucksichtigt werden. Diese Analyse bietet lediglich einen ersten deskriptiven Eindruck. Um genauere Aussagen zu treffen, mussen die Ergebnisse der Regressionsmodelle be- trachtet werden.

Um festzustellen ob im vorliegenden Fall neben der Fixed-Effects Regression auch eine Random- Effects Regression oder ein Hybrid-Modell angewendet werden kann, wurde zunachst ein Hausman- Test durchgefuhrt. Die Ergebnisse dieses Tests sind in Tabelle 2 dargestellt. Mit einem p-Wert von 0,000 und einem x2 -Wert von 169,51 ergibt dieser ein signifikantes Ergebnis. Demnach ist es sehr unwahrscheinlich, dass die Differenz zwischen den Koeffizienten der Modelle durch Zufall entstanden ist. Dies lasst darauf schliefien, dass Random-Effects Modelle im vorliegenden Fall systematisch verzerrte Koeffizienten haben. Aus diesem Grund wird im weiteren Verlauf, wenn nicht explizit anders angegeben, ausschliefilich das Fixed-Effects Modell interpretiert.

Tabelle 2: Ergebnisse Hausman-Test

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

In Tabelle 3 sind der Vollstandigkeit halber die Ergebnisse der verschiedenen Regressionsmo­delle dargestellt. Da die Personlichkeitseigenschaft ob jemand grundlich arbeitet, eine zeitlich konstante Variable ist, fallt diese aus dem Fixed-Effects Modell heraus und kann nicht inter­pretiert werden. Insgesamt hat das Fixed-Effects Modell einen Within-A2 Wert von 0,009. Das

Tabelle 3: Ergebnisse der Regressionsanalyse

Abbildung in dieser Leseprobe nicht enthalten

bedeutet, dass nur 0,9% der Varianz des Einkommens innerhalb der Person durch das Modell erklart werden.

Die Kontrollvariable berufliches Prestige hat mit einem auf dem 1%-Fehlerniveau signifikanten Koeffizienten von 2,122 einen positiven Einfluss auf das personliche Nettoerwerbseinkommen. Das bedeutet, dass bei der Erhohung der Magnitude-Prestige Skala um eine Einheit das monat- liche Nettoerwerbseinkommen innerhalb einer Person um 2,122 Euro steigt.

Die dichotome Variable, welche angibt ob die Angabe zum Einkommen durch das Verfahren der multiplen Imputation geschatzt wurde, ist ebenfalls signifikant und weifit mit einem Wert von -174,8 einen relativ grofien negativen Effekt auf. Hatte man die Personen mit fehlenden Werten beim Einkommen also lediglich von der Analyse ausgeschlossen, so hatte man die Hohe des personlichen monatlichen Nettoerwerbseinkommens systematisch unterschatzt. Da so auch Personen mit niedrigerem Einkommen uberproportional oft in der Stichprobe fehlen, waren systematisch verzerrte Schatzungen der Koeffizienten die Folge gewesen.

Die Risikobereitschaft hat nach der Kontrolle der anderen Variablen keinen signifikanten Ein- fluss mehr auf das Einkommen. Der Koeffizient ist zwar der Forschungshypothese entsprechend positiv, der Effekt kann aber auch durch Zufall entstanden sein. Der Standardfehler ist mit einem Wert von 4,654 ebenfalls relativ hoch. Lediglich im Random-Effects Modell ist die Risi­kobereitschaft hochsignifikant (p < 0,001) und weist ebenfalls die vermutete Richtung auf. Da der Hausman-Test aber signifikant war, konnen diese Ergebnisse nicht interpretiert werden. Die Forschungshypothese konnte mit den vorliegenden Daten also generell nicht bestatigt werden.

Um die Unterschiede zwischen Mannern und Frauen mit Hilfe von Fixed-Effects Regressionen zu untersuchen, mussen zwei verschiedene Modelle gebildet werden.6 Eins das nur Manner enthalt und eins das nur Frauen enthalt. Wurde man die Variable Geschlecht als Kontrollvariable in das Modell aufnehmen, wurde sie wegen zeitlicher Konstantheit rausfallen. In Tabelle 4 sind die Ergebnisse dieses Vorgehens dargestellt. Zusatzlich ist fur einen einfacheren Vergleich das Modell ohne Geschlechtertrennung erneut aufgefuhrt.

Im Vergleich zum Modell ohne Geschlechtertrennung verandern sich die Effekte der Kontrollva- riablen nur schwach. Die Richtung bleibt bei allen erhalten und sie sind weiterhin mindestens auf dem 5%-Fehlerniveau signifikant. Bei der Risikobereitschaft zeigen sich deutliche Unterschiede. Der Koeffizient ist bei den Mannern zwar noch immer nicht signifikant, weifit jetzt aber sogar eine andere Richtung auf. Bei den Frauen ist der Koeffizient mit einem Wert von 10,89 positiv und auf dem 5%-Fehlerniveau signifikant. Demnach erhoht sich das Einkommen bei Frauen bei steigender Risikobereitschaft. Die R2 -Werte bleiben alle relativ unverandert.

Tabelle 4: Fixed-Effects-Regression getrennt nach Geschlecht

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

5. Fazit

Diese Arbeit beschaftigte sich mit dem Zusammenhang von der Hohe des Einkommens und der personlichen Risikobereitschaft. Ziel war es die Fragestellung ’Welchen Einfluss hat die personli- che Risikoaversion auf den monatlichen Nettoverdienst?’ mit Hilfe einer gezielten Datenanalyse zu beantworten.

Um dieses Ziel zu erreichen, wurden zunachst der Forschungsstand und die theoretischen Zusam- menhange dargestellt. Aufgrund der Ergebnisse von verschiedenen empirischen Untersuchungen und vor dem Hintergrund der Prospect Theory wurde die Hypothese Die personliche Risikoaver­sion hat einen negativen Einfluss auf das monatliche Nettoeinkommen. gebildet. Im Anschluss wurden kurz die verwendeten Analyseverfahren besprochen. Es wurde dabei erlautert, warum in diesem Zusammenhang eine einfache lineare Regression nicht ausreichend ware. Daraufhin wurden die verwendeten Daten des SOEP beschrieben. Zusatzlich wurden die in der Analyse verwendeten Variablen genau beschrieben und gegebenenfalls kritisiert.

Mit Hilfe eines einfachen t-Tests, zum Vergleich des personlichen uber die Erhebungsjahre ge- mittelten monatlichen Nettoerwerbseinkommens zwischen eher risikoaversen und eher risikofreu- digen Menschen, konnte ein signifikanter Unterschied dargestellt werden. Demnach hatten eher risikoaverse Akteure im Mittel ein niedrigeres Einkommen.

Da der Hausman-Test ein signifikantes Ergebnis lieferte, ist es wahrscheinlich das die Koeffizien- ten der Random-Effects Regression verzerrt sind. Aus diesem Grund konnten nur die Ergebnisse der Fixed-Effects Regression sinnvoll interpretiert werden. Hier ergab sich fur die Kontrollvaria- blen die erwarteten Effekte. Die Risikobereitschaft hingegen hatte zwar einen positiven Effekt, dieser war aber nicht auf dem 5%-Fehlerniveau signifikant. Die zu Beginn aufgestellte For- schungshypothese lasst sich mit den vorliegenden Daten also generell nicht bestatigen. Getrennt nach Geschlecht zeigt sich der vermutete Effekt nur bei Frauen, nicht aber bei Mannern.

Es sind verschiedene Grunde fur diese Ergebnisse denkbar. Zum einen ware es moglich, dass eine oder mehr Kontrollvariablen im Modell fehlen. Auch denkbar ist, dass der Effekt in der Altersgruppe von 30-40 jahrigen tatsachlich nicht so stark ausgepragt ist. Messfehler in der Er- hebung der Risikobereitschaft sind als Ursache fur das Ergebnis ebenfalls nicht auszuschliefien. Um dies genauer zu untersuchen, konnte man in zukunftiger Forschung eine grofiere Zahl von unterschiedlich spezifizierten Modellen mit mehr Variablen verwenden. Die Verwendung von un- terschiedlichen unabhangigen Messungen der Risikobereitschaft ware ebenfalls empfehlenswert.

Literatur

Abadinsky, Howard, Rebecca S. Katz und Keith Carrington (2013). “Income Inequality and Crime: A Review and Explanation of the Time Series Evidence”. In: Sociology and Criminology 1.1, S. 1-9.

Ajijola, S., O. A. Egbetokun und I. E. Ogunbayo (2011). “Impact of Risk Attitudes on Poverty Level Among Rural Farmers in Ogun State”. In: Journal of Development and Agricultural Economics 3.12, S. 581-587.

Akay, Alpaslan, Peter Martinsson, Haileselassie Medhin und Stefan T. Trautmann (2009). At­titudes Toward Uncertainty Among the Poor: Evidence from Rural Ethiopia. IZA Discussion Paper No. 4225.

Allemand, Mathias, Andrea E. Steiger und Patrick L. Hill (2013). “Stability of Personality Traits in Adulthood: Mechanisms and Implications”. In: The Journal of Gerontopsychology and Geriatric Psychiatry 26.1, S. 5-13.

Barberis, Nicholas C. (2013). “Thirty Years of Prospect Theory in Economics: A Review and Assessment”. In: Journal of Economic Perspectives 27.1, S. 173-196.

Barsky, Robert B., F. Thomas Juster, Miles S. Kimball und Matthew D. Shapiro (1997). “Pre­ference Parameters and Behavioral Heterogenity: An Experimental Approach in the Health and Retirement Study”. In: The Quarterly Journal of Economics 112.2, S. 537-579.

Binswanger, Hans P. (1980). “Attitudes toward Risk: Experimental Measurement in Rural In­dia”. In: American Agricultural Economics Association 62.3, S. 395-407.

Bruderl, Josef (2010). “Kausalanalyse mit Paneldaten”. In: Handbuch der sozialwissenschaftli- chen Datenanalyse. Hrsg. von C. Wolf und H. Best. Wiesbaden: VS Verlag, S. 963-994.

Byrnes, James P., David C. Miller und William D. Schafer (1999). “Gender Differences in Risk Taking: A Meta-Analysis”. In: Psychological Bulletin 125.3, S. 367-383.

Charness, Gary und Uri Gneezy (2012). “Strong Evidence for Gender Differences in Risk Ta­king”. In: Journal of Economic Behavior & Organization 83.1, S. 50-58.

Cheung, Felix und Richard E. Lucas (2015). “When Does Money Matter Most? Examining the Association between Income and Life Satisfaction over the Life Course”. In: Psychology and Aging 30.1, S. 120-135.

Cobb-Clark, Deborah A. und Stefanie Schurer (2012). “The Stability of Big-Five Personality Traits”. In: Economics Letters 115.1, S. 11-15.

Coppola, Michela (2014). “Eliciting Risk-Preferences in Socio-Economic Surveys: How Do Dif­ferent Measures Perform?” In: The Journal of Socio-Economics 48, S. 1-10.

Dhami, Sanjit (2016). The Foundations of Behavioral Economic Analysis. Oxford: Oxford Uni­versity Press.

Ding, Xiaohao, Joop Hartog und Yuze Sun (2010). Can We Measure Individual Risk Attitudes in a Survey? IZA Discussion Paper No. 4807.

Dohmen, Thomas, Armin Falk, David Huffman und Uwe Sunde (2011). “Individual Risk Attitu­des: Measurement, Determinants and Behavioral Consequences”. In: Journal of the European Economic Association 9.3, S. 522-550.

Donkers, B., B. Melenberg und A. Van Soest (2001). “Estimating Risk Attitudes Using Lotteries: A Large Sample Approach”. In: Journal of Risk and Uncertainty 22, S. 165-195.

Dwyer, Peggy D., James H. Gilkeson und John A. List (2002). “Gender Differences in Revealed Risk Taking: Evidence from Mutual Fund Investors”. In: Economic Letters 76.2, S. 151-158.

Frietsch, Rainer und Heike Wirth (2001). “Die Ubertragung der Magnitude-Prestigeskala von Wegener auf die Klassifizierung der Berufe”. In: ZUMA Nachrichten 25.48, S. 139-163.

Giesselmann, Marco und Michael Windzio (2012). Regressionsmodelle zur Analyse von Panel- daten. Wiesbaden: VS Verlag.

Gloede, Oliver, Lukas Menkhoff und Hermann Waibel (2015). “Shocks, Individual Risk Attitude, and Vulnerability to Poverty Among Rural Households in Thailand and Vietnam”. In: World Development 71, S. 54-78.

Hampson, Sarah E. und Lewis R. Goldberg (2006). “A First Large-Cohort Study of Personality- Trait Stability Over the 40 Years Between Elementary School and Midlife”. In: Journal of Personality and Social Psychology 91.4, S. 763-779.

Hausman, Jerry A. (1978). “Specification Tests in Econometrics”. In: Econometrica 46.6, S. 1251­1271.

Hopland, Arnt O., Egil Matsen und Bjarne Strqmand (2013). Income and Choice under Risk. Working Paper No.14313. Department of Economics, Norwegian Institute of Science and Tech­nology.

Jaeger, Manfred (2006). “On Testing the Missing at Random Assumption”. In: Machine Lear­ning: ECML 2006. Lecture Notes in Computer Science. Hrsg. von J. Furnkranz, T. Scheffer und M. Spiliopoulou. Bd. 4212. Springer.

Kahneman, Daniel und Amos Tversky (1979). “Prospect Theory: An Analysis of Decision under Risk”. In: Econometrica 47.2, S. 263-292.

Kim, Kevin H. und Peter M. Bentler (2002). “Tests of Homogeneity of Means and Covariance Matrices for Multivariate Incomplete Data”. In: Psychometrika 67.4, S. 609-623.

Koedijk, Kees C. G., Rachel A. J. Pownall und Meir Statman (2012). Aspirations, Well-Being, Risk-Aversion and Loss-Aversion. CEPR Discussion Paper No. DP8904.

Little, Roderick J. A. (1988). “A Test of Missing Completely at Random for Multivariate Data with Missing Values”. In: Journal of the American Statistical Association 83.404, S. 1198­1202.

Marmot, Michael (2002). “The Influence of Income on Health: Views of an Epidemiologist”. In: Health Affairs 21.2, S. 31-46.

Mosley, Paul und Arjan Verschoor (2005). “Risk Attitudes and the ’Vicious Circle of Poverty’”. In: The European Journal of Development Research 17.1, S. 59-88.

Mundlak, Yair (1978). “On the Pooling of Time Series and Cross Section Data”. In: Econometrica 46.1, S. 69-85.

Norstrom, Fredrik, Pekka Virtanen, Anne Hammastrom, Per E. Gustafsson und Urban Jan- lert (2014). “How Does Unemployment Affect Self-Assessed Health? A Systematic Review Focusing on Subgroup Effects”. In: BMC Public Health 14.1310, S. 1-13.

Panova, Ralina, Harun Sulak, Martin Bujard und Lisa Wolf (2017). Die Rushhour des Lebens im Familienzyklus: Zeitverwendung von Mannern und Frauen. Statistisches Bundesamt, Wie die Zeit vergeht.

Pickett, Kate E. und Richard G. Wilkinson (2015). “Income Inequality and Health: A Causal Review”. In: Social Science & Medicine 128, S. 316-326.

Pigott, Therese D. (2001). “A Review of Methods for Missing Data”. In: Educational Research and Evaluation 7.4, S. 353-383.

Rieger, Marc Oliver, Mei Wang und Thorsten Hens (2014). “Risk Preferences Around the World”. In: Management Science 61.3, S. 637-648.

Rubin, Donald B. (1976). “Inference and Missing Data”. In: Biometrika 63.3, S. 581-592.

Rubright, Jonathan D., Ratna Nandakumar und Joseph J. Glutting (2014). “A Simulation Study of Missing Data with Multiple Missing X’s”. In: Practical Assessment, Research & Evaluation 19.10, S. 1-8.

Schafer, J. L. und J. W. Graham (2002). “Missing Data: Our View of the State of the Art”. In: Psychological Methods 7.2, S. 147-177.

Schmidt, Ulrich, Chris Starmer und Robert Sudgen (2008). “Third-Generation Prospect Theo­ry”. In: Journal of Risk and Uncertainty 36.3, S. 203-223.

Schmidt, Ulrich, Levent Neyse und Milda Aleknonyte (2015). Income Inequality and Risk Taking. MPRA Paper No. 64913.

Schunck, Reinhard (2013). “Within and Between Estimates in Random-Effects Models: Ad­vantages and Drawbacks of Correlated Random Effects and Hybrid Models”. In: The Stata Journal 13.1, S. 65-76.

Schupp, Jurgen (2009). “25 Jahre Sozio-Oekonomisches Panel - Ein Infrastrukturprojekt der empirischen Sozial- und Wirtschaftsforschung in Deutschland”. In: Zeitschrift fur Soziologie 38.5, S. 350-357.

Statman, Meir (2008). “Countries and Culture in Behavioral Finance”. In: CFA Institute Con­ference Proceedings Quarterly 25.3, S. 38-44.

Thomas, P. J. (2016). “Measuring Risk-Aversion: The Challenge”. In: Measurement 79, S. 285­301.

Tversky, Amos und Daniel Kahneman (1992). “Advances in Prospect Theory: Cumulative Re­presentation of Uncertainty”. In: Journal of Risk and Uncertainty 5.4, S. 297-323.

Van Buuren, Stef (2012). Flexible Imputation of Missing Data. Boca Raton: CRC Press.

Vieider, Ferdinand M., Thorsten Chmura und Peter Martinsson (2012). Risk Attitudes, De­velopment, and Growth: Macroeconomic Evidence from Experiments in 30 Countries. WZB Discussion Paper SP II 2012-401.

Wagner, Gert G., Joachim R. Frick und Jurgen Schupp (2007). The German Socio-Economic Panel Study (SOEP) - Scope Evolution and Enhancements. Schmollers Jahrbuch 127, S. 139­169.

Wang, X. T. und Joseph G. Johnson (2012). “A Tri-Reference Point Theory of Decision Making Under Risk”. In: Journal of Experimental Psychology: General 141.4, S. 743-756.

Weber, Elke U., Ann-Renee Blais und Nancy E. Betz (2002). “A Domain-Specific Risk-Attitude Scale: Measuring Risk Perceptions and Risk Behaviors”. In: Journal of Behavioral Decision Making 15.4, S. 263-290.

Wegener, Bernd (1988). Kritik des Prestiges. Opladen: Westdeutscher Verlag.

Wright, Joshua (2017). To What Extent Does Income Predict an Individual’s Risk Profile in the UK (2012-2014). MPRA Paper No. 80757. Manchester Metropolitan University.

Yu, Zonghuo und Li Chen (2016). “Income and Well-Being: Relative Income and Absolute Income Weaken Negative Emotion, but Only Relative Income Improves Positive Emotion”. In: Frontiers in Psychology 7.2012, S. 1-6.

Yusuf, Sulaiman Adesina, Waheed Mobolaji Ashagidigbi und Dauda Pabir Bwala (2015). “Po­verty and Risk Attitude of Farmers in North-Central, Nigeria”. In: Journal of Environmental and Agricultural Sciences 3, S. 1-7.

A. Stata-Code

Der folgende Stata-Code wurde zur Analyse der Daten verwendet:

cd "Z:\panel_sem\TN\DENZ" use "new_uebung4.dta", clear cd "Z:\panel_sem\TN\DENZ\Referat"

** Variablen umkodieren

* Abhangige: persdnlicher Nettomonatsverdienst soepren labnet06 labnet08 labnet09 labnetlO labnetll, newstub(labnet) waves(2006 2008 2009 2010 2011)

* Unabhangige Variablen (zeitl. variierend):

* Persdnliche Risikobereitschaft: soepren wp123 yp10 zp121 bap123 bbp121, newstub(risk) waves(2006 2008 2009 2010 2011)

* Berufliches Prestige soepren mps06 mps08 mps09 mps10 mps11, newstub(prestige) waves(2006 2008 2009 2010 2011)

* Imput.flag Nettoerwerbseinkommen soepren impnet06 impnet08 impnet09 impnet10 impnet11, newstub(income) waves(2006 2008 2009 2010 2011)

* define missings mvdecode _all, mv(-1 -2 -3 -4 -5 -6)

* write to temp file save "Referat_wide.dta", replace

** reshape to long format reshape long labnet risk prestige income, i(persnr) j(year)

* write to file save "Referat_long.dta", replace

use "Referat_long.dta", clear

* Load New Data Frame

** Regressionsmodelle

* Alter gen age = year - gebjahr

* Fixed-Effects Model xtreg labnet prestige risk income zp12001 if age >= 30 & age <= 40, fe i(persnr) est store FE

* Random Effects Model xtreg labnet prestige risk income zp12001 if age >= 30 & age <= 40, re i(persnr) est store RE

* Hausman Test hausman FE RE

* Hybrid Modell

* Prestige bys persnr: egen prestige_mean = mean(prestige) if e(sample) gen prestige_demeaned = prestige - prestige_mean if e(sample)

* Risikobereitschaft bys persnr: egen risk_mean = mean(risk) if e(sample) gen risk_demeaned = risk - risk_mean if e(sample)

* Income Imp bys persnr: egen income_mean = mean(income) if e(sample) gen income_demeaned = income - income_mean if e(sample)

* Hybrid

xtreg labnet zp12001 prestige_mean prestige_demeaned risk_mean risk_demeaned income_mean income_demeaned if age >= 30 & age <= 40, re i(persnr) est store Hybrid

* Mundlak

*xtreg labnet zp12001 prestige prestige_mean risk risk_mean income income_mean if age >= 30 & age <= 40, re i(persnr)

*est store Mundlak

* Model Output

esttab FE RE Hybrid, se mtitles("FE" "RE" "Hybrid")

* Fur LateX eststo clear

eststo: quietly xtreg labnet prestige risk income zp12001 if age >= 30 & age <= 40, fe i(persnr) eststo: quietly xtreg labnet prestige risk income zp12001 if age >= 30 & age <= 40, re i(persnr)

eststo: quietly xtreg labnet zp12001 prestige_mean prestige_demeaned risk_mean risk_demeaned income_mean income_demeaned if age >= 30 & age <= 40, re i(persnr) *eststo: quietly xtreg labnet zp12001 prestige_mean risk_mean income_mean if age >= 30 & age <= 40, re i(persnr)

esttab using regression.tex, label title(Regression table\label{tab1}) se scalars(r2_w r2_o r2_b)

* Getrennt nach Geschlecht eststo clear

eststo: quietly xtreg labnet prestige risk income zp12001 if (age >= 30 & age <= 40), fe i(persnr) eststo: quietly xtreg labnet prestige risk income zp12001 if (age >= 30 & age <= 40) & sex == 1, fe i(persnr) eststo: quietly xtreg labnet prestige risk income zp12001 if (age >= 30 & age <= 40) & sex == 2, fe i(persnr)

esttab using regression3.tex, label title(Regression table\label{tab1}) se scalars(r2_w r2_o r2_b)

* Additional Analysis

* remove all cases not covered in regression models keep if e(sample)

* create dichotome variable of risk capture drop risk_D

gen risk_D = .

replace risk_D = 0 if risk_mean <= 4

replace risk_D = 1 if risk_mean > 4 & risk_mean != .

* create mean income per person capture drop labnet_mean bys persnr: egen labnet_mean = mean(labnet) if e(sample)

* Descriptive Table sum risk_mean

sum risk_mean if sex == 1 sum risk_mean if sex == 2 ttest risk_mean, by(sex)

sum labnet_mean sum labnet_mean if sex == 1 sum labnet_mean if sex == 2 ttest labnet_mean, by(sex)

* remove all double occurrences (so it’s only one mean per person)

* neccessary to capture the number of actual people observed capture drop dup

quietly by persnr: gen dup = cond(_N ==1,0 ,_n) keep if dup == 1

* do additional analysis ttest labnet_mean, by(risk_D) pwcorr labnet_mean risk_mean, sig

graph twoway scatter labnet_mean risk_mean, jitter(2) graph twoway scatter labnet_mean risk_mean, jitter(2) by(sex)

B. Zusatzliche Analysen

Im Folgenden sind einige zusatzliche Auswertungen dargestellt.

Abbildung 1: Streudiagramm der gemittelten Risikobereitschaft und des gemittelten Einkommens

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Abbildung 2: Streudiagramm der gemittelten Risikobereitschaft und des gemittelten Einkom- mens getrennt nach Geschlecht

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Tabelle 5: Deskriptive Statistiken getrennt nach Geschlecht

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

1 Gewinne und Verluste sind in diesem Zusammenhang nicht ausschliefilich monetar.

2 Fur einen kompakten Uberblick uber die Prospect Theory siehe Barberis (2013). Fur Weiterentwicklungen der Prospect Theory siehe Tversky und Kahneman (1992); Schmidt u. a. (2008); Wang und Johnson (2012).

3 Wortlich zu Deutsch: „Millionen Chancen“

4 Diese Methode entspricht in den wesentlichen Aspekten dem Modell von Mundlak (1978), mit dem Unterschied das die Koeffizienten fur die personenspezifischen Mittelwerte unterschiedlich berechnet werden.

5 Fur eine ausfuhrlichere Ubersicht siehe Schupp (2009) oder Wagner u. a. (2007)

6 Siehe Anhang B fur deskriptive Statistiken getrennt nach Geschlecht.

Ende der Leseprobe aus 28 Seiten

Details

Titel
Welchen Einfluss hat die persönliche Risikoaversion auf den monatlichen Nettoverdienst?
Hochschule
Universität Duisburg-Essen
Veranstaltung
Einführung in die Analyse von Paneldaten / Längsschnittdaten
Note
2,0
Autor
Jahr
2018
Seiten
28
Katalognummer
V455253
ISBN (eBook)
9783668881112
ISBN (Buch)
9783668881129
Sprache
Deutsch
Schlagworte
fixed-effects, random effects, risikoaversion, einkommen, soziale ungleichheit, paneldaten, soep, längsschnittdaten
Arbeit zitieren
Robin Enrico Denz (Autor:in), 2018, Welchen Einfluss hat die persönliche Risikoaversion auf den monatlichen Nettoverdienst?, München, GRIN Verlag, https://www.grin.com/document/455253

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Welchen Einfluss hat die persönliche Risikoaversion auf den monatlichen Nettoverdienst?



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden