Upload
vico-castaldo
View
213
Download
1
Embed Size (px)
Citation preview
Grandi aspettative: le determinanti dell’iscrizione all’Universita’
delle donne in Europa
Chiara Pronzato(con Alessandra Casarico e Paola Profeta)
ISTAT, 16 settembre 2011
Introduzione
Domande di ricerca
• Le prospettive di carriera influenzano la scelta di iscriversi all’Universita’?
• Per entrambi uomini e donne?
Contributi del paper
• Modello economico che spiega i meccanismi di scelta di investire in istruzione
• Analisi empirica basata sui dati EU-SILC per gli anni 2004-2009
Introduzione
• Importanza dell’istruzione delle giovani donne
– “Quiet revolution” (Goldin, 2006)– Potere decisionale nella famiglia (Iyigun e Walsh, 2007;
Chiappori et al, 2008)– Attaccamento al mercato del lavoro (Carneiro et al, 2007; Bratti,
2003)– Sviluppo dei bambini (Haveman e Wolfe, 1995; Guryan et al,
2008)
• Impatto delle caratteristiche del mercato del lavoro sulla scelta di investire in istruzione (Bozick, 2009; Petronongolo and San Segundo, 2002; Betts and Farland,1995)
Il modello economico• Un modello a due periodi• Le donne sono eterogenee per talento • E impiegano un certo tempo per istruirsi αi
• Primo periodo– Ciascuna donna decide se investire in istruzione – Se investe, guadagna un salario, per il periodo 1- αi: Ws1
– Se non investe, guadagna un salario, per tutto il periodo: Wu, Wu
< Ws1
• Secondo periodo– Tutte le donne hanno un’interruzione nella carriera– E le donne piu’ istruite possono essere promosse con una certa
probabilita’ Ws2 > Ws1
Il modello economico
• Confrontando l’utilita’ attesa per una donna istruita con l’utilita’ attesa per una donna non istruita
• Si definisce un livello-soglia dell’abilita’ α, secondo la quale solo le donne con αi < α scelgono di istruirsi
• Ne consegue che– Migliori prospettive di carriera riducono il livello-soglia α aumentando
la probabilita’ che una donna si istruisca
– Interruzioni di carriera piu’ lunghe aumentano il livello-soglia α riducendo la probabilita’ che una donna si istruisca
Dalla teoria ai dati
• Testiamo le due ipotesi del modello: le ragazze studiano di piu’ se
– E’ piu’ alta la probabilita’ di fare carriera – Sono piu’ brevi i periodi di interruzione del lavoro
• Studiamo le scelte di giovani donne in Europa
• Per prima cosa, costruiamo alcuni indicatori regionali
• E poi analizziamo come influenzano la decisione di investire in
istruzione delle ragazze rispetto ai ragazzi
European Union Survey on Income and Living Conditions
(EU-SILC, 2004-2009)
• Ragazze/i, tra i 17 e i 21 anni, che hanno terminato la scuola secondaria nell’anno dell’intervista o in quello precedente
Women MenUniversity 0.600 0.438Observations 11,052 11,466Regions 93 94Countries 23 23Observations per region 119 122Waves per region 4.0 4.0
Modello econometrico La scelta di istruirsi dopo la scuola secondaria e’ data da
Yi = Wrt β + Lrt φ + Zi γ + St δ+ εi
Il termine di errore e’ definito come
εi = ur + νi
La decisione di studiare e’ presa ed osservata una sola volta, rendendo i nostri dati cross-sectional dal punto di vista individuale. Pero’, possiamo sfruttare la natura panel degli indicatori regionali Lrt e Wrt che possono essere osservati nel tempo nelle diverse regioni europee
Possibilita’ di carriera
Interruzioni della carriera
Famiglia
Dummy anni
errore
Componente regionale
Componente casuale
Specificazioni econometriche
1) Assumiamo il componente regionale dell’errore fisso nel tempo, distribuito normalmente, ed indipendente dalle altre variabili incluse nel modello (RE)
2) Assumiamo il componente regionale dell’errore fisso nel tempo, potenzialmente correlato con le variabili incluse nel modello (FE)
• Utilizziamo un modello probabilistico lineare
– Con standard error robusti – E corretti per tener conto della non-indipendenza delle
osservazioni all’interno della stessa regione
Indicatori regionali
• Gli indicatori regionali sono ricavati da EU-SILC, utilizzando i pesi campionari dell’indagine
• E sono calcolati riferendosi alle donne laureate tra i 25 e i 45 anni
Women MenManagerial positions (%) 24.8 38.9
(10.9) (12.6)Working parents (%) 67.9 96.7
(17.9) (4.5)Self employment (%) 8.5 14.1
(4.7) (6.9)
Donne con responsabilita’ di supervisione
020
4060
80
GR DK FI SE NO LT SK EE HU DE CZ CY BG LV ES PL BE IT IS LU IE FR AT
Donne con attivita’ imprenditoriali
05
1015
2025
NO DK EE SE SK FI LV LT FR BG LU PL HU IS BE IE CY DE ES CZ AT GR IT
Mamme che lavorano
020
4060
8010
0
CZ HU DE EE FI AT LV IE PL LU ES GR LT IT BG DK FR BE SE IS SK CY NO
Variabili di controllo
Women MenAge 19.3 19.4Mother: tertiary education 0.301 0.330Mother: secondary education 0.468 0.464Mother works 0.729 0.741Father: tertiary education 0.301 0.330Father: secondary education 0.468 0.464Household income 30,610 33,280Number of siblings 1.03 1.11Living with only one parent 0.169 0.165Living on her/his own 0.124 0.065Interview in Jan-Mar 0.148 0.166Interview in Apr-June 0.510 0.495Interview in Oct-Dec 0.249 0.253Year 2005 0.175 0.159Year 2006 0.203 0.216Year 2007 0.182 0.193Year 2008 0.180 0.172Year 2009 0.167 0.174
Risultati Beta St err Sig Beta St err Sig Beta St err Sig Beta St err Sig
Age -0.031 0.007 *** -0.028 0.007 *** -0.025 0.009 *** -0.023 0.008 ***Mother: tertiary 0.191 0.015 *** 0.193 0.015 *** 0.205 0.021 *** 0.21 0.02 ***Mother: secondary 0.101 0.014 *** 0.105 0.013 *** 0.096 0.017 *** 0.1 0.017 ***Mother works 0.022 0.012 * 0.023 0.012 * 0.028 0.013 ** 0.028 0.013 **Father: tertiary 0.142 0.017 *** 0.145 0.017 *** 0.196 0.023 *** 0.2 0.023 ***Father: secondary 0.084 0.013 *** 0.088 0.013 *** 0.067 0.019 *** 0.072 0.019 ***Household income 0.002 0.002 0.003 0.002 0.007 0.002 *** 0.007 0.002 ***Number of siblings -0.011 0.004 *** -0.012 0.004 *** -0.022 0.005 *** -0.022 0.006 ***Living with one parent 0.041 0.014 *** 0.044 0.014 *** 0.048 0.018 *** 0.052 0.018 ***Living on her own 0.132 0.026 *** 0.144 0.026 *** 0.263 0.033 *** 0.274 0.032 ***Interview in Jan-Mar 0.028 0.020 0.014 0.023 0.033 0.015 ** 0.03 0.017 *Interview in Apr-June 0.039 0.021 * 0.012 0.024 0.034 0.014 ** 0.022 0.017Interview in Oct-Dec 0.035 0.025 0.044 0.025 * 0.035 0.017 ** 0.035 0.017 **Year 2005 0.026 0.013 ** 0.030 0.012 ** 0.004 0.018 0.005 0.019Year 2006 0.013 0.015 0.004 0.014 0.000 0.018 -0.001 0.018Year 2007 0.044 0.021 ** 0.030 0.020 0.006 0.020 -0.002 0.02Year 2008 0.036 0.021 * 0.022 0.021 0.012 0.024 0.009 0.025Year 2009 0.046 0.018 ** 0.034 0.018 * -0.008 0.019 -0.011 0.02Fe/male unemployment rate 0.035 0.021 * -0.013 0.025 0.052 0.020 *** 0.034 0.02 *Wo/men in managerial positions 0.059 0.017 *** 0.028 0.017 * 0.020 0.012 * 0.007 0.011Fe/male self employment 0.070 0.024 *** 0.069 0.029 ** 0.003 0.021 -0.016 0.025Working mo/fathers 0.019 0.006 *** 0.016 0.008 ** 0.026 0.016 0.011 0.016Constant 0.610 0.148 *** 0.703 0.150 *** 0.388 0.207 * 0.499 0.217 **
Observations 11,466
WOMEN MENRE FE
11,052
RE FE
Ulteriori analisi
1) Mobilita’ degli studenti- osservati, per lo piu’, studenti che vivono a casa dei genitori - quante/i ragazze/i hanno lasciato casa? Come differiscono da quelli che rimangono a casa? (componente panel da EU-SILC)- le/i ragazze/i a casa vivono, in media, in contesti “migliori” e provengono da famiglie meno abbienti
2) Matrimonio inclusi anche gli indicatori maschili (femminili) nell’equazione femminile (maschile)
3) Informazione sui genitori mancante analisi ripetute per campioni di ragazze/i con almeno un genitore o entrambi i genitori conviventi
4) Distorsione dovuta ad un panel corto (Arellano and Bonhomme, 2010) split-panel jacknife method (Dhaene and Jochmans, 2010)
Conclusioni
• Misure generalmente pensate per favorire l’occupazione e la carriera delle donne come, per esempio, una maggiore diffusione dei servizi di cura per bambini o azioni affermative, possono influenzare positivamente anche le scelte di istruzione delle ragazze
• Il corso di studi scelto e’ una dimensione importante di cui non si e’ potuto tener conto in questo studio