Økonomisk Kandidateksamen 2006I Økonometri 1. Tilbagetrækning fra arbejdsmarkedet for årgang 1945

Transkript

1 Økonomisk Kandidateksamen 2006I Økonometri Tilbagetrækning fra arbejdsmarkedet for årgang 945 Praktiske anvisninger til individuel tag-hjem eksamen i Økonometri : Start med at sikre dig, at du kan få adgang til data, opgavetekst og bilag (se næste side). Opgaven skal besvares individuelt. Læs alle opgaverne igennem, før du begynder at svare. Besvar alle spørgsmål og delspørgsmål i opgave til 5. Der gælder følgende vejledende vægtning af opgaverne: opgave : 0%, opgave 2: 30%, opgave 3: 25%, opgave 4: 25%, opgave 5: 0%. Der ønskes en samlet rapport med specifikke referencer til relevante bilagstabeller med regressionsoutput. Teksttabeller og figurer i teksten forsynes med henvisning til den relevante bilagstabel. Bilagstabeller med regressionsoutput ønskes fortløbende nummereret og forsynet med henvisning til navnet på det SAS-program, hvorfra tabellen er genereret. SAS-programet vedlægges som bilag. Forsiden til besvarelsen skal være den side, der kan downloades som opgaveforside.pdf. Siden udfyldes med eksamensnummer og samlede sidetal. Omfanget af besvarelsen bør ikke overstige 6 sider, inkl. teksttabeller og figurer i teksten, inkl. forside. Omfanget af bilag med regressionsoutput, SAS-program mv. bør ikke overstige 5 sider. Det er ikke nødvendigt at medtage meget omfangsrigt output, fx cross sections effects fra Proc tscsreg i bilaget. Alle sider i besvarelsen (inkl. bilag) forsynes med sidetal og eksamensnummer. Besvarelsen (inkl. bilag) afleveres i 2 eksemplarer på Det samfundsvidenskabelige Fakultet, Ekspeditionen, Øster Farimagsgade 5, opg. B,. sal., 353 Kbh. K den 23. januar 2006 senest kl Der skal afleveres eksemplar af en diskette eller en CD-rom mærket med eksamensnummer med flg. indhold: o SAS-programmer, der er anvendt til løsning af opgaven. o Filen INDIVID.SAS, der er anvendt til at generere det individuelle datasæt. o SAS-datafilen INDIVID.SAS7BDAT. Der vil være almindeligt åbent i edb-kælderen fredag den 20. januar indtil kl og mandag den 23. januar fra kl Det er også muligt at få adgang lørdag den 2. januar og søndag den 22. januar i tidsrummet fra kl til kl Kontakt i så fald edb-vagten på telefonnummer for at blive lukket ind.

2 Adgang til data Sådan får du fat i dit individualiserede datasæt: a. Download tre filer fra hjemmesiden til et katalog fx C:\WRK på din PC: MASTER.SAS7BDAT, SASMACR.SAS7BCAT og INDIVID.SAS. b. Placer filerne midlertidigt i det valgte katalog og check, at stierne i INDIVID.SAS stemmer overens med dette. c. Indsæt dit eksamensnummer i INDIVID.SAS. d. Kør INDIVID.SAS. Programmet danner filen INDIVID.SAS7BDAT som indeholder dit datasæt, og udskriver tallene som et check på, at du kan få kontakt til datasættet. e. Kopier INDIVID.SAS7BDAT til en diskette eller direkte til det katalog på PC en, hvor du ønsker at arbejde med dine data. Du er nu klar til at løse opgaven. f. Slet filen MASTER.SAS7BDAT. Har du problemer med at generere filen INDIVID.SAS7BDAT kan du kontakte Mette Ejrnæs (telefon ) i tidsrummet fra 5.00 til 8.00 fredag den 20. januar. Der ydes ikke hjælp efter det nævnte tidsrum og heller ikke til andre dele af opgaven. 2

3 Dokumentation af data: Datasættet indeholder en række informationer om 634 personer i årerne 997 og Alle personerne i data er født i 945 og er i beskæftigelse i 997 og alle de 5 efterfølgende år frem til Data indeholder oplysninger om den planlagte alder for tilbagetrækning fra arbejdsmarkedet og en række oplysninger om demografiske, helbredsmæssige og økonomiske forhold. Datasættet indeholder i alt 268 observationer. Data i denne opgave er et deldatasæt fra ældredatabasen, som er en interviewsundersøgelse vedr. ældres forhold. Det antages at de personer som indgår i ældredatabasen er fremkommet ved en tilfældig stikprøve af ældre i Danmark. Variabelliste: Tilbagetrækningsalder: tbalder Personens planlagte alder for tilbagetrækning fra arbejdsmarkedet 2 Demografiske forhold: kvinde Dummy for kvinde enlig Dummy for enlig dudd Dummy for ufaglært dudd2 Dummy for faglært 3 Arbejdsmarkedsforhold: erfar Antal års arbejdsmarkedserfaring Indkomstsforhold: pension Den (skønnede) årlige offentlige pensionsudbetaling (førtidspension, efterløn eller folkepension) ved tilbagetrækning i 000 kr. kpenbelob Det (skønnede) årlige udbetaling fra kapitalpension ved tilbagetrækning i 000 kr. Helbredsforhold: helbred Dummy for dårligt (selvvurderet) helbred for_live Dummy for, om forældre er i live ejmotion Dummy for, at personen ikke dyrker motion hjaelp Dummy for, om personen har modtaget hjælp til rengøring, vask, madlavning Øvrige variable lbnr Løbenummer for individ d2002 Dummy for 2002 Data er venligst stillet til rådighed af Mona Larsen, SFI. 2 Spørgsmålet i interviewundersøgelsen lyder Hvornår regner De med at holde op [med at arbejde]?. 3 Referencekategorien for dudd og dudd2 er videregående uddannelse. 3

4 Introduktion til opgaven: I debatten om, hvordan velfærdssamfundet sikres, er tilbagetrækningsalderen ofte blevet nævnt. Velfærdskommissionen skriver d. 7. december 2005 i sit resume 4 : Vi er i den glædelige situation, at vi lever længere end vore bedste- og oldeforældre gjorde. Og vores børn har udsigt til et endnu længere liv. For øjeblikket giver de ekstra leveår ret til flere år på pension. Bliver vi tre år ældre, kan vi få pension i tre år mere. Seks ekstra leveår giver seks års ekstra pension. Vi må bryde den sammenhæng, hvis vi fortsat skal have råd til de velfærdsydelser, vi ønsker. Det stiller krav om, at tilbagetrækningsalderen skal være højere og følge levetiden. Samtidig skal unge starte tidligere på deres arbejdsliv. Hensigten med denne opgave er at undersøge empirisk, hvordan helbred, uddannelse samt økonomiske forhold påvirker den planlagte tilbagetrækningsalder fra arbejdsmarkedet. I denne opgave analyseres data for årgang 945. Model: Opgaven tager udgangspunkt i en model for den planlagte tilbagetrækningsalder. Vi vil analysere følgende lineære regressionsmodel tbalder = β0 + βenlig + β2helbred + β3dudd+ β4dudd2+ β5erfar + β6pension + β kpenbelob + β d v, (.) 7 8 hvor v er et fejlled. Opgave : a) Fortolkning af modellen: i) Beskriv modellen i (.). ii) Hvad er fortolkningen af parametrene β 2 og β 6? Hvilket fortegn forventer du til parametrene? iii) Hvilken rolle spiller variablen d2002? b) Databeskrivelse: i) Beskriv de variable, som indgår i model (.) med udgangspunkt i dit individualiserede datasæt i filen INDIVID.SAS7BDAT. Gør dette, ved at opstille en tabel med relevante karakteristika for de enkelte variabler. Kommenter kort på tabellen. ii) Beregn for hvert af de to år (997 og 2002) gennemsnit, standardafvigelse, min, max for følgende variable: tbalder, helbred og erfar. Opstil en tabel med resultaterne og diskuter udviklingen i de tre variable fra 997 til Det fulde resume kan ses på 4

5 Opgave 2: I opgave 2 ignoreres panelaspektet og det antages indtil videre, at modellen (.) opfylder MLR.- MLR.4. a. Udfør estimationen af (.) ved OLS. Rapportér regressionskoefficienterne ˆ β, ˆ β,..., ˆ β. 0 8 b. Undersøg om modellen i (.) opfylder antagelsen MLR.5 om, at fejlleddet har konstant varians, givet værdierne af de forklarende variabler. Gør dette ved at lave: i) White test for heteroskedasticitet. ii) Breuch-Pagan testet for heteroskedasticitet hvor variablen helbred antages at være variansstyrende. Redegør for, hvilken hypotese du tester, og din konklusion. Begrund dine svar. Antag i resten af opgave 2, at fejlleddene er homoskedastiske. c. Datasættet indeholder både mænd og kvinder. Man kan forestille sig, at der er forskel på tilbagetrækningsadfærden for mænd og kvinder. Test vha. et Chow test, om der er forskel på relationen for tilbagetrækning for mænd og kvinder. i) Opskriv hypotesen. ii) Udfør Chow-testet. iii) Konkluder på baggrund af dine resultater, om der er forskel på tilbagetrækningsadfærden for mænd og kvinder. Der introduceres nu en ny model: tbalder = β0 + βenlig + β2helbred + β3dudd+ β4dudd2+ β5erfar + β6pension + β kpenbelob + β d β kvinde + β ( pension* kvinde) + v (.2) d. Karakteriser model (.2) og udfør et test af model (.2) over for din foretrukne model fra spørgsmål 2.c. e. Tag udgangspunkt i model (.2) og undersøg følgende påstande vedr. tilbagetrækningsmønstret for mænd og kvinder: i) Betydningen af størrelsen af pension er den samme for mænds og kvinders planlagte tilbagetrækning. Formuler hypotesen og udfør det relevante test. ii) Størrelsen af offentlige pensionsudbetaling har ingen betydning for kvinders planlagte tilbagetrækning. Formuler hypotesen og udfør det relevante test. iii) Udregn den forventede planlagte tilbagetrækningsalder for en mand og en kvinde i 997 med følgende karakteristika: gift, godt helbred, ufaglært, 38 års erfaring, offentlig pension på kr. og ingen kapitalpension. 5

6 iv) Kommenter resultaterne fra spørgsmål 2.e i)- iii) og angiv en mulig forklaring på de fundne resultater. f. I debatten om velfærdstaten har der været meget fokus på erhvervsfrekvensen herunder tilbagetrækningsalderen. Et vigtigt element i debatten har været, hvorledes den gennemsnitlige tilbagetrækningsalder vil ændre sig som følge af den generelle udvikling i uddannelsesniveauet i befolkningen (se bilag ). I tabellen nedenfor ses uddannelsesniveauet for årgangene og årgangene Tabel : Fordelingen på uddannelsesgrupper for årgang og i 2004 Årgang Årgang Ufaglært 0,340 0,348 Faglært 0,37 0,45 Videregående udd. 0,288 0,237 Kilde: Danmarks statistiks statistikdatabank 5 og egne beregninger Med udgangspunkt i den estimerede model (.2) beregnes den forventede forskel i den gennemsnitlige (planlagte) tilbagetrækningsalder for årgangene til årgangene Det antages, at de gennemsnitlige værdier af alle øvrige karakteristika ved årgang og årgang er identiske. Beskriv, hvordan den forventede forskel kan bestemmes og udregn størrelsen af den. Diskuter, om forskellen i planlagt tilbagetrækning giver et realistisk bud på, hvordan tilbagetrækningsalderen vil ændre sig som følge af et ændret uddannelsesniveau. Inddrag gerne betragtningerne fra bilag. g. I den aktuelle debat er det ofte blevet fremført, at tilbagetrækningsalderen skal hæves. Tag udgangspunkt i en mand i 997 med følgende karakteristika: gift, godt helbred, ufaglært, 38 års erfaring, offentlig pensionsudbetaling på kr. og ingen kapitalpension. Udregn på baggrund af dine estimationsresultater, hvad de offentlige pensionsudbetalinger skal være, for at denne forventede planlagte tilbagetrækningsalder for denne mand hæves med et år. Angiv om denne konklusion kan udstrækkes til at gælde for andre typer (personer med andre karakteristika). Diskuter, om man kan bruge den estimerede model til at drage denne type konklusioner. Opgave 3: a. Vi vil igen tage udgangspunkt i modellen (.2). Vi vil også her antage, at fejlleddet i modellen er homoskedastisk, og panelaspektet ignoreres. Antag, at helbredsvariablen, helbred, er en potentielt endogen forklarende variabel. De øvrige variabler antages at være exogene. 5 Se tabel HFU2. 6

7 I denne opgave benyttes IV estimation. i) Diskuter hvorfor helbredsvariablen kan være endogen. Som instrumenter for helbred vil vi benytte dummy variabler, som angiver om personens forældre er i live (for_live), at personen ikke dyrker motion (ejmotion), og hvorvidt personen har modtaget hjælp til rengøring osv. (hjaelp). Angiv de antagelser, som instrumenterne skal opfylde, og diskuter derefter om antagelser virker rimelige her. ii) Estimer den reducerede form for den endogene forklarende variabel og test for om instrumenterne er gyldige. iii) Udfør instrument variabel estimationen. Test for, om den potentielt endogene variabel faktisk er endogen. iv) Udfør testet for overidentifikation og konkluder på baggrund af testet. v) Opskriv IV-estimaterne og standard fejl. Konkluder på baggrund af dine estimationsresultater, hvad modellen viser. b. I denne opgave undersøges hvordan IV estimatoren beregnes, hvis det anvendte instrument er en dummy variabel. Betragt følgende simple regressionsmodel: y = β + β x + u, i 0 i i hvor u i er et fejlled. Vi antager at x i er en endogen variabel. Desuden antages, at der findes en variabel z, som er en dummy variabel. Denne variabel skal anvendes som instrument for x. i) Vis, at IV estimatoren for β kan opskrives på følgende måde: ˆ IV ˆ γ β =, ˆ π hvor ˆ γ og ˆ π er OLS estimater fra følgende hjælperegressioner yi = γ 0 + γzi + vi x = π + π z + w i 0 i i. ii) Angiv, hvilke antagelser der er nødvendige for at udlede IV estimatoren. I denne delopgave udledes et resultat om OLS estimatoren for en simpel regression med dummy-variable. Betragt følgende simple regressionsmodel: yi = δ0 + δ di + ui, i=,..., N, hvor di er en dummy variabel. Vis, at OLS estimatoren for δ er givet ved ˆ = y y δ d= d= 0 7

8 N yd i i i= yd = = gennemsnittet af y for individer med di = N d i= N yi( di) i= yd = 0 = gennemsnittet af y for individer med di = 0 N ( d ) i= i i iii) Vis, at IV estimatoren for β kan opskrives på følgende måde: ˆ β y y IV z z 0 = = =. xz= xz= 0 Antag, at y er den planlagte tilbagetrækningsalder, x er et mål for helbred og z er en dummy variabel for, om man har fået hjælp til rengøring osv. Forklar, hvordan IV-estimatoren fremkommer. Opgave 4: Indtil nu har vi ignoreret panelaspektet af data. I denne del af opgave vil vi nu udnytte panelaspektet. tbalder = β + β enlig + β helbred + β dudd + β dudd2 + β erfar + β pension + it 0 it 2 it 3 it 4 it 5 it 6 it β kpenbelob + β d β kvinde + β ( pension * kvinde ) + v, 7 it 8 it 9 it 0 it it it v = a + u i=,..., N t = 997,2002 it i it (.3) Her betegner a i en uobserveret individ-specifik effekt, som ikke varierer over tid, mens u it er et fejlled, som varierer tilfældigt over individ og tid. a. Estimer parametrene i model (.3) ved en random effekt estimation. i) I en paneldata model dekomponeres fejlledet vit i to led ai og u it. Diskuter, hvilke faktorer a i kan tænkes at indeholde. ii) Opskriv, under hvilke forudsætninger random effekt estimationen vil give konsistente estimater. Diskuter, om forudsætningerne kan antages at være opfyldt i det konkrete tilfælde. iii) Udfør random effekt estimationen og rapportér parameterestimaterne ˆ β, ˆ β,..., ˆ β og deres standardfejl

9 b. Estimer model (.3) ved en fixed effekt estimator. i) Opskriv under hvilke forudsætninger fixed effekt estimationen vil give konsistente estimater. Diskuter, om forudsætningerne kan antages at være opfyldt i det konkrete tilfælde. ii) Diskuter, hvilke parametre der er identificeret. Redegør for om parameteren til erfaring kan estimeres, og i givet fald hvordan den skal fortolkes. iii) Estimer modellen med en fixed effekt estimator og redegør for den valgte estimationsteknik. Rapportér parameterestimaterne og deres standardfejl. iv) Sammenlign resultaterne med random effekt og OLS estimationen af model (.2). Diskuter, hvorledes de tre sæt af estimater forholder sig til hinanden. c. I denne opgave ønskes en redegørelse for dataudvælgelsen (som beskrevet i afsnittet om dokumentation om data). Diskuter, om data kan antages at stamme fra en tilfældig stikprøve, eller data kommer fra en endogen og/eller exogen dataudvælgelse, og hvorledes dataudvælgelsen påvirker parameterestimaterne. Giv gerne specifikke eksempler på parameterestimater, som potentielt kan være biased på grund af dataudvælgelsen og angiv evt. retningen af bias (opad eller nedad biased). Inddrag evt. data til at underbygge dine konklusioner. Opgave 5: Sammenfatning og konklusion a. Lav en tabel for estimationsresultaterne for den planlagte tilbagetrækningsalder, der sammenfatter de analyser, du har lavet i opgave 2, 3 og 4. Kommenter kort på tabellen. Kommenter også på, hvorledes de forskellige modeller forholder sig til hinanden, og hvilke(t) sæt af estimater du vil lægge til grund for din vurdering af bestemmelsen af, hvad der er afgørende for den planlagte tilbagetrækningsalder i Danmark. b. Diskuter hvad man ud fra dine analyser kan sige om, hvilke faktorer der er bestemmende for tilbagetrækningsalderen for 945 årgangen i Danmark. Bilag : Uddrag af Sammenfatning af teknisk analyserapport Befolkningsudvikling, velstandsdilemma og makroøkonomiske strategier, Velfærdkommisionen. November 2005 Bilag 2: The Impact of Health on Individual Retirement Plans: a Panel Analysis comparing Selfreported versus Diagnostic Measures af Nabanita Datta Gupta og Mona Larsen, November

10 Bilag : Uddrag af Sammenfatning af teknisk analyserapport - Befolkningsudvikling, velstandsdilemma og makroøkonomiske strategier, Velfærdkommisionen. November Øget uddannelse flere på arbejdsmarkedet? Det har været diskuteret om ikke et stigende uddannelsesniveau vil trække i retning af øget erhvervsdeltagelse. Argumentet er, at uddannelsesniveauet i arbejdsstyrken er voksende, og at personer med højere uddannelsesniveau har højere erhvervsdeltagelse. Begge de to sidste udsagn er isoleret set korrekte. Velfærdskommissionen indregner en positiv effekt af stigende uddannelsesniveau på erhvervsfrekvensen. Denne er på personer på langt sigt. I lyset af det historiske forløb vurderes dette imidlertid som en optimistisk effekt, jf. nedenfor. Uddannelsesniveauet er stigende. Dette kan illustreres ved at opdele uddannelse i tre niveauer: Uden kompetencegivende uddannelse, Erhvervsfaglig uddannelse og Videregående udannelse (KVU, MVU, LVU, Bachelorer, Erhvervsbachelorer og Forskeruddannelse), jf. figur 4. Det ses af figuren, at der er en betydelig stigning i uddannelsesniveauet for personer i den erhvervsaktive alder i perioden 98 til For befolkningen som helhed vokser den andel, der har en videregående uddannelse således fra 3 til 25 procent af de erhvervsaktive årgange. Også andelen af personer med erhvervsfaglig uddannelse er voksende i perioden. I 98 var det 3 procent af personerne i de erhvervsaktive aldre, der havde en erhvervsfaglig uddannelse, mens andelen var vokset til 38 procent i Denne udvikling med en gradvist voksende andel af de to uddannelseskategorier betyder, at andelen af personer uden kompetencegivende uddannelse falder fra 50 procent til 36 procent af personerne i den erhvervsaktive alder. Der er i høj grad tale om en generationseffekt, hvor de unge generationer, der kommer til, er bedre uddannet end de generationer, der forlader arbejdsstyrken på grund af alder. Der er således grund til at forvente at dette fortsætter, selvom omfanget kan diskuteres. Figur 4: Uddannelsesfordeling Figur 5: Uddannelsesbetingede erhvervsfrekvenser Andel 0,6 0,5 0,4 0,3 0,2 0, 0, Erhvervsfaglig udd. Videregående udd. Uden kompetencegivende udd. Andel 0,6 0,5 0,4 0,3 0,2 0, 0,0 Andel,0 0,9 0,8 0,7 0,6 0, Befolkningen i alt Erhvervsfaglig udd. Videregående udd. Uden kompetencegivende udd. Andel,0 0,9 0,8 0,7 0,6 0,5 Kilde: RAS-Statistikken, Danmarks Statistik. Der er imidlertid to vigtige forhold, der skal tages i betragtning for at vurdere betydningen af et øget uddannelsesniveau for erhvervsdeltagelsen. Det første som umiddelbart kan aflæses af figur 5 er, at selvom erhvervsdeltagelsen er voksende i uddannelsesniveauet, er der for alle grupper et betydeligt fald over tid i erhvervsfrekvenserne. For personer uden kompetencegivende uddannelse er faldet i erhvervsdeltagelsen størst, idet det er på 8 pct.point over perioden, mens de tilsvarende 6 Hele rapporten kan ses på 0

11 fald for de to andre uddannelseskategorier er 6 pct.point for erhvervsfagligt uddannede og 5 pct.point for videregående uddannede. En del af forklaringen på, at der er en faldende erhvervsdeltagelse for alle tre grupper kan være velstandsstigningen, jf. diskussionen ovenfor. Årsagen til, at det har været muligt at fastholde en nogenlunde konstant gennemsnitlig erhvervsdeltagelse for alle uddannelsesgrupper under ét, er således, at stigningen i uddannelsesniveauet har ført til, at der er blevet flere personer i de grupper, der har den højeste erhvervsdeltagelse. Det kræver altså en fortsat stigning i uddannelsesniveauet for at kunne fastholde en konstant erhvervsfrekvens i fremtiden, hvis tendensen til faldende erhvervsfrekvens inden for den enkelte uddannelsesgruppe fortsætter. Det kan blive vanskeligt at fastholde samme vækst i uddannelsesniveauet fremadrettet, fordi de generationer, som forlader arbejdsmarkedet, efterhånden også vil være bedre uddannet i gennemsnit. For det andet er det ikke oplagt, at en given ændring i uddannelsessammensætningen i fremtiden vil få samme effekt. Det skyldes, at et stigende uddannelsesniveau ikke alene vil påvirke gruppen, der får en given uddannelse, men også gruppen af personer uden kompetencegivende uddannelse. Sidstnævnte gruppe indeholder personer med en f.eks. studentereksamen som højeste uddannelsesniveau. Samtidig indeholder gruppen også personer som pga. fysiske eller psykiske handicaps ikke er i stand til at gennemføre en uddannelse og derfor heller ikke har mulighed for en høj arbejdsmarkedstilknytning. Når gruppen af personer uden kompetencegivende uddannelse reduceres, sker dette hovedsageligt ved at de bedst kvalificerede i gruppen sikres en uddannelse. Det betyder, at den gennemsnitlige erhvervstilknytning falder for de, der er tilbage i gruppen uden kompetencegivende uddannelse. Man kan således ikke realistisk antage uændrede erhvervsfrekvenser for alle grupper i takt med at der sker et uddannelsesløft. Dette problem ses endnu mere markant, når man betragter udviklingen i antallet af førtidspensionister som følge af en ændret uddannelsessammensætning. Tager man udgangspunkt i konstante alders-, køns- og uddannelsesbetingede førtidspensionsfrekvenser for perioden 980 til 200 og benytter den faktiske udvikling i uddannelsessammensætning vil man forvente et faldende antal førtidspensionister. Årsagen er, at de historiske erfaringer udviser den sammenhæng, at hyppigheden for førtidspension er faldende med uddannelsesniveauet. Faktisk steg antallet af førtidspensionister over denne periode. Problemet opstår, fordi man ikke tager højde for at de bagvedliggende faktorer fysiske eller psykiske der begrunder tildeling af førtidspensioner også i mange tilfælde er årsagen til, at de pågældende ikke får en uddannelse. Samlet vurderet er det således ikke oplagt, at øget uddannelse vil øge erhvervsdeltagelsen. Det niveau for stigningen i erhvervsdeltagelsen, der er indarbejdet i Velfærdskommissionens grundforløb, kan derfor vise sig at være for optimistisk.

12 Bilag 2: Uddrag af: The Impact of Health on Individual Retirement Plans: a Panel Analysis comparing Selfreported versus Diagnostic Measures af Nabanita Datta Gupta og Mona Larsen, November Subjective reports of health made by those planning to retire or already retired potentially lead to justification bias. That is, failing health is used as a socially acceptable excuse for retirement, rather than an accurate description of the reason why individuals leave the labor market. This biases the impacts of health on labor market outcomes as well as the effects of any variables correlated with health. In fact, earlier U.S. studies based on Retirement History Longitudinal Survey (RHS) data, found evidence of justification bias (such as Anderson and Burkhauser, 985). Another consideration is that health may be endogenous to labor market outcome. This leads to overestimation of the effect of health if, for instance, withdrawal from the labor market improves or worsens health. An indirect effect is generated if unobserved differences across individuals correlate both with health and retirement behavior, for example, differences in workers time rate of preference. Inability to control for these variables could lead to omitted variable bias. Another problem may be reporting heterogeneity or incomparability across individuals of (ordered) selfassessed health, which varies systematically with characteristics such as gender and age (Lindeboom and Van Doorslaer, 2004; Groot 2000). Use of objective health measures might correct for these problems but in most cases, objective measures are proxies for general health or presence of health conditions rather than work incapacity. A measure such as subsequent mortality for example, suffers from this measurement error problem, particularly as mortality often occurs abruptly or following a short-lived serious illness. Conversely, many chronic conditions such as arthritis may severely limit one s ability to work, but have less of an effect on life expectancy. In fact, as subjective health measures potentially suffer from both endogeneity bias and attenuation bias and objective measures only from measurement error, the former may be preferable as the two types of bias cancel each other out (Bound, 99). Still, many researchers prefer more objective self-reports on the presence of a disease condition, for example, than to use self-assessed health for reasons of greater reporting accuracy, insusceptibility to individual rationalization and greater comparability across individuals. Individual self-reports of the presence of a doctor-diagnosed illness are however, not error-free in themselves. A recent paper by Baker et al. (2004) that matches individual s self-reports of medical conditions to their medical records finds considerable error in these so-called objective self-reports. Furthermore, the reporting error is systematically related to labor market status and hence a source of justification bias. In that study, a comparison of the estimated effects of different measures of health on labor market activity using objective measures of health as instruments for both the subjective measures and the self-reported objective measures confirms as in previous studies that OLS underestimates health and overestimates wages. However, the measure of labor market opportunities employed is rather limited and concerns of potential omitted variable bias and measurement error remain. 2