Log-linearization bias: estimating returns to education through quantile regression

Detalhes bibliográficos
Autor(a) principal: Souza, Wallace Patrick Santos de Farias
Data de Publicação: 2022
Outros Autores: Figueiredo, Erik Alencar, Annegues, Ana Cláudia, Stampe, Marianne Zwilling
Tipo de documento: Artigo
Idioma: por
Título da fonte: Economia Aplicada
Texto Completo: https://www.revistas.usp.br/ecoa/article/view/147299
Resumo: The present study proposes to estimate returns to education on Brazilian workers' wages through quantile regression. OLS estimation of log-linearized Mincer (1974) equation, which is traditionally present in literature, can generate a specification bias resulting from Jensen’s inequality. Median estimates, as wellas the mean of quantile coefficients, presented lower coefficients than OLS estimates, indicating a possible superestimation on education returns in the mean. Ultimately, we observed that education generates bigger wage gains for upper income quantiles.
id USP-21_2abc6949db220cb8dedbb93c81d9aeda
oai_identifier_str oai:revistas.usp.br:article/147299
network_acronym_str USP-21
network_name_str Economia Aplicada
repository_id_str
spelling Log-linearization bias: estimating returns to education through quantile regressionViés da log-linearização: estimando o retorno da educação através de regressões quantílicasreturns to educationlog-linearizationquantile regressionretornos à educaçãolog-linearizaçãoregressões quantílicasThe present study proposes to estimate returns to education on Brazilian workers' wages through quantile regression. OLS estimation of log-linearized Mincer (1974) equation, which is traditionally present in literature, can generate a specification bias resulting from Jensen’s inequality. Median estimates, as wellas the mean of quantile coefficients, presented lower coefficients than OLS estimates, indicating a possible superestimation on education returns in the mean. Ultimately, we observed that education generates bigger wage gains for upper income quantiles.O artigo estima o retorno da educação sobre o salário dos trabalhadores no Brasil através de regressões quantílicas. A estimação por mínimos quadrados ordinários da equação de Mincer (1974) log-linearizada pode gerar um viés de especificação resultado da desigualdade de Jensen. As estimativas para a mediana, bem como para a média dos quantis (regressão quantílica), apresentaram coeficientes menores que as estimativas por mínimos quadrados ordinários, indicando uma possível superestimação do retorno da educação na média. Por fim, foi observado que a educação gera maiores ganhos salariais para os quantis superiores de renda.Universidade de São Paulo, FEA-RP/USP2022-03-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://www.revistas.usp.br/ecoa/article/view/14729910.11606/1980-5330/ea147299Economia Aplicada; Vol. 26 No. 1 (2022); 101-116Economia Aplicada; Vol. 26 Núm. 1 (2022); 101-116Economia Aplicada; v. 26 n. 1 (2022); 101-1161980-53301413-8050reponame:Economia Aplicadainstname:Universidade de São Paulo (USP)instacron:USPporhttps://www.revistas.usp.br/ecoa/article/view/147299/181893Copyright (c) 2022 Economia Aplicadahttp://creativecommons.org/licenses/by-nc/4.0info:eu-repo/semantics/openAccessSouza, Wallace Patrick Santos de FariasFigueiredo, Erik AlencarAnnegues, Ana CláudiaStampe, Marianne Zwilling2022-05-12T15:57:57Zoai:revistas.usp.br:article/147299Revistahttps://www.revistas.usp.br/ecoaPUBhttps://www.revistas.usp.br/ecoa/oai||revecap@usp.br1980-53301413-8050opendoar:2023-09-13T12:17:12.260470Economia Aplicada - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Log-linearization bias: estimating returns to education through quantile regression
Viés da log-linearização: estimando o retorno da educação através de regressões quantílicas
title Log-linearization bias: estimating returns to education through quantile regression
spellingShingle Log-linearization bias: estimating returns to education through quantile regression
Souza, Wallace Patrick Santos de Farias
returns to education
log-linearization
quantile regression
retornos à educação
log-linearização
regressões quantílicas
title_short Log-linearization bias: estimating returns to education through quantile regression
title_full Log-linearization bias: estimating returns to education through quantile regression
title_fullStr Log-linearization bias: estimating returns to education through quantile regression
title_full_unstemmed Log-linearization bias: estimating returns to education through quantile regression
title_sort Log-linearization bias: estimating returns to education through quantile regression
author Souza, Wallace Patrick Santos de Farias
author_facet Souza, Wallace Patrick Santos de Farias
Figueiredo, Erik Alencar
Annegues, Ana Cláudia
Stampe, Marianne Zwilling
author_role author
author2 Figueiredo, Erik Alencar
Annegues, Ana Cláudia
Stampe, Marianne Zwilling
author2_role author
author
author
dc.contributor.author.fl_str_mv Souza, Wallace Patrick Santos de Farias
Figueiredo, Erik Alencar
Annegues, Ana Cláudia
Stampe, Marianne Zwilling
dc.subject.por.fl_str_mv returns to education
log-linearization
quantile regression
retornos à educação
log-linearização
regressões quantílicas
topic returns to education
log-linearization
quantile regression
retornos à educação
log-linearização
regressões quantílicas
description The present study proposes to estimate returns to education on Brazilian workers' wages through quantile regression. OLS estimation of log-linearized Mincer (1974) equation, which is traditionally present in literature, can generate a specification bias resulting from Jensen’s inequality. Median estimates, as wellas the mean of quantile coefficients, presented lower coefficients than OLS estimates, indicating a possible superestimation on education returns in the mean. Ultimately, we observed that education generates bigger wage gains for upper income quantiles.
publishDate 2022
dc.date.none.fl_str_mv 2022-03-01
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.revistas.usp.br/ecoa/article/view/147299
10.11606/1980-5330/ea147299
url https://www.revistas.usp.br/ecoa/article/view/147299
identifier_str_mv 10.11606/1980-5330/ea147299
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://www.revistas.usp.br/ecoa/article/view/147299/181893
dc.rights.driver.fl_str_mv Copyright (c) 2022 Economia Aplicada
http://creativecommons.org/licenses/by-nc/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2022 Economia Aplicada
http://creativecommons.org/licenses/by-nc/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade de São Paulo, FEA-RP/USP
publisher.none.fl_str_mv Universidade de São Paulo, FEA-RP/USP
dc.source.none.fl_str_mv Economia Aplicada; Vol. 26 No. 1 (2022); 101-116
Economia Aplicada; Vol. 26 Núm. 1 (2022); 101-116
Economia Aplicada; v. 26 n. 1 (2022); 101-116
1980-5330
1413-8050
reponame:Economia Aplicada
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Economia Aplicada
collection Economia Aplicada
repository.name.fl_str_mv Economia Aplicada - Universidade de São Paulo (USP)
repository.mail.fl_str_mv ||revecap@usp.br
_version_ 1800221695932366848

Registros relacionados