estimated_variables 4 1.00 14.00 26.84 1.00 2.00 3.00 17.00 255.00 ▇▁▁▁▁ estimated_fixed_effects 8 0.99 1617.31 14574.57 0.00 0.00 0.00 0.00 168265.00 ▇▁▁▁▁ sample_size 18
Bitte checken
39 Matching Annotations
- Last 7 days
-
Local file Local file
-
-
"Individual" "Industry" [3] "Firm" "Establishment" [5] "Labor market" "Employment zone" [7] "Individual/Region" "Aggregate" [9] "Plant" "Aggregate (Business Sector)" [11] "Aggregate (One Sector)"
Umcodieren auf micro/meso/macro:
micro: "Individual", "Firm", "Establishment", "Plant" meso: "Industry", "Labor market", "Employment zone", "Aggregate (Business Sector)", "Aggregate (One Sector)" macro: "Aggregate"
Aber was ist "Individual/Region"?
-
standard_error 30
bitte checken
-
t_statistic
In SEs umwandeln
-
wtr_begin 95 0.92 1989.73 11.64 1915.00 1985.00 1985.00 1997.00 2013.00 ▁▁▁▇▅ wtr_end 95 0.92 1990.93 12.38 1920.00 1985.00 1985.00 2000.00 2013.00 ▁▁▁▇▆ wtr_hours_old 130 0.89 41.75 3.09 39.00 40.00 40.00 44.00 59.00 ▇▂▂▁▁ wtr_hours_new 110 0.91 39.09 2.24 35.00 38.50 38.50 40.00 48.00 ▁▇▁▁▁ sample_begin 34 0.97 1988.14 10.97 1914.00 1985.00 1986.00 1994.00 2013.00 ▁▁▁▇▃ sample_end 34
Bitte checken
-
df_clean$journal_name
Checken ob alle journals peer-reviewed journals sind. Wenn nicht, in
type_studyals "not peer-reviewed" speichern. -
df_clean$wtr_begin
Es gibt hier 94 NAs, bitte kontrollieren
-
df_clean$wtr_hours_old
Es gibt hier NAs, bitte anschauen
-
"Employers and unions (collective agreements) & plant-based (firm-based agreemenst)"
ausbessern und Ludwig bescheid sagen.
-
df_clean$wtr_end
Es gibt hier 94 NAs, bitte kontrollieren
-
wtr_end
Idee: Den Unterschied zwischen
wtr_endund Jahr der jeweiligen Schätzung nehmen und als indep variable reinschmeißen - Idealerweise messen wir damit kurz-/mittel-/langfristige Effekte von AZV.Vorschlag:
sample_end-wtr_endAchtung: in 26 Fällen ist
sample_end-kleiner alswtr_end(in nur 20 Fällen davon istbefore_policy_implementation = Yes- muss überprüft werden. -
20024
Muss in Excel geändert werden
-
df_clean$sample_end
Es gibt hier NAs, bitte anschauen
-
To-do Wir haben hier einen Fehleintrag von 20024 drinnen, der muss noch ausgebessert werden. 1937, 1939, 1980, 1982, 1985, 1986, 1987, 1990, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2002, 2003, 2004, 2005, 2006, 2007, 2012, 2013, 2017, 20024 Ist das eigentlich 2024?
Dasselbe wie voher, 20024 checken
-
df_clean$wtr_hours_new
Es gibt hier NAs, bitte anschauen
-
df_clean$level_analysis
Was bedeutet der Wert
Aggregatehier? -
Transition to a larger size establishmentDummy (Current job: 0, New job (larger size establishment): 1, Nonemployment: 2)Employed, unemployed or inactive (individual)Dummy (0 or 1)14
Anschauen um welche Effekte es hier genau geht
-
Individual is unemployed, employed at a large firm or employed at a small firm at time tDummy (1: Individual is unemployed, 2 if he is employed at a large firm, and 3 if he is employed at a small firm at time t)Employed, unemployed or inactive (individual)Dummy (0 or 1)16Individual is unemployed, employed at a large firm or employed at a small firm at time t+2 (the last year in each panel)Dummy (1: Individual is unemployed, 2 if he is employed at a large firm, and 3 if he is employed at a small firm at time t + 2)Employed, unemployed or inactive (individual)Dummy (0 or 1), interaction20Job to non-employmentDummy (Current job: 0, New job: 1, Nonemployment: 2)Employed, unemployed or inactive (individual)Dummy (0 or 1)14
Anschauen um welche Effekte es hier genau geht
-
dependent_variable_name_category == “Employment (growth)”
Für alle Variablen ansehen was genau gemessen wird, + Formeln heraussuchen. Im Idealfall können wir alles mit Employment per person kombinieren.
-
Job-Job-TransitionDummy (Current job: 0, New job: 1, Nonemployment: 2)OtherDummy (0 or 1)28Staying at jobDummy (Current job: 0, New job: 1, Nonemployment: 2)OtherDummy (0 or 1)14
Nochmal genauer anschauen
-
Job growth rate (in %)
Sind das besetze Jobs oder ausgeschriebene JObs?
-
Differences and logEmployment (number of persons)Standard hours, log and differences
Checken:
- Was sind logged differences?
- Wie liest man eine Regression der Form "logged differences" auf "logged differences", und kann man das vergleichbar machen?
-
Standard workweek, log
Anschaune ob es vergleichbar ist
-
-
Local file Local file
-
df_clean$level_analysis
Was bedeutet der Wert
Aggregatehier? -
df_clean$wtr_hours_new
Es gibt hier NAs, bitte anschauen
-
To-do Wir haben hier einen Fehleintrag von 20024 drinnen, der muss noch ausgebessert werden. 1937, 1939, 1980, 1982, 1985, 1986, 1987, 1990, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2002, 2003, 2004, 2005, 2006, 2007, 2012, 2013, 2017, 20024 Ist das eigentlich 2024?
Dasselbe wie voher, 20024 checken
-
wtr_end
Idee: Den Unterschied zwischen
wtr_endund Jahr der jeweiligen Schätzung nehmen und als indep variable reinschmeißen - Idealerweise messen wir damit kurz-/mittel-/langfristige Effekte von AZV.Vorschlag:
sample_end-wtr_endAchtung: in 26 Fällen ist
sample_end-kleiner alswtr_end(in nur 20 Fällen davon istbefore_policy_implementation = Yes- muss überprüft werden. -
df_clean$sample_end
Es gibt hier NAs, bitte anschauen
-
20024
Muss in Excel geändert werden
-
df_clean$wtr_end
Es gibt hier 94 NAs, bitte kontrollieren
-
df_clean$wtr_begin
Es gibt hier 94 NAs, bitte kontrollieren
-
df_clean$wtr_hours_old
Es gibt hier NAs, bitte anschauen
-
"Employers and unions (collective agreements) & plant-based (firm-based agreemenst)"
ausbessern und Ludwig bescheid sagen.
-
df_clean$journal_name
Checken ob alle journals peer-reviewed journals sind. Wenn nicht, in
type_studyals "not peer-reviewed" speichern. -
wtr_begin 95 0.92 1989.73 11.64 1915.00 1985.00 1985.00 1997.00 2013.00 ▁▁▁▇▅ wtr_end 95 0.92 1990.93 12.38 1920.00 1985.00 1985.00 2000.00 2013.00 ▁▁▁▇▆ wtr_hours_old 130 0.89 41.75 3.09 39.00 40.00 40.00 44.00 59.00 ▇▂▂▁▁ wtr_hours_new 110 0.91 39.09 2.24 35.00 38.50 38.50 40.00 48.00 ▁▇▁▁▁ sample_begin 34 0.97 1988.14 10.97 1914.00 1985.00 1986.00 1994.00 2013.00 ▁▁▁▇▃ sample_end 34
Bitte checken
-
t_statistic
In SEs umwandeln
-
standard_error 30
bitte checken
-
"Individual" "Industry" [3] "Firm" "Establishment" [5] "Labor market" "Employment zone" [7] "Individual/Region" "Aggregate" [9] "Plant" "Aggregate (Business Sector)" [11] "Aggregate (One Sector)"
Umcodieren auf micro/meso/macro:
micro: "Individual", "Firm", "Establishment", "Plant" meso: "Industry", "Labor market", "Employment zone", "Aggregate (Business Sector)", "Aggregate (One Sector)" macro: "Aggregate"
Aber was ist "Individual/Region"?
-
estimated_variables 4 1.00 14.00 26.84 1.00 2.00 3.00 17.00 255.00 ▇▁▁▁▁ estimated_fixed_effects 8 0.99 1617.31 14574.57 0.00 0.00 0.00 0.00 168265.00 ▇▁▁▁▁ sample_size 18
Bitte checken
-