author_1
Eine Tabelle erstellen welche Autoren als irgendein Author (first-last) in papers auftauchen und relativen Anteil ausrechnen
51 Matching Annotations
- Last 7 days
-
Local file Local file
-
-
Missed variable - check `fct_collapse` command
Das sollten eigentlich alle originalen value labels sein - überprüfen!
-
df_clean$ts_or_se_information
Evt. Dummy bauen ob SEs clustered wurden oder nicht?
-
df_clean$preferred_estimate
Falls wir's benutzen wollen müssen wir die Variable überarbeiten.
Vorschlag: Main result vs. robustness check
-
Duwendag
Wir brauchen einen d_Duwendag - Dummy
-
df_clean$before_policy_implementation
Sollen wir das als Kontrolle benutzen?
-
df_clean$dependent_variable_name_category
-
df_clean$regression_fixed_effects_description
ähnlich wie andere Dummies fixed-effects-dummies bauen
-
df_clean$independent_variable_wtr_form
-
df_clean$dependent_variable_form
Wichtig!
-
df_clean$econometric_issues_techniques
-
df_clean$control_group
-
df_clean$econometric_model_design
Die Woche dkisutieren
-
df_clean$workers_income
Evt. nutzbar? "Wer kann es sich leisten, AZV zu machen"?
-
df_clean$firms_size
Die Woche diskutieren
-
df_clean$regression_controls_description
Mehrere Dummies daraus bauen
-
df_clean$sector_type
Ich sehe zwei Möglichkeiten das zu codieren:
- Nach Sektoren - Gibt es Unterschiede zwischen
Manufacturingund anderen ? (Agriculture hat nur 6 obs..) - Nach Arbeitsintensität - Macht es einen Unterschied ob ich einen Bürojob habe oder am Fließband/am Bau/am Acker arbeite?
- Nach Sektoren - Gibt es Unterschiede zwischen
-
df_clean$workers_working_hours
Eventuell für Unterscheidung Vollzeit/Teilzeit wichtig! Wie können wir das konzeptuell analysieren?
-
df_clean$treatment_group
-
df_clean$level_analysis
Was bedeutet der Wert
Aggregatehier? -
Monthly
Es gibt nur 20 davon... wie damit umgehen?
-
df_clean$data_type
drei Dummies daraus machen
-
df_clean$entire_sample_period
in Dummy umwandeln
-
df_clean$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$wtr_begin
Es gibt hier 94 NAs, bitte kontrollieren
-
df_clean$wage_adjustment
Ganz am Ende diskutieren
-
df_clean$costs_overtime
Ganz am Ende diskutieren
-
df_clean$wtr_hours_old
Es gibt hier NAs, bitte anschauen
-
df_clean$accompanying_measures
Ganz am Ende diskutieren
-
df_clean$motivation
Ganz am Ende diskutieren
-
"Employers and unions (collective agreements) & plant-based (firm-based agreemenst)"
ausbessern und Ludwig bescheid sagen.
-
Vorschlag “State (Law)”, “State (Law), Tripartite Comission”, “State (Law), in discussion with employers and employees”, “Agreements between firms and the president”, “State (Law), agreement between trade unions and industry”, “State (Law) & collective agreements”, “State (Law), partly collective agreements” → State “Employers and unions (collective agreements)” & “Employers and unions (collective agreements) & plant-based (firm-based agreemenst)”, “Establishment” → Collective agreement “Establishment” → ?
WIr müssen diskutieren, ob
Establishmentwirklich teil vonEmployers and employeessein soll, oder ob wir das als eigenen Daummy kodieren und dafürEmployers and employeesinCollective agreementszurückbenennen. -
df_clean$journal_name
Checken ob alle journals peer-reviewed journals sind. Wenn nicht, in
type_studyals "not peer-reviewed" speichern. -
“Germany (West)”, “Germany (East)”, “Germany (Baden-Württemberg)”, “Germany (Nordrhein-Westfalen)”, “Germany (Hessen)”, “Germany (Niedersachsen)”, “Germany (Hamburg)”, “Germany (Schleswig-Holstein)” & “Germany (Baden-Württemberg, Nordrhein-Westfalen, Hessen, Niedersachsen, Hamburg, Schleswig-Holstein)” → Germany
Eventuell unterteilen in BRD/DDR?
-
df_clean$year_study_published
eventuell in Datum umkodieren, und dann in
var_infodaten sortieren. -
df_clean$d_funding
Variable und value labels hinzufügen (variable label von
fundingübernehmen) -
“Panel (Portugal, Italy, France, Belgium, Slovenia)” & “Panel (Sweden, Norway)” → Panel
Eventuell überdenken wie sinnvoll diese Gruppierung ist - schmeißen wir hier nicht Äpfel mit Birnen zusammen?
-
Aufgabe Eigenen d_region-Dummy bauen, der 1 ist wenn es sich bei den Ergebnissen um eErgebnisse einzelner Regionen handelt, die nicht repräsentativ für das ganze Land sind
Aufgabe erledigen
-
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
-
wtr_abs_change
rüber ins regrresion-file schieben
-
t_statistic
In SEs umwandeln
-
standard_error 30
bitte checken
-
d_funding 0 1.00 0.22 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ wtr_perc_change 130 0.89 -6.30 4.15 -27.08 -9.09 -3.75 -3.75 -2.50 ▁▁▁▂▇ wtr_abs_change
alle in s regression file tun
-
"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
-
d_worker_sex_fully_male 0 1.00 0.04 0.20 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_worker_sex_fully_female 0 1.00 0.05 0.22 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_unskilled_low_skilled_workers 0 1.00 0.02 0.13 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_medium_high_skilled_workers 0 1.00 0.00 0.06 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▁ d_only_blue_collar_workers 0 1.00 0.21 0.41 0.00 0.00 0.00 0.00 1.00 ▇▁▁▁▂ d_only_white_collar_workers
alle ins regresion file tun
-