مدل احتمال مشارکت زنان در ایران: الگوی لاجیت ناپارامتری

نویسندگان

1 دکترای عمران، دانشکده مهندسی، دانشگاه زابل

2 دکترای اقتصاد دانشگاه تربیت مدرس

چکیده

در این مقاله، یک روش مدل‌سازی لاجیت ناپارامتری برای تخمین احتمال مشارکت کار زنان ایران مطابق با داده‌های هزینه درآمد خانوار سال 1388، معرفی شده است. تابع لجستیک برای احتمال مشارکت زنان به کمک روش حداکثر درست‌نمایی براساس متغیرهایی مانند موقعیت جغرافیایی (شهری/روستایی) درآمد شوهر، سواد زن، سن زن، درآمد غیرکاری، تعداد بچه بالای شش سال و زیر شش سال برازش شده است. دقت مدل‌سازی دو الگوی لاجیت پارامتری و ناپارامتری با استفاده از آماره‌هایی مانند وایت، ضریب اطمینان و میانگین مجذور خطا ارزیابی شده است. در انتها، اثر نهایی متغیرهای ورودی بر احتمال مشارکت زنان براساس ضرایب برازش شده مدل پارامتری و مدل ناپارامتری ارایه شده، برآورد شده است. نتایج حاکی از آن است که مدل‌سازی ناپارامتری دقت بیشتری نسبت به الگوی لاجیت پارامتری دارد. بیشترین تأثیر مثبت و منفی بر مشارکت زنان ایرانی به ترتیب براساس سواد زن و بچه زیر شش سال بوده است.

کلیدواژه‌ها


مرکز آمار ایران، سالنامه آماری کشور، سال 1388.

سارانی، زینب، بهروز کشته‌گر و غلامرضا کشاورزحداد (1393)، «مشارکت زنان متأهل در بازار کار ایران: مدل‌سازی غیرخطی تابع لاجیت»، فصلنامه مدل‌سازی اقتصادی، سال هشتم، شماره 3، صص 134-115.

کشاورزحداد، غلامرضا و مرتضی باقریقنبرآبادی (1390)، «تحلیل احتمال مشارکت زنا نشهری وروستایی ایران در بازار کار با استفاده ازروش‌های اقتصادسنج یپارامتریک و ناپارامتریک»، مجلهتحقیقاتاقتصادی، سال ششم، شماره 96، صص 174-151.

کشاورزحداد، غلامرضا و آرش علویان قوانینی (1391)، «شکاف جنسیتی دستمزد در مناطق شهری ایران»، فصلنامه پژوهش‌های اقتصادی ایران، فصلنامه علمی- پژوهشکده علوم اقتصادی، سال هفدهم، شماره 53، صص 133-101.

کولایی، الهه (1383)، «جنسیت و توسعه در کشورهای خاورمیانه و شمال آفریقا»، مرکز پژوهش‌های مجلس شورای اسلامی.

موحدی، بهروز (1381) )، «چالش‌های اشتغال زنان در ایران»، ماهنامه حقوق زنان، سال چهارم، شماره 21، صص 8 -3.

Bera, A. K., and Bilias, Y. (2001), “Rao’s Score, Neyman’s C (α) and Silvey’s LM tests:An Essay on Historical Developments and Some New Results”, Journal of StatisticalPlanning and Inference, vol. 97, pp. 9-44.

Berulava, G., and Chikava, G. (2012), “The Determinants of Household Labor Supplyin Georgia, France and Romania:a Comparative Study”. Eurasian Journal of Business and Economics, vol. 5, no.9, pp.141-164.

Bianco, A.M., and Martínez, E. (2009), “Robust Testing in the Logistic Regression Model”, Computational Statistics and Data Analysis, vol. 53, pp. 4095-4105.

Carroll, R., Ruppert D., and Welsh, A. (1998), “Local Estimating Equations”, Journal of American StatisticalAssociation, vol. 93, pp. 214–27.

Chiappori, P.A. (1988), “Rational Household Labor Supply”, Econometrica, vol. 56, pp. 63-89.

Chiappori, P.A., (1992), “Collective Labor Supply and Welfare”, Journal of Political Economy,vol. 100, pp. 437-67.

Donni O., and Moreau, N. (2007), “Collective Labor Supply: a Single-Equation Model and SomeEvidence from French Data”, The Journal of Human Resources, vol. XLII, pp. 214-246.

Frolich, M. (2006), “Non-parametric Regression for Binary Dependent Variables”,Econometrics Journal, vol. 9, pp. 511–540.

García, J., and María J. S. (2002), “Female Labor Supply in Spain: The Importance of Behavioural Assumptions and Unobserved Heterogeneity Specification”, Department of Pampeu Fabra.

Gerfin, M. (1996), “Parametric and Semi-parametric Estimation of the Binary Response Model of Labor Market Participation”, Journal of Applied Econometrics, vol. 11, pp. 321–39.

Gong, X., and van Soest, A. (2000), “Family Structure and Female Labour Supply in Mexico City”, IZA Discussion, Paper No: 214.

Keshtegar, B., Piri. J., and Kisi, O. (2016), “A Nonlinear Mathematical Modeling of Daily Pan Evaporation based on Conjugate Gradient Method”, Computers and Electronics in Agriculture, vol. 127, pp. 120-30.

Killingworth, M.R., and Heckman, J. (1986), “Female Labor Supply: a Survey, In Handbook of Labor Economics. Vol. 1.O. Ashenfelter and R. Layard eds. Amsterdam: North-Holland, pp. 101–204.

Klein, R. and Spady, R. (1993), “An Efficient Eemi-ParametricEstimator for Binary Response Models”, Econometrica, vol. 6, no. 1, pp. 387–421.

Komarek, P. (2004), “Logistic Regression for Data Mining and High-Dimensional Classification”, Ph.D. Thesis. Carnegie Mellon University.

Leckner, M. (1991), “TestingLogit Models in Practice”, Empirical Economics, vol. 16, no. 2, pp. 177-198.

Maalouf, M., and Trafalis, T.B. (2011), “Robust Weighted kernel Logistic Regression in Imbalanced and RareEvents Data”, Computational Statistics and Data Analysis, vol. 55, pp. 168-183.

Willmott, C.J., and Matsuura, K. (1998), “On the Use of Dimensioned Measures of Error to Evaluate the Performance of Spatial Interpolators”, International Journal of Geographical, vol. 86, pp. 121-136.