Che materia stai cercando?

Anteprima

ESTRATTO DOCUMENTO

A livello di micro paesi più poveri investono di meno perché hanno meno risorse ma non solo.

Chiaramente l’istruzione ha un effetto diretto sul benessere, dato che influenza l’income attraverso un

aumento della produttività.

Quindi possiamo confermare che la relazione tra scuola e reddito/outcomes sul mercato del lavoro è difficile

da studiare.

2 sugli 8 MDGs della WB hanno come obbiettivo l’aumento dell’istruzione e sono:

1. GOAL 2 “Ensure that, by 2015, childern everywhere will be able to complete a full course pf primary

schooling”

Obbiettivo del 2000 per il 2015, è stato potenzialmente raggiunto in quanto il tasso di iscrizione alla scuola

primaria è aumentato drasticamente ma non si è comunque raggiunta la copertura universale, è aumentato

dall’83% nel 2000 al 91% nel 2015.

2. GOAL 3 “Eliminate gender dispary in primary and secondary education” – assicurare che non vi siano

disparità di genere nell’istruzione.

L’obbiettivo è stato raggiunto per la scuola primaria ma non ancora per la secondaria.

Quindi l’istruzione è una priorità tra le policy dei governi!

 In india, 95% dei bambini ha una scuola alla distanza di mezzo miglio

 Molti paesi europei (Kenya, Uganda, Ghana, Lesotho) offrono l’istruzione primaria gratuita.

Nonostante questi progressi nell’aumento delle iscrizioni e nel numero di anni di istruzione dal 1960, 113 milioni di

bambini in età da scuola primaria non vanno a scuola: 94% di questi vive nei paesi in via di sviluppo.

Perché gli individui investono meno in istruzione nei paesi in via di sviluppo?

Analizziamo i costi e i benefici

Perché la gente investe meno in istruzione? Perché si guarda ai costi e ai benefici.

Benefici:

- L’istruzione aumenta la produttività e quindi il reddito futuro

- Vi è un impatto sulla salute ogni anno addizionale di scuola della madre è associato a un 5-10% di

riduzione della mortalità infantile.

- L’istruzione può velocizzare l’adozione di nuove tecnologie, ad esempio in agricoltura

- Individui più istruiti sono più attivi nella vita sociale civile

- L’istruzione porta benefici sociali come: meno crimini, crescita economica, etc..

Costi: - Costi diretti: tasse, uniformi, mezzi di trasporto, libri…

- Costi pubblici: sussidi del governo, mense a scuola, etc…

- Costi opportunità: mancato guadagno di non andare subito a lavorare

Problema: i benefici sono nel futuro e i costi sono nel presente, quindi alcuni bambini “ripagheranno” i genitori

dell’investimento futuro, altri no.

Dato che l’aspettativa di vita nei PVS è bassa, i benefici potrebbero non arrivare mai, quindi i costi sono spesso

maggiori dei benefici e la gente investe meno in istruzione.

Guardiamo inoltre dal lato della domanda e dell’offerta

Lato della domanda: (famiglie che chiedono S)

- Bassa domanda i genitori sanno che i benefici o i ritorni dell’istruzione sono bassi nei PVS

- Vi è una stretta relazione tra istruzione e mercato del lavoro

- Idea: l’istruzione è un investimento, quindi la gente investe in istruzione se sa di guadagnarci.

Lato dell’offerta:

- Scarsa qualità dell’istruzione

o World Abseenteism Survey (WB): si è stimato che gli insegnanti perdono in media 1 giorno di scuola

ogni 5 giorni in 6 paesi (Bangladesh, Ecuador, India, Indonesia, Peru, Uganda), quindi i bambini

vanno a scuola ma non imparano.

o Anche quando sono a scuola, gli insegnanti non vanno in classe (es: parlano con I colleghi, bevono il

the’, etc) => Come possono imparare i bambini?

o Infatti: in India 35% dei bambini in 7-14 grades non sono in grado di leggere un semplice paragrafo e

60% non sono in grado di leggere una storia e il 30$ non è in grado di svolgere semplici esercizi di

matematica (ASER report)

- Scuole private: minor tasso di assenteismo degli insegnanti e i bambini nelle scuole private vanno meglio ma

non si puo’ istruire solo un’elite…

Come incentivare gli investimenti in istruzione nei paesi poveri?

I ricercatori studiano e hanno studiato come aumentare l’investimento in istruzione nei paesi poveri

Questo può essere fatto riducendo i costi della scuola e aumentando i benefici

Potete pensare a degli interventi/progetti che riducono il costo della scuola e aumentano il beneficio?

I possibili interventi per ridurre il costo della scuola possono essere:

1. Eliminare le tasse scolastiche effetto: istruzione gratuita

Esempio: in Uganda con l’istruzione gratuita, l’iscrizione è aumentata da 2.6 milioni a 5.5 milioni in 4 anni

2. Distribuire le uniformi per ridurre le barriere finanziarie dei genitori

Esempio: in Kenya il costo dell’uniforme è $6 (reddito pro capite è $340), con l’esperimento di Kremer et al

(2002) con un RCT si forniscono le uniformi ad alcuni studenti e ad altri no. Dopo 5 anni si nota che i

ragazzi che hanno ricevuto le uniformi hanno raggiunto il 15% in più di anni di istruzione.

3. Aumentare il numero di scuole per ridurre i costi di trasporto

Esempio: esperimento di Duflo (2001) in Indonesia in cui crea un programma di costruzione delle scuole

4. Fornire libri di testo

Esempio: esperimento di Glewwe, Kremer and Moulin (2007) per ridurre il costo dei libri

[vediamo subito dopo]

I possibili interventi per aumentare i benefici

1. Interventi per migliorare l’apprendimento e ad esempio ridurre l’assenteismo degli insegnanti

Esempio: esperimento Duflo and Hanna (2005) [vediamo subito dopo]

2. Importante capire la composizione ideale della classe

Esempio: esperimento Duflo, Dupas and Kremer (2010)

Vediamo adesso nel dettaglio 3 interventi:

1 – Ridurre il costo dei libri, fornire libri di testo

Glewwe, Kremer and Moulin (2007), “Many Children left behind: Textbooks and test scores in Kenya”

Una vecchia lettura trova che aumentare gli inputs (libri) migliora le performance student.

Questi tre soggetti implementano un RCT per testare se fornire gratuitamente libri di testo (input) ha degli effetti

sull’iscrizione degli studenti e sulla loro performance accademica (voti).

Una NGO olandese ha fornito gratuitamente libri di testo alle scuole primarie nelle aree rurali del Kenya.

Le scuole primarie nelle aree rurali del Kenya difficilmente forniscono libri di testo agli studenti. I genitori infatti

devono comprarli e difficilmente possono permetterselo.

- Il progetto infatti aveva l’obbiettivo di ridurre il costo dell’istruzione per le famiglie e allo stesso tempo

migliorare la qualità dell’istruzione.

Programma:

- Programma implementato in Kenya occidentale in due distretti

- 100 scuole, ne le migliori, ne le peggiori, sono state selezionate dal Ministero

- Nel 1996, le 100 scuole, sono state casualmente assegnate a 4 gruppi di 25 scuole ciascuno

- Nel 1996, le 25 scuole nel gruppo 1 (T) hanno ricevuto i libri di testo per gli studenti nella scuola primaria.

- Gli altri gruppi hanno ricevuto i libri in un secondo momento (C)

Statistiche descrittive:

La prima cosa da fare è verificare che prima dell’intervento i gruppi di scuola siano identici.

Vediamo che nel confronto di voti tra (C) e (T) la differenza è circa zero, questo mi garantisce che le scuole trattate

siano state selezionate in modo casuale.

Cosa ci aspettiamo: dato che i libri ora sono disponibili, il tasso di istruzione dovrebbe aumentare dato che i genitori

sostengono costi minori e la performance dovrebbe migliorare visto che gli studenti possono studiare sui libri.

Empiricamente stimiamo: t = α + βP + ε

i,j,k,s s i,J,K,S

dove:

- t = voto

- i = studente

- j = classe

- k = materia: matematica, scienze, inglese

- s = scuola

- P = 1 se la scuola ha ricevuto i libri

Ci aspettiamo che β sia > 0

Dato che i libri sono stati assegnati in modo casuale la nostra variabile di interesse è esogena e

E[P e ] = 0

s i,j,k,s

Risultati:

Vi è stato un effetto negativo di β perché in media individui trattati riducono la propria istruzione.

A differenza delle aspettative per esempio trovano:

- Nessun effetto dei libri sulla frequenza, drop our e tasso di ripetizione

- Nessun effetto dei libri sui voti di inglese, matematica e scienze per la maggior parte degli studenti

- Solo i voti degli studenti che erano già in cima (20%) alla distribuzione dei voti sono migliorati.

β è negativo e non significativo.

Tutto questo perché:

- I libri erano troppo difficili per uno studente medio nell’area rurale del Kenya

- Gli studenti condividono i libri, quindi anche prima del programma avevano accesso ai libri

- Gli insegnanti non sono abituati ad insegnare con i libri e potrebbero non averli inseriti nel curriculum

scolastico

- Semplicemente che non è la mancanza di libri il problema ma qualcos’altro

- Molti altre RCT che forniscono “input” non hanno generato grandi effetti su iscrizione e performance

- In generale, il problema di molti paesi in via di sviluppo è il focus su istruire un élite’, cioè i governi tendono

ad istruire solo i più ricchi e i più abili.

- Solo gli studenti potenzialmente più bravi vengono incentivati a studiare

- Problema del “waste of talent” => molti talenti provenienti da background più difficili non vengono istruiti,

quindi si ha una perdita di talenti che avendo potenziale alto non studiano.

2 – Aumentare i benefici

PAPER: Duflo Hanna Ryan (2012), "Monitoring works: Getting teachers to come to school"

In molti paesi in via di sviluppo hanno aumentato e facilitato l’accesso alla scuola primaria, ma anche quando i

bambini vanno a scuola non è detto che stiano imparando evidenza empirica sul fatto che i bambini a scuola non

imparano.

Un altro problema è l’assenteismo degli insegnanti.

Gli insegnanti hanno un potere politico forte nei PVS specialmente nelle aree rurali, il che significa che è molto

difficile licenziare un insegnante anche se spesso assente.

In India, in un giorno casuale, circa il 65% dei ragazzi nella scuola primaria non sa leggere, e circa il 24% degli

insegnanti sono assenti durante le ore di scuola.

Perché è un problema di difficile risoluzione?

Questo paper studia un progetto innovativo per ridurre l’assenteismo degli insegnanti in India.

Obbiettivi sono:

- aumentare il monitoraggio degli insegnanti

- aumentare gli incentivi finanziari

Campione: 120 scuole, selezionate casualmente nel 2003 con 1 solo insegnate, che per definizione non poteva

essere monitorato, infatti quando assente la scuola è chiusa.

Le scuole primarie sono formate da 20 bambini e sono aperte 6 ore al giorno.

Progetto: -60 scuole (T) hanno ricevuto la macchina fotografica che stampa la data e l’orario di quando è stata

fatta la foto e l’incentivo

-60 scuole (C) gruppo di controllo che non riceve nulla

Intervento:

Il gruppo T o Per il monitoraggio: si distribuisce una macchina fotografica con istruzioni ad un bambino di fare la

foto con data e orario di quando è stata fatta la foto. La foto deve essere dell’insegnante con la

classe.

L’insegnante si definisce “non assente” se mostra 2 foto con almeno dell’inizio e della fine delle

lezioni con almeno 8 bambini. Le foto devono avere almeno 5 ore di distanza l’una dall’altra.

o Per l’incentivo: gli insegnanti avevano un salario di base di 1000 rupie (circa 23 dollari) al mese, se

fanno almeno 21 giorni di lezione. Per incentivare l’insegnamento gli economisti offrono un bonus di

50 rupie (circa 1,5 dollari) per ogni giorno in più oltre il 21esimo giorno, e meno 50 rupie per ogni

giorno di assenza.

Il gruppo C non riceve nessun intervento, nessun incentivo e monitoraggio, ma si raccolgono i dati prima e dopo

l’intervento.

Cosa fare:

1 – si controllano che le scuole trattate e le scuole di controllo siano simili prima dell’intervento.

Vediamo che : Trattati (T) Controlli (C) Differenza nelle medie

num. di studenti presenti 17,7 16 Simile, non significativo

test score insegnanti 34,9 33,62 Simile, non significativo

test score ragazzi 0,17 0,19 Simili .. etc

Caratteristiche simili nei due gruppi ci dice che la selezione delle scuole è avvenuta in modo casuale.

Equazione empirica: α + Βt + ε

Y = i i

i

Dove:

- Y può essere i = scuola e assenteismo insegnanti / ii = test score tra T e C

- Ti = 1 se la scuola ha ricevuto il trattamento

Cosa ci aspettiamo:

 α + Βt + ε

i attendance i = dove ci aspettiamo B > 0

I i

 α + Βt + ε

ii test score j,i = dove ci aspettiamo B > 0

i j,i

Risultati:

1. Gli insegnanti nelle scuole trattate sono più presenti, il tasso di assenteismo si è ridotto dal 44% al 22%

2. La frequenza dei bambini è aumentata, spinta da una miglior offerta

3. I voti sono migliorati e le ragazze sono migliorate più dei ragazzi

4. Aumento di studenti iscritti nelle scuole pubbliche

3 – Migliorare l’apprendimento

PAPER: Dupas, Duflo, Kremer (2011), "Peer Effects, Teacher Incentives, and the Impact of Tracking: Evidence from a

Randomized Evaluation in Kenya"

Ipotesi di partenza: gli studenti hanno una performance maggiore se messi insieme a studenti più bravi.

Si attua un meccanismo in cui si mettono insieme i più bravi con i più bravi e i meno bravi con i meno bravi, questo

meccanismo prendi il nome di “tracking” e permette agli insegnanti di svolgere lezione più in linea con le esigenze

degli studenti, quindi beneficiandoli.

Questo suggerisce che l’impatto del tracking dipende dagli incentivi degli insegnanti

Dupas, Duflo e Kremer fanno un esperimento in Kenya per rispondere a questa domanda di ricerca, per capire se

il tracking funziona.

Nel 2005, 121 scuole primarie in Kenya hanno ricevuto dei fondi per assumere un insegnante extra per la prima

elementare.

Le classi sono state divise in 2 sezioni: di cui una sezione con il nuovo insegnante.

- In 60 scuole selezionate casualmente, gli studenti sono stati divisi tra le sezioni in base ai loro risultati

scolastici = bravi e meno bravi

- In 61 scuola gli studenti sono stati assegnati casualmente alle due sezioni.

Statistiche descrittive:

La durata del programma è 18 mesi

Outcome di interesse sono i voti in matematica e inglese

αT + X β + ε

L’equazione: Y = j i,j i,j

i,j

Dove:

- Y è il voto dello studente i nella scuola j dopo 18 mesi

- Tj = 1 se j è la scuola trattata dove gli studenti sono stati suddivisi con il tracking

- Xi sono le caratteristiche demografiche dello studente i nella scuola j.

Risultati: - B > 0 -> quindi il tracking è una buona

cosa per aumentare i test score medi di

tutti gli studenti anche quelli nelle sezioni

dei “meno bravi”

Dopo 18 mesi di trattemento (tracking) gli

studenti nelle scuole (T) hanno voti medi

più alti di circa 0.139 (standard deviation)

Quindi: t = beta / SE = 0.139/0.078 ci dice

che è statisticamente significativo circa al

10%

Questo perché il tracking può rifocalizzare

l’attenzione degli insegnanti sullo studente

medio

Conclusioni:

- Gli studi discussi forniscono evidenza contrastante su come la domanda di istruzione risponde a una

riduzione nei costi, ma sembra rispondere agli incentivi

- Numerose ricerche hanno fatto luce su come aumentare l’istruzione nei PVS

- MA, rimangono aperte ancora molte domande per capire come aumentare il tasso di iscrizione, ridurre il

“gender gap” e migliorare la qualità della scuola

- Il potenziale degli RCT ci aiuterà a migliorare la nostra conoscenza su come aumentare l’istruzione dei paesi

in via di sviluppo Lezione 6

Rendimento scolastico e differenze tecniche

Riferimenti bibliografici:

- Fryer and Levitt, 2004, “Understanding the Black-White Test Score Gap in the first two years of School”, Review

of Economics and Statistics

- Fryer and Levitt 2013. “Testing for racial difference in the mental ability of young children”

- Burns, Corno, La Ferrara, 2016. “Interaction, prejudice and performance. Evidence from South Africa”

- Carlana, La Ferrara, Pinotti, 2015 “Shaping Educational Careers of immigrant children: Motivation, Cognitive

Skills and Teachers beliefs

Gap in “ability” tra bianchi e neri

Parliamo di gap nelle abilità (nel quoziente intellettivo).

La ricerca parte dal famoso sociologo americano Coleman che ha scritto un report commissionato nel 1960 dal US

Depart of education su l’uguaglianza in istruzione negli USA.

Il “Coleman Report” era di più di 700 pagine conteneva dati su più di 650.000 studenti (campione)

Il background degli studenti e il loro status sociale sembra essere molto più importante rispetto alla qualità della scuola

e degli insegnanti.

Questo report fu il primo studio a documentare le differenze etniche (bianchi e neri) nel rendimento scolastico e nelle

skills a parità di istruzione.

Non solo questo gap esiste ma si analizza che cresce anche con l’età degli studenti.

Questo sostanziale gap tra i test score degli studenti bianchi e neri è stato confermato da studi empirici fatti dal 68

all’81, si è svolto un semplice confronto tra le medie dei test scores e si vede che rileva che gli studenti neri prendono

voti più bassi rispetto ai bianchi in test standardizzati.

Perché è importante capire questo gap e il suo motivo? Perché le differenze nei livelli di abilità e istruzione portano a

differenze anche di salario. Quindi è importante per produrre politiche che riducono la disuguaglianza nei salari.

Le ragioni di questo gap, quali potrebbero essere? Ci sono diverse spiegazioni:

- Differenze nella genetica di bianchi e neri

- Differenze nella struttura della famiglia e povertà

- Differenza nella qualità della scuola

- Percezione degli insegnanti

- Differenze culturali (famiglie, reddito, etc.)

PAPER 1 - Dopo il report di Coleman, Fryer and Levitt (2004) hanno provato ad utilizzare un nuovo dataset per trovare

nuove informazioni testando nuove ipotesi.

Il loro punto di partenza è sempre lo studio del GAP tra Bianchi e Neri. Per farlo vengono presi nuovi dati su bambini

della scuola materna e:

1) Hanno testato se esiste effettivamente questo GAP;

2) Hanno cercato di capirne i motivi.

In particolare:

 Usano dati dal Early Childhood Longitudinal Study Kindergarten Cohort (ECLS-K), dati raccolti dal Ministry of

Education in USA;

 Questo Dataset considera un Campione di 20000 bambini che iniziano la scuola materna nell’autunno 1998

negli Stati Uniti, e che poi verranno seguiti fino alla prima elementare;

 Fanno parte del campione 1000 scuole con più di 20 bambini per scuola

 Sono state raccolte molte info sui bambini: sia info demografiche sia info di performance (tests) nella scuola

materna prima e poi nella prima elementare;

 I Bambini verranno infatti poi reintervistati alla fine della prima elementare.

Questi studi vengono fatti negli USA perché è necessario che ci sia un campione significativo sia di bianchi sia di neri.

In particolare la composizione dei campioni era:

- 58% bianchi;

- 16% neri;

- 19% ispanici;

- Il restante: asiatici (circa 2.8%) + altre razze.

È un grafico che spiega la media dei test score dei ragazzi (non si tratta di esami ma di test fatti da esperti.

Le statistiche descrittive ci dicono che nell’autunno del 1998 nella scuola materna:

- I Test score dei bianchi è: 0.274 sd sopra la media in matematica e 0.147 in italiano;

- I Test score dei neri è: 0.364 sd sotto la media in matematica e 0.255 in italiano.

Si osserva inoltre che:

- Il Gap si ampia in prima elementare, quindi aumenta nel corso degli anni e dell’età dei ragazzi;

- Questi Dati sono confermati dal teacher assessment, cioè dalla valutazione degli insegnanti.

Quale sarà l’EQUAZIONE da stimare?

L’equazione stimata è:

TEST SCORE = α + β race + γ X + ε

i i i i

Dove:

- “i” è lo studente;

- X include i controlli per, ad esempio, background sociale-economico, numero di libri per bambini, genere, età,

peso alla nascita, se la madre è adolescente;

- RACE include i gruppi etnici e la variabile omessa è «bianco». Quindi RACE = 0 sono i bianchi; RACE = 1 sono i

neri o altro. Il nostro β è l’effetto di essere nero rispetto ai bianchi. Ci aspettiamo quindi un β<0, dunque

negativo.

In altre parole ho un’ipotesi nulla: H = β<0, ovvero c’è una correlazione negativa tra essere nero ed i Test

- 0

Score.

I Risultati nelle prime colonne riflettono il gap visto nelle statistiche descrittive: i neri hanno un test score in

matematica più basso e quindi essere nero riduce la possibilità di preformare bene.

Nelle colonne successive vengono inclusi gli altri controlli. Ecco cosa si osserva:

- Includendo l’indice per lo stato socio-economico il gap si reduce notevolmente (di più del 40% in matematica);

- Poi includendo il n. di libri a casa il gap ancora si reduce (variabile che cattura l’ambiente familiare);

- Il gap svanisce e addirittura diventa positivo per il test score in reading!

DUNQUE: A differenza degli studi precedenti, l’inclusione di controlli elimina ogni differenza nei test scores tra

bianchi e neri!

Se guardiamo i test fatti durante la prima elementare, cosa succede?

Si osserva che Il gap torna ad aumentare quando guardiamo ai test score in primavera e in prima elementare. E

questo avviene nonostante i nostri controlli.

Come mai?

È molto importante capire il perché per poter disegnare politiche che riducano questo gap.

Ci sono diverse ipotesi per cui il GAP aumenta:

1) Gli studenti neri frequentano scuole di minor qualità;

2) L’importanza dell’ambiente e il background familiare crescono con l’età;

3) Per il peggior background, è possibile che i neri rimangano più indietro durante l’estate quando sono lontani

dalla scuola e a stretto contatto con la famiglia;

4) I risultati semplicemente riflettono misure poco precise di tests score a quell’età. Il fatto è che magari i TESTS

riflettono errori di misura per bambini che non sanno leggere e scrivere (scuola materna);

5) Discriminazione da parte degli insegnanti.

Testiamo ciascuna di queste ipotesi.

Ipotesi 1: Gli studenti neri frequentano scuole di minor qualità

Si osserva che:

- Da Colonna 1 a colonna 3 si nota come i neri peggiorano le performance rispetto ai bianchi: c’è dunque un

GAP tra i TEST SCORE dei bianchi e dei neri che oltretutto si amplia tra autunno della scuola materna e

primavera della scuola elementare.

Qui però vengono escluse le scuole dove ci sono solo bianchi;

- Le colonne 7-9 includono effetti fissi per scuola. Vuol dire che stiamo analizzando il gap all’interno della stessa

scuola invece che tra scuole diverse: il gap è quasi uguale a zero.

Dunque concludiamo che la qualità della scuola frequentata dai bianchi e neri può quindi spiegare il gap nei risultati

scolastici tra bianchi e neri.

Quindi l’HP è una delle spiegazioni più importanti.

1

Ipotesi 2: L’importanza dell’ambiente e il background familiare crescono con l’età

Si deve osservare se il coefficiente delle variabili socio-demografiche sia valido.

La grandezza dei coefficienti nei controlli della madre e del background familiare (es: libri a casa) sono piccoli e poco

significativi.

Non troviamo dunque differenze nei coefficienti delle diverse variabili di controllo.

Non è vera questa ipotesi (HP ) perché i coefficienti nella tabella 5 delle variabili socio-economiche sono molto simili

2

nella scuola materna e nella prima elementare.

Ipotesi 3: Per il peggior background, i neri rimangono più indietro durante l’estate

Viene eseguita una regressione in cui testano i TEST SCORE nei due momenti diversi:

Importante testare questa ipotesi perché gli interventi di policy potrebbero essere focalizzati in estate e non durante

l’anno scolastico.

Si possono confrontare i voti nella primavera dell’ultimo anno di asilo (scuola materna) con quelli dell’autunno del

primo anno di scuola elementare.

Da questo confronto emerge che I tests in autunno e primavera sono molto simili a quelli del full sample.

L’evidenza nella tabella sopra mostra che anche l’HP3 è da scartare.

Ipotesi 4: Misure poco precise

NON ci sono misure poco precise perché le valutazioni

soggettive degli insegnati riflettono i risultati dei TEST

SCORE.

In altre parole: I patterns (cioè i modelli, gli schemi) visti

per i test scores sono replicati in modo identico se si

guarda alle valutazioni degli insegnanti.

Ipotesi 5: Discriminazione degli insegnanti

Se si guarda agli studenti neri con insegnanti bianchi, questi dovrebbero avere una performance peggiore rispetto a

studenti neri con insegnanti neri.

In realtà con l’insegnante nero il GAP è addirittura peggiore rispetto all’insegnante bianco.

Se gli insegnanti avessero aspettative minori dagli studenti neri studenti neri con insegnanti bianchi dovrebbero

avere performance peggiore che studenti neri con insegnanti neri.

MA NON E’ COSI’, IL GAP C’E’ ANCORA: L’HP E’ DA SCARTARE!!!

5

Conclusioni:

- La letteratura precedente ha appurato un gap sostanziale tra bianchi e neri nei risultati accademici

- Con dati nuovi, Frayer & Levitt hanno dimostrato che il gap può essere in parte ridotto controllando per

caratteristiche osservabili

- L’evidenza empirica trova supporto per l’ipotesi che gli studenti neri frequentano scuole peggiori

Dunque questo è un paper che serve per dirci che il GAP tra bianchi e neri esiste solo se non introduciamo dei

controlli per le variabili di tipo culturale-demografico.

L’ipotesi più accreditata è l’HP1

PAPER 2 - Fryer and Levitt, 2013 “Testing for racial differences in the mental ability of young children”

In questo secondo Paper c’è il lavoro sempre di Fryer e Levitt che sono tornati a studiare la stessa cosa 9 anni dopo,

ovvero nel 2013.

Punto di partenza:

- La letteratura precedente attesta che esiste un Gap tra bianchi e neri: ciò è persistente in tutta la letteratura

dagli anni 60-80 (report Coleman) anche controllando per caratteristiche osservabili;

- Solo Fryer e Levitt (2004) trovano che il gap tra bianchi e neri si reduce notevolmente controllando per

background familiare (e più in generale per variabili socio-demografiche).

C’è un dibattito tuttora aperto: alcuni studiosi hanno ipotizzato che le differenze genetiche hanno un ruolo cruciale=>

ma è difficile differenziarle per il fatto che bambini di gruppi etnici diversi crescono sistematicamente in ambienti

diversi.

Come si attesta questo empiricamente?

Con questo Paper hanno trovato DATI sulle abilità mentali di bambini nel primo anno di età: si tratta di un importante

contributo al dibattito.

Dati:

- Bisogna premettere che Non è facile avere dati attendibili e rappresentativi. Ad esempio: il n° limitato di

bambini nati in particolari aree metropolitane;

- Si tratta di dati americani derivanti dal Dataset: “Early Childhood Longitudinal Study BirthCohort” (ECLS-B). E’

il primo Dataset rappresentativo della popolazione americana con dati sulle abilità mentali per bambini da 0 a

2 anni.

- Tale Dataset contiene un campione di 10000 bambini nati negli USA nel 2001.

- Ci sono state dunque due raccolte dati:

1) Prima raccolta dati su bambini tra 8-12 mesi;

2) Seconda raccolta dati sugli stessi bambini non appena avessero compiuto i 2 anni.

Per misurare abilità cognitive, a questi bambini è stato somministrato il TEST “Bayley Scale for Infant Development”

(BSID).

Questo viene sviluppato per misurare l’abilità nei bambini con meno di 12 mesi (un anno) e che attesta tali abilità

mentali sotto 4 parametri:

1) Esplorazione degli oggetti con un obiettivo.

Si osserva se il bambino è in grado di raggiungere un oggetto avendolo come obiettivo;

2) Esplorazione degli oggetti: cioè raggiungerli e tenerli;

3) «Early problem solving».

Ovvero saper prendere un oggetto con un altro oggetto se lontano. L’oggetto viene messo molto lontano: si

osserva se il bambino lo riesce a raggiungere attraverso l’utilizzo di un altro mezzo/oggetto (ad esempio un

giocattolo);

4) Nominare gli oggetti.

Su questa Bayley Scale for Infant Development, ogni bambino riceve un punteggio da 0 a 1 per ogni

categoria/parametro.

Il totale del punteggio viene chiamato “mental function score”.

Attraverso la seguente tabella si vedono le prime statistiche descrittive (medie scolastiche).

Un primo risultato ci dice che per i bambini piccolissimi (circa 8 mesi) non viene osservato questo GAP.

Invece esiste il GAP nelle funzioni mentali intorno ai 2 anni.

Prendiamo ora la nostra EQUAZIONE EMPIRICA:

MENTAL SCORE = α + β razza + γ X + ε

i i i i

Dove:

X = caratteristiche osservabili.

i

Come visto prima, se Razza = 1 significa nero e Razza = 0 significa bianco, ci aspettiamo β < 0.

Se invece considerassimo Razza = 1 -> bianco e Razza = 0 -> nero, allora ci aspetteremmo β > 0.

Risultati: - C’è una Bassissima differenza tra

bianchi e neri nelle abilità mentali dei

bambini a 8-12 mesi (-0.055 standard

deviation);

- Controllando per background socio-

demografico, si reduce ulteriormente questa

differenza (0.015).

- Ma a 2 anni emerge il gap nei test scores tra bianchi e neri;

- I bianchi vanno meglio di 0,3-0,4 standard deviation nei dati grezzi senza controlli e di 0.2 standard deviation

controllando per background socio-demografico;

- Perché la differenza razziale emerge solo dopo? Ci sono 3 possibili spiegazioni:

1) Le abilità cambiano con l’età e ci sono differenze solo per quelle testate a 2 anni (es: un bimbo di 10 mesi

ha uno score alto se gira la testa quando suona un campanello, a 2 anni testano puzzle solving e attività

verbali) => ma queste misure sono correlate, quindi segnalano persistenza nelle abilità;

2) Differenze razziali nello sviluppo cognitivo dei bambini. Ad esempio i neri si sviluppano prima in motor

skills;

3) Importanza della genetica varia nel tempo.

Paper

- Gli autori testano se l’importanza del patrimonio genetico dell’individuo e dell’ambiente cambiano con l’età

- Se conto il patrimonio genetico, la correlazione tra i test score della madre e del figlio devono essere simili alla

correlazione tra i test score del figlio a diverse età.

Con un modello semplice:

- Trovano che la correlazione tra test di madre e figlio è > della correlazione tra i test score del figlio in diverse

età.

Con un modello più complesso:

- Modificano il modello incorporando “assortative mating” (moglie e marito hanno un patrimonio genetico

simile) e l’abilità dei genitori di influenzare l’ambiente circostante

- Queste due variabili sembrano spiegare parte del gap crescente

- Ricerche ulteriori sono comunque necessarie

- Ora vedremo degli esperimenti che hanno ridotto il gap tra gruppi etnici diversi, riuscire in questo è molto

importante perché partire svantaggiati dalla nascita ha implicazioni importanti sul mercato del lavoro.

Burns, Corno, La Ferrara, 2015 “Interaction, Sterotypes and Performance: Evidence from South

PAPER 3 - Africa”.

Progetto:

Si tratta di Valutare l’effetto di una politica che casualmente assegna gli studenti dell’università di Cape Town in camere

miste in termini di razza (e NON di genere).

Si creano dunque le MIXED ROOM: camere doppie con 1 bianco e 1 nero.

Obiettivo:

Osservare quale sia l’impatto di questa allocazione casuale su 4 dimensioni:

1) Pregiudizio: questo si è misurato con test psicologici: gli Implicit Association Test (IAT);

2) Attitudini (survey);

3) Performance Academica (dati amministrativi);

4) Comportamenti sociali più attivi.

Domande di ricerca:

Le domande di ricerca erano sostanzialmente 2:

1) L’interazione sociale con gruppi etnici diversi influisce sugli stereotipi e sul livello di pregiudizio?

2) Può questa interazione migliorare la performance accademica?

Framework teorico (che si aveva in mente all’inizio):

Updating delle informazioni:

Beliefs ex-ante -> Interazione sociale -> Beliefs ex-post.

La direzione dell’effetto (dell’impatto) non è chiara: dipende dal “nuovo segnale” ricevuto.

In sociologia ci sono 2 ipotesi:

1) Contact hypothesis (Allport, 1954): piu’ interazione con altri gruppi comporta una diminuzione di stereotipi

negative;

2) “Negative Contact hypothesis” (Paolini et al. 2010, Barlow et al. 2012): sottolinea le differenze tra i gruppi:

infatti più interazione con altri gruppi sociali comporta un aumento degli stereotipi.

Setting:

Quale ipotesi prevale nel nostro Setting?

Ci troviamo all’Università di Cape Town (UCT). Si tratta di:

- Una università pubblica;

- L’università piu’ prestigiosa di tutto il Sud Africa;

- Un’università che conta 4000-5000 iscritti ogni anno; di questi circa il 50% vive nei dormitori dell’università

(campus);

- Un’università in cui le Ammissioni sono basate sull’Admission Point Score ( cioè si basano sui voti della scuola

secondaria).

Esperimento:

La politica al primo anno è stata la seguente:

Dal 2006 è stata eseguita una “random assignment” ai dormitori. Ovvero dal 2006 in 10 dormitori nel campus avviene

l’allocazione causale degli studenti nelle camere doppie: Questo è il nostro campione.

Dati:

Campione: studenti del primo anno che hanno iniziato l’Università di Cap Town nel 2012 e vivono in camera doppia

nei 10 dormitori con allocazione casuale.

Si è fatta una survey nel febbraio 2012 tra gli studenti che stanno frequentando il primo anno (primo round). E poi nel

settembre 2012 tra gli studenti che stavano terminando il primo anno (secondo round).

Per incentivare la partecipazione all’esperimento sono stati offerti 30 Ren (circa 3,5/4 dollari).

Dunque si fecero 2 round di survey:

1) Nel febbraio 2012 a cui parteciparono 637 studenti (su 924 in camera doppia), ovvero il 70%;

2) Nel settembre 2012 a cui parteciparono 517 su 637, ovvero il 21%.

Dunque la seconda volta meno ragazzi si sottoposero all’intervista.

Si crea un “ATTRITO” tra intervistati e non:

Si ravvisa un tasso di ricontatti del circa 80%.

Se consideriamo Trattati quelli presenti nella Mixed room (T) e Controlli quelli non nella Mixed room (C), la differenza

nell’attrito tra T e C non è statisticamente significativa.

Implicit Association Test (IAT):

Fatte le survey, si sono poi eseguiti gli IAT.

Gli IAT cosa sono? Si tratta di un metodo sperimentale in psicologia che fa in modo che gli individui rivelino una

preferenza (un processo cognitivo) che razionalmente non vorrebbero rivelare oppure che non sono consci di avere.

Dunque:

- Si tratta di un Metodo sperimentale usato in psicologia (Greenwald and Banaji, 1995);

- Si tratta di unire 2 concetti in un task;

- La velocità con cui li associ: indica che questi due concetti sono meno comuni.

È un test che si realizza a computer.

Nel nostro caso sono stati fatti 2 tipi di IAT:

1) “Population” IAT: che era volto a misurare il pregiudizio razziale

2) “Academic” IAT: che fa riferimento alle credenziali accademiche. Combina foto che è il percentile della distribuzione

dei voti.

Nel Population IAT si nota che più alto è lo Score, meno è il pregiudizio.

Inoltre si osserva che gli studenti in mista (T) si comportano come studenti in non mista (C): dunque la

RANDOMIZZAZIONE FUNZIONA!

Le domande del questionario che sono state fatte erano finalizzate a catturare i pregiudizi e gli stereotipi

Per quanto riguarda gli OUTCOME accademici, sono raccolti dei risultati amministrativi sul:

- GPA: voti;

- N° di Esami passati.

Dopodiché c’è una Valutazione finale da Faculty Examination Committees per:

1) Continuare l’università;

2) Drop out.

Qual è dunque la regressione empirica da stimare?

Bisogna testare l’effetto di essere in una camera mista:

Y = α + β X + ε

Per “Y” possiamo intendere dunque:

1) IAT ;

i

2) GPA (ovvero risultati su performance

i

accademiche);

3) Misure attitudinali :

i

NB:

Se β > 0: vuol dire che abbiamo ridotto il

pregiudizio sui neri.

Vediamo ora nel dettaglio i risultati di ciascuna regressione.

RISULTATI IAT:

Y = IAT IAT = α + β Mixed room + ε

i i i

Quello che ci aspettiamo è che β>0, cioè che essere in camera mista mi riduca il pregiudizio.

Cosa si è trovato?

Il risultato trovato è che essere in camera mista riduce il pregiudizio, misurato con IAT, per i bianchi.

Per quanto riguarda i neri, nessun effetto.

RISULTATI GPA:

Y = GPA i GPA = α + β Mixed room + ε

i i i

I risultati ci dicono che i bianchi in mista vanno peggio (cioè hanno GPA più basso) però i neri vanno meglio.

Questo va a chiudere il GAP tra bianchi e neri.

Bisogna però ora capire l’effetto di essere in camera mista con studenti che hanno o no pregiudizi:

GPA = GPA = α + β Mixed room + IAT del compagno di stanza + γ X + ε

i i i i

Dove β diventa l’effetto di essere in camera mista con un compagno senza pregiudizi.

L’effetto dei neri è positivo (performance accademiche più alte) se il nero si trova in camera con un bianco non razzista.

DUNQUE: il GPA dei neri in mista aumenta e β è pari a 0,193. MA il GPA dei neri in mista AUMENTA MOLTO DI PIU’

se il compagno di stanza bianco non ha pregiudizi (cioè ha un IAT alto).

In particolare il GDA passa da 0,193 (significativo al 10%) a 0,598 (significativo al 5%).

Un ultimo risultato attestato è quello sui COMPORTAMENTI SOCIALI.

Si è trovato che i bianchi in mista hanno una probabilità maggiore di fare volontariato.

Risultati delle misure attitudinali

Y = misure attitudinali α + β Mixed room + ε

Yi = i i

Tra i trattati, cioè quelli nella Mixed room si evince una maggiore probabilità di desiderare gruppi più eterogenei.

– Carlana, La Ferrara, Pinotti “Shaping Educational Careers of immigrant children: Motivation,

PAPER 4 Cognitive Skills and Teachers beliefs”.

È un esperimento volto a fornire informazioni aggiuntive ad immigrati per vedere se cambia la loro scelta dopo la terza

media.

MOTIVAZIONE DELL’ESPERIMENTO: è stato notato che in molti paesi OCSE, i figli degli immigrati sono svantaggiati sul

mercato del lavoro per minor istruzione.

Vediamo attraverso questo grafico come, in media, gli immigrati sono meno istruiti.

Fenomeno comune a quasi tutti i paesi OCSE.

Ma in quali paesi sono soprattutto meno istruiti?

Gli immigrati sono svantaggiati soprattutto in quei sistemi educativi con “Early tracking” => cioè dove bisogna scegliere

presto il percorso di carriera.

Infatti la scelta della scuola secondaria è una decisione che si fa in età giovanile, ma con un impatto e conseguenze di

lungo periodo nel mercato del lavoro.

Anche in Italia si verifica che alla fine della terza media, gli studenti stranieri (maschi) hanno una maggior probabilità

di abbandonare la scuola oppure iscriversi ad un istituto professionale (piuttosto che a un liceo o ad un tecnico)

rispetto agli studenti italiani con simili capacità e abilità.

L’Early tracking risulta essere, in genere, molto più svantaggioso per i gruppi più svantaggiati

Come mai? Le ragioni possono essere:

1) Necessità di entrare nel mercato del lavoro prima (ma l’istituto tecnico permette comunque un accesso

abbastanza rapido al mercato del lavoro);

2) Minori informazioni sulle possibilità di studio che ci sono in Italia, percorsi formativi, informazioni generali

sul sistema scolastico italiano.

3) Aspirazioni. In media i ragazzi immigrati hanno aspirazioni più basse. È quello che viene chiamato “ASPIRATION

TRAP”. In altre parole ci sono delle Differenze tra aspirazioni di studenti stranieri (maschi) con un alto

rendimento scolastico rispetto a studenti italiani con rendimento scolastico simile.

Obiettivo dell’intervento:

Allineare le aspirazioni degli studenti stranieri con alto rendimento scolastico a quelle dei loro compagni italiani, in

modo da ridurre la segregazione formativa.

Domanda di ricerca:

Sono state formulate 2 domande di ricerca:

1) E’ possibile cambiare le aspirazioni degli individui?

2) Se si cambiano le aspirazioni, quali sono le conseguenze di lungo periodo?

È stato dunque realizzato l’intervento: “Pari opportunità per gli studenti stranieri”.

Cosa hanno dunque fatto concretamente:

1) Innanzitutto hanno documentato una segregazione nell’istruzione secondaria in Italia: immigrati con alte

abilità scelgono un percorso di carriera peggiore che gli studenti italiani con pari abilità;

2) Hanno poi valutato un progetto, appunto denominato “Pari opportunità per gli studenti stranieri”, col quale

si aiutano gli studenti a fare scelte in istruzione più congrue al loro potenziale;

3) Hanno analizzato i meccanismi attraverso cui il progetto funziona.

L’intervento “Pari opportunità per gli studenti stranieri” prevede un primo intervento randomizzato su larga scala

condotto in Italia. In particolare in:

- 5 città del Nord Italia: Milano, Torino, Genova, Brescia e Padova;

- 70 scuole e 700 studenti coinvolti;

- Con durata pluriennale (2012-2014);

- È stato finanziato da Compagnia di San Paolo, Fondazione Cariplo e Fondazione Cassa di Risparmio di Padova

e Rovigo;

- La valutazione dell’intervento è stata condotta utilizzando dati MIUR e INVALSI.

Analizziamo ora nel dettaglio cosa vediamo per quanto riguarda:

- Sistema scolastico italiano;

- Intervento;

- Impatto;

- Canali;

- Spillovers.

Sistema scolastico italiano:

Vediamo ora i DATI sul sistema educativo italiano.

Vediamo alcuni grafici: C’è un Minor profilo di reddito per chi sceglie scuole

professionali e maggior probabilità di disoccupazione.

Guardando le raccomandazioni degli insegnati,

tendono a raccomandare il liceo di più a studenti

italiani rispetto a studenti immigrati di pari abilità.

Intervento:

Cosa hanno fatto?

1) All’interno delle 70 scuole, hanno preso 10 studenti stranieri con più alto voto invalsi in prima media nelle

scuole con almeno 20 o più studenti stranieri.

- Hanno realizzato una randomizzazione a livello di scuola (randomizzazione cluster): 70 scuole trattate e 70

controllo (700 + 700 studenti);

2) Trattamento: incontri durante seconda e terza media finalizzati:

- A fornire maggiori informazioni su sistema scolastico italiano: tipi di scuola, opportunità di lavoro, volantini

tradotti nella lingua della famiglia;

- Supporto psicologico basato su Social Cognitive Career Theory;

- 14 incontri: 5 di gruppo, 5 individuali, 3 con i genitori e 1 con gli insegnanti.

Idea: rendere gli studenti coscienti delle loro reali capacità, esempi di storie di successo;

- Corso di italiano per lo studio;

3) Outcome principale: sono andati a vedere quale fosse stato il percorso scolastico scelto alla fine della 3 media.

- Altri outcome d’interesse: voto INVALSI in 3 media, bocciature, suggerimento insegnanti.

DUNQUE: L’esperimento è stato fatto così:

 Nell’autunno 2012 è avvenuta la randomizzazione;

 Nel maggio 2012 è avvenuta la selezione dei 10 studenti stranieri con il più alto voto invalsi;

 Da settembre 2012 a maggio 2014 c’è stato il trattamento;

 Alla fine del terzo anno (da giugno 2014 in poi) è avvenuta la valutazione.

DATI:

1. Dati provenienti dal Ministero dell’Istruzione,

dell’Università e della Ricerca (MIUR):

caratteristiche anagrafiche e carriere scolastiche

studenti (iscrizioni, non ammissioni, etc.);

2. Dati sui test INVALSI: test di 1 e 3 media,

informazioni su background famigliare;

3. Raccolta dati sul campo: survey su campo con

questionario su tratti psicologici (per capire

motivazioni, aspettative, aspirazioni, etc.).

Esempi dai questionari:

 Pensando alla tua vita passata, indica 5 esperienze di studio e 5 esperienze che ti sono successe in altri

momenti che hai portato a termine con successo, delle quali, cioè, puoi dire “sono stato bravo e sono dipese

principalmente da me”.

 Prendi ora le tue esperienze e, una alla volta, indica brevemente dove e con chi è avvenuta, cosa hai fatto e

quali sono state le tue personali risorse che ti hanno aiutato nel fare bene quella cosa, cioè le tue conoscenze,

le tue abilità, le tue caratteristiche di personalità, le tue motivazioni e tutto ciò che ritieni sia stato importante

possedere

Impatto:

Passiamo a stimare l’EQUAZIONE STIMATA.

L’equazione da scrivere è:

1) Intention to treat (ITT) => IV (variabili strumentali).

Y = α + β Z + γ X + ε

i i i i

Dove:

Y = scelta, motivazione, probabilità di iscriversi al liceo o ad una scuola tecnica dell’individuo “i”

i

Z = 1 se assegnato al trattamento, ovvero se l’individuo appartiene ad una scuola trattata;

i

Xi = controlli (genere, voto invalsi, background familiare...)

2) Local average treatment Effect:

Usa l’assegnazione casuale al trattamento come strumento per gli incontri frequentati (NB ricordatevi la

lezione su variabili strumentarli) Soltanto il 75% degli individui allocati casualmente al trattamento ha

effettivamente ricevuto il trattamento, cioè ha effettivamente

partecipato agli incontri.

Dunque riprendendo la mia equazione:

Y = α + β T + γ X + ε (ITT = Intention to treat)

i i i i

A questo punto utilizzo l’allocazione casuale al trattamento come

strumento per il trattamento effettivo.

Cioè chiamiamo Z il trattamento effettivo (75% degli studenti che ha

fatto il training ed è quindi trattato).

Questo ci riporta alle IV (variabili strumentali), detta anche stima in 2

steps.

- Prima viene stimata la probabilità di ricevere in modo effettivo

il trattamento. Ovvero viene stimato Zi, usando Ti:

Z = α + β T + ε

i i i

Dove: T = allocazione iniziale al trattamento: non tutti l’hanno ricevuto.

i

- Poi si stima Y :

i

Y = α + β Z + ε

i i i 

Lo strumento utilizzato è buono perché è esogeno Questo tipo di

stima in letteratura si chiama LATE: Local average treatment Effect.

La probabilità di scegliere un liceo è aumentata.

La probabilità di scegliere un liceo per studenti immigrati bravi è più grande di 15,5 punti percentuali rispetto al gruppo

di controllo.

Canali: si tratta di osservare il perché degli effetti osservati

Hanno studiato I canali dell’effetto e hanno trovato che più alte aspirazioni e più motivazione erano stati i canali

dell’effetto.

Spillovers:

Non hanno trovato un effetto solo per gli studenti immigrati che partecipano al trattamento, ma hanno trovato un

effetto anche per tutti gli altri strumenti in classe con quello studente immigrato che ha partecipato al training.

Questo è importante a livello di policy: infatti ho fatto il trattamento solo su alcuni, ma l’effetto l’ho trovato anche su

altri. C’è dunque un effetto moltiplicatore.

Questo è quello che hanno chiamato effetto di SPILLOVER.

La probabilità di scegliere il liceo aumenta anche per

studenti “non trattati”, cioè che non partecipano ai meeting,

in scuole trattate.

Conclusioni:

- intervento efficace nel ridurre la segregazione formativa degli studenti stranieri

- replicabilità su vasta scala? probabilmente costoso, tuttavia 

o nessuna evidenza di utilità del corso di italiano per lo studio possibile tagliare questo corso

o intervento su aspirazioni e motivazione è stato quello più efficace e al tempo stesso più economico

o evidenza di ‘spillover’ su studenti stranieri nella stessa classe non direttamente esposti all’intervento

 moltiplicatore sociale Lezione 7

È sempre meglio andare a scuola prima?

Bibliografia:

- Fredriksoon and Ockert 2005 «Is early learning really more productive? The effect of school startng age on

school and labor market performance», IZA working paper

- Bedard and Duhey 2006, «The persistence of early childhood maturity: international evidence of long run

age effects» QJE, 2006

La teoria del capitale umano:

La teoria del capitale umano ci dice che la scelta di istruirsi è un investimento e quindi si guardano costi-benefici.

Se crediamo in questa teoria, prima investiamo sui bambini piccoli, più questi hanno un orizzonte più lungo per

raccogliere i benefici.

Secondo la teoria del Capitale Umano: i bambini dovrebbero iniziare un percorso di apprendimento formale il prima

possibile

- Chi inizia presto, entra presto nel mkt del lavoro e raccoglie i frutti dell’investimento su un periodo di tempo

piu’ lungo

- Costo opportunità di andare a scuola + basso se si entra prima nel mkt del lavoro dato che la produttività

aumenta con l’età

- Assunzione => “early learning” è correlato con la produttività almeno quando è “late learning”

In realtà non c’è però il consenso nella letteratura nello stabilire quando il bambino deve entrare a scuola.

Ci sono infatti diverse teorie:

1° Teoria: questa teoria dice che prima dei 6 si impara tutto, quindi prima si inizia la scuola meglio è.

2° Teoria: “child developmentalist”, questa teoria dice che prima di andare a scuola bisogna essere pronti.

3° Teoria: questa teoria dice che essere i più giovani in classe ha effetti positivi perché c’è una sorta di peer effect

(dove i più grandi stimolano i più piccoli), ma possono esserci anche effetti negativi legati alla riduzione dell’autostima

e della sicurezza.

La teoria non è ancora conclusiva, non vi è una teoria precisa sull’inizio della scuola.

Bisogna dunque fare un esercizio empirico.

Vediamo due papers empirici che studiano l’impatto di early schooling on performance e outcome sul mercato del

lavoro.

Età obbligatoria per l’inizio della scuola: molti paesi iniziano la scuola in età diverse tra loro.

Dibattito in Italia:

Oggi i bambini nati dal 1 gennaio al 30 aprile, su richiesta dei genitori, possono frequentare la scuola primaria con un

anno di anticipo (fare la primina), cioè a 5.5 anni. Quali sono gli effetti di un’entrata anticipata a scuola?

Fredriksoon and Ockert 2005 «Is early learning really more productive? The effect of school startng

PAPER 1: age on school and labor market performance»

Obiettivo: studiare l’effetto dell’età in cui si inizia il percorso scolastico sulla performance scolastica e sul mkt del

lavoro.

Questo esperimento viene fatto in Svezia perché conoscono bene i soggetti

Sistema scolastico svedese prevede:

- 9 anni di scuola obbligatoria gratuita

- Inizio della scuola primaria a 7 anni, ma possibilità di iniziarla anche a 6 anni

- Prima dei 6 anni c’è la pree-school e dopo i 6 anni ci sono i “child-care” che sono molto sussidiate.

- Dopo 3 anni di scuola secondaria (non obbligatoria ma vanno tutti) ci si può iscrivere all’università

- I tassi di iscrizione all’università sono più alti dell’Europa; il 42% dei ragazzi tra 20 e 24 anni va all’università

rispetto alla media europea che si aggira attorno al 37%.

Che dati usano per fare questo studio?

- Vengono usati dati amministrativi dell’intera popolazione svedese nata dal 1935 al 1984.

- Sono state fatte 4,8 milioni di osservazioni

- Sono stati raccolti dati sui voti, sul livello di istruzione raggiunto, sull’occupazione e sui salari.

In Svezia sono il 3% dei bambini inizia la scuola prima o dopo i 7 anni.

Sembra che si sia una correlazione negativa tra chi inizia dopo (late start) e GPA (i voti) nel grade 9.

Ma se si guarda vicino all’intorno dei 7 anni il GPA è crescente.

Vediamo proprio dal grafico che segue questa correlazione negativa, perché chi inizia tardi ha voti peggiori.

Equazione stimata:

Per studiare l’effetto di early start sui vari outcome si può impostare questa regressione:

si

Yi = α + β A + γ X + ε

i

S c

Dove: -A è l’inizio della scuola, A è l’età S è la scuola obbligatoria.

-β è il nostro coefficiente di interesse

-X caratteristiche demografiche β

-Vi sono dei problemi nella stima di con OLS che è infatti bias, perché:

s

- l’età di entrata della scuola A è endogeno (perché dipende dalla scelta dei genitori, dalle

caratteristiche dei bambini, ci possono essere ripetenti, dalle caratteristiche degli insegnanti, etc.)

si

- quindi: E[A ε ] ≠ 0

it

Gli autori quindi per risolvere il problema dell’endogeneità sfruttano:

- Il mese di nascita e l’età di cut-off cioè di inizio della scuola in Svezia

- In particolare, i bambini nati l’ultimo giorno dell’anno e il 1 gennaio sono quasi nati nello stesso giorno ma

differiscono nell’età di entrata della scuola:

o Bambini nati a gennaio inizialo la scuola a 7,7 anni (late starter)

o Bambini nati in dicembre a 6,8 anni, vanno a scuola un anno prima (early starter)

Quello che fanno quindi è usare la data di nascita come strumento (usano il metodo delle IV) per strumentare la

s s

variabile endogena A . Lo strumento è stato chiamato F che è l’età effettiva di entrata.

Stima in due step: si

 Y = α + β A + γ X + ε

1° Step 

it i i s

Lo strumento F deve essere

strettamente correlato ad A e

correlato a Y tramite A.

L’età effettiva e l’età attuale hanno profili simili, come vediamo dal grafico: s s

Se F e A sono strettamente correlate

come si vede dal grafico F è un buono

strumento (quindi si può sostituire A)

Risultati:

Vediamo che all’aumentare dell’età di entrata a scuola, si riduce il GPA. Ma siccome questa stima è BIAS, la stima IV

dice che all’aumentare dell’entrata aumenta il GPA di circa 6 punti percentuali.

OLS = 2.97, quindi all’aumentare

dell’età di entrata a scuola, il GPA

diminuisce.

La stima IV dice che andare a scuola

dopo fa aumentare il GPA di 6 punti

percentuali.

Β = 6,39 S γ istruzione

GPA = α + 6,39 F +

genitori + ε tipo di scuola

Vediamo quindi dai risultati un effetto negativo con OLS (perché β < 0 quindi è meglio andare a scuola prima.

Quindi usiamo il metodo IV che è positivo e molto significativo; infatti entrare a scuola più tardi aumenta il GPA nel

grado 9 (come per noi terza media) di circa 6 punti percentuali.

La stima con i controlli è la più precisa.

Effetto di mandare i bambini a scuola a 7 anni è maggiore per chi ha i genitori meno istruiti (academic parent =

almeno 3 anni di scuola secondaria), è meglio andare a scuola dopo. (la teoria dei child development sembra

emergere)

Effettopositivo anche sui rettiti futuri (tranne che per la coorte dei nati nel 50/60), per il campione oggi andare a

scuola dopo aumenta i salari dello 0,5%.

Bedard and Duhey 2006, The persistence of early childhood maturity: International evidence of

PAPER 2: long run age effect, Quarterly Journal of Economics

Introduzione:

- Abbiamo visto che quasi tutti i sistemi educativi hanno una data di cut-off (cioè che consente l’accesso alla

scuola primaria)

- Le date di cut-off sono importanti perché in classe c’è una composizione eterogenea in termini di età, perché

composte da alcuni studenti giovani e altri vecchi.

- I più vecchi sono tipicamente più maturi quando iniziano la scuola.

- Vogliamo vedere se queste differenze sono persistenti nel lungo periodo. Ci aspettiamo una performance

diversa almeno nei primi anni tra i più giovani e i più vecchi; se non fosse cosi solo nei primi anni si avrà un

impatto di lungo periodo su produttività e mercato del lavoro. (come abbiamo visto nel paper precedente).

Obiettivo:

- Bedard and Duhey (2006) vedono l’impatto di andare a scuola prima usando dati sulla maggior parte dei

paesi OCSE.

- Avendo un campione ampio di paesi, l’analisi da risultati ancora più robusti del paper precedente.

- L’obbiettivo è quello di testare se early entrance nella scuola primaria ha degli effetti su:

o I voti (performance scolastica, misurata con i test score)

o La probabilità di iscriversi all’università e i voti dell’università (effetto di lungo periodo)

Dati, sono di due tipi:

- Per l’USA ECLS – Early Childhood Longitudinal Studies, sono dati americani che includono:

o I voti degli studenti

o Le caratteristiche demografiche

o L’età

o Data di nascita

- Per l’UE TIMSS – Trend in International Mathematics and Science Studies, sono dati che includono i voti di

studenti in 26 paesi OECD dal 95 al 99.

L’equazione stimata:

Dove:

- S=outcome (ex: test score) per lo studente i nel paese c e nel grade (classe) g o probabilità di

partecipare/iscriversi a un programma universitario

- A= età, ed è BIAS, è endogena perché dipende da alcune caratteristiche

- X=caratteristiche osservabili (es: età, genere, background familiare, se l’individuo ha libri, computer etc..)

- Beta è il coefficiente di interesse

Problema nello stimare questa equazione? A è endogeno => chi ripete una classe (quindi vecchio) è piu’ probabile

che vada peggio a scuola, è una scelta dei genitori, etc…

L’età di ingresso a scuola è endogeno ma la data di nascita no!

Se stimiamo l’equazione con OLS vediamo che è BIAS, perché l’età è endogena, cioè dipende da caratteristiche non

osservabili dell’individuo e dei genitori. Non è BIAS la data esatta di nascita dell’individuo.

Il metodo che gli autori usano per risolvere il problema è quello di sfruttare l’esogeneità della data di nascita per

strumentare l’età effettiva di entrata a scuola (viene utilizzato quindi il metodo IV).

Gli individui che sono nati fino al 31/12 (i giovani) vanno a scuola prima e i nati dal 1/1 in avanti andranno a scuola a

settembre dell’anno nuovo (i vecchi).

Questi individui in realtà sono molto simili ma vanno a scuola in due anni diversi, questa metodologia è molto simile

a RCT, perché si vanno a paragonare due gruppi “vecchi” (T) e “giovani” (C) di individui simili.

1° Stage:

Dove:

- S= test score standardizzato

- R= data di nascita nell’intorno dei cut-off, per strumentare l’età effettiva

R=0 se lo studente è nato nell’ultimo mese eligibile per andare a scuola prima.

R=1 se lo studente è nato nel primo mese eligibile per andare a scuola

- Se il cut-off è 1 gennaio, i bambini nati a dicembre (R=0) sono i più giovani e quelli nati a gennaio (R=1)

i più vecchi i bambini nati a gennaio (R=1) sono i più vecchi

2° Stage: S = α + β R + Γx + ε (forma ridotta)

cgi cgi Cgi

Si guarda l’effetto del cut-off sulle performance scolastiche.

Β è stimato in modo corretto perché R è esogeno.

Dato che si confrontano bambini nati solo in due mesi (prima e dopo il cut-off) è importante avere un campione di

analisi molto grande.

Caratteristiche dello strumento:

1. Altamente correlato con la variabile endogena da strumentare: usando il cut-off per stabilire l’età di entrata

a scuola è correlato con l’età di entrata effettiva.

2. Lo strumento non deve essere DIRETTAMENTE correlato con la variabile dipendente nell’equazione

principale (test score).

Risultati:

Guardando alle stime IV, si vede che un mese in più di età aumenta il test score medio in matematica

- di 0.33 in UK,

- di 0.253 in Islanda,

- di 0.29 in Giappone

- di 0.25 in Norvegia.

Negli altri paesi l’impatto è minore e non significativo

Individui più giovano sono sottorappresentati in università.

L’effetto è persistente? Guardando i risultati sul grade 8 (terza media)

Sì, l’effetto è persistente, anche nel grade 8 quindi un mese in più di età migliora la performace.

Sono stati usati i dati sui voti da Britisch Columbia, Canada e USA. Gli individui più vecchi hanno una

probabilità maggiore di:

- Avere voti più alti (75% o più)

- Fare il SAT o ACT – test di

ammissione per frequentare

l’università negli USA (reading,

writing, matematica)

Trovano quindi che: 1 mese in più di età

aumenta la probabilità di una miglior

performance. Gli individui più giovani sono

sottorappresentati all’università.

Ripasso sulla significatività dei coefficienti : (interpretazione tabelle)

2 metodi:


ACQUISTATO

11 volte

PAGINE

90

PESO

7.55 MB

AUTORE

LatiLeo

PUBBLICATO

+1 anno fa


DETTAGLI
Corso di laurea: Corso di laurea magistrale in management per l'impresa (MILANO - ROMA)
SSD:

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher LatiLeo di informazioni apprese con la frequenza delle lezioni di Economia dell'istruzione e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Cattolica del Sacro Cuore - Milano Unicatt o del prof Corno Lucia.

Acquista con carta o conto PayPal

Scarica il file tutte le volte che vuoi

Paga con un conto PayPal per usufruire della garanzia Soddisfatto o rimborsato

Recensioni
Ti è piaciuto questo appunto? Valutalo!

Altri appunti di Corso di laurea magistrale in management per l'impresa (milano - roma)

Apppunti di Metodologie 2 (bilancio consolidato e analisi di bilancio) + temi d'esame svolti
Appunto
Riassunto esame Gestione delle Risorse Umane, prof. Manzolini, libro consigliato Risorse Umane. Persone, Relazioni e Valore, Costa
Appunto
Appunti di finanza aziendale avanzato
Appunto
sunti Marketing Business to Business, prof. Tunisini
Appunto