Lohneinbußen von Frauen durch geburtsbedingte Erwerbsunterbrechungen: Der Schattenpreis von Kindern und dessen mögliche Auswirkungen auf weibliche Spezialisierungsentscheidungen im Haushaltszusammenhang- Eine quantitative Analyse auf Basis von SOEP-Daten

Boll, Christina Book Lohneinbußen von Frauen durch geburtsbedingte Erwerbsunterbrechungen: Der Schattenpreis von Kindern und dessen mögliche Auswirkungen auf weibliche Spezialisierungsentscheidungen im Haushaltszusammenhang- Eine quantitative Analyse auf Basis von SOEP-Daten Sozialökonomische Schriften, No. 43 Provided in Cooperation with: Peter Lang International Academic Publishers Suggested Citation: Boll, Christina (2012) : Lohneinbußen von Frauen durch geburtsbedingte Erwerbsunterbrechungen: Der Schattenpreis von Kindern und dessen mögliche Auswirkungen auf weibliche Spezialisierungsentscheidungen im Haushaltszusammenhang- Eine quantitative Analyse auf Basis von SOEP-Daten, Sozialökonomische Schriften, No. 43, ISBN 978-3-653-01207-1, Peter Lang International Academic Publishers, Frankfurt a. M., https://doi.org/10.3726/978-3-653-01207-1 This Version is available at: https://hdl.handle.net/10419/178442 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/ Lohneinbußen von Frauen durch geburtsbedingte Erwerbsunterbrechungen Peter Lang Frankfurt am Main · Berlin · Bern · Bruxelles · new York · Oxford · Wien Sozialökonomische Schriften Herausgegeben von Bert Rürup und Werner Sesselmeier Band 43 Peter Lang Internationaler Verlag der Wissenschaften Christina Boll Lohneinbußen von Frauen durch geburtsbedingte erwerbsunterbrechungen Der Schattenpreis von Kindern und dessen mögliche Auswirkungen auf weibliche Spezialisierungsentscheidungen im Haushaltszusammenhang Eine quantitative Analyse auf Basis von SOEP-Daten Bibliografische Information der Deutschen Nationalbibliothek D 8 ISSN 0172-1747 © Peter Lang GmbH Internationaler Verlag der Wissenschaften Frankfurt am Main 2011 www.peterlang.de The Deutsche Nationalbibliothek lists this publication in the Deutsche Nationalbibliografie; detailed bibliographic data is available in the internet at http://dnb.d-nb.de. Open Access: Die Online-Version dieser Publikation ist unter der internationalen Creative Commons Lizenz CC-BY 4.0 auf www.peterlang.com und www.econstor.eu veröffentlicht. Erfahren Sie mehr dazu, wie Sie dieses Werk nutzen können: http://creativecommons.org/licenses/by/4.0. Dieses Buch ist Open Access verfügbar aufgrund der freundlichen Unterstützung der ZBW – Leibniz-Informationszentrum Wirtschaft. ISBN 978-3-653-01207-1 (eBook) ISBN 978-3-631-60509-7 (Print) DOI 10.3726 / 978-3-653-01207-1 5 Ich danke meinem Erstgutachter, Herrn Professor Dr. Johannes Bröcker, und meinem Zweitgutachter, Herrn PD Dr. Uwe Jensen, für ihre hilfreichen Anregungen und den langen Atem in der Begleitung meiner Anstrengungen, diese Arbeit entstehen und wachsen zu lassen sowie schließlich zu vollenden. Die Freude am Forschen, die über all die Jahre stetig gestiegen ist, nährte sich nicht nur aus meinem ganz persönlichen Interesse an der Fragestellung, sondern auch aus dem großen mir anvertrauten Gestaltungsfreiraum in deren Bearbeitung. Herzlichen Dank dafür. Bedanken möchte ich mich auch bei meinem Mann und meinen Eltern, ohne deren gemeinsame Hilfe diese Arbeit nicht möglich gewesen wäre. Die Arbeit widme ich meinen Söhnen, den Stiftern meines Mutterglücks, das – auch wenn der Titel dieser Arbeit anderes vermuten lässt – ein Glück ohne Reue ist. Ellerau, im November 2009 Christina Boll 7 Inhaltsverzeichnis Abbildungsverzeichnis ....................................................................................... 11 Tabellenverzeichnis ............................................................................................ 15 Einleitung ............................................................................................................ 17 1 Theoretische Fundierung der Lohnrelevanz von Erwerbsunterbrechungen .................................................................................................... 21 1.1 Theorien der Lohnbildung und Einordnung der Humankapitaltheorie .......................................................................................... 21 1.2 Herleitung der humankapitaltheoretischen Lohnfunktion ...................... 24 1.3 Formulierung der untersuchungsleitenden Hypothesen für die Lohnregressionen ................................................................................... 27 1.4 Abgrenzung der vorliegenden Untersuchung gegen frühere Studien zum Zusammenhang zwischen Lohn und Erwerbsbiografie ................................................................................................. 29 2 Datengewinnung und deskriptive Statistik .................................................... 33 2.1 Datenbasis: Warum Sozio-ökonomisches Panel? ................................... 33 2.2 Eingrenzung des Untersuchungs-Samples .............................................. 39 2.3 Erläuterungen zur Variablenbildung ...................................................... 40 2.3.1 Endogene Variablen ..................................................................... 40 2.3.1.1 Endogene Variable der Beschäftigungsgleichung ............ 40 2.3.1.2 Endogene Lohnvariablen ................................................. 41 2.3.2 Exogene Variablen ....................................................................... 43 2.3.2.1 Erwerbserfahrungsvariablen ............................................ 44 2.3.2.1.1 Methodik der Variablengewinnung aus SOEP-Ursprungsvariablen ............................... 44 2.3.2.1.2 Gliederungsebenen der Erwerbserfahrungsvariablen .......................................... 50 2.3.2.1.3 Die Variablen im Einzelnen ............................. 51 2.3.2.2 Variablen zur Schul- und Berufsausbildung .................... 58 2.3.2.3 Kontrollvariablen ............................................................. 63 15 Tabellenverzeichnis Hauptteil Tabelle 1: Beobachteter Bruttostundenlohn im Vergleich mit den vorhergesagten Werten aus gepoolten Kleinst-Quadrate-Schätzungen der Lohngleichung ohne Selektionskorrektur, Gliederungsebenen 1-5 ..................................................................................... 108 Anhang Tabelle 2: Variablenliste der Lohn- und Beschäftigungsgleichung ............... 222 Tabelle 3: Deskriptive Statistik für das Beschäftigungssample ..................... 224 Tabelle 4: Deskriptive Statistik für das Lohnsample ..................................... 226 Tabelle 5: Gepoolte Kleinst-Quadrate-Schätzungen der Lohngleichung ohne Selektionskorrektur, Gliederungsebenen 1-5 (Modelle 1-5) ............ 228 Tabelle 6: Maximum Likelihood-Schätzung der Beschäftigungsgleichung .... 232 Tabelle 7: Gepoolte Kleinst-Quadrate-Schätzungen der Lohngleichung mit Selektionskorrektur, Gliederungsebenen 3-5 (Modelle 3-5) .... 234 Tabelle 8: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, Gliederungsebene 3 (Modell 3) ........................................................................ 237 Tabelle 9: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 3 (Modell 3a) ...................................................................... 239 Tabelle 10: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, Gliederungsebene 4 (Modell 4) ........................................................................ 243 Tabelle 11: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 4 (Modell 4a) ...................................................................... 247 Tabelle 12: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5) ........................................................................ 251 16 Tabelle 13: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5a) ...................................................................... 255 Tabelle 14: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5) ........................... 259 Tabelle 15: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5a) ........................ 263 Tabelle 16: Random Effects-Schätzung der Lohngleichung ohne Berücksichtigung arbeitsplatz-, arbeitsmarkt- und berufsbezogener Variablen ....................................................................................... 267 Tabelle 17: Random Effects-Schätzung der Lohngleichung mit Selektionskorrektur und Berücksichtigung prestigespezifischer Lohnstrafen ............................................................................................ 270 Tabelle 18: Maximum Likelihood-Schätzung der prestigespezifischen Beschäftigungswahrscheinlichkeit ................................................ 272 Tabelle 19: Prognostizierte mittlere prestigespezifische Beschäftigungswahrscheinlichkeit in Abhängigkeit von Bildungsgrad und Biografie ....................................................................................... 274 Tabelle 20: Bildungsspezifische Typisierung arbeitsplatzbezogener Merkmale und der Beschäftigungswahrscheinlichkeit für die Simulationen ................................................................................. 275 Tabelle 21: Unterscheidungskriterien der verwendeten hypothetischen Erwerbsverläufe ............................................................................ 276 Tabelle 22: Reale Lohnwachstumsraten für weibliche Angestellte im Produzierenden Gewerbe im Zeitraum 2001-2005 ....................... 277 Tabelle 23: Testsimulationen – Lohnsummen und Lohnverluste in Abhängigkeit von Schätzverfahren, Variablenset und Bildungsgrad ................................................................................. 278 Tabelle 24: Bruttostundenlohnverluste in Abhängigkeit von Unterbrechungsmuster, -zeitpunkt und Bildungsgrad; Variablenset des Modells (3) ............................................................................. 295 Tabelle 25: Bruttostundenlohnverluste in Abhängigkeit von Unterbrechungsmuster, -zeitpunkt und Bildungsgrad; Variablenset des Modells (3/5) .......................................................................... 299 Tabelle 26: Lohnsummen und summierte Jahreslohnverluste in Abhängigkeit von Unterbrechungsmuster, Unterbrechungszeitpunkt, Bildungsgrad und Variablenset ..................................................... 303 Tabelle 27: Einfluss von Bildung, Unterbrechungsdauer und -zeitpunkt auf die Lohnverluste im Überblick ...................................................... 295 17 Einleitung “Having children is a lifelong undertaking.”1 Diese Einsicht der schwedischen Ökonomin Siv Gustafsson erscheint auf den ersten Blick trivial: Kinder stiften Lebensfreude, und sie kosten Geld. Doch – wessen Geld? Einige Fakten sollen das in dieser Arbeit aufgespannte Forschungsfeld umreißen. Rund zwölf Prozent aller Kinder unter drei Jahren wurden in den westdeutschen Bundesländern im März 2008 in einer Kindertagesstätte oder von öffentlich geförderten Tagesmüttern bzw. -vätern2 betreut, in den ostdeutschen Ländern waren es dagegen 42 Prozent.3 Damit verbunden ist eine – freiwillige oder unfreiwillige – drastische Einschränkung der mütterlichen Erwerbstätigkeit: Während 82,9 Prozent aller 25-49-jährigen Frauen ohne Kinder unter 18 Jahren im Jahr 2007 einer bezahlten Arbeit nachgingen, waren es von den Frauen mit unter dreijährigen Kindern in derselben Altersgrupe nur 58 Prozent. Üben Frauen in den ersten Lebensjahren ihrer Kinder überhaupt eine Beschäftigung aus, handelt es sich meist um eine Teilzeittätigkeit: 67 Prozent der Frauen der oben genannten Altersgruppe mit mindestens einem minderjährigen Kind im Jahr 2007 arbeiteten zeitverkürzt, während es in der Gruppe der gleichaltrigen Männer weniger als fünf Prozent waren. Doch auch in Teilzeit drohen erhebliche Verdienstausfälle: Der durchschnittliche Bruttostundenverdienst teilzeitbeschäftigter Arbeitnehmer war im Jahr 2008 um 23 Prozent niedriger als jener der vollzeitbeschäftigten Arbeitnehmer.4 Zudem sind die Aufstiegschancen bescheiden: Nur 4,9 % der Teilzeitbeschäftigten waren 2008 in leitender Stellung, dagegen 10,9% der Vollzeitbeschäftigten. Auch das Niedriglohnrisiko von Frauen ist selbst dann, wenn sie voll- 1 Der vollständige zitierte Satz lautet „First, theoretical work on fertility decisions emphasize that having children is a lifelong undertaking, which requires lifetime perspective in the economic variables that have an influence.” und entstammt Gustafsson (2003), p. 352. 2 Mit einigen wenigen Ausnahmen wie dieser wird in der vorliegenden Arbeit die männliche Form der Substantive verwendet. Dies geschieht ausschließlich aus Gründen der leichteren Lesbarkeit. 3 Statistisches Bundesamt (2009a), S. 51. Bis zur nächsten anderslautenden Quelle beziehen sich die folgenden Ausführungen auf ebenda, S. 48-50. 4 Diese Angabe gilt für den zusammen gefassten Sektor Produzierendes Gewerbe und Dienstleistungen; vgl. Statistisches Bundesamt (2009b), S. 13. 18 zeitbeschäftigt sind, doppelt so hoch wie jenes der vollzeitbeschäftigten Männer.5 Das deutsche Steuer- und Transfersystem prämiert die Existenz von Kindern, aber nicht die berufliche Selbstständigkeit des hinzuverdienenden Partners. Dennoch gehen immer mehr Mütter einer bezahlten Beschäftigung nach. Wie ist das zu erklären? Zugleich sind die gesamtdeutschen jährlichen Geburtenzahlen zwischen 1990 und 2006 kontinuierlich gefallen.6 Zwar scheint für diesen Rückgang eher die rückläufige Zahl der Mütter im fertilen Alter zwischen 15 und 44 Jahren als die rückläufige Gesamtfertilitätsrate in Betracht zu kommen; die durchschnittliche Kinderzahl je Frau lag 2007 für Gesamtdeutschland bei 1,37 und hat sich seit Mitte der 1980er Jahre kaum verändert. Jedoch existieren große Ost-West- Unterschiede: Während die Fertilitätsrate im Osten zwischen 1997 und 2006 kontinuierlich bis auf 1,30 anstieg, ist sie im Westen stetig bis auf 1,34 gesunken. Auch das Phänomen später (Erst-) Mutterschaft tritt vorwiegend in westdeutschen Großstädten wie Hamburg oder München, allgemein in wohlhabenden Regionen auf. Aus dem Blickwinkel der Kinderlosigkeit betrachtet, zeigen sich auch hier Ost-West-Differenzen: Von allen 40-75-jährigen Frauen hatten in den alten Bundesländern im Jahr 2008 ganze 16 Prozent keine Kinder, im Osten waren es dagegen nur 8 Prozent. Und schließlich ist Kinderlosigkeit nur in Westdeutschland positiv mit dem Bildungsniveau korreliert.7 Ostdeutsche Frauen arbeiten häufiger Vollzeit, und dennoch ist die Geburtenneigung in den neuen Ländern im Durchschnitt höher. Woran liegt das? Neben anderen (subtileren) Faktoren, die die Geburtenbereitschaft beeinflussen, lässt sich ein Faktor klar benennen: In Westdeutschland sind Familie und Beruf noch immer schlechter miteinander vereinbar als in Ostdeutschland, insbesondere in den ersten Lebensjahren von Kindern. Die mangelnde Vereinbarkeit hat jedoch ihren Preis: Sie generiert drastische Einkommensverluste desjenigen Partners, der sich um die Betreuung der Kinder kümmert. Diesen Schattenpreis zu quanti- 5 Nach Angaben des Statistischen Bundesamtes bezogen im Jahr 2006 24% der Frauen, aber nur 12% der Männer einen Niedriglohn. Die Zahlen entstammen der Verdienststrukturerhebung 2006 und sind, wie seitens des Statistischen Bundesamtes angemerkt, vermutlich noch unterschätzt, da nur Betriebe mit mindestens 10 Beschäftigten enthalten sind. Die Niedriglohnschwelle wird definiert als zwei Drittel des Medians des Bruttomonatsverdienstes aller Vollzeitbeschäftigten und betrug im Jahr 2006 rund 1800 Euro; vgl. Statistisches Bundesamt (2009b), S. 23-25. 6 Lediglich 2007 kam es zu einem Anstieg um rund 20.000 Kinder, den auf das zum 1.1.2007 eingeführte Elterngeld zurückzuführen zum gegenwärtigen Zeitpunkt sicherlich verfrüht wäre. Die hier präsentierten Geburtenzahlen und alle weiteren Angaben bis zur Angabe einer anderslautenden Quelle entstammen Hoßmann (2009), S. 2-9. 7 Vgl. zu den Angaben zur Kinderlosigkeit: Statistisches Bundesamt (2009c). 19 fizieren und in seinen Auswirkungen auf weibliche Entscheidungen im Haushaltszusammenhang zu analysieren ist Ziel der vorliegenden Untersuchung. Die Arbeit ist wie folgt aufgebaut: In Teil 1 werden das theoretische Fundament der Arbeit gelegt und die untersuchungsleitenden Hypothesen für die in Teil 3 durchzuführenden Lohnregressionen formuliert. In diesem Zusammenhang wird auch auf den Erklärungsbeitrag dieser Arbeit zum gegenwärtigen Forschungsstand eingegangen. In Teil 2 gilt es darzulegen, wie der hier zur Verwendung kommende Datensatz gebildet wurde. Neben der verfolgten Methodik werden hierbei auch die inhaltlichen Überlegungen, die zur Bildung der Variablen geführt haben, erläutert. Teil 3 dient dem Ziel, die Lohneffekte verschiedener erwerbsbiografischer Merkmale mit Hilfe ökonometrischer Methoden zu ermitteln. Den Schätzungen der Lohn- und Beschäftigungsfunktion werden grundsätzliche Überlegungen zur Spezifikation des ökonometrischen Modells vorangestellt. Die Zusammenfassung der Schätzergebnisse mündet schließlich in die Überprüfung der eingangs formulierten Hypothesen. In Teil 4 werden – auf Basis der in Teil 3 gefundenen Ergebnisse – diverse hypothetische Erwerbsverläufe und deren diesbezügliche bildungsspezifische Lohnentwicklungen simuliert. Der Vergleich der Lohnentwicklungen mit einem so genannten Referenzverlauf erlaubt die Berechnung von nach Art, Dauer und Zeitpunkt der Unterbrechung sowie nach Bildungsniveau unterschiedlichen Lohneinbußen auf Stundenlohn- und Jahresbasis. In Teil 5 schließlich geht es darum, mögliche Auswirkungen der ermittelten Lohneinbußen auf mikroökonomische Entscheidungen zu analysieren. Im Vordergrund der Analyse stehen dabei Spezialisierungsentscheidungen im Haushaltszusammenhang; Auswirkungen antizipierter Einbußen auf vorgelagerte Bildungsentscheidungen werden nur am Rande gestreift (Teil 6). Teil 7 bildet mit der Zusammenfassung der wesentlichen Ergebnisse den Abschluss der Arbeit. 21 1 Theoretische Fundierung der Lohnrelevanz von Erwerbsunterbrechungen 1.1 Theorien der Lohnbildung und Einordnung der Humankapitaltheorie Grundsätzlich können zwei Ansätze von Lohnbildungstheorien unterschieden werden: Einerseits jene (neoklassischen) Theorien, die davon ausgehen, dass sich der Preis des gehandelten „Gutes“ – der Lohn der Arbeitskraft – durch Angebot und Nachfrage bestimmt, sich der Arbeitsmarkt mithin nicht von anderen Märkten unterscheidet, und andererseits jene (institutionalistischen) Theorien, die Unterschiede des Arbeitsmarktes von anderen Märkten postulieren.8 Diese bestehen in Informations-Asymmetrien über das gehandelte „Gut“, sodass die Austauschkonditionen (Leistung gegen Geld) nur teilweise spezifiziert werden können. Aus diesem Grund bestimmen neben der individuellen Arbeitsleistung auch Steuerungsinstrumente wie Institutionen und Regeln mehr oder weniger stark über die Allokation und Gratifikation von Personal. So postuliert das Modell der Senioritäts-Entlohnung, dass es sich aus Moral Hazard-Problemen heraus lohnt, Mitarbeiter zunächst unter und erst in späteren Jahren über ihrem Grenzprodukt zu entlohnen, um Fluktuation und frühzeitige Abschreibung vormals getätigter Humankapitalinvestitionen in den Mitarbeiter zu verhindern.9 Die Lohnwachstumsrate stellt in diesem Modell quasi eine Prämie für Betriebstreue dar, wobei die Betriebszugehörigkeit auch bei Erwerbsunterbrechungen erhalten bleibt. Segmentationstheorien des Arbeitsmarktes liegt der Gedanke zu Grunde, dass der Arbeitsmarkt dauerhaft in voneinander mehr oder weniger stark abgeschottete (mit Zutrittsbarrieren versehene) Segmente geteilt ist, die jeweils nach eigenen Gesetzen funktionieren.10 Unabhängig davon, ob die Segmentation in horizontaler Richtung (Theorie der internen und externen Arbeitsmärkte)11 oder in vertikaler Richtung (vgl. beispielsweise die Theorie des dreigeteilten Arbeitsmarktes)12 8 Vgl. für eine Übersicht der Lohnbildungstheorien Henneberger, F., C. Kaiser (2000). 9 Vgl. Lazear, E. P. (1981), zitiert nach Franz, W. (2003), S. 319; vgl. auch Franz (2003), S. 58-59. 10 Vgl. Sengenberger, W. (1979), S. 1-44 sowie Sengenberger, W. (1987). 11 Vgl. Doeringer/Piore (1971). 12 Vgl. Sengenberger (1979). 22 erfolgt, ist es die Art der Qualifikation bzw. zusätzlich der ausgeübten Tätigkeit, die über zwischenbetriebliche und innerbetriebliche Mobilitätschancen der Arbeitskraft entscheidet. Soweit die skizzierten Modelle die Existenz von Seniorität auch in der Mitarbeitergratifikation belohnen, lässt eine Unterbrechung der Erwerbstätigkeit mit Arbeitgeberwechsel zum Wiedereinstiegszeitpunkt Einkommenseinbußen erwarten. Die Idee der Segmentation findet sich allerdings auch in neoklassischen Arbeitsmarkttheorien. Ein Beispiel bildet die Insider-Outsider-Theorie13, in der zwischen Insidern – Arbeitsplatzbesitzern – und Outsidern – Arbeitslosen – segmentiert wird. Die Theorie versucht zu erklären, warum Insider einen Lohn über dem Marktlohnsatz für allgemeine Qualifikationen der Outsider verdienen. Der Lohnzuschlag wird begründet mit Fluktuationsals spezielle Form von Transaktionskosten (Einstellungs-, Einarbeitungs-, Entlassungskosten etc.), die durch den Verzicht des Arbeitgebers auf den Arbeitnehmeraustausch vermieden werden können und somit eine Verhandlungsmacht der Insider gegenüber ihrem Arbeitgeber begründen. Die Theorie erklärt jedoch nicht die individuelle Einkommensentwicklung im Zeitablauf und ist damit für die hier verfolgte Fragestellung ungeeignet. Die Effizienzlohntheorie14 geht wie die institutionalistischen Segmentationstheorien von asymmetrischer Information zwischen Arbeitgeber und Arbeitnehmer hinsichtlich der Leistungsfähigkeit des Arbeitnehmers aus, die – in Verbindung mit den zusätzlichen Annahmen prohibitiv hoher Kontrollkosten einerseits und einer vom Reallohnsatz positiv abhängigen Leistungsbereitschaft andererseits – als gewinnmaximierende Entgeltform jene der Zahlung produktivitätsüberschreitender Löhne empfiehlt, um „Bummeln“ als unbeobachtete Herabsetzung der Arbeitsintensität zu vermindern, die Motivation und damit Produktivität der Mitarbeiter zu steigern sowie die Betriebstreue und die Eingangsqualifikation der Mitarbeiter (mittels eines induzierten adversen Selektionsprozesses auf dem Beschaffungsmarkt) zu erhöhen. Das bewusste positive Abweichen von der im Zeitablauf steigenden individuellen Produktivität impliziert zwar auch hier einen Lohnanstieg mit zunehmendem Lebensalter; im Unterschied zum Modell der Senioritätsentlohnung wird die Mitarbeiterproduktivität hier jedoch als eine endogene, seitens des gezahlten Lohnes bestimmte Größe aufgefasst, sodass das Ziel der produktivitätsorientierten Entlohnung hier nicht nur im Durchschnitt über die gesamte Erwerbsspanne, sondern zu jedem Zeitpunkt verfolgt wird. Das gewohnte Bild des Lohn-Alters-Profils mit steigenden Löhnen bei zunehmendem Lebensalter kann demnach durch mehrere Theorien der Lohnbil- 13 Vgl. Lindbeck/Snower (1988). 14 Vgl. Akerlof/Yellen (1986). 23 dung erklärt werden. Dennoch wird in der vorliegenden Arbeit eine humankapitaltheoretische Fundierung unterstellt – dies zuvorderst auf Grund der Zielsetzung, die Lohnwirkungen unterschiedlichster erwerbsbiografischer Entscheidungen jenseits des groben Rasters der Betriebstreue analysieren zu können. Die bisher vorgestellten Theorien gehen davon aus, dass die Arbeitskräfte mit jedem zusätzlichen Jahr der Betriebstreue quasi automatisch produktiver werden. Das Problem abnehmender Lohnwachstumsraten im Lebenslauf, das sich in einem konkaven Lohn-Alters-Profil ausdrückt, lässt sich mit diesen Theorien ebensowenig erklären wie die Lohnwirkungen von Erwerbsunterbrechungen. Die Humankapitaltheorie fußt demgegenüber auf der Annahme, dass der zu einem bestimmten Zeitpunkt erzielte Marktlohn einer Person Ausfluss ihres zu diesem Zeitpunkt verfügbaren und marktlich verwertbaren Humankapitals ist.15 Humankapital wird durch schulische Bildung und berufliche Weiterbildung (Trainingon-the-Job) erworben. Wenngleich das Volumen individuell gebildeten Humankapitals im Rahmen eines mehrperiodischen Entscheidungsmodells der Arbeitskraft erklärt wird – wie nachfolgend gezeigt werden soll –, ist die Humankapitaltheorie dennoch nicht als eine rein angebotsseitige Lohnbildungstheorie zu verstehen, da die Ertragskraft des gebildeten Humankapitals am Markt eine entsprechende arbeitgeberseitige Nachfrage nach demselben zur Voraussetzung hat. Die humankapitaltheoretische Fundierung der Lohnbildung fußt auf dem Lebenszyklus-Modell der Humankapitalproduktion von Ben-Porath (1967).16 In diesem Modell ist der Umfang periodisch getätigter Nettoinvestitionen in Humankapital im Lebenszyklus Aktionsparameter des rational handelnden Individums. Die Bildung von Humankapital dient einzig dem Ziel, die Einkommenserzielungskapazität am Markt zu erhalten und auszubauen (das heißt, von nichtmonetären Aspekten des Bildungsnutzens wie gesteigerter immaterieller Lebensqualität wird abstrahiert). Die rationale Zeitverwendung auf Bildung (von Humankapital) im Wettstreit mit anderen Zeitverwendungen bestimmt sich nach der Regel „Grenzerlös gleich Grenzkosten“, wobei der Grenzerlös dem Gegenwartswert des künftigen zusätzlichen Lohneinkommens-Stroms aus der Bildungsinvestition entspricht, während die Grenzkosten den Barwert des verlorenen Einkommens darstellen, das während der Fortbildungszeit nicht erwirtschaftet werden konnte (direkte Fortbildungskosten für Material, Reisekosten etc. sind annahmegemäß gleich Null). Der Grenzerlös der Bildungsinvestition ist wiederum von der erwarteten zukünftigen Zeitverwendung abhängig: Die erwarteten Zusatzeinkommen können nur eingefahren werden, wenn das Individuum erwerbstätig ist (und bleibt). Weiterhin wird der Grenzerlös von der Fähigkeit zur Umsetzung des zusätzlich 15 Als Begründer der Humankapitaltheorie zählen Becker (1964) sowie Mincer (1974). 16 Vgl. Ben-Porath (1967). 30 Im gleichen Jahr erschien die Untersuchung von Galler, die mit SOEP-Daten der Wellen 1984-1988 eine bis zu diesem Zeitpunkt ungekannte Gliederungstiefe der Erwerbserfahrungsvariablen aufwies.26 Allerdings wurde hier weder zwischen Arbeitslosigkeit und Stiller Reserve noch zwischen Auszeiten mit und ohne Geburtsbezug unterschieden. Auch Galler fand erhebliche Einkommensverluste durch Erwerbsunterbrechungen. Beblo und Wolf untersuchten mit ihrem Konzept der effektiven Erwerbserfahrung auf Basis eines SOEP-Datensatzes der Welle 1998 die Entwertung vormalig gebildeten Humankapitals in nachfolgenden Teilzeit- und Auszeitperioden und fanden, dass die Ertragsrate von Humankapital in der üblichen Fassung von Erwerbserfahrung als potenzielle Erfahrung (Lebensalter minus Schuljahre minus sechs) unterschätzt wird.27 Der von Vollzeit abweichende Erwerbsumfang wird von den Autorinnen in einer entsprechenden Gewichtung des betreffenden Jahres berücksichtigt; die Addition der gewichteten Erwerbsjahre zu einer Summenvariable verunmöglicht jedoch die Analyse der Lohneffekte einzelner biografischer Phasen in ihrer zeitlichen Einbettung in die Gesamtbiografie der Frau, wie sie in der hier vorliegenden Untersuchung angestrebt wird. Auch wird in der Studie von Beblo und Wolf nicht zwischen verschiedenen Motiven der Auszeit (Mutterschaft, Arbeitslosigkeit etc.) unterschieden, sodass auch damit verbundene unterschiedliche Entwertungsprozesse nicht nachgezeichnet werden können. Die auf Basis der Regressionsergebnisse unternommenen Simulationen verdeutlichen die Abhängigkeit der Lohnverluste vom Unterbrechungszeitpunkt. Allerdings unterscheiden die hypothetischen Verläufe nicht nach Bildungstypen. Mit Daten der Beschäftigungsstichprobe des Instituts für Arbeitsmarkt- und Berufsforschung (IABS) kam Kunze zu dem Ergebnis, dass der Umfang der Humankapitalentwertung während Erwerbsunterbrechungen vom zeitlichen Horizont der Betrachtung sowie von der Motivation der Unterbrechung (Frauen: Mutterschaft, Männer: Wehr-/Zivildienst, beide: Arbeitslosigkeit) abhängt.28 Weiterhin liefert die Studie von Kunze die interessanten Ergebnisse, dass erstens die Entwertung bei Frauen, die in typischen Frauenberufen arbeiten, höher ausfällt als in reinen Männer- oder Mischberufen – dies widerspricht der Theorie der beruflichen Segregation von Polachek29 – und dass zweitens die Entwertungsrate in Mutterschaftsurlaub bzw. Elternzeit besonders hoch ist. Einkommenseinbußen durch Teilzeittätigkeit können in der Studie von Kunze allerdings nicht isoliert werden. 26 Vgl. Galler (1991), S. 118-152. 27 Vgl. Beblo/Wolf (2000) sowie Beblo/Wolf (2002). 28 Vgl. Kunze (2002). 29 Vgl. Polachek (1981). 31 Ebenfalls mit Daten der Beschäftigungsstichprobe und zusätzlich der IAB- Ergänzungsstichprobe I fanden Beblo und Wolf heraus, dass die Lohneinkommen von Männern durch Unterbrechungen weniger leiden als jene von Frauen, und dass insbesondere Lohnstrafen in Folge von geburtsbedingten Erwerbsunterbrechungen kaum „verjähren“.30 Kunze und Ejrnaes kamen mit IABS-Daten der Jahre 1975-1995 zu dem Ergebnis, dass zur Vermeidung von Lohneinbußen zum Wiedereinstiegszeitpunkt für niedrig qualifizierte Frauen entscheidend ist, einen Arbeitgeberwechsel zu umgehen, während es für hochqualifizierte Frauen darauf ankommt, die Dauer der Unterbrechung kurz zu halten.31 Dies stimmt mit dem Befund von Mincer und Polachek überein, dass bei Frauen niedriger Qualifikation der Anteil des betriebsspezifischen, nicht von Firma zu Firma transferierbaren Humankapitals am gesamten Humankapital höher ist als bei hochqualifizierten Frauen. Auch Ziefle untersuchte die individuellen Kosten familiär bedingter Auszeiten, allerdings gingen in ihre auf SOEP-Daten der Jahre 1984-1999 basierenden Fixed Effects-Schätzungen nur Summen-Variablen der Erwerbserfahrung ein. Für eine Rückkehr zum bisherigen Arbeitgeber kontrollierend, fand Ziefle, dass Betriebstreue den Verlust von Karrierechancen zum Rückkehrzeitpunkt nur unvollständig mindert. Weiterhin belegten ihre Regressionsergebnisse einen leicht höheren Bruttostundenlohn von Teilzeitgegenüber Vollzeitkräften.32 Im Gegensatz zu den Befunden der Studie von Kunze kamen Görlich und de Grip mit Daten des Sozio-ökonomischen Panels der Jahre 1998-2001 zu dem Ergebnis, dass familienbedingte Erwerbsunterbrechungen von Frauen in typischen Frauenberufen geringere Entwertungsprozesse des Humankapitals bewirken als in reinen Männer- oder Mischberufen, was Polacheks Selbstselektions-Hypothese stützt.33 Für Teilzeit- und Bildungseffekte wird in der Studie nicht separat kontrolliert. Auch der Befund, dass Arbeitslosigkeit längerfristige Lohnstrafen verursacht, während familienbedingte Auszeiten langfristig lohnneutral sind, kehrt die Ergebnisse von Beblo und Wolf sowie Kunze um: Görlich und de Grip vermuten eher einen Stigma-Effekt von Arbeitslosigkeit anstatt von Elternzeit. Die vorliegende Untersuchung unterscheidet sich von den dargestellten Studien erstens hinsichtlich der erhobenen Daten- und der daraus resultierenden Gliederungs-Tiefe der untersuchten erwerbsbiografischen Variablen. Die umfangreiche Variablenoperationalisierung bietet einen Informations-Mehrwert gegenüber bisherigen Studien, denn sie ermöglicht dezidierte Aussagen zur Lohn- 30 Vgl. Beblo/Wolf (2003). 31 Vgl. Kunze/Ejrnaes (2004). 32 Vgl. Ziefle (2004). 33 Vgl. Görlich/de Grip (2007). 32 relevanz unterschiedlicher Formen von Erwerbs- und Nichterwerbstätigkeit in Abhängigkeit von Zeitpunkt und Dauer ihres Auftretens. Zweitens wird in der vorliegenden Arbeit ein vergleichsweise hohes Ausmaß an Sensitivitätsanalysen, wie es in der Palette der Variablenoperationalisierungen, aber auch in unterschiedlichen Spezifikationen der Schätzverfahren zum Ausdruck kommt, durchgeführt. Die gefundenen Kernergebnisse können daher als vergleichsweise robust gegenüber Veränderungen relevanter Modellparameter gelten. Drittens wird in den Simulationen zwischen Lohnverlusten auf Stunden- und Jahresbasis differenziert; wobei die Verluste innerhalb jedes einzelnen der beiden Konzepte wiederum in einzelne Komponenten zerlegt werden. In der Studie von Galler, in der nicht nur Lohnsimulationen, sondern zusätzlich auch Lohnverlustberechnungen auf Basis der Regressionsergebnisse vorgenommen wurden, beschränkt sich die Darstellung auf die kumulierten Verluste auf Jahresebene. Die Unterscheidung in Stunden- und Jahresverluste ist dabei in der vorliegenden Untersuchung durch die Zielsetzung motiviert, die gefundenen Lohnverlustberechnungen in den Kontext mikroökonomischen Verhaltens zu stellen. Auch dies ist in den mir bekannten erschienenen Studien nicht der Fall. 33 2 Datengewinnung und deskriptive Statistik 2.1 Datenbasis: Warum Sozio-ökonomisches Panel? Das Sozio-ökonomische Panel (SOEP) ist ein repräsentatives Mikrodaten-Panel für Deutschland, das seit 1984 (Westdeutschland) bzw. 1990 (Ostdeutschland) im jährlichen Rhythmus Daten zum Lebens- und Arbeitszusammenhang erhebt. Da das SOEP nicht die einzige prinzipiell in Frage kommende auf Deutschland bezogene Datenquelle für die Untersuchung von Einkommenseffekten durch sozio-ökonomische Einflussfaktoren ist, sollen im Folgenden alternative Datenquellen dargestellt und anhand dessen die getroffene Auswahl des Datensatzes begründet werden. Nach ihrer Erhebungsmethode lassen sich Daten in Querschnitts- und Längsschnittsdaten, letztere zusätzlich in Zeitreihen-, Retrospektiv-, prozessbezogene Daten und Paneldaten unterscheiden. Querschnittsdaten sind zu einem einzigen Zeitpunkt bei einer Vielzahl von Personen erhobene Daten und stellen insofern eine Momentaufnahme dar. Zur Analyse von Einkommensveränderungen im Zeitverlauf eignen sie sich nicht. Zeitreihendaten werden zu derselben Fragestellung zu mehreren Zeitpunkten erhoben. Da es sich dabei üblicherweise um aggregierte Daten – beispielsweise die Arbeitslosenquote – handelt, lassen sich mit Zeitreihendaten nur Nettoveränderungen (über alle Personen saldierte Veränderungen beim erfragten Tatbestand) zwischen zwei Zeitpunkten, nicht aber die Bruttoveränderungen (Veränderungen auf Personenebene) erfassen. Bei Einkommensverlaufsanalysen auf der Basis von Zeitreihendaten besteht daher das Problem unbeobachteter Populationsheterogenität: aus den netto beobachtbaren Einkommensveränderungen ist nicht ersichtlich, welchen Anteil hieran die veränderte Zusammensetzung der befragten Personengruppe hat, sodass der eigentliche Gegenstand des Interesses – die intrapersonelle Einkommensentwicklung über die Zeit – nicht isoliert werden kann. Bei Retrospektiv-, prozessproduzierten sowie Panel- Datenerhebungen dagegen werden identische Personen über die Zeit beobachtet und deren Daten auf Individualbasis gespeichert. Vergleicht man nur die Einkommensveränderung derselben Person über die Zeit, ist das Problem unbeobachteter Populationsheterogenität gemindert. Retrospektiv erhobene Daten haben allerdings den Nachteil des Erinnerungsfehlers: Je weiter entfernt von der Gegenwart und je tiefer gegliedert Daten erhoben werden, desto höher ist das Risi- 34 ko fehlerhafter Erinnerungen, das zu Inkonsistenzen und unplausiblen Werten im Datensatz führt. So sind quantitative Daten wie Brutto- oder Nettoeinkommen nur sehr eingeschränkt über mehrere zurück liegende Jahre hinweg zu rekonstruieren. Daher zeichnet Retrospektivdaten – etwa die im Rahmen des Biografiefragebogens des SOEP erhobenen groben Angaben zur Erwerbsbiografie – eine geringe Gliederungstiefe aus. Höhere Gliederungstiefen lassen sich dagegen bei kürzeren Befragungsrhythmen erzielen. So vermögen Personen im Rahmen jährlicher Befragungen zum jeweiligen Vorjahr noch recht zuverlässige Aussagen zu machen. Daten auf jährlicher Basis müssen nicht zwingend von den Personen direkt erfragt werden; Daten zum versicherungspflichtigen Entgelt liegen beispielsweise bei gesetzlichen Krankenkassen, Rentenversicherungsträgern, Finanzämtern oder der Bundesagentur für Arbeit vor. Die Güte solcher im Rahmen des Verwaltungsprozesses erhobenen und von Hanefeld als „prozessproduziert“ bezeichneten Daten34 unterscheidet sich ggf. von jenen, die direkt im Rahmen einer Personenbefragung erhoben wurden. Informationen, an deren korrekter verwaltungsmäßiger Erfassung die Befragten ein Interesse haben (weil sie beispielsweise spätere Rentenversicherungsansprüche der Person beeinflussen), werden unter Umständen zuverlässiger durch die Verwaltung erhoben. Demgegenüber dürfte die Höhe von Nebenerwerbseinkünften, die von Finanzämtern erhoben werden, systematisch unterschätzt sein; hier stellen persönliche Befragungen im Rahmen eines Personen- und Haushaltspanels wie des SOEP vermutlich die verlässlichere Datenquelle dar. Zusätzlich sieht Hanefeld in prozessproduzierten Daten den Nachteil, dass jeweils nur diejenigen Daten erhoben werden, die für eine korrekte verwaltungstechnische Abwicklung erforderlich sind, wogegen beispielsweise Daten zum Haushaltszusammenhang, in dem die betreffende Frau lebt und die als erklärendes Merkmal der individuellen Einkommensposition von Interesse sind, kaum erhoben werden. Hinzu kommt, dass prozessproduzierte Daten häufig nur in mehrjährigen Abständen erhoben werden bzw. erst mit einer Verzögerung von mehreren Jahren verfügbar sind. Der wesentliche Mehrwert von Panels besteht nun gerade darin, eine Vielzahl von sozio-ökonomischen Variablen zu erheben, die ein umfassendes Bild der konkreten Lebensumstände von Individuen zeichnen. Die Analyse von Einkommensveränderungen kann auf beobachtbare Korrelationen mit möglicherweise erklärenden Merkmalen wie Schulbildung, Familienstand oder Erwerbserfahrung zurückgreifen. Neben dem SOEP existieren in Deutschland weitere Mikrodaten-Panels.35 34 Vgl. Hanefeld (1987), S. 27. 35 Zur Übersicht über die im Folgenden genannten und weitere deutsche Datensätze vgl. die Datei „Datensätze Deutschland“ von ZEW/DFG, Link: siehe Internetressourcen im Literaturverzeichnis. 35 Die Einkommens- und Verbrauchsstichprobe (EVS), die sich mit rund 75.000 befragten Haushalten auf rund 0,2 Prozent aller deutschen privaten Haushalte bezieht, wird im fünfjährigen Abstand im Rahmen der amtlichen Statistik durch das Statistische Bundesamt und die Statistischen Landesämter erhoben, seit 1962/63 für West- und seit 1993 auch für Ostdeutschland.36 Gegenstand der Befragung sind die Einkommens-, Vermögens- und Schuldensituation sowie das Konsum- und Sparverhalten privater Haushalte in Deutschland. Allein auf Grund ihres Haushaltsbezuges ist die EVS keine geeignete Datenquelle für die vorliegende personenbezogene Untersuchung. Die IAB-Beschäftigtenstichprobe ist eine zweiprozentige Zufallsstichprobe der seit 1973 für Westdeutschland (seit 1992 auch für Ostdeutschland) vom Institut für Arbeitsmarkt- und Berufsforschung geführten Beschäftigtenstatistik der Bundesagentur für Arbeit.37 Da die Daten aus dem integrierten Meldeverfahren der Arbeitgeber zur Kranken-, Renten- und Arbeitslosenversicherung gewonnen werden, zählt die Stichprobe zu den prozessproduzierten Datenerhebungen. Dem Vorteil hoher Fallzahlen (rund 200.000 westdeutsche plus rund 52.000 ostdeutsche Personen im Jahresquerschnitt) und eines – zumindest für Westdeutschland – langen Beobachtungszeitraums stehen zahlreiche Merkmale gegenüber, die sich aus dem Blickwinkel der Fragestellung der vorliegenden Untersuchung als nachteilig darstellen. So ist die Stichprobe auf sozialversicherungspflichtig Beschäftigte beschränkt. Das bedeutet zum einen, dass bei Zeiten nichtsozialversicherungspflichtiger Beschäftigung nicht zwischen Zeiten der Erwerbsunterbrechung und Zeiten der selbstständigen oder geringfügigen Beschäftigung unterschieden werden kann. Demzufolge sind der unverzerrten Schätzung des Einflusses von Erwerbsunterbrechungen schon seitens des Datenmaterials Grenzen gesetzt. Zum anderen kann mangels Beobachtungen nicht (sozialversicherungspflichtig) Beschäftigter keine Selektionskorrektur der Einkommensangaben beschäftigter Personen vorgenommen werden. Zudem sind die Einkommensangaben selbst sowohl am oberen Rand (wegen der Nichterfassung von Einkommenshöhen oberhalb der Beitragsbemessungsgrenze) als auch am unteren Rand (Nichterfassung geringfügiger Beschäftigung) gestutzt. Zumindest von der Stutzung am unteren Rand dürften aber insbesondere Frauen betroffen sein. Nicht zuletzt bietet die IABS im Vergleich zum SOEP eine weit geringere Datenfülle hinsichtlich der sozio-ökonomischen Erklärungsmerkmale von Einkommensverläufen. 36 Vgl. die Angaben des Statistischen Bundesamtes zur Einkommens- und Verbrauchsstichprobe auf der destatis-Homepage in der Rubrik Statistik von A-Z, Link: siehe Internetressourcen im Literaturverzeichnis. 37 Siehe zur IAB-Beschäftigtenstichprobe im Folgenden: Bender/Haas (2002), S. 3-12. 36 Noch weniger für die vorliegende Forschungsfrage geeignet ist der Datensatz des BA-Beschäftigtenpanels.38 Das Beschäftigtenpanel der Bundesagentur für Arbeit wird als Zwei-Prozent-Stichprobe ebenfalls aus der Beschäftigtenstatistik der BA gezogen, die Daten werden aber im Unterschied zur IABS nicht tagesgenau, sondern nur auf Quartalsebene geführt. Das Panel besteht also aus einer Aneinanderreihung von Querschnitten einzelner Quartalstichtage. Die oben genannten Nachteile der IABS wie insbesondere die fehlenden Daten zum Haushaltszusammenhang und anderer sozio-ökonomischer Variablen gelten auch für das BA- Beschäftigtenpanel39; hinzu kommt die geringere Periodizität und der vergleichsweise kürzere Erhebungszeitraum (Daten liegen erst ab dem Jahr 1998 vor). Die Struktur des BA-Beschäftigtenpanels und der Vorteil der im Vergleich zur IABS schnelleren Datenverfügbarkeit (Wartezeit von sechs anstelle von 18 Monaten) machen das Beschäftigtenpanel eher für Zeitreihenanalysen interessant. Der Mikrozensus ist die vom Statistischen Bundesamt in Zusammenarbeit mit den Statistischen Landesämtern seit 1957 für Westdeutschland und seit 1991 für Ostdeutschland auf jährlicher Basis durchgeführte amtliche Repräsentativstatistik über die Bevölkerung und den Arbeitsmarkt in Deutschland.40 Er umfasst unter anderem neben Daten zu Struktur, Lebensformen und Gesundheit der Bevölkerung auch Daten zu den für die vorliegende Untersuchung relevanten Themenbereichen Erwerbstätigkeit, Nichterwerbstätigkeit, Nettoeinkommen auf Personen- und Haushaltsebene, Arbeitssuche sowie Aus- und Weiterbildung. Der Mikrozensus ist eine Ein-Prozent-Zufallsstichprobe der Bevölkerung; jährlich werden rund 390.000 Haushalte mit rund 830.000 Personen befragt. Auf Grund der weitgehenden Auskunftspflicht ist der Anteil von Befragungsausfällen gering (z. B. lag die Ausfallquote bei den Haushalten in der Welle 2005 bei vier Prozent). Dennoch ist auch der Mikrozensus aus mehreren Gründen keine geeignete Datenquelle für die hier gestellte Forschungsfrage. Da ein Haushalt nur vier Jahre in der Stichprobe verbleibt (Verfahren der partiellen Rotation), können biografische Verläufe nicht nachgezeichnet werden. Retrospektiv erhobene Fragen zu früherer Erwerbstätigkeit kommen als erklärende Faktoren ausschließlich für das aktuelle Einkommen in Frage. Zudem ist mangels verfügbarer Daten zu Steuer- und Transferzahlungen der Bruttolohnsatz nicht rekonstruierbar. Im Vergleich zum Sozio-ökonomischen Panel weist auch der Mikrozensus eine 38 Zu den Angaben zum BA-Beschäftigtenpanel vgl. Koch/Meinken (2003), S. 159-170. 39 (Mit der Einschränkung, dass im Unterschied zur IABS auch geringfügig Beschäftigte erfasst werden.) 40 Vgl. die Angaben des Statistischen Bundesamtes zum Mikrozensus auf der destatis-Homepage in der Rubrik Statistik von A-Z, Link: siehe Internetressourcen im Literaturverzeichnis. 37 ungleich geringere Datenfülle hinsichtlich der für den Einkommenszusammenhang relevanten sozioökonomischen Variablen auf. Schließlich ist auch das Niedrigeinkommens-Panel (NIEP) ungeeignet, da es mit seinen sechs Befragungswellen, die zwischen dem Frühjahr 1998 und Ende 2002 von TNS Infratest Sozialforschung im Auftrag der Bundesregierung durchgeführt wurden, einen zu kurzen Zeitraum umfasst. Außerdem wäre die mit dem NIIP verfolgte Zielgruppe (Haushalte im unteren Einkommensbereich als unterstes Quintil der Einkommensverteilung) zu eng gefasst. Im Vergleich mit den vorgestellten alternativen Längsschnittdaten ist das Sozioökonomische Panel in höherem Maße mit der Problematik kleiner Fallzahlen bzw. Panelmortalität konfrontiert: Während in der ersten Welle im Jahr 1984 in Westdeutschland 12.290 Personen in 5.921 Haushalten erfolgreich befragt werden konnten, waren es nach 24 Wellen im Erhebungsjahr 2007 noch 3.337 Haushalte mit 5.963 Personen. Im SOEP-Ost wurden im Jahr 1990 2.179 Haushalte mit 4.453 Personen befragt; im Jahr 2007 gaben noch 3.067 Personen in 1.654 Haushalten Auskunft über ihre Lebenssituation. Dessen ungeachtet ist die Zahl der befragten Personen und Haushalte insgesamt über die Zeit deutlich gestiegen. So wurden im Jahr 2008 in Gesamtdeutschland fast 11.000 Haushalte mit mehr als 20.000 Personen befragt. Trotz dieser Nachteile ist das SOEP auf Grund seiner besonderen Datenstruktur insbesondere für Längsschnittanalysen mit sozioökonomischer Fragestellung interessant. Es stellt regelmäßig Informationen über Erwerbs- und Einkommensverläufe, Gesundheit, Lebenszufriedenheit, Wohnsituation und Haushaltszusammenhang der befragten Personen bereit. Die erhobenen Paneldaten werden ergänzt durch Retrospektivdaten, die aus dem – einmalig, in der Regel im Zusammenhang mit der Erstbefragung erhobenen – Biografie-Fragebogen gewonnen werden: Indem der individuelle Beschäftigungs- und Einkommensverlauf ab dem 15. Lebensjahr noch einmal retrospektiv erfasst wird, können Datenlücken minimiert und Biografien vervollständigt werden. Der Datenreichtum im Längsschnitt ermöglicht die Konstruktion detaillierter Erwerbserfahrungs-Variablen, denen eine Vielzahl von Kontrollvariablen zur Seite gestellt werden kann. Dadurch werden, wie Hanefeld bemerkt, Alterseffekte der Einkommensentwicklung (zunehmende Erwerbserfahrung) von Kohorten- oder Periodeneffekten separierbar.41 Arbeitsplatz- und berufsbezogene Daten wie beispielsweise die Branchenzugehörigkeit sind als weitere Einkommen erklärende Merkmale verfügbar. Da umfangreiche Längsschnittsdaten zum Haushaltszusammenhang sowohl für beschäftigte als auch für nicht beschäftigte Personen vorliegen, sind auch Rückschlüsse von sozioökonomischen Ereignissen wie der Geburt eines Kindes auf die Erwerbs- 41 Vgl. Hanefeld (1987), S. 83-84. 38 wahrscheinlichkeit der Frau möglich, so dass für die Einkommensdaten auf Basis beschäftigter Frauen eine Selektionskorrektur vorgenommen werden kann. Auf Grund dieser Vorzüge ist das SOEP für die vorliegende Untersuchung unter allen auf Deutschland bezogenen verfügbaren Datenquellen die erste Wahl.42 Die Grundgesamtheit des Sozio-ökonomischen Panels besteht aus der Bevölkerung in Privathaushalten und der Anstaltsbevölkerung, wobei die ausländische Bevölkerung jeweils anteilig berücksichtigt werden muss, um repräsentative Aussagen beispielsweise über die Wohnbevölkerung, gegliedert nach Deutschen und Ausländern zu ermöglichen.43 Da das SOEP im Jahr 1984 startete, bestand diese Grundgesamtheit zunächst aus der westdeutschen Wohnbevölkerung im Jahr 1984 inklusive West-Berlin. Um Haushalte, in denen Personen verschiedener Nationalitäten leben, eindeutig zuordnen zu können, wurde – orientiert an der Nationalität des Haushaltsvorstands – basierend auf der Grundgesamtheit mit dem Sample A eine (Zufalls-) Stichprobe gezogen, die nur Personen in Privathaushalten, deren Haushaltsvorstand (in Abgrenzung zu Sample B) nicht die türkische, griechische, jugoslawische, spanische oder italienische Staatsbürgerschaft besitzt, sowie Personen der Anstaltsbevölkerung umfasst, soweit sie nicht den genannten Nationalitäten angehören.44 In der ersten Welle 1984 bestand das Sample A (gemeinhin „westdeutsches Sample“ genannt) aus 4.554 Haushalten mit realisiertem Interview.45 Die ostdeutsche Wohnbevölkerung wurde durch eine separate Stichprobe C im Jahr 1990 aufgenommen. Um wenig fehlerbehaftete Informationen zu den detaillierten Fragestellungen im Personenfragebogen zu erhalten, werden alle Mitglieder eines Haushalts direkt befragt, sofern sie 16 Jahre oder älter sind.46 Dabei wird das so genannte Follow-up-Konzept verfolgt, um das Problem der Panelmortalität zu reduzieren: Alle zur Ursprungsstichprobe gehörenden Personen samt deren Kinder werden in den nachfolgenden Jahren befragt, auch wenn sie innerhalb Deutschlands mitsamt ihres SOEP-Haushalts ihren Wohnort wechseln oder in einen anderen Haushalt einziehen (in diesem Fall entsteht ein neuer SOEP-Haushalt). Zusätzlich werden Personen befragt, die in einen bestehenden SOEP-Haushalt einziehen oder als Kinder von ursprünglichen Stichprobenmitgliedern das 16. Lebensjahr vollenden.47 Zeitlich befristeten Befragungslücken versucht man durch Retrospektivbefragungen über den betreffenden Zeitraum beim nächsten erfolgreichen Interview beizukommen. 42 Die SOEP-Daten werden als Rohdaten im SPSS-, STATA- oder SAS-Format auf CD-Rom weitergegeben. 43 Vgl. Hanefeld (1987), S. 113. 44 Siehe zur Stichprobenziehung ausführlich Hanefeld (1987), S. 168 ff. 45 Vgl. Haisken-DeNew/Frick (2003), S. 139. 46 Vgl. Hanefeld (1987), S. 137. 47 Vgl. zum Follow-up-Konzept Haisken-DeNew/Frick (2003), S. 20-21. 39 2.2 Eingrenzung des Untersuchungs-Samples Das der Schätzung der Lohn- und der Beschäftigungsfunktion zu Grunde liegende Untersuchungssample besteht aus erwachsenen Frauen des Samples A (in der soeben erläuterten Abgrenzung), die die deutsche Staatsangehörigkeit besitzen und zwischen 16 und 55 Jahre alt sind. Die Beschränkung auf westdeutsche Frauen ist notwendig, da die Einkommensverläufe von Ausländerinnen vermutlich von anderen Faktoren beeinflusst werden als die von deutschen Frauen; selbiges dürfte in geringerem Maße auch für ostdeutsche Frauen gelten, außerdem liegen für ostdeutsche Frauen Paneldaten nur für die Jahre ab 1990 vor. Mit den gezogenen Altersgrenzen sollen Verzerrungen der Einkommen durch Lehrlings- oder Ruhestandsgehälter reduziert werden; indem für die Schätzung der Lohngleichung zudem nur Daten von aktuell nicht in Ausbildung befindlichen Frauen verwendet wurden, wurden auch Studentinnen, die neben dem Studium erwerbstätig sind, von der Lohnschätzung ausgeschlossen. Des Weiteren erfolgt die Schätzung der Lohnfunktion nur auf Basis von Daten abhängig beschäftigter Frauen (Arbeiterinnen, Angestellte, Beamtinnen), da auch für die Gruppe der Selbstständigen angenommen werden muss, dass ihre Erwerbs- und Einkommensverläufe von anderen Faktoren bestimmt werden als die der abhängig Beschäftigten. In der vorliegenden Untersuchung werden die Paneldaten der Wellen A bis V (1984-2005) sowie personenbezogene Daten des einmalig retrospektiv erhobenen Biografiefragebogens verwendet. Bedingt durch die Konstruktion als Panel mit unterschiedlicher Anzahl von Beobachtungen pro Beobachtungseinheit (Unbalanced Panel) umfasst das Untersuchungssample alle Personen mit mindestens einem erfolgreichen Interview im genannten Zeitraum. Der Zuschnitt eines Unbalanced Panel wurde bewusst gewählt, um das Ausmaß von Beobachtungsausfällen auf Grund von Item- bzw. Unit Non-Response so gering wie möglich zu halten. Eine möglichst hohe Datenausnutzung erscheint gerade mit Blick auf das Problem der Selektionsverzerrung bei der Schätzung von Einkommensfunktionen wesentlich (siehe hierzu ausführlicher Abschnitt 3.2.2). Während die Paneldaten der Wellen A bis Q ausschließlich der Generierung der kumulativen Erwerbserfahrungsvariablen dienten, wurden die endogenen sowie die übrigen exogenen Variablen basierend auf den Informationen der fünf Wellen R bis V (2001-2005) gebildet. In die Pooled- OLS-Schätzung (bzw. die Panelschätzung) der Lohnfunktion werden Beobachtungen mit mindestens einer (bzw. mindestens zwei) positiven Lohninformation(en) im Zeitraum 2001 bis 2005 einbezogen. Allerdings bestand dabei die Auflage, dass die der Beobachtung vorausgehende Erwerbsbiografie lückenlos zurückverfolgt werden konnte und dass die Person auch auf allen übrigen erklärenden Variablen missingfrei ist. So konnte eine Person, deren Letztbefragung im Jahr 2001 stattfand 46 die Spells in jahresbezogene Daten umgewandelt.59 Um das Problem der Mehrfachnennungen von Status pro Jahr zu lösen, wurde folgende Prioritätenregel verwendet, die später auch bei der Verarbeitung der Kalenderdaten angewendet wird: Vollzeit dominiert Teilzeit, Teilzeit dominiert Auszeit, Auszeit dominiert Arbeitslosigkeit. Darüber hinaus zählt ein Jahr generell nur als Vollzeit-, Teilzeit-, Auszeit- oder Arbeitslosigkeitsjahr, wenn dieses Jahr nicht zugleich als Schul-, Lehr-, Wehr- /Zivildienst- oder Rentenjahr angegeben wird. Diese Festlegung erscheint im Hinblick auf die Zielsetzung, die Lohnrelevanz von „echten“, um Nebentätigkeiten bereinigten Berufserfahrungsjahren sowie „echten“ Auszeitjahren zu messen, gerechtfertigt. Dieser Festlegung gingen mehrere stichprobenartige Datenanalysen voraus, die ergaben, dass durch die Vermeidung von Mehrfachzählungen pro Jahr nur eine geringfügige Verminderung der Beobachtungszahl bewirkt wird.60 Nunmehr war jedem Jahr nur ein einziger der vier oben genannten Status – Vollzeit, Teilzeit, Auszeit oder Arbeitslosigkeit – zugeordnet. Ausgeschlossen wurden Personen mit zum Stand Ende des Jahres 1982 unvollständigen Biografien, also jene, bei denen die Summe dokumentierter Jahre niedriger als die zwischen dem 15. Lebensjahr und dem Jahr 1982 verstrichene Zeitspanne war. Weiterhin ausgeschlossen wurden Personen mit positiven Rentenjahren oder fehlender Angabe zur Erstgeburt, da für jene Frauen geburtsbezogene Erwerbserfahrungsvariablen nicht hätten konstruiert werden können. Nachdem die Informationen zum Jahr der Erstgeburt aus der BIOBIRTH-Datei den verbleibenden Beobachtungen hinzugefügt worden war, konnten jene Erwerbser- 59 So wurde beispielsweise zwei Auszeitjahre erzeugt, wenn zwischen Ende und Beginn eines Spells mit Spell-Typ 7 (Hausfrau/-mann) oder 9 (Sonstiges) eine Einjahresspanne lag (das Jahr des Beginns wurde mitgezählt), unter der Bedingung, dass der Beginn spätestens 1981 erfolgte. Spells, die das Jahr 1982 überdauerten, wurden entsprechend anteilig berücksichtigt. 60 So ergab die Analyse von Kalenderdaten, dass sich bei jeweils 12-monatiger Vollzeit bzw. Teilzeit über die Jahre kaum Überschneidungen mit Schul-, Lehr-, Wehrdienst oder Rentenjahren ergaben, sodass eine Vollzeit- oder Teilzeitinformation mit hoher Wahrscheinlichkeit eine parallel vorhandene Schul- oder Lehr-Information monatsmäßig nicht überwiegen dürfte und daher das betreffende Jahr nicht als Vollzeit- bzw. Teilzeitjahr gewertet werden soll. Die Beobachtungen von Wehrdienst- bzw. Zivildienst-Jahren ist aufgrund des weiblichen Samples verschwindend gering, und Beobachtungen mit positiven Renteninformationen werden ohnehin vom regressionsrelevanten Sample ausgeschlossen. Die Analyse von Spell-Daten ergab beispielsweise für das Jahr 1983, dass rund 11 Prozent der Personen Mehrfachnennungen aufwiesen. Nach Bereinigung zeigte sich, dass bei 8,03 Prozent der Frauen, die nach Bereinigung keine Auszeit-Information für 1983 hatten, diese auf Grund parallel vorhandener Schul-, Lehr-, Wehrdienst- oder Renteninformation eingebüßt hatten. Die Anteile der Frauen, die aus demselben Grund eine Vollzeit- bzw. Teilzeit- bzw. Arbeitslosigkeitsinformation für 1983 einbüßten, lagen bei 2,64 Prozent bzw. 1,70 Prozent bzw. 1,74 Prozent. Überschneidungen von Teilzeit- und Vollzeitjahren bis Ende 1982 gab es nur in 1,23 Prozent der Fälle, Überschneidungen von Auszeit- und Arbeitslosigkeitsjahren sogar nur in 0,4 Prozent der Fälle. 47 fahrungsvariablen auf Spell-Basis mit Stand Ende 1982 generiert werden, die später mit den Variablen für den Zeitraum 1983-2004 zwecks Bildung der regressionsrelevanten Variablen zusammengeführt werden sollten. Für die Generierung der Erwerbsstatus für die Jahre 1983-2004 als Basis für die spätere Bildung der Erwerbserfahrungsvariablen im genannten Zeitraum liegen im Allgemeinen kalender- und spell-basierte Informationen vor. Im Sinne einer effizienten Datenausnutzung werden Informationen aus beiden Quellen verwendet, Spell-Daten allerdings nur dann, wenn pro Person und Jahr keine Kalenderdaten verfügbar sind. Die Bildung der Erwerbsstatus 1983-2004 ist daher dreigeteilt (Schritte 2-4): Zuerst werden Erwerbsstatus auf Spell-Basis (Schritt 2) und anschließend auf Kalenderbasis (Schritt 3) gebildet, bevor schließlich die so generierten Informationen zu einer einzigen Erwerbsstatus-Information pro Person und Jahr zusammengefügt werden (Schritt 4). Schritt 2: Bildung der Erwerbsstatus 1983-2004 auf Spell-Basis Anders als im Zeitraum vor 1983 müssen nun jahresbezogene Erwerbsstatus erzeugt werden, um später mit den ebenfalls ab 1983 vorliegenden Kalenderdaten auf Jahresbasis zusammen geführt werden zu können. Da in PBIOSPE Angaben über Beginn und Ende eines Spells vorliegen, wurde jedem Jahr 1983-2004 zunächst der dort dokumentierte Erwerbsstatus zugeordnet.61 Die Bereinigung um Mehrfachnennungen wurde wiederum dergestalt vorgenommen, dass Vollzeit-, Teilzeit-, Auszeit- und Arbeitslosigkeitsjahre nur als solche gewertet wurden, wenn zeitgleich keine Schul-, Lehr-, Wehr-/Zivildienst- oder Rentenjahre verzeichnet waren. Schritt 3: Bildung der Erwerbsstatus 1983-2004 auf Kalenderbasis, Formierung des Untersuchungs-Samples Um den Jahren 1983-2004 jeweils einen Erwerbsstatus auf Basis der Kalender-Daten zuweisen zu können, wurden die benötigten Variablen aus den $PKAL-Dateien für die Wellen A (1984) bis V (2005) gezogen. Dabei wurden nur Variablen von Frauen verwendet, die die gewünschten Eigenschaften aufwiesen (vergleiche Kap. 2.2: Eingrenzung des Untersuchungs-Samples); die übrigen Eigenschaften – die Altersbeschränkung auf 16-55 Jahre sowie das Merkmal der abhängigen Beschäftigung für die in die Schätzung der Lohnfunktion aufzunehmenden Personen – wurden durch spätere Eingrenzungen vorgenommen. Dabei wurde eine über die Personen schwankende Beobachtungszahl zugelassen, um eine höchstmögliche Datenausbeutung zu gewährleisten und das Problem der Selbstauslese, für das im Rahmen 61 Beispielsweise erhielt das Jahr 1983 zunächst den Vollzeit-Status, wenn ein Spell des Typs 4 spätestens 1983 begann und frühestens 1983 endete. 48 der Regression kontrolliert werden muss, bereits seitens der Datenkonstruktion zu begrenzen. Nach Hinzufügung der Erstgeburts-Information aus BIOBIRTH und Löschung der Personen ohne Angabe zur Erstgeburt konnten auf Basis der verbleibenden Beobachtungen die kalenderbasierten Erwerbsstatus generiert werden. Auch hierbei musste das Problem der Mehrfachnennungen gelöst werden. Im Unterschied zur Vorgehensweise bei den Spell-Daten konnte die Prioritätenregel hierbei jedoch differenzierter angewendet werden, da die Statusinformationen in den Kalenderdaten auf (Vorjahres-) Monatsbasis vorliegen: Nur bei Gleichstand der Monatsanzahl wurde ein Jahr beispielsweise als Vollzeitstatt als Teilzeitjahr gewertet (Vollzeit dominiert Teilzeit, Teilzeit dominiert Auszeit, Auszeit dominiert Arbeitslosigkeit); in allen anderen Fällen wurde der Erwerbsstatus mit der jeweils höchsten Monatsanzahl verwendet. Auch wurden wiederum nur solche Jahre gezählt, die nicht zugleich positive Schul-, Lehr-, Wehr-/Zivildienst- oder Rentenmonate aufwiesen.62 Beobachtungen von erfolgreich befragten Personen ohne Angabe eines der neun Erwerbsstatus (missings; Variablenwert „-1“) wurden nicht gezählt; dagegen wurden Personen, die in einem Jahr nicht erfolgreich befragt worden waren (Variablenwert des Vorjahres „-2“) bei allen neun Erwerbsstatus im jeweiligen Vorjahr auf Null gesetzt. Schritt 4: Bildung der Erwerbserfahrungsvariablen 1983-2004 aus zusammen geführten Informationen der Kalender- und Spell-Daten Die aus Schritt 3 resultierenden Erwerbsstatus für die Jahre 1983-2004 wurden als die endgültigen angenommen, wenn eine Zuordnung zu einem der neun Status auf Kalenderbasis möglich war. Andernfalls, und nur dann – also wenn eine Frau beispielsweise im Folgejahr nicht befragt worden war – kamen die in Schritt 2 gebildeten Erwerbsstatus auf Spell-Basis zum Einsatz. Damit wurde konsequent über alle Jahre 1983 bis 2004 den kalenderbasierten, genaueren Informationen der Vorzug gegeben.63 Diese Vorgehensweise hat außerdem den Vorzug, das Messfehler- 62 Datenanalysen für die Stichprobenwellen A, E, L, M, V lassen diese Festlegung wiederum vertretbar erscheinen. So wiesen im Jahr 1983 96,32 Prozent der Personen mit positiven Vollzeitmonaten Null Monate Schule auf; beim Vergleich von Vollzeit mit Lehre, Wehr-/Zivildienst oder Rente waren zwischen 93 und 100 Prozent der Frauen in den genannten Stichprobenjahren überschneidungsfrei, beim Vergleich von Teilzeit (Auszeit) mit den vier nicht regressionsrelevanten Status 94-100 Prozent (98-100 Prozent). Lediglich der Status Arbeitslosigkeit war in der genannten Weise häufiger von Überschneidungen betroffen: Überschneidungsfrei in den genannten Stichprobenjahren waren nur 85-100 Prozent der Frauen; allerdings waren die Fallzahlen dieser Kombinationen gering, da Arbeitslosenjahre an sich im Sample relativ selten vorkommen. 63 Auf Grund der vorgelagerten Bereinigung um Mehrfachnennungen unter Beteiligung der regressionsrelevanten Variablen verbleiben lediglich Überschneidungen von Schul-, Lehr-, Wehr- 49 Problem bei Retrospektivdaten stark zu entschärfen.64 Geht man von einer 38- jährigen Frau aus – also einer Frau im Durchschnittsalter aller Frauen des Lohnsamples –, reduziert sich die Zeitspanne, in der für diese Frau ausschließlich Retrospektivdaten vorliegen können, selbst dann, wenn die Lohninformation aus der ersten lohnrelevanten Welle 2001 stammt, auf maximal die ersten 22 Lebens-, das heißt, maximal die ersten sieben Erwerbsjahre. Stammt die Lohninformation aus der letzten lohnrelevanten Welle 2005, sind es sogar nur 18 Lebens- bzw. drei Erwerbsjahre. Auf Basis der dergestalt gebildeten Erwerbsstatus für den Zeitraum 1983-2004 wurden die – zu den in Schritt 1 gebildeten Erwerbserfahrungsvariablen auf Spell-Basis bis Ende 1982 kompatiblen – Kalender-Variablen generiert. Schritt 5: Bildung der regressionsrelevanten Erwerbserfahrungsvariablen für die Zeitspanne zwischen dem 15. Lebensjahr einer Person und dem Jahr 2004 In diesem letzten Schritt galt es, die für die beiden Zeitspannen 15. Lebensjahr bis 1982 einerseits und 1983 bis 2004 andererseits separat gebildeten Erwerbserfahrungsvariablen zu den in der Lohn- und Beschäftigungsregression verwendeten Variablen zusammen zu führen. Da der für die Regressionen verwendete Datensatz keine Personen mit unvollständigen Biografien enthalten darf, musste in diesem letzten Schritt eine entsprechende Kontrolle des Datensatzes erfolgen. Die Anforderung vollständiger Biografien war vor dem Hintergrund eines Unbalanced Panels so zu interpretieren, dass eine Person zwar nicht jedes Jahr befragt worden sein, dass aber ihre Erwerbsbiografie vom 15. Lebensjahr an bis zum Jahr der Letztbefragung lückenlos, das heißt, Jahr für Jahr nachvollziehbar sein musste. Die Informationen über Erst- und Letztbefragungs- sowie Geburtsjahr wurden aus der PPFAD-Datei gewonnen und dem Datensatz zugespielt. Konnten vor dem Letztbefragungsjahr auftretende Lücken nicht geschlossen werden, war die betreffende Person aus dem für die Lohn- bzw. Beschäftigungsschätzung verwendeten Sample auszuschließen. Betreffend die Jahre bis einschließlich 1982 wurde die Vollständigkeit der Biografien bereits im ersten Schritt sichergestellt. Bezüglich der Jahre 1983-2004 wurde anschließend wie folgt vorgegangen: Es wurden jene Beobachtungsjahre ausgeschlossen, in denen die bis dato verstrichene Zeitspanne seit 1983 größer war als die bis dato aufgelaufene Summe von Jahren mit dokumentiertem Erwerbsstatus und diese Lücke nicht mit einem noch nicht erreichten Mindestalter von 16 Jahren erklärt werden konnte. Ferner musste die Zivildienst- und Rentenjahren untereinander. Da diese Status in die späteren Schätzungen nicht einbezogen werden, sind deren Überschneidungen bedeutungslos. 64 Vgl. zu diesem Fehler beispielsweise Dustmann und Rochina-Barrachina (2007), S. 277. 50 Erwerbsbiografie bis Ende 1982 komplett sein. Hierbei wurde die diesbezüglich bereits in Schritt 1 gewonnene Information wieder aufgegriffen. Diese Vorgehensweise hat den Vorteil, dass nicht zwingend Personen mit lückenhaften Erwerbsbiografien vollständig von der Lohn- und Beschäftigungsregression ausgeschlossen werden müssen, sondern dass vielmehr Biografien von Personen bis zu dem Zeitpunkt der erstmalig auftretenden Lücke berücksichtigt werden konnten.65 Schließlich wurde der Datensatz auf die Beobachtungen der Jahre 2000-2004 reduziert, da für die Regressionen nur die fünf Wellen R bis V (2001-2005) zur Verwendung kamen. Die Unterscheidung zwischen aktuellen und früheren Jahren in Vollzeit, Teilzeit etc. machte ein Rechnen in ganzen Jahren notwendig. Da Erwerbserfahrung dem Wesen nach nur im Nachhinein dokumentiert werden kann, bezieht sich die in den Variablen dargestellte Erwerbserfahrung einer Person jeweils auf das Vorjahresende desjenigen Jahres, in dem die Lohn- oder aktuelle Erwerbsstatus-Information mittels Befragung gewonnen wurde. Würde beispielsweise der Stundenbruttolohn gegen die Variable aktuelle durchgängige Vollzeit regressiert (beide erfragt im Jahr 2005, erstere auf den Vormonat, zweitere auf das Ende des Vorjahres bezogen), würde der gefundene Koeffizient den Einfluss der Ende des Jahres 2004 aufgelaufenen Summe aktueller durchgängiger Vollzeitjahre auf den Lohn des Jahres 2005 verdeutlichen. Der zeitliche Abstand zwischen der Erhebung der endogenen und der exogenen Variable ist jedoch – dank des praktizierten Befragungsrhythmus‘, wie weiter oben dargelegt – relativ gering.66 Weiterhin wurde der Datensatz auf Beobachtungen von Frauen beschränkt, die zum Befragungszeitpunkt im Zeitraum 2001-2005 zwischen 16 und 55 Jahre alt waren. Somit sind nur noch Beobachtungen von Frauen im Datensatz enthalten, die die Eigenschaften des Beschäftigungssamples aufweisen. Die für die Aufnahme in das Lohnsample erforderlichen weitergehenden Einschränkungen wurden dergestalt vorgenommen, dass eine Lohninformation nur bei Erfüllung dieser Anforderungen gewertet wurde. 2.3.2.1.2 Gliederungsebenen der Erwerbserfahrungsvariablen Die erzeugten Erwerbserfahrungsvariablen lassen sich – nach zunehmender Tiefe der Aufgliederung bzw. nach Fragestellung – in fünf Gruppen einteilen: • Anzahl erwerbstätiger und nichterwerbstätiger Jahre, jeweils insgesamt; • Anzahl Vollzeit-, Teilzeit-, Auszeit-, Arbeitslosigkeits-Jahre, jeweils insgesamt; 65 Tritt beispielsweise eine Lücke erstmalig im Jahr 2004 auf und ist die betreffende Person bis einschließlich 2003 auch auf allen anderen erklärenden Variablen missing-frei, können die Beobachtungen dieser Person bis einschließlich 2003 für die Regression genutzt werden. 66 Vgl. Hanefeld (1987), S. 241. 51 • Anzahl aktueller und früherer Vollzeit-, Teilzeit-, Auszeit-, Arbeitslosigkeitsjahre (wobei sich aktuelle und frühere Jahre jeweils zur Anzahl der Vollzeit- bzw. Teilzeit- bzw. …-Jahre ergänzen); • Anzahl aktueller und früherer Vollzeit-, Teilzeit-, Auszeit-, Arbeitslosigkeitsjahre, unterschieden nach deren Einbettung in die Biografie, bspw. Anzahl aktueller Vollzeitjahre nach einer Teilzeitphase; • Anzahl geburtsbedingter aktueller Auszeitjahre; als geburtsbedingt ist dabei ein Auszeit- oder Teilzeitjahr definiert, das in zeitlichem Abstand von maximal zehn Jahren zur Erstgeburt realisiert wird, alle anderen Jahre gelten als nicht geburtsbedingt.67 Zusätzlich wurden Interaktionsvariablen zwischen beruflichem Bildungsabschluss und aktueller (durchgängiger) Vollzeit sowie aktueller Auszeit gebildet, um einen möglichen Drittvariableneffekt von Bildung auf die Lohnwachstumsrate zu kontrollieren. Die fünf Gliederungsebenen finden sich in der Variablen-Operationalisierung der Modelle (1)-(5) der in Abschnitt 3 zu schätzenden Lohngleichungen wieder. Ab Gliederungsebene (3) berücksichtigen die Paneldaten-Modelle zusätzlich die vorstehend genannten Interaktionsvariablen (Modelle (3a) bis (5a)). 2.3.2.1.3 Die Variablen im Einzelnen Nr. 04-05: Erwerbstätigkeit und Nichterwerbstätigkeit Diese relativ groben Variablen bilden das Start-Set für die Regressionen, von dem aus sukzessive weitere Verfeinerungen vorgenommen werden. Trotz des hohen Aggregationsniveaus steht – im Vergleich zum Konzept der potenziellen Erwerbserfahrung, das, wie in Abschnitt 1.4 erwähnt, in vielen Studien verwendet wird – mit Variable 04 eine feinere, die tatsächliche Erwerbserfahrung messende Variable zur Verfügung. Die humankapitaltheoretische Vermutung, dass mit zunehmender Dauer der Arbeitsmarktferne die Einkommenserzielungschancen sinken, ist mit der untersuchungsleitenden Hypothese 6 weiter oben formuliert worden. Allerdings ist – wie in Hypothese 7 festgehalten – von einem degressiven Verlauf der Lohnstrafe bei zunehmender Unterbrechungsdauer auszugehen. Licht und Steiner haben diesen Zusammenhang getestet und fanden einen geringfügigen Lohnabschlag der Dauer früherer Nichtbeschäftigung für die vergangenen zwei Jahre;68 in einer ein Jahr zuvor erschienenen Untersuchung derselben Autoren wird 67 Ursprünglich wurden weitere Variablen mit Geburtsbezug gebildet, die sich in den Schätzungen jedoch nicht bewährten. 68 Vgl. Licht/Steiner (1992), S. 252 ff. 52 ein höherer Lohnabschlag desselben Regressors für die Untergruppe weiblicher Singles ausgewiesen.69 Gleichzeitig steigt der Reservationslohn der Frau mit steigender Dauer der Nichterwerbstätigkeit, da ihre Produktivität im Haushalt (wenngleich auch unterproportional) steigt. So dürfte auch die Wahrscheinlichkeit, erwerbstätig zu sein, negativ von der zunehmenden Dauer der Nichterwerbstätigkeit abhängen, was in der Schätzung der Beschäftigungsfunktion zu testen sein wird. Nr. 06: Betriebszugehörigkeit Die Dauer der Betriebszugehörigkeit in Jahren wird erhoben, um den Lohneffekt von Arbeitgeberwechseln (und der damit einher gehenden Entwertung betriebsspezifischen Humankapitals) zu kontrollieren. Zahlreiche Studien weisen jedoch für Querschnittsdaten darauf hin, dass der ermittelte positive Koeffizient von Betriebszugehörigkeit verzerrt sein kann, weil er auch auf eine veränderte Stichprobenzusammensetzung zurückzuführen ist und nicht nur auf im Zeitablauf steigende Produktivität. Paneldaten kontrollieren zwar für die letztgenannte Within-Person-Variation, aber dieser Lohneffekt wird mit dem erstgenannten Effekt vermischt. Geht man davon aus, dass Personen, für die sich nach Besetzung des Arbeitsplatzes herausstellt, dass die Zuordnung nicht optimal war (so genanntes Mismatch) den Job wieder aufgeben, während Personen, die die ihren Fähigkeiten bestens entsprechende Job-Zuordnung gefunden haben, in diesem Job verbleiben, ergibt sich auf Grund der Arbeitsplatzmobilität eine im Zeitablauf veränderte Zusammensetzung der Stichprobe, auf deren Basis der Zusammenhang zwischen Lohn und Betriebszugehörigkeitsdauer gemessen wird. Da sich niedrigproduktive Personen selbst aus dem Sample ausgewählt haben, steigt mit zunehmender Betriebszugehörigkeit der Lohn im Stichprobenmittel an, selbst wenn der Lohn für den einzelnen Beschäftigten im Zeitablauf konstant bleibt.70 Hinzu kommt eine hohe Kollinearität von Betriebszugehörigkeit mit aktueller Vollzeit, einer Variable, die für den hier untersuchten Zusammenhang indes unverzichtbar ist. Zudem wird im hier verfolgten Zusammenhang geburtsbedingter Erwerbsunterbrechungen davon ausgegangen, dass es sich bei der Dauer der Unterbrechung um eine Entscheidung der Frau handelt, die diese mehr oder minder frei (durch institutionelle Faktoren beeinflusst) trifft, und bei der Dauer der Betriebszugehörigkeit um eine aus dieser Entscheidung abgeleitete Größe. Aus diesem Grund wird den sukzessive verfeinerten Erwerbserfahrungsvariablen, wie sie in obiger Gliederungsübersicht veranschaulicht wurden, der Vorzug gegeben; die Dauer 69 Vgl. Licht/Steiner (1991b), S. 8 ff. 70 Vgl. Galler (1991) S. 124. 53 der Betriebszugehörigkeit wird lediglich auf der obersten Gliederungsebene (Variablenset des Modells (1)) berücksichtigt. Nr. 07-10: Vollzeit-, Teilzeit-, Auszeit- bzw. Arbeitslosigkeitsjahre Nach der Humankapitaltheorie werden Phasen der Erwerbstätigkeit mit einer umso höheren Lohnwachstumsrate belegt, je enger die Bindung an den Arbeitsmarkt ist. Alle Jahre der Vollzeitbeschäftigung, die die Person bis an den aktuellen Rand (Stand Ende Vorjahr) realisiert hat, werden daher zu einer Summenvariable Vollzeit (in Jahren) zusammengefasst; ebenso wird mit Teilzeit-, Auszeit- und Arbeitslosigkeitsjahren verfahren. Durch den Vergleich der Lohnprämien von Vollzeit- mit Teilzeitjahren kann Hypothese 6 noch tiefer gehend geprüft werden als lediglich durch den Vergleich von Erwerbsmit Nichterwerbsjahren. Nr. 11-21: Aktuelle Vollzeit Variable 11 gibt die Summe aktueller Vollzeitjahre seit der letzten Unterbrechung, Variable 15 dagegen selbige Summe seit Erwerbseintritt an.71 Die jeweiligen quadrierten Terme sollen Aufschluss über die Konkavität des Lohn-Lebensalter- Profils solcher Frauen geben. Zu Variable 11 respektive 15 gehören jeweils drei Interaktionsterme, die einen etwaigen Drittvariableneffekt von Bildung auf die Lohnwachstumsrate aktueller (durchgängiger) Vollzeit kontrollieren sollen. Die übrigen drei Variablen dieser Gruppe unterscheiden sich nach der Phase unmittelbar vor der aktuellen Vollzeitphase. Obwohl prinzipiell mehrere Vollzeitphasen im Erwerbsverlauf denkbar sind, beschränken sich die Variablen 19-21 auf die erste Vollzeitphase nach einer Auszeit- oder Teilzeitphase. So wird zwischen Variablen 19 und 20 unterschieden, um zu prüfen, inwiefern sich in einer Vollzeitphase im Anschluss an eine Teilzeit- oder Auszeitphase ein Aufholeffekt des Lohnes nachweisen lässt. In der Studie von Galler war ein solcher Effekt nur im Anschluss an eine Teilzeitbeschäftigung nachgewiesen worden, allerdings mit im Zeitablauf abnehmender Intensität. Variable 21 hat als Summenvariable der Variablen 19 und 20 den Vorteil höherer Fallzahlen und kann – in Gegenüberstellung zu Variable 15 – darüber Aufschluss geben, inwieweit überhaupt ein Lohnunterschied zwischen durchgängiger aktueller Vollzeit und aktueller Vollzeit nach einer (wie auch immer gearteten) Unterbrechung besteht. Variablen 19 und 21 umfassen nicht nur Auszeitjahre in der bisherigen Definition, sondern auch Arbeitslosenjahre. 71 Als Unterbrechung ist jegliche Abweichung von Vollzeittätigkeit zu verstehen. 54 Nr. 22-24: Frühere Vollzeit Da das aktuell verfügbare Humankapital von den diesbezüglichen vergangenen Investitionen bestimmt wird, dürften auch frühere Jahre einer Vollzeitbeschäftigung – gemindert um unterdessen erfolgte Abschreibungen – noch eine gewisse Lohnrelevanz haben. Gemäß der Humankapitaltheorie wäre ein höherer aktueller Lohneffekt derjenigen früheren Vollzeitjahre zu erwarten, denen keine Auszeitphase, sondern lediglich eine Teilzeitphase nachfolgte, da die Entwertung betriebsspezifischen und allgemeinen Humankapitals während einer Teilzeitbeschäftigung geringer als während einer Auszeitphase ist (vgl. die untersuchungsleitende Hypothese Nr. 5). Um diese theoretische Vermutung empirisch zu testen, wurden neben der Variable 22 (Anzahl früherer Vollzeitjahre insgesamt) die Variablen 23 und 24 gebildet.72 Nr. 25: Aktuelle Teilzeit Dem Status „teilzeitbeschäftigt“ ordnen sich die befragten Personen selbstständig zu. Dabei werden seitens des Interviewers weder im Personennoch im Biografie- Fragebogen zusätzliche Informationen zur Abgrenzung einer Teilzeitvon einer Vollzeittätigkeit gegeben; es gilt lediglich die Zuordnung geringfügig Beschäftigter zu Teilzeitbeschäftigten.73 Demzufolge realisieren jene Frauen in der vorliegenden Untersuchung positive aktuelle Teilzeitjahre, die sich selbst für die betreffenden Jahre den Status der Teilzeitbeschäftigten bzw. geringfügig Beschäftigten gegeben haben, ohne dass von anderer Seite ein zusätzliches Abgrenzungskriterium (bspw. Wochenarbeitszeit) eingefügt worden wäre.74 Bezüglich der Einkommenseffekte von Teilzeit gibt es verschiedene Theorien. Teilzeitbeschäftigte realisieren in der Regel ein geringeres Humankapitalwachstum als Vollzeitbeschäftigte; dies unter anderem deshalb, weil sie seltener an Weiterbildungsmaßnahmen teilnehmen und seltener von Beförderungen profitieren. 72 Im Sinne dieser Argumentation gelten daher frühere Vollzeitjahre als Jahre früherer Vollzeit vor Auszeit, sobald ihnen eine Auszeitphase nachfolgt, unabhängig davon, ob diese früheren Vollzeitjahre zusätzlich von einer Teilzeitphase nachgefolgt werden. 73 Dies gilt bis einschließlich 2004. In der Befragung des Jahres 2005 wird erstmals zwischen Teilzeit und geringfügiger Beschäftigung („Minijob (bis 400 €)“) unterschieden. Vgl. beispielsweise Frage 78 auf Seiten 23 f. des Personenfragebogens 2004. Lediglich in der für international vergleichende Studien konstruierten PEQUIV-Datei ist eine generierte Variable zum Beschäftigungsstatus im Vorjahr abgelegt, die sich an der Definition von Vollzeit im Sinne von mindestens 35 Wochenstunden und von Teilzeit im Sinne von durchschnittlich 1-34 Wochenstunden orientiert (Variable E11103$$; vgl. Codebook Vol. I, S. 1-57). 74 Der Lohneinfluss der aktuellen Wochenarbeitszeit wird dagegen in der Arbeitszeitvariable aufgefangen. 55 Diesem negativen Einkommenseffekt von Teilzeit stehen die allgemein höhere Stundenproduktivität von Teilzeitkräften sowie der positive Effekt entgegen, dass Teilzeitbeschäftigte in der Regel weniger unbezahlte Überstunden leisten, was sich ebenfalls positiv auf ihren Stundenlohn auswirken dürfte. Da die Entscheidung für Teilzeit in besonderem Maße vom Haushaltszusammenhang abhängt, sind Selbstselektionseffekte nicht nur hinsichtlich der Erwerbsentscheidung als solcher, sondern auch hinsichtlich des Arbeitsstundenumfangs zu vermuten, die in dieser Untersuchung allerdings nicht kontrolliert wird.75 Da mit dem Wechsel in eine Teilzeitbeschäftigung nicht selten auch eine Veränderung der übrigen Erwerbsumstände einhergeht, werden auch die Lohneffekte arbeitsplatzbezogener Merkmale kontrolliert. So zeigt die Untersuchung von Beblo und Wolf (2000), dass die Atrophierate des Humankapitals nach einer einjährigen Teilzeitphase verschwindet, wenn der Einfluss der Variablen Firmengröße, Branche und berufliche Stellung separat berücksichtigt wird.76 Nr. 26: Frühere Teilzeit Frühere Teilzeit unterscheidet sich von aktueller Teilzeit durch eine zwischenzeitlich erfolgte Auszeit-, Arbeitslosigkeits- oder Vollzeitphase. Da in einer Phase mit Nulleinkommen kein Lohneffekt früherer Teilzeit gemessen werden kann, kommt selbiger nur für eine nachfolgende Vollzeitphase in Betracht. Nummer 8 der untersuchungsleitenden Hypothesen postuliert in einer solchen Phase einen zeitlich begrenzten Restaurationseffekt des Humankapitals. Um den Restaurationseffekt von dem von aktueller Vollzeit ausgehenden Lohneffekt zu isolieren, wurde der Regressor frühere Teilzeit gebildet. Nr. 27-31: Aktuelle bzw. aktuelle geburtsbedingte Auszeit Da sich alle Erwerbserfahrungsvariablen auf das jeweilige Vorjahresende beziehen, wird das erste Beschäftigungsjahr im Anschluss an eine Auszeitphase durch die Variablen 27 bzw. 31 aktuelle bzw. aktuelle geburtsbedingte Auszeit erfasst. Der Wert dieser Variablen gibt dabei die Dauer der unmittelbar vor dem Wiedereinstieg liegenden Auszeitspanne an; der Koeffizient lässt sich als prozentualer Abschlag vom letzten Lohn vor Ausstieg und damit als Lohnstrafe bei Wiedereintritt interpretieren. Mit den beiden genannten Variablen wird die Hypothese 6 getestet, derzufolge Phasen der Nichterwerbstätigkeit zu einem Lohnabschlag führen. Die Quadrierungen der Variablen sollen Aussagen darüber ermöglichen, ob der Lohn- 75 So findet Giesecke deutliche Selbstselektionsprozesse insbesondere bei marginaler Teilzeit; vgl. Giesecke (2003), Internetressource. 76 Beblo/Wolf (2000), S. 15-16. 62 Zwar lassen sich Verzerrungen durch solche unbeobachteten Fähigkeiten ihrem Wesen nach nie vollständig ausschalten.90 Mit der Unterscheidung zwischen Schul- und Berufsabschlüssen wird jedoch der Versuch gemacht, die Einkommenserzielungskapazitäten der Personen anzugleichen, sodass der Rückschluss auf die Lohnrendite unterschiedlicher Berufsausbildungen unter Kontrolle des Schulabschlusses valider sein dürfte, als dies ohne entsprechende Kontrolle der Fall wäre. Weiterhin wird versucht, mit den bereits vorgestellten Interaktionstermen Drittvariableneffekte der Bildung auf den Lohn einzufangen. Der Lohneinfluss von Ausbildungsabschlüssen relativiert sich gegebenenfalls jedoch noch durch die Hinzunahme weiter Variablen: So fanden Beblo und Wolff, dass sich die 35-prozentige Lohnprämie von Universitätsgegenüber Fachschulabschlüssen auf rund 15 Prozent dezimierte, wenn die berufliche Stellung der Frau separat kontrolliert wurde.91 Auch in das Variablenset der vorliegenden Untersuchung wurden daher mehrere Kontrollvariablen aufgenommen (siehe unten). Wie wurden die Variablen 39-52 gebildet? Sie entstammen den Ursprungsvariablen $PSBIL, $PBBIL01, $PBBIL02, $PBBIL03, $PSBILA und $PBBILA. Dabei waren unter anderem die im Ausland erzielten Schul- und Berufsausbildungsabschlüsse zu integrieren und die Beobachtungen um Mehrfachnennungen zu bereinigen. So wurde in Anlehnung an Bartenwerfer der im Ausland absolvierte Pflichtschul-Abschluss dem Hauptschul-, der ausländische Abschluss einer berufsbildenden weiterführenden Schule dagegen dem Realschulabschluss zugeordnet.92 Die Angabe „sonstiger Schulabschluss“ wurde – in Orientierung am erzielten Bruttomonatslohn der Personen mit diesem Abschluss – dem Abschluss der Fachhochschulreife zugeschlagen. Analog wurden die im Ausland erzielten Berufsabschlüsse weitgehend ihrem begrifflichen oder einkommensäquivalenten inländischen Abschluss zugeordnet, so etwa der ausländische College-Abschluss dem Universitäts- und der ausländische Hochschulabschluss dem Fachhochschulabschluss. Zusätzlich konnten horizontale Mehrfachnennungen (beispielsweise Lehre im In- und Ausland) sowie vertikale Mehrfachnennungen (bspw. Fachschul- und Fachhochschulabschluss) anhand des Schlüssels Personennummer identifiziert und bereinigt werden. Auf diese Weise wurde sichergestellt, dass pro Person nur ein höchster Schul- bzw. Ausbildungsabschluss gezählt wird. 90 (Es sei denn, man beschränkt das Untersuchungssample auf eineiige Zwillinge; eine Option, die hier mangels erforderlicher Fallzahlen ausscheidet.) 91 Vgl. Beblo/Wolf (2002). 92 Vgl. Bartenwerfer (1990), S. 131. 63 2.3.2.3 Kontrollvariablen 2.3.2.3.1 Sozio-ökonomische Kontrollvariablen Nr. 53: Alter der Mutter in Jahren Das Alter der Mutter wird als Differenz zwischen aktuellem Befragungs- und Geburtsjahr gebildet. Welchen Einfluss das Alter auf die Beschäftigungsneigung der Frauen ausübt, bleibt abzuwarten. Einerseits spricht ein zunehmendes Lebensalter für eine steigende Erwerbsneigung, da die Phase der Familiengründung zusehends als abgeschlossen gelten kann und die mütterliche Einbindung in die Kinderbetreuung abnimmt. Andererseits spricht die sich zusehends verkürzende Restlebensspanne für eine steigende Zeitpräferenzrate, sodass das Grenzleid der Arbeit möglicherweise einen die Erwerbsneigung mindernden Einfluss ausübt. Nr. 54: Verheiratet / mit Partner zusammen lebend Die im SOEP-Personenfragebogen direkt erfragte Familienstands-Variable wird als Dummy für die beiden Ausprägungen „verheiratet“ (1) und „nicht verheiratet“ (0) konzipiert. Als „verheiratet“ gilt eine Frau, wenn sie mit ihrem Ehemann oder mit ihrem Partner im selben Haushalt zusammenlebt; zur Kategorie „nicht verheiratet“ zählen ledige, verwitwete und geschiedene Frauen. Da die Haushaltsproduktivität davon abhängt, wie viele Personen von der Zeitallokation für Hausarbeit profitieren, dürfte der Reservationslohn von mit einem Partner zusammen lebenden Frauen höher als jener allein lebender Frauen ausfallen, mit entsprechend höherem Erwerbsanreiz der letztgenannten Frauengruppe. So fanden Galler sowie Licht und Steiner in der Tat, dass verheiratete Frauen eine niedrigere Erwerbswahrscheinlichkeit haben als nicht verheiratete Frauen (im Gegensatz dazu ergab die Licht und Steiner-Studie, dass das Verheiratetsein der männlichen Beschäftigungswahrscheinlichkeit förderlich ist).93 Nr. 55: Gesundheitliche Behinderung der Mutter Die gesundheitliche Behinderung der Mutter wird als Dummy (Wert 1=ja, Wert 0=nein) konzipiert, da gesundheitliche Einschränkungen ein höheres Grenzleid der Erwerbsarbeit verursachen und demnach die Beschäftigungswahrscheinlichkeit negativ beeinflussen dürften. Entsprechende Ergebnisse finden sich beispielsweise in den Studien von Galler und Licht und Steiner.94 Die Variable wird im SOEP- Personenfragebogen direkt erhoben. 93 Vgl. Galler (1991) sowie Licht/Steiner (1992). 94 Vgl. Galler (1991) sowie Licht/Steiner (1992). 64 Nr. 56: Pflegebedürftige Person im Haushalt der Mutter Die Pflegebedürftigkeit eines Haushaltmitglieds wird im jährlichen Haushaltsfragebogen erhoben und ist über die Schlüsselvariable der aktuellen Haushaltsnummer leicht der betreffenden Frau zuzuordnen. Analog zu den zu versorgenden Kleinkindern erhöht auch eine pflegebedürftige Person im Haushalt den Reservationslohn der Frau, denn ist sie erwerbstätig, müssten diese Dienstleistungen als marktgängige Substitute zugekauft werden. Der höhere Reservationslohn dürfte sich negativ auf die Beschäftigungswahrscheinlichkeit auswirken. Entsprechende Ergebnisse liefern wiederum die Studien von Galler und Licht und Steiner.95 Nr. 57: Anzahl der Kinder im Haushalt der Mutter Die Variable misst die Anzahl der Kinder bis zu 14 Jahren im Haushalt der Mutter und wurde aus den PEQUIV-Dateien der Jahre 2001-2005 gewonnen. Die Analyse von Korrelationen von Zahl der Kinder und Erwerbsstatus der Mutter im vorliegenden Datensatz ergab, dass die Existenz 15- bis 18-jähriger Kinder im mütterlichen Haushalt kaum noch einen Einfluss auf die Beschäftigungswahrscheinlichkeit der Mutter ausübt, wohingegen die Erwerbsneigung von Müttern mit Kindern im Alter von 0-14 Jahren deutlich geringer als diejenige von Frauen ohne Kinder dieser Altersgruppe im Haushalt ist. Dennoch ist deren Einfluss gemäß der mikroökonomischen Theorie zumindest ambivalent: Zum einen erfordert eine höhere Kinderzahl einen höheren Betreuungsaufwand, auch wenn Skaleneffekte diesen nur unterproportional ansteigen lassen dürften. Mithin sollte der Reservationslohn der Frau bei höherer Kinderzahl steigen und ihre Erwerbsneigung entsprechend sinken. Dieser Zusammenhang gilt stärker für kleine Kinder; je älter die Kinder sind, desto geringer ist der Betreuungsaufwand und desto eher rücken marktgängige Substitute für elterliche Betreuung in den Bereich des Möglichen. Galler findet einen hoch signifikanten negativen Zusammenhang zwischen der Anzahl der Kinder im Haushalt und der Beschäftigungsneigung.96 Zum anderen erfordert eine höhere Kinderzahl aber auch ein höheres Haushaltseinkommen, um den gewünschten Lebensstandard realisieren zu können, da das Pro-Kopf-Nettolohneinkommen des Partners mit steigender Kinderzahl sinkt. Insofern könnte eine steigende Kinderzahl für sich betrachtet auch einen positiven Einfluss auf die Wahrscheinlichkeit der Erwerbsaufnahme ausüben; das Ergebnis hängt von den relativen Einkommenserzielungskapazitäten und Haushaltsproduktivitäten der Partner (also von der Verteilung der komparativen Vorteile) ab. 95 Vgl. Galler (1991) sowie Licht/Steiner (1992). 96 Vgl. Galler (1991). 65 Nr. 58-62: Alter des jüngsten Kindes im Haushalt der Mutter Für das Alter des jüngsten Kindes im Haushalt der Mutter wurden – basierend auf den $PEQUIV-Dateien der Jahre 2001-2005 – fünf Dummies gebildet, um den Beschäftigungseffekt möglichst genau einfangen zu können. Die fünf Altersgruppen wurden gemäß der Häufigkeitsverteilung eines positiven Erwerbsstatus in Abhängigkeit vom Alter des jüngsten Kindes gebildet. Hat eine Frau den Wert Null auf allen fünf Dummies, lebt kein Kind im Alter von 0-18 Jahren in ihrem Haushalt. In der Gruppe der 11-18-Jährigen sind (analog der Konzeption der entsprechenden SOEP-Variable) nur Kinder ohne vollendetes Abitur enthalten. Da der Betreuungsaufwand vor allem bei kleinen Kindern hoch, die Verfügbarkeit marktlicher Substitute für mütterliche Kleinkindbetreuung zumindest in Westdeutschland aber noch immer gering ist, bestätigt die deskriptive Datenauswertung die Vermutung, dass die Erwerbsneigung der Mutter umso geringer ausfällt, je jünger ihr Kind ist. Dabei spielt weniger die Anzahl der Kinder als vielmehr das Alter des jüngsten Kindes die entscheidende Rolle: Ist kein Krippenplatz verfügbar, verliert auch eine vorhandene Betreuung durch Kindergarten oder Hort für ältere Geschwister ihre Relevanz für die Arbeitsangebotsentscheidung der Mutter. Das jüngste Kind fungiert somit als eine Art Engpassfaktor für die mütterliche Erwerbsentscheidung. Auf Grund dieser Tatsache kommt den Variablen 58-62 (wie auch den übrigen haushaltsbezogenen Kontrollvariablen) im Hinblick auf die notwendige Selektionskorrektur hohe Bedeutung zu. Nr. 63: Monatliches Netto-Nichtlohn-Haushaltseinkommen pro Haushaltsmitglied Das monatliche Nichtlohn-Nettohaushaltseinkommen basiert auf dem im Haushaltsfragebogen direkt erfragten Nettohaushaltseinkommen des Vormonates, HINC$$, vermindert um das Nettolohneinkommen des Partners (vgl. Variable Nr. 64 weiter unten) und das eigene Nettolohneinkommen der Frau (Variable LABNET).97 Es enthält alle Einkünfte, die nicht aus Erwerbsarbeit resultieren, also Vermögenseinkommen wie Zinsen, Pachten und Mieten ebenso wie private und staatliche Transferzahlungen, betriebliche Altersrenten sowie monetäre Leistungen im Rahmen der gesetzlichen Sozialversicherung. Frühere Studien belegen einen negativen Einfluss des Haushalts-Nichtlohneinkommens auf die Erwerbsneigung der Frau. Die Variable Nr. 63 wurde als Pro-Kopf-Größe konzipiert, um dem Umstand Rechnung zu tragen, dass für den Einkommenseffekt der Pro-Kopf- 97 Die seitens der Befragten genannten Einkommenswerte werden von der SOEP-Arbeitsgruppe um Unterschätzungen in jenen Fällen korrigiert, in denen die Summe der Einkommensbestandteile höher als das angegebene Nettohaushaltseinkommen war; Informationen zur Korrektur werden in den $HGEN-Dateien abgelegt. 66 Wohlstand, der mit steigender Zahl der Haushaltsmitglieder sinkt, Ausschlag gebend sein dürfte. Nr. 64: Monatliches Netto-Lohn-Partnereinkommen pro Haushaltsmitglied Der monatliche Nettolohn wird im SOEP-Personenfragebogen erhoben und gibt das im Vormonat erzielte Nettoerwerbseinkommen aus der Hauptbeschäftigung an. Er basiert auf der Variable LABNET, die in den generierten personenbezogenen Dateien $PGEN abgelegt wird. Der Vorteil der (seitens der SOEP-Arbeitsgruppe) generierten Variablen gegenüber der Verwendung von Ursprungsvariablen ist, dass bei ersteren fehlende Einkommensangaben vollständig imputiert wurden. Dieser Vorteil ist angesichts eines beträchtlichen Anteils von Item-Non-Response der Befragten bezüglich Erwerbseinkünften und mit Blick auf die Zielsetzung unverzerrter Schätzer erheblich, wie schon im Zusammenhang mit der Bildung der endogenen Variable der Lohnfunktion erläutert wurde. In LABNET sind auch Selbstständigeneinkommen enthalten; im Unterschied zur endogenen Variable der Lohnfunktion, aus der Einkommen aus selbstständiger Tätigkeit herausgerechnet werden, kommt es beim Nettoeinkommen des Partners nicht auf die Einkunftsquelle an. Das Lohneinkommen des Partners stellt wie das Nichtlohneinkommen des Haushalts aus Sicht der Frau exogenes Einkommen dar und dürfte über den Einkommenseffekt senkend auf das Arbeitsangebot der Frau wirken. So belegt eine Studie von Bonin und Euwals mit SOEP-Daten der Wellen 1991-1999 für Ostdeutschland nach der Deutschen Wiedervereinigung, dass ein (beispielsweise wegen Arbeitslosigkeit) rückläufiges Ehegatteneinkommen einen leichten Anstieg des Arbeitsangebots verheirateter Frauen zur Folge hatte.98 Die Nettogröße des monatlichen Partnereinkommens ist allerdings genau betrachtet keine exogene, sondern von der weiblichen Erwerbsentscheidung beeinflusste Größe, da die Besteuerung des Partnereinkommens vom Erwerbsstatus der Ehefrau abhängt. Dennoch ist die Nettogröße des monatlichen Partnereinkommens der in früheren Studien dominierende Regressor.99 Auch hier wurde die betreffende Pro-Kopf- Größe gebildet, um den aus dieser Quelle generierten Wohlstand pro Haushaltsmitglied zu erfassen. Gemäß der permanenten Einkommenshypothese ist die Reaktion des weiblichen Arbeitsangebots auf Schwankungen des Partnereinkommens außerdem davon abhängig, ob die Schwankung als transitorisch oder als permanent angesehen 98 Vgl. Bonin/Euwals (2001), S. 29. Allerdings wird die Beschäftigungswahrscheinlichkeit in der Studie von Bonin und Euwals auf den Bruttolohn des Partners regressiert. 99 Vgl. beispielsweise die Studie von Beblo und Wolf (2000), S. 24. Galler (1991) verwendet ein logarithmiertes „Rest-Einkommen pro Kopf“ (S. 132), Licht und Steiner (1991b) ein „monatliches Nettohaushaltseinkommen abzüglich des eigenen [Frauen-] Einkommens“ (S. 19). 67 wird. Da analog der Hypothese eher das Arbeitsangebot als die Konsumgewohnheiten angepasst werden, wird eine Frau nur bei einer als vorübergehend eingestuften Senkung (Erhöhung) des Partnereinkommens ihr Arbeitsangebot ausweiten (senken). Die Hypothese wurde beispielsweise durch Untersuchungen von Mincer mit US-Census Daten aus dem Jahr 1960 belegt.100 Erläuterungen zu nicht verwendeten sozio-ökonomischen Variablen Von der Bildung einer Zufriedenheitsvariable wurde abgesehen. Zwar wäre es interessant zu erfassen, inwieweit ein – in Selbstentfaltung und Selbstbestätigung bestehender – Eigennutzen der Erwerbsarbeit einen zusätzlichen Anreiz zur Beschäftigungsaufnahme darstellte; eine solche Variable wird seitens der SOEP- Arbeitsgruppe aber nur von Erwerbstätigen erhoben, analog hierzu wird die Frage nach der Zufriedenheit mit der häuslichen Tätigkeit nur von im Haushalt Tätigen erhoben.101 Hier stellt sich das aus der Sozialpsychologie bekannte Phänomen der Dissonanzreduktion nach Entscheidung:102 Die bereits erfolgte Entscheidung für Erwerbs- bzw. Hausarbeit könnte eine entsprechend positive Einstellung gegenüber dieser Zeitverwendungsart motivieren. In diesem Fall wäre die erfragte Zufriedenheit nicht erklärende Variable der Beschäftigungsentscheidung, sondern umgekehrt durch letztere bestimmt. Ähnliches gilt für die SOEP-Variable zur Zufriedenheit mit den vorhandenen Möglichkeiten der Kinderbetreuung im Vorschulalter:103 Frauen, die – beispielsweise aus finanziellen Gründen – die Betreuung in Anspruch nehmen (müssen), haben ggf. ein Interesse an einer positiven Einstellung gegenüber derselben, um die externe Betreuung als vereinbar mit ihrer Mutterrolle anzusehen. Umgekehrt könnte beispielsweise bei Frauen, deren Einkommenserzielungs-Kapazität gering ist, ein Betreben bestehen, die ausgeübte Eigenbetreuung des Kindes damit zu rechtfertigen, dass das Angebot externer Betreuung (vorgeblich) nicht zufrieden stellend ist.104 Ferner wurde auf die Bildung von Variablen verzichtet, die das Angebot außerfamiliärer Kinderbetreuung erfassen. Solche Daten, basierend auf der (inzwischen) so genannten „Statistik der Kinder und tätigen Personen in Tageseinrichtungen“, 100 Vgl. Mincer (1962), zitiert nach Polachek/Siebert (1993), S. 106-107; Polachek und Siebert bezeichnen das Phänomen als “added worker effect”. 101 (Vgl. beispielsweise die Variablen UP0102 und UP0103 des Personenfragebogens 2004.) 102 Vgl. die Theorie der kognitiven Dissonanz von L. A. Festinger (1957), wonach Menschen nach erfolgter einstellungsdiskrepanter (Handlungs-) Entscheidung kognitive Spannungszustände abbauen, indem sie ihre Einstellung nachträglich dem gezeigten Verhalten anpassen; einen Überblick über die Theorie liefert bspw. Frey/Greif (1987), S. 147-153 und S. 286-290. 103 (Für das Jahr 2004 handelt es sich hierbei um die Variable UP0109.) 104 Polachek bringt diesen Zusammenhang mit den Worten “[…], but ‘culture’ itself is often endogenous” auf den Punkt; vgl. Polachek (1993), S. 118. 68 die vom Statistischen Bundesamt in Zusammenarbeit mit den Statistischen Landesämtern erhoben wird, liegen erst seit 2006 im jährlichen Rhythmus vor; bis dahin wurden die Daten im vierjährigen Rhythmus (zuletzt 2006) erhoben. Für den hier relevanten Zeitraum 2001-2005 liegen also keine jährlichen Daten vor. Zudem wurden bis 2006 nur Daten zur Zahl der verfügbaren, nicht aber der genutzten Plätze erhoben. Dies wurde erst im Rahmen einer Gesetzesreform105 geändert: Ab 2006 werden nun nicht mehr nur Versorgungsquoten (Plätze pro 100 Kinder, rein kapazitätsorientiert), sondern auch Betreuungsquoten (betreute Kinder pro 100 Kinder, die Nachfrageseite einbeziehend) erhoben. Neben der fehlenden Periodizität sind die Daten zur Betreuungssituation in den relevanten Jahren 2001-2005 auch aus anderen Gründen nicht berücksichtigt worden. Bis zum Jahr 2006 wurden private Arrangements, die von Region zu Region unterschiedliche Bedeutung haben dürften, von einer Erfassung ebenso ausgeschlossen wie von Schulen getragene Betreuungsformen wie beispielsweise offene Ganztagsangebote.106 Bezogen auf Ganztagesplätze bietet die Statistik im fraglichen Zeitraum 2001-2005 Platz-Kind-Relationen pro Bundesland nur für Kindergartenkinder an. Für unter Dreijährige und Schulkinder liegen entsprechende Zahlen nur für die westdeutschen Flächenländer und Stadtstaaten insgesamt, für Hortkinder noch nicht einmal auf diesem Aggregationsniveau vor. Hinzu kommt, dass sich auch bei Variablen zum Betreuungsangebot das Endogenitätsproblem stellt: Ist eine niedrige Versorgungsquote Ursache oder Folge einer geringen weiblichen Erwerbsbeteiligung? Erst eine de facto bestehende Angebotslücke beschnitte die Möglichkeiten der Erwerbsaufnahme; diese kann aus den angebotsseitigen Versorgungsquoten aber streng genommen nicht abgeleitet werden.107 Aus diesen Erwägungen heraus wird von der Bildung von Variablen zum außerfamiliären Kinderbetreuungsangebot abgesehen. Der Altersabstand zum Partner (im selben Haushalt lebend) kommt prinzipiell als Regressor für die Beschäftigungsfunktion in Frage: Er gilt als Indikator für die Humankapitaldifferenz zwischen den Partnern und verschafft in Bargaining- Theorien dem älteren Partner eine bessere Verhandlungsposition in der Partner- 105 (Kinder- und Jugendhilfeweiterentwicklungsgesetz – kurz: KICK –, seit 01.10.2005 in Kraft) 106 Dass die vielzähligen Betreuungsmodalitäten vom engen Raster der Kinder- und Jugendhilfestatistik nur ungenügend erfasst werden, wird auch von Sachverständigen bestätigt; vgl. hierzu Merchel (2003), S. 67. 107 Dies gilt übrigens meines Erachtens ebenso für Betreuungsquoten. Da davon auszugehen ist, dass sich das Angebot an Plätzen zumindest mittelfristig der örtlichen Nachfrage anpasst, dürften beide Quoten auf mittlere Frist eng beieinander liegen. Eine steigende Nachfrage nach Betreuung dürfte sich daher mittelfristig in einem Anstieg beider Quoten niederschlagen. Temporäre Quotendifferenzen weisen demgegenüber auf Fehlplanungen institutioneller Träger hin, die durch Lerneffekte abgebaut werden sollten. 69 schaft, die auch die Zeitallokation der Partner auf Haushalt und Erwerbsarbeit umfasst.108 Auch haushaltsökonomischen Modellen zufolge könnte die Altersdifferenz einen komparativen Vorteil des älteren Partners für Marktarbeit begründen, sodass bei steigender Altersdifferenz die Erwerbsneigung der Frau sinken müsste. Die Variable wurde gebildet und in die Schätzungen der Beschäftigungsfunktion einbezogen, war aber nicht signifikant. Ohnehin – dies mag der Grund für die fehlende Signifikanz sein – zeigen Zeitallokationsstudien, dass der Altersabstand einzig einen negativen Einfluss auf das männliche Engagement für Hausarbeit hat, das von der beruflichen Eingebundenheit der Partnerin relativ unberührt ist.109 Lauk und Meyer, die die empirische Relevanz verschiedener Zeitallokationsmodelle untersuchen, finden, dass die von den Partnern geleistete Hausarbeitszeit relativ unabhängig von der aktuellen individuellen Lebenssituation wie beispielsweise dem Erwerbsstatus ist.110 Akerlof und Kranton tragen diesem Umstand Rechnung, indem sie die Nutzenfunktion des Bargaining-Modells um die Variable „Identität“ ergänzen: Die die (Rollen-) Identität von Ehemann und Ehefrau bedrohende Frauenerwerbstätigkeit und damit verbundene Nutzeneinbußen werden durch zusätzliches rollenkonformes Engagement der Ehefrau im Haushalt kompensiert.111 Die „Dringlichkeit“ der Kompensation steigt mit dem Altersabstand, letzterer ist aber offenbar bedeutungslos für das weibliche Erwerbsverhalten. 2.3.2.3.2 Arbeitsplatzbezogene Kontrollvariablen Nr. 65-71: Branche Die Branchenzugehörigkeit zum Zeitpunkt der Befragung wird seitens der SOEP- Arbeitsgruppe in die aus 98 Branchen bestehende Wirtschaftszweig-Klassifikation der Europäischen Union einsortiert und entsprechend als generierte NACE$$- Variable112 in den $PGEN-Dateien abgelegt. Aus diesen Ursprungsinformationen hat die SOEP-Arbeitsgruppe neun Branchen-Dummies gebildet, die für international vergleichende Studien geeignet sind.113 Die relativen Häufigkeiten stellen sich im Datensatz wie folgt dar: Mehr als die Hälfte der Beobachtungen mit positiver Lohninformation entfallen auf die Dienstleistungs-Branche, mit Abstand nachgefolgt von gewerblicher Industrie sowie Handel, während die übrigen Branchen 108 Vgl. Ott (1992, 1995, 2002). 109 Vgl. beispielsweise Beblo (1999), S. 473-489. 110 Vgl. Lauk/Meyer (2004). 111 Akerlof/Kranton (2000), S. 715, zitiert nach Hewitson (2002). 112 (NACE – Nomenclature des statistiques des Activités économiques de la Communauté Européenne) 113 (Im Einzelnen handelt es sich in $PEQUIV um die Variable „1 Digit Industry of Individual“ mit den Dummies E1110684-E1110603.) 70 weitaus geringere Fallzahlen haben. Um die Signifikanz der Parameter in den Schätzungen zu erhöhen, hat es sich für den vorliegenden Datensatz bewährt, die Branchen Bergbau und Energie sowie andererseits die Branchen Banken, Versicherungen und Dienstleistungen zu Aggregatvariablen zusammen zu fassen. Referenzkategorie in den Schätzungen ist das verarbeitende Gewerbe, da die Fallzahlen für die Bau-Branche (die üblicherweise verwendet wird) zu gering waren. Bei vielen arbeitsplatzbezogenen Variablen, so auch der Branche, stellt sich wiederum das Endogenitätsproblem, da man nicht ausschließen kann, dass sich Personen mit hoher Einkommenskapazität in Betriebe mit bestimmten Merkmalen einwählen. Nr. 72: Öffentlicher Dienst Die öffentliche Dienst-Variable soll einen unter Umständen existierenden separaten Lohneffekt der Beschäftigung im öffentlichen Dienst aufnehmen. Hier stellt sich das Problem möglicher Selbsteinwahlprozesse ganz besonders: Frauen, die eine spätere Mutterschaft antizipieren, könnten sich in Tätigkeiten im öffentlichen Dienst mit geringerem Arbeitsplatzrisiko einwählen. Eine Frau, die eine Dienstleistung im öffentlichen Dienst erbringt, hat sowohl auf der Variable Öffentlicher Dienst als auch auf der Branchen-Variable Banken, Versicherungen, sonstige Dienstleistungen die Ausprägung „1“. Frauen dagegen, die im Privatsektor Dienstleistungen erbringen, haben auf der Variable Öffentlicher Dienst die Ausprägung „Null“. Umgekehrt haben Frauen, die zwar dem öffentlichen Dienst angehören, aber einem der übrigen acht Branchendummies zuzuordnen sind, den Wert „Null“ auf der Variable Banken, Versicherungen, sonstige Dienstleistungen. Galler fand eine Lohnprämie von im öffentlichen Dienst Beschäftigten – je nach Schätzmodell – in Höhe von 9,1 bis 12,6 Prozent.114 Immerhin stammt ein gutes Drittel der positiven Lohnbeobachtungen im Datensatz von Frauen im öffentlichen Dienst (vgl. deskriptive Statistik in Abschnitt 2.4). Nr. 73: Berufsprestige nach Wegener Die Magnitude Prestige Skala (MPS) ist eine Statusvariable, die das soziale Ansehen eines Berufes angibt und speziell für Deutschland von Bernd Wegener entwickelt wurde.115 Als generierte SOEP-Variable wird die MPS im mehrjährigen Abstand von Erwerbstätigen mit beruflichem Wechsel erhoben; bei allen übrigen Erwerbstätigen wird die verfügbare Vorjahresinformation bereitgestellt.116 Ursprünglich 114 Vgl. Galler (1991). 115 Vgl. Wegener (1985) sowie Wegener (1988). 116 Vgl. Projektgruppe SOEP – DIW, Berlin, Dokumentations-CD zur SOEP-Datenlieferung: Dokumentation der wellenspezifischen files $PGEN, S. 14; vgl. Internetressource zum SOEP – Desk Top Companion. 71 basierten die von Wegener entwickelten Prestigescores auf den fast 300 Berufsgattungen der Internationalen Standardklassifikation der Berufe 1968 (ISCO-68). Der Magnitude-Messung liegt dabei der Reputationsansatz zu Grunde, wonach nicht der Interviewer, sondern die Befragten selbst das gesellschaftliche Ansehen eines bestimmten Berufes relativ zu einem Referenzberuf einordnen sollen.117 Da in deutschen Mikrodatenanalysen – wie bspw. dem Mikrozensus – Berufprestige aber nach der Klassifizierung der Berufe des Statistischen Bundesamtes (KldB) abgelegt ist, wurden die Prestigescores in einem Umschlüsselungsverfahren und in Anlehnung an die Vorgehensweise von Wegener für die Klassifizierung der Berufe 1992 rekonstruiert.118 Zum Befragungszeitpunkt nicht beschäftigte Personen haben auf der Variable MPS den Wert „-2“ („trifft nicht zu“). Bei der MPS-Variable stellt sich allerdings ebenfalls das Problem der Endogenität, wenn Frauen in Antizipation einer späteren Erwerbsunterbrechung jene Berufe wählen, deren Lohnabschlag durch Familienpause möglichst gering ist. Diese Überlegung der beruflichen Selbstselektion fußt auf der Theorie von Polachek119, der zu Folge Personen nicht nur die Menge schulischer Ausbildung (in Jahren), sondern auch die Art der beruflichen Ausbildung mit der Zielsetzung der Ertragsmaximierung über den Lebenszyklus wählen. Zentral für die Ertragsabschätzung ist die mit einer Erwerbsunterbrechung verbundene berufsspezifische Abschreibungsrate. Polachek konnte mit Paneldaten des Längsschnitt-Datensatzes „National Longitudinal Survey“ zeigen, dass beispielsweise Ärzte und Manager, aber auch Handwerker sehr hohe, Hausfrauen/-männer dagegen sehr niedrige Atrophieraten haben, und dass mit der Länge der Erwerbsunterbrechung die Wahrscheinlichkeit eines Berufes mit niedrigen Atrophieraten ansteigt, selbst wenn für eine mögliche endogene Bestimmung der Erwerbsunterbrechung seitens der berufsbezogenen Abschreibungsraten kontrolliert wird.120 Berufsbezogene Atrophieraten, basierend auf deutschen Daten, sind meines Wissens bisher nicht verfügbar. Görlich und de Grip haben aus den ISCO-Gattungen zwei Dummies hoher und niedriger beruflicher Stellung („High skilled“, „Low skilled“) entwickelt und diese für die Bildung von Interaktionstermen aus beruflicher Stellung und Unterbrechungs- 117 Die Magnitude-Einstellungsmessung wird basierend auf psychophysikalischen Techniken durchgeführt, indem – durch Nennung eines Referenzberufes – zunächst ein Standardstimulus erzeugt wird, der anschließend seitens des Befragten ins Verhältnis zu diversen anderen Stimuli gesetzt wird. So soll beispielsweise das gesellschaftliche Ansehen eines bestimmten Berufes relativ zum Ansehen des Elektroinstallateurs (Standardstimulus) eingeordnet werden. Die Verwendung offener anstelle kategorialer Skalen hat unter anderem den Vorteil, dass die ermittelten Werte metrisch interpretiert werden können. 118 Eine detaillierte Darstellung dieses Rekonstruktionsverfahrens findet sich in Frietsch/Wirth (2001); dieser Quelle wurden auch, sofern nicht anders angegeben, die bisher zur Variable Nr. 73 gegebenen Informationen entnommen. 119 Vgl. Polachek (1981). 120 Vgl. Polachek (1981), S. 67. 78 2.4 Deskriptive Statistik für das Lohn- und Beschäftigungssample Die deskriptive Statistik der Variablen findet sich in den Tabellen 3 (Beschäftigungssample) bzw. 4 (Lohnsample) im Anhang. Den Werten der Tabelle 3 für das Beschäftigungssample liegen die für die Beschäftigungsgleichung relevanten 6.276 Beobachtungen von insgesamt 1.610 Personen zu Grunde. Davon hatten 1.038 Personen im Zeitraum 2001-2005 mindestens eine positive Lohninformation (und sind damit zugleich Mitglied des Lohnsamples). Die Personen des Beschäftigungssamples sind abhängig beschäftigte, selbstständig beschäftigte, in Ausbildung befindliche und nicht beschäftigte Personen, die auf allen exogenen – auch den arbeitsplatzbezogenen – Variablen missingfrei sind. Die in dieser Personengruppe enthaltene Untergruppe der im Beobachtungszeitraum 2001-2005 gar nicht bzw. nicht abhängig beschäftigten Personen macht zu einigen arbeitsplatzbezogenen Variablen (Zugehörigkeit zum öffentlichen Dienst, berufliche Stellung und Firmengröße) die Angabe „-2“ („trifft nicht zu“). Die deskriptive Statistik dieser Variablen ist daher nur für die Beobachtungen des Lohnsamples sinnvoll interpretierbar. Die das Lohnsample betreffenden Werte in Tabelle 4 basieren auf den für die Lohngleichung relevanten 3.254 Beobachtungen mit positiver Lohninformation. Sie entstammen jenen 1.038 Personen, die sich im Beobachtungszeitraum 2001- 2005 nicht in Ausbildung befanden und mindestens eine positive Lohninformation aus abhängiger Beschäftigung aufwiesen. Die Beobachtungen sind missingfrei auf allen exogenen Variablen. Bezüglich der Dummies ist das arithmetische Mittel als der Prozentsatz der Beobachtungen mit Wert „1“ zu interpretieren. Da sich sämtliche Erwerbserfahrungs-Variablen auf das Ende des jeweiligen Vorjahres beziehen, bedeutet beispielsweise Wert „Null“ auf der Variable Betriebszugehörigkeitsdauer, dass es sich um das erste Beschäftigungsjahr bei einem neuen Arbeitgeber handelt, ein Wert größer Null auf der Variable aktuelle Auszeitjahre, dass es sich um das erste Wiedereinstiegsjahr nach einer Auszeit- oder Arbeitslosigkeitsphase handelt. Da die endogene Variable als logarithmierte Lohnrate spezifiziert ist, entspricht dem ausgewiesenen Mittel von € 2,48 der Variable 03 ein Bruttostundenlohn von € 11,95 mit einer Standardabweichung von € 1,51 und Minimal- bzw. Maximalwerten von € 1,12 bzw. € 72,27. Die erreichten Stundenlohnsätze sind höher, wenn anteilige Einmalzahlungen berücksichtigt werden (Variable 02): Hier liegt das Mittel für den Bruttostundenlohn bei € 12,74 mit einer Standardabweichung von € 1,55 sowie Minimal- bzw. Maximalwerten von € 1,21 bzw. € 80,45. Die erzielten Mittelwerte in der Stichprobe 79 können dabei durchaus als repräsentativ für die Gesamtheit der Frauen gelten.138 Die Frauen des Lohnsamples unterscheiden sich in mehrfacher Hinsicht deutlich von den Frauen des Beschäftigungssamples:139 Frauen im Lohnsample sind im Mittel geringfügig älter als Frauen des Beschäftigungssamples. Aussagekräftiger als der Mittelwert ist allerdings die Häufigkeitsverteilung einzelner Altersgruppen. Unterteilt man die vorgefundene Alterspanne der Frauen in Altersfünftel von jeweils 7,2 (Beschäftigungssample) bzw. 7,6 (Lohnsample) Jahren, so wird deutlich, dass die meisten Frauen im vierten Fünftel zu finden sind, wie Abbildung 2 zeigt: Abbildung 2: Verteilung der Frauen des Lohn- und Beschäftigungssamples auf die Altersfünftel zwischen 17 und 55 bzw. 19 und 55 Jahren (in %) Im Beschäftigungssample sind knapp 12 Prozent der Frauen jünger als 25 Jahre. Im Lohnsample sind es dagegen nur rund 6 Prozent, da die Lohninformationen noch in Ausbildung befindlicher junger Frauen im Lohnsample nicht gewertet werden. Während die Anteile der Frauen, die auf das zweite und dritte Fünftel entfallen, in etwa gleich groß sind, zeigt sich im vierten und fünften Altersfünftel, 138 So lag der durchschnittliche Bruttostundenverdienst von Frauen in Deutschland nach Angaben des Statistischen Bundesamtes im Jahr 2006 bei 13,91 Euro und damit übrigens um 23 Prozent unter dem durchschnittlichen Bruttostundenverdienst von Männern in Höhe von 17,99 Euro: Quelle: Statistisches Bundesamt: Jahr 2006: Frauen verdienten 23% weniger als Männer, Internetressource. 139 Wenn im Folgenden von der „Gruppe der Beschäftigten“ oder den „Frauen des Lohnsamples“ die Rede ist, stellt dies eine sprachliche Vereinfachung dar; da genaugenommen auf Beobachtungen (des Lohnsamples, des Beschäfigungssamples), nicht auf Köpfe Bezug genommen wird. 80 dass diese von Frauen des Lohnsamples stärker belegt sind als von jenen des Beschäftigungssamples. Die Altersverteilung steht in engem Zusammenhang mit der Verteilung des Alters des jüngsten Kindes im Haushalt. Wie die deskriptive Statistik zeigt, lebt in nur 0,9 Prozent der Beobachtungen des Lohnsamples ein Kind im Alter von unter 2 Jahren im Haushalt, wogegen es im Beschäftigungssample rund fünf Prozent sind. Untersucht man die Häufigkeitsverteilung des Kindesalters nur in Bezug auf Beobachtungen, in denen überhaupt ein Kind im Haushalt lebt (vergleiche nachfolgende Abbildungen 3 und 4), bleibt das 1:5-Verhältnis bestehen: In zwei Prozent aller Lohnbeobachtungen mit Kind im Haushalt ist das jüngste Kind unter zwei Jahre alt, während es – bezogen auf alle Beobachtungen im Beschäftigungssample mit Kind im Haushalt – zehn Prozent sind. Abbildung 3: Relative Häufigkeiten des Alters des jüngsten Kindes im Haushalt unter allen Frauen des Beschäftigungssamples mit Kind im Haushalt Auch Kinder im Alter von zwei bis vier Jahren sind mit 23 Prozent im Beschäftigungssample deutlich häufiger vertreten als im Lohnsample (14 Prozent). Dies ist damit zu erklären, dass noch immer rund 76 Prozent der Beobachtungen mit einem jüngsten Kind dieser Altersgruppe im Haushalt den Status „nicht erwerbstätig“ aufweisen; für Kinder im Alter von Null bis einem Jahr sind es sogar 90 Prozent. Für fünf- bis siebenjährige bzw. acht- bis zehnjährige Kinder sind die Häufigkeiten in den Samples ähnlich. Der Anteil der Kinder im Alter von 11-18 Jahren ist jedoch wiederum sehr unterschiedlich: Während Kinder dieser Altersgruppe fast die Hälfte aller Kinder der Lohnsample-Frauen ausmachen, beläuft sich der Anteil für Frauen des Beschäftigungssamples nur auf ein gutes Drittel. Dies bestätigt die weiter oben aufgestellte Vermutung, dass die Erwerbswahr- 81 scheinlichkeit zunimmt, wenn das jüngste Kind im Haushalt in die weiterführende Schule wechselt. Die relativ geringen Häufigkeiten der ganz kleinen Kinder spiegeln nicht zuletzt auch die relativ geringen Häufigkeiten des ersten Altersfünftels der Frauen wider. Abbildung 4: Relative Häufigkeiten des Alters des jüngsten Kindes im Haushalt unter allen Frauen des Lohnsamples mit Kind im Haushalt Im Lohnsample ist der Anteil der Frauen mit gesundheitlicher Behinderung geringer als im Beschäftigungssample; dies gilt auch für die Anteile der Frauen mit pflegebedürftigem Haushaltsmitglied. Der Anteil der verheirateten Frauen ist im Beschäftigungssample etwas höher als im Lohnsample, da sich die Haushaltswohlfahrt durch Spezialisierung der Partner erhöhen lässt und der männliche Partner offenbar oftmals einen komparativen Vorteil für Marktarbeit hat. Das im Lohnsample geringere Pro-Kopf-Haushaltsvermögenseinkommen könnte einen Hinweis darauf geben, dass der Einkommenseffekt des Arbeitsangebots in Bezug auf Vermögen stärker als in Bezug auf Partnereinkommen ist. Hinsichtlich der Schul- und Berufsausbildung bestätigen die Daten die Vermutung, dass das Ausbildungsniveau der Teilgruppe der (abhängig) beschäftigten Frauen über dem Ausbildungsniveau der Gesamtheit der Frauen liegt.140 Zum einen sind Frauen ohne Abschluss in der Gruppe der beschäftigten Frauen seltener vertreten als in der Gruppe der Frauen insgesamt. So haben 0,8 Prozent (12,4 Prozent) der Frauen des Lohnsamples keinen Schul- (Berufs-) Ausbildungsabschluss, während der betreffende Anteil an allen Frauen insgesamt bei 2,8 Prozent (21,8 Prozent) liegt. Zum anderen ist der Anteil der Akademikerinnen mit FH-, TH- oder Universi- 140 Der Unterschied würde sicherlich noch erheblicher ausfallen, wenn die Selbstständigen aus der Gruppe der Nichtbeschäftigten herausgerechnet würden. 82 tätsabschluss mit 14,5 Prozent in der Gruppe der Frauen des Lohnsamples höher als in der Gruppe der Frauen des Beschäftigungssamples mit 11,2 Prozent. Die Daten bestätigen insoweit die mikroökonomisch begründete Vermutung, dass die Arbeitsanreize mit zunehmender formaler Qualifikation – und damit höheren Ertragsraten des gebildeten Humankapitals – zunehmen, und offenbar stößt das Arbeitsangebot auf eine entsprechende Arbeitsnachfrage, sodass auch die Beschäftigungswahrscheinlichkeit von einem steigenden Ausbildungsniveau profitiert. Abhängig beschäftigte Frauen haben mit im Mittel 14,1 Jahren ein höheres Maß an Erwerbserfahrung in Vollzeit- oder Teilzeit als die Gesamtheit der Frauen mit 11,3 Jahren; die Betriebszugehörigkeitsdauer ist bei Frauen des Lohnsamples mit durchschnittlich 5,7 Jahren deutlich höher als in der Vergleichsgruppe mit 3,4 Jahren. Während in beiden Samples Vollzeitjahre mehr als doppelt so häufig vorkommen wie Teilzeitjahre und die Dauer aktueller Vollzeitspannen durchschnittlich geringer als die Dauer früherer Vollzeitspannen ist, kehrt sich das Verhältnis bei Teilzeit im Lohnsample um: Aktuelle Teilzeit dauert bei beschäftigten Frauen mit durchschnittlich 2,5 Jahren länger an als frühere Teilzeit mit 2,1 Jahren, während es im Beschäftigungssample umgekehrt ist (1,6 zu 1,9 Jahren). Weiterhin liegt die Anzahl bisheriger Nichtbeschäftigungs-Jahre (Auszeit oder Arbeitslosigkeit) bei beschäftigten Frauen mit im Mittel 3,6 Jahren niedriger als jene der Frauen des Beschäftigungssamples mit durchschnittlich fünf Jahren. Analysiert man die Dauer vergangener Unterbrechungen, so fällt auf, dass abhängig beschäftigte Frauen im ersten Wiedereinstiegsjahr eine durchschnittliche Unterbrechungsdauer von 0,1 Jahren, die Gesamtheit der Frauen dagegen von 1,5 Jahren haben.141 Auch ist die in den letzten zehn Jahren genommene frühere Auszeit bei abhängig beschäftigten Frauen mit 1,1 Jahren nur etwa halb so hoch wie der betreffende Durchschnitt aller Frauen mit 2,1 Jahren. Bezüglich der relativen Häufigkeiten der neun Branchen gibt es keine wesentlichen Unterschiede zwischen den Samples. Da ein Teil der Beobachtungen im Beschäftigungssample von gar nicht oder nicht abhängig erwerbstätigen Frauen stammt, sind die absoluten Häufigkeiten der Branchen in diesem Sample durchweg geringer. Auch hier dominiert die Aggregatvariable Banken, Versicherungen, sonstige Dienstleistungen vor Handel und verarbeitendem Gewerbe. Da sich die relativen Häufigkeiten im Beschäftigungssample aus dem vorstehend genannten Grund nicht zu 100 Prozent addieren, fällt eine sinnvolle Interpretation dieser Variablen schwer bzw. haben Durchschnittswerte keine Aussagekraft 141 Verglichen wurden hierbei die Werte der Variable aktuelle Auszeitjahre, die sich – wie alle Erwerbserfahrungsvariablen – auf das Vorjahresende beziehen, sodass ein Wert größer Null für eine aktuell beschäftigte Frau regelmäßig im ersten Jahr des Wiedereinstiegs nach Unterbrechung erzielt wird. 83 (beispielsweise muss die durchschnittliche Wochenarbeitszeit in Folge der enthaltenen Null-Zeiten der nicht Beschäftigten im Beschäftigungssample vergleichsweise geringer ausfallen). Dennoch kann der Anteil der Beobachtungen aus dem öffentlichen Dienst an allen Beobachtungen aus einem bestehenden Arbeitsverhältnis (Variablen-Ausprägung „Null“ oder „1“) – also inklusive der Selbstständigen und der vorübergehend Freigestellten – berechnet werden: Dieser liegt mit 29,4 Prozent unter dem betreffenden Anteil an den aktuell abhängig Beschäftigten mit 34,4 Prozent. Innerhalb des Lohnsamples fällt zudem die Dominanz der Angestellten auf, deren Anteil an allen (abhängig) Beschäftigten 76,5% ausmacht, wogegen nur 15,1 Prozent (bzw. 8,5 Prozent) der Lohnbeobachtungen von Arbeiterinnen (bzw. Beamtinnen) stammt. Fast die Hälfte (45,4 Prozent) der beschäftigten Frauen ist zum Befragungszeitpunkt zudem in mittelständischen Betrieben mit 20 bis 199 Mitarbeitern tätig. Bezüglich der arbeitsmarktbezogenen Variablen gibt es keine auffälligen Unterschiede zwischen den Samples. 85 3 Bestimmung der Lohneffekte geburtsbedingter Erwerbsunterbrechungen auf Basis von SOEP- Daten In diesem Teil der Arbeit wird dargestellt, wie mittels diverser Schätzungen der Lohn- und Beschäftigungsfunktion die Lohneffekte erwerbsbiografischer Merkmale ermittelt wurden (Abschnitt 3.2). Den Schätzungen werden grundsätzliche Überlegungen zur Spezifikation des ökonometrischen Modells vorangestellt (Abschnitt 3.1). Die Zusammenfassung der wesentlichen Schätzergebnisse mündet schließlich in die Überprüfung der eingangs formulierten Hypothesen (Abschnitt 3.3). 3.1 Vorüberlegungen zu den Schätzungen Die Berücksichtigung unterschiedlicher Aspekte von Paneldaten hat – im Verein mit den untersuchungsleitenden Hypothesen, die die inhaltliche Fragestellung an die Schätzungen konkretisieren – zur Konzeption einer breit angelegten Palette von Schätzmodellen geführt. Im Anschluss an die Erörterung grundsätzlicher Aspekte der Modellspezifikation in Abschnitt 3.1.1 dient Abschnitt 3.1.2 dem Ziel, eine Übersicht über die zu schätzenden Modelle zu geben und die Vorgehensweise in den Schätzungen zu erläutern. 3.1.1 Aspekte der Modellspezifikation 3.1.1.1 Gauss-Markov-Annahmen Um ein ökonomisches Modell der Form y = f (, ..., ) (10) mit y = endogene (zu erklärende) Variable, , ...,  = k exogenen (erklärenden) Variablen, f = Wirkungszusammenhang zwischen y und , ...,  86 in ein ökonometrisches Modell der Form  = α +  +  + … +  +  (mit i = 1, 2,… N) (11) zu transformieren, muss der funktionale Zusammenhang zwischen endogener und exogenen Variablen definiert werden (hier wird ein linearer Zusammenhang mit einer Konstante α angenommen); zudem ist ein Beobachtungsindex i und ein Störterm εi hinzuzufügen. Außerdem müssen gegebenenfalls auch die statistischen Eigenschaften der k exogenen Variablen, die in das Modell einzubeziehen sind, festgelegt werden. Von Auer (2007) bezeichnet Annahmen zur funktionalen Spezifikation als A-Annahmen, Annahmen zur Störgrößen-Spezifikation als B-An- nahmen und Annahmen zur Variablen-Spezifikation als C-Annahmen. Sind diese – oft als Gauss-Markov-Annahmen bezeichneten – Hypothesen nicht erfüllt, ist das Modell fehlspezifiziert, was die Regressionsergebnisse fragwürdig erscheinen lässt: Die interessierenden k+1 Parameter (Niveauparameter α zuzüglich k Steigungsparameter) sind dann möglicherweise verzerrt und/ oder ineffizient geschätzt, und die Ergebnisse der Regressionsdiagnostik werden möglicherweise fehlinterpretiert. Die angegebene Notation stellt die am engsten gefasste Spezifikation für die zunächst anstehenden Gepoolten Kleinst-Quadrate-Schätzungen dar; für die später anzustellenden Schätzungen mit Selektionskorrektur kommt ein entsprechender Korrekturterm hinzu. Ebenfalls wird die Notation später zusätzlich um einen Zeitindex und feste Effekte ergänzt, um eine für die Panelschätzungen adäquate Spezifikation zu erhalten. Der Klassifikation von von Auer folgend, sollen die A-, B- und C- Annahmen im Folgenden den Schätzungen vorangestellt und in ihren absehbaren Konsequenzen für den hier vorliegenden Datensatz diskutiert werden.142 Im Zusammenhang mit der Regressionsdiagnostik wird auf sie zurückzukommen sein. Für Panelschätzungen kommen zusätzliche Erwägungen hinzu, die im Anschluss an die Diskussion der A-, B- und C-Annahmen vorgestellt werden. 3.1.1.1.1 A-Annahmen: Annahmen zur funktionalen Spezifikation des Modells Annahme A1: In Gleichung (11) fehlen keine relevanten exogenen Variablen, und die in Gleichung (11) benutzten exogenen Variablen sind nicht irrelevant. Annahme A2: Der wahre Zusammenhang zwischen , , …,  und  ist linear. Annahme A3: Die zu schätzenden Parameter sind für alle N Beobachtungen (, , …, ,) konstant. 142 Vgl. für die Klassifikation der Annahmen Von Auer (2007), S. 133-146. 87 Durch die Vernachlässigung wichtiger Variablen steigt das Risiko einer verzerrten Parameterschätzung. Andererseits steigt die Schätzvarianz durch die Aufnahme zusätzlicher Variablen. Daher ist man grundsätzlich an Variablen interessiert, die das Verzerrungsrisiko deutlich senken, ohne die Varianz maßgeblich zu erhöhen.143 Die Auswahl der Variablen muss sich zuallererst an der ökonomischen Theorie orientieren. Welche ökonomischen Aspekte für die Aufnahme von Variablen in die Lohn- bzw. Beschäftigungsgleichung sprechen, wurde in Abschnitt 2.3.2.1.3 eingehend erläutert. Nach Ausschöpfung aller denkbaren ökonomischen Plausibilitäten dienen die Kriterien korrigiertes Bestimmtheitsmaß (Anteil erklärter Varianz), t-Test und F-Test als Entscheidungsgrundlage. Ein steigendes Bestimmtheitsmaß zeigt eine Minderung des Verzerrungsrisikos an; allerdings steigt das Bestimmtheitsmaß grundsätzlich bei der Hinzunahme einer weiteren Variablen. Das korrigierte Bestimmtheitsmaß ist insofern für die Modellauswahl hilfreich, als es ermöglicht, unter allen Modellen mit gleicher Anzahl k exogener Variablen (gleicher Schätzvarianz) jenes mit dem geringsten Verzerrungsrisiko auszuwählen.144 Der F-Test dient dazu, eine Gruppe von Parametern gemeinsam auf Signifikanz zu testen. Übersteigt der F-Wert den kritischen Wert, kann die Nullhypothese, dass alle Parameter gemeinsam gleich Null sind, abgelehnt werden: Die Parameter sind gemeinsam signifikant. Der t-Test dient dazu, einen einzelnen Parameter auf Signifikanz zu testen. Übersteigt der t-Wert den kritischen Wert, kann die Nullhypothese, dass dieser spezielle Parameter gleich Null ist, abgelehnt werden. Der Intervallschätzer gibt den Korridor an, in dem sich im Mittel der wahre Wert für den Koeffizienten in der Grundgesamtheit mit einer gewissen Wahrscheinlichkeit befindet; je höher die Anforderung an die Zuverlässigkeit (Konfidenz), desto breiter ceteris paribus der Korridor. Es wurden in den Schätzungen verschiedene Spezifikationen von Erwerbserfahrungsvariablen getestet. Die Variablensets weisen dabei unterschiedliche Gliederungstiefen auf. Zur Schätzung gelangte nur das pro Gliederungstiefe am besten abschneidende Modell. Neben den Fragen, ob das Variablenset in sich ökonomisch plausibel ist und ob es alle für die Simulation relevanten Variablen enthält, wurde die Modellauswahl dabei schließlich auch vom Gesamtbild der statistischen Performance des Sets abhängig gemacht. Dem Ausschluss von Variablen gingen Ursachenanalysen voraus, warum die betreffende Variable insignifikant war. Solche Analysen lassen sich beispielsweise mittels Streudiagrammen und Einfachregressionen der Variablen gegen die endogene Variable durchführen, wie sie Abbildung 5 exemplarisch für die Variable aktuelle durchgängige Teilzeit, Abbildung 6 für die Variable Summe der Vollzeit veranschaulicht: 143 Vgl. Von Auer (2007), S. 260. 144 Weiterhin ist erforderlich, dass die endogene Variable in den zu vergleichenden Modellen identisch und jedes Modell mit einem Niveauparameter ausgestattet ist; vgl. Von Auer (2007), S. 259. 94 3.1.1.1.3 C-Annahmen: Annahmen zur Variablen-Spezifikation Annahme C1: Die exogenen Variablen , , …,  sind mit der Störgröße kontemporär unkorreliert. Annahme C2: Es existieren keine Parameterwerte , , , …, (wobei mindestens ein  ≠ 0), so dass zwischen den exogenen Variablen , , …,  für alle i = 1, 2, …, N die folgende lineare Beziehung gilt:  +  +  + … +  = 0. Ist Annahme C1 erfüllt, gilt cov (, ) = 0 bzw. – für Paneldaten – cov (, ) = 0. Geht man über die Schätzgleichung (11) hinaus und berücksichtigt auch Zeitreihendaten, kommt zur Möglichkeit der kontemporären Korrelation (innerhalb derselben Periode) jene der intertemporalen Korrelation (zwischen Perioden) hinzu. Sind die Störgrößen zwar kontemporär unkorreliert, aber intertemporal korreliert, sind die KQ-Schätzer zwar verzerrt, aber behalten ihre erwünschten asymptotischen Eigenschaften.155 Das heißt, bei hinreichend großem Stichprobenumfang (der hier gegeben ist) werden die Verzerrungen vernachlässigbar klein.156 Über C1 hinaus gehend wäre die Annahme, dass die Störgrößen nicht nur kontemporär, sondern zusätzlich auch intertemporal unkorreliert sind. In diesem Fall wären die KQ-Schätzer sowohl effizient als auch unverzerrt. Sind Störgröße und Beobachtungen der exogenen Variable jedoch nicht nur intertemporal, sondern sogar kontemporär korreliert, ist Annahme C1 verletzt. Es gilt cov (, ) ≠ 0 bzw. – für Paneldaten – cov (, ) ≠ 0. Eine Kovarianz größer Null bedeutet, dass Ausprägungen der Exogenen über (unter) ihrem Erwartungswert mit Ausprägungen der Endogenen über (unter) ihrem Erwartungswert verbunden sind. Es ergibt sich eine systematische Unterschätzung des Niveauparameters und eine systematische Überschätzung des Steigungsparameters.157 Umgekehrt verhält es sich bei einer Kovarianz kleiner Null: Hier wird der Steigungsparameter systematisch unter- und der Niveau-Parameter systematisch überschätzt. In beiden Fällen sind die KQ-Schätzer verzerrt und zudem auch inkonsistent, da sich das Problem durch einen größeren Stichprobenumfang nicht lösen lässt. Die Kleinst-Quadrate-Methode ist nicht mehr anwendbar. Ursache für den Fall kontemporärer Korrelation können Probleme bei der Datengewinnung bezüglich der exogenen Variable sein: Wird infolge von Erfassungsproblemen der Ursprungsvariable stattdessen mit einer Proxyvariable gearbeitet, kann die Differenz zwischen den beiden Variablen als zufallsabhängiger Erfassungsfehler gelten, sodass sich die neue Störgröße des Modells aus zwei Komponenten 155 Vgl. Kennedy (2003), S. 157. 156 Vgl. von Auer (2007), S. 439. 157 Vgl. Kennedy (2003), S. 158. 95 zusammensetzt und sich die unerklärten Schwankungen der endogenen Variable auf zwei Ursachen zurückführen lassen: Zum einen auf die in der Ursprungsvariable begründeten sonstigen Störeinflüsse, und zum anderen auf den Einfluss des Erfassungsfehlers auf die Endogene. Gerade in Lohnschätzungen hat man es mit dem Problem potenzieller Endogenitäten der erklärenden Variablen zu tun: Sind die Werte der erklärenden Variablen wirklich exogen oder werden sie von der endogenen Größe (mit) beeinflusst? In letzterem Fall läuft der kausale Wirkungszusammenhang in beide Richtungen. Auf Grund der kontemporären Korrelation der potenziell endogenen Variable mit der Störgröße der Lohngleichung ist die Kleinst-Quadrate-Schätzung hier nicht möglich, da sie inkonsistente Schätzer für die potenziell endogene Variable liefern würde. Statt der KQ-Methode muss dann auf eine Instrumentvariablen-Schätzung zurückgegriffen werden. Eine Instrumentvariable z als Ersatzvariable für die mit der Störgröße kontemporär korrelierte Variable  zeichnet sich dadurch aus, dass sie selbst mit dem Störterm zwar kontemporär unkorreliert, aber mit der zu ersetzenden Variable (und der abhängigen Variable) möglichst eng korreliert ist, d. h. cov (, ) ≠ 0 für alle i = 1, 2, …, N und cov (, ) = 0 für alle i = 1, 2, …, N. Solche Proxyvariablen sind schwer zu finden. Dies gilt insbesondere für die detaillierten Erwerbserfahrungsvariablen. Wie in Abschnitt 2.3.2.3.2 erläutert, besteht wenig Grund zu der Annahme, dass die Erwerbsneigung – und damit auch die Erwerbserfahrung westdeutscher Frauen – so stark vom Lohnsatz bestimmt sein dürfte, dass die Nachteile einer Instrumentvariablenschätzung – eine höhere Varianz – in Kauf genommen werden sollte (die Varianz ist dabei umso geringer, je enger die Korrelation mit der zu ersetzenden Variable, aber in jedem Fall höher als bei Verwendung der Ursprungsvariable selbst.) Daher ist eine Instrumentvariablen-Schätzung nicht ohne Not durchzuführen, sondern nur dann, wenn die Annahmenverletzung mittels des Hausman-Tests158 bestätigt ist, also die Nullhypothese der kontemporären Unkorreliertheit zwischen der exogenen Variable  und der Störgröße  zurückgewiesen wurde. Annahme C2 fordert die Freiheit von perfekter Multikollinearität. Perfekte Multikollinearität, also eine perfekte Linearbeziehung zwischen zwei oder mehreren exogenen Variablen, liegt nur äußerst selten vor, während imperfekte Multikollinearität der Regelfall ist. Für die multiple Regression existiert keine eindeutige Maßzahl für Multikollinearität in den Daten. Anhand von Venn-Diagrammen für den Fall einer Zweifachregression ist grafisch leicht zu veranschaulichen, dass es 158 Vgl. Hausman (1978). 96 selbst bei hoher Multikollinearität zu verlässlichen Parameterschätzungen kommen kann; ist der gemeinsame Erklärungsbeitrag der korrelierten exogenen Variablen für die Varianz der endogenen Variable sehr hoch, kann sogar der Fall eintreten, dass die Steigungsparameter dieser exogenen Variablen präziser geschätzt werden können als in einem Modell mit weniger stark korrelierten Variablen, in dem aber – bei mit dem erstgenannten Modell vergleichbaren eigenständigen Erklärungsbeiträgen der Regressoren – der gemeinsame Erklärungsbeitrag geringer ausfällt.159 Auf Multikollinearität deutet nach von Auer ein hohes Bestimmtheitsmaß (bzw. ein hoch signifikanter F-Test) bei gleichzeitig insignifikanten t-Werten hin: Während der gemeinsame Einfluss der Regressoren recht genau geschätzt werden kann, weisen die individuellen Parameter hohe Schätzvarianzen auf.160 Bezüglich der Heilung des Problems ist das Auslassen von (korrelierten, aber relevanten) Variablen keine empfehlenswerte Strategie, da dadurch die Parameter der übrigen Variablen verzerrt geschätzt würden. Auch zusätzliche Informationen durch zusätzliche Beobachtungen oder externe Informationen kommen vor dem Hintergrund der betriebenen umfangreichen Datengewinnung nicht in Betracht. Zumindest für die Erwerbserfahrungsvariablen im vorliegenden Datensatz, die (auf Basis der SOEP-Ursprungsdaten) selbst erzeugt wurden, fällt es relativ leicht, direkte Abhängigkeiten von vornherein zu vermeiden. Verbleibende Multikollinearität kann einerseits mittels Regressionen innerhalb der (wichtigsten) Regressoren, andererseits mittels Faktoranalysen kontrolliert werden. Laden mehrere exogene Variablen auf einen gemeinsamen (virtuellen) Faktor hoch, sind diese Variablen vermutlich stark kollinear (ausgedrückt im Venn-Diagramm: sie haben große Überschneidungsflächen), sodass das Variablenset noch nicht optimal spezifiziert ist. 3.1.1.2 Besondere Aspekte bei Lohnschätzungen mit Paneldaten Für die angestrebten Panelschätzungen lässt sich die weiter oben genannte Notation (11) des ökonometrischen Modells konkreter als ein lineares multiples Regressionsmodell folgender Form fassen:161 (12) (für i=1, 2,…, N; t=1, 2,…, T) 159 Vgl. von Auer (2007), S. 482. 160 Vgl. von Auer (2007), S. 482. 161 Die folgende Notation ist angelehnt an die Darstellung in Licht/Steiner (1991b), S. 4. 97 mit  = realer Bruttostundenlohn der Person i zum Zeitpunkt t,  = Konstante (,Grand Mean‘, Niveauparameter),  = unbeobachtete individuelle Effekte,  = inverse Mill’s Ratio  = Set von m Schul- und Berufsausbildungsvariablen,  = Set von n Erwerbserfahrungsvariablen,  = Set von k Kontrollvariablen, εit = Störterm, ,  = zu schätzende Steigungsparameter. Der reale Bruttostundenlohn des Individuums i zum Zeitpunkt t, wit, ist eine Funktion seiner (zeitinvarianten) Schulbildung, seiner Erwerbserfahrung zum Zeitpunkt t sowie der Ausprägungen verschiedener Kontrollvariablen.  stellen unbeobachtbare, aber lohnrelevante und mit den erklärenden Variablen möglicherweise korrelierte Eigenschaften der Personen im Datensatz (beispielsweise Arbeitsmarktnähe oder nicht messbare Fähigkeiten) dar. Mit  wird die Inverse der Mill’s Ratio, die aus einer Probit-Schätzung der Beschäftigungsgleichung gewonnen wird, bezeichnet. Die Problematik der Selbstselektionsverzerrung ist zwar kein panelspezifisches Problem (weiter unten werden auch Kleinst-Quadrate- Schätzungen mit Selektionskorrektur durchgeführt); dennoch wird der Selektionskorrektur-Term bereits an dieser Stelle in die Schätzgleichung des Panelmodells aufgenommen, um zur adäquaten Modellspezifikation für die weiter unten – ausschließlich mit Selektionskorrektur durchgeführten – Panelschätzungen zu gelangen. Für die Simulation von Lohnprofilen in Abhängigkeit idealtypischer Ausprägungen der Regressoren kommt es auf eine konsistente und effiziente Schätzung der Steigungsparameter an. Unbeobachtete Populationsheterogenität Während reine Querschnittsdaten nur interpersonell variieren, kommt bei Paneldaten die intrapersonelle Variation hinzu: Innerhalb ein- und derselben Person können beobachtete Löhne, Erwerbsstatus, Berufserfahrung, Kinderzahl etc. von Jahr zu Jahr variieren. Angesichts der Beobachtungszahl von 6.276 Beobachtungen, die sich über einen vergleichsweise kurzen Zeitraum von fünf Jahren (2001- 2005) erstrecken, ergibt sich zusätzlich eine hohe interpersonelle Variation in den Daten. Die interessierenden Lohnunterschiede sind daher auf Unterschiede in beobachtbaren Merkmalen wie Schulbildung, aber auch auf Unterschiede in unbeobachteten Merkmalen wie Intelligenz, Präferenz für Erwerbsarbeit etc. (Individualeffekte ) zurückzuführen. Entscheidend ist, ob diese unbeobachtbaren Einflussfaktoren als über die Zeit konstant oder als über die Zeit variierend ange- 98 sehen werden. Im Fall von als konstant angenommenen αi ergibt sich ein Dummyvariablen (Fixed-Effects-), im anderen Fall ein Fehlerkomponenten-Modell. Auf beide Modelltypen soll im Folgenden etwas näher eingegangen werden. Eine einfache, gepoolte Kleinst-Quadrate-Schätzung (im Folgenden als OLS- Schätzung162 bezeichnet) ignoriert den Panelcharakter der Daten und behandelt diese als Querschnittsdaten, indem die gesamte Variation in den Daten als interpersonelle Variation eingestuft wird. Panelmodelle unterscheiden dagegen zwischen intra- und interpersoneller Variation. Um die (Lohneinflüsse der) Populationsheterogenität zu kontrollieren, kann für jede Person im Datensatz ein eigener Dummy in die Kleinst-Quadrate-Schätzung aufgenommen werden (Fixed-Effects- Modell). Die ökonometrische Umsetzbarkeit eines solchen Modells stößt bei großen Datensätzen wie dem vorliegenden jedoch an Grenzen, nämlich den Verlust an Freiheitsgraden und potenzielle Multikollinearität. Bekanntermaßen lassen sich die festen Effekte zur Schätzung von  aus der Schätzgleichung entfernen, indem pro Person und Variable die individuellen Mittelwerte über die Zeit von den aktuellen Ausprägungen subtrahiert werden.163 Eine solche Schätzung wird als „Within- Transformation“ bezeichnet. Sie bündelt alle zeitinvarianten interpersonellen Unterschiede, in die auch die unbeobachtbaren Merkmale einfließen, in der Feste Effekte-Variable und schätzt auf dieser Basis den Einfluss zeitvarianter Faktoren auf die (zeitvariante) endogene Lohn-Variable.164 Fixed-Effects-Modelle haben den Vorteil, dass die Koeffizienten dieser zeitvarianten Regressoren (Within-Schätzer) nicht auf Grund fehlender Berücksichtigung verdeckter, zeitinvarianter Einflussfaktoren verzerrt sein können. Andererseits werden durch die Within-Trans- formation alle zeitinvarianten Regressoren eliminiert, auch die für das humankapitaltheoretische Modell zentralen Schul- und Berufsausbildungsvariablen. Daher ist das Fixed-Effects-Modell für den vorliegenden Untersuchungszusammenhang nur bedingt geeignet. Hilfsweise bietet sich ein Verfahren zur nachträglichen Schätzung der festen Effekte an, um die Informationen zum Lohneinfluss der zeitinvarianten Variablen auszuschöpfen: Die festen Effekte können geschätzt werden als i =   . ∑   it. Allerdings ist dieser Schätzer nur für einen hinreichend großen Zeitraum T – nicht für einen Fünf-Jahres-Zeitraum – konsistent. In einem zweiten Schritt können die Parameter der zeitinvarianten Ausbildungsvariablen durch Regression der  i 162 (OLS = Ordinary Least Squares) 163 Siehe beispielsweise Hsiao (1986), hier zitiert nach Licht/Steiner (1991b), S. 6. 164 Die Stata 7.0-Syntax zum Fixed-Effects-Modell ist „xtreg depvar varlist, fe“. 99 (Endogene) auf eben diese Variablen geschätzt werden. Diese Hilfsregression ist zwar im Hinblick auf die fehlende Konsistenz des Schätzers für die Endogene als problematisch einzustufen; gleichwohl wurde sie durchgeführt, da das Random Effects-Modell, wie weiter unten noch dargestellt wird, seine eigene Problematik hat. Die unbeobachteten Einflussfaktoren, die mit anderen exogenen Variablen des Modells korreliert sind, können die erklärenden Variablen im Modell entweder in immer gleicher oder in über die Zeit unterschiedlicher Weise beeinflussen. Das heißt, die Residuen der Lohnschätzungen für Person i sind in jedem Fall miteinander korreliert: Eine Person, die bei ihrer ersten Beobachtung ein hohes positives Residuum besitzt, besitzt dieses wahrscheinlich auch bei ihrer zweiten, dritten Beobachtung etc. Bei Paneldaten kann man in der Regel von korrelierten Fehlern ausgehen. Für Fixed-Effects-Modelle ist die Spezifikation der Fehlerstruktur nicht notwendig, aber für Fehlerkomponenten-Modelle ist sie zwingend. Fehlerkomponenten-Modelle machen die unbeobachtbaren zwischenmenschlichen Unterschiede im Modell selbst sichtbar, indem spezielle Annahmen über die Korrelation der Residuen (mittels Spezifizierung der Fehlerkorrelationsmatrix) getroffen werden.165 So kann mittels eines Random-Effects-Modells schlicht angenommen werden, dass die Beobachtungen ein und derselben Person über die Zeit einander stärker ähneln als es die Beobachtungen unterschiedlicher Personen tun (etwa, weil sich die Intelligenz einer Person im Zeitablauf kaum verändert), ohne genaue Annahmen über die intertemporale Struktur der Residuen zu treffen.166 Will man dagegen Letzteres tun, kann man die Fehlerkorrelation explizit spezifizieren, beispielsweise durch die Annahme, dass sich die Residuen von Beobachtungen, die in engem zeitlichen Abstand zueinander erfolgen, einander stärker ähneln als Residuen von Beobachtungen mit hohem zeitlichen Abstand zueinander (Random-Effects-Modell mit Autokorrelation, z. B. der Form AR(1)).167 Der Vorteil der Fehlerkomponenten-Modelle liegt darin, dass die Koeffizienten der Regressoren auf Basis der intra- sowie interpersonellen Unterschiede in den Daten berechnet werden, mithin also auch der Lohneinfluss zeitinvarianter erklärender Variablen wie Schul- oder Berufsausbildung geschätzt werden kann. Bei richtiger Spezifikation der Fehlerkorrelation resultieren präzisere Parameterschätzungen als im Fixed-Effects-Modell. Bei falscher Spezifikation hingegen – 165 Die Stata 7.0-Syntax für VCM-Modelle ist „xtgee depvar varlist, corr ( )“. 166 Die Stata 7.0-Syntax zum Random Effects-Modell lautet „xtreg depvar varlist, re oder oder „xtgee, corr(exchangeable)“. 167 Hierbei hängt die Störgröße in Periode t von ihrem Wert in der Vorperiode t-1 ab; vgl. hierzu die Ausführungen zur Annahme B3 weiter oben. Die Stata-Syntax zur Spezifizierung einer One-Period-Lagged Correlation ist „xtgee depvar varlist, corr (ar1)“. Die Korrelationsmatrix kann nach Eingabe des Regressionsbefehls über „xtcorr“ angezeigt werden. 100 wenn also die unbeobachteten Individualeffekte mit den erklärenden Variablen des Modells korrelieren – sind die Parameterschätzer jedoch inkonsistent.168 Potentielle Endogenität Ein anders gelagertes Problem entsteht, wenn die Richtung der Kausalbeziehung zwischen Lohn und Erwerbserfahrungsvariablen theoretisch unklar ist. Beeinflusst nicht nur die Erwerbsbiografie den erzielbaren Lohnsatz, sondern ist erstere umgekehrt seitens des (antizipierten) Lohnsatzes prädeterminiert, korrelieren die als exogen angesehenen Variablen der Lohngleichung mit der Störgröße, d. h. Annahme C1 ist verletzt. Im Hinblick auf die bereits diskutierten Schwächen von Instrumentvariablen- Modellen wird auf die Schätzung solcher Modelle in dieser Untersuchung verzichtet. Für die Erwerbserfahrungsvariablen des vorliegenden Datensatzes geeignete, außerhalb der bereits konstruierten Variablen liegende Instrumentvariablen zu finden, erscheint ohnehin angesichts der Gliederungstiefe dieser Variablen nicht möglich. 3.1.2 Vorgehensweise in den Schätzungen Das Vorgehen in der Schätzung war folgendes: Zunächst wurden gepoolte Kleinst- Quadrate-Schätzungen ohne Selektionskorrektur durchgeführt, aus deren Ergebnissen sich die Notwendigkeit der Korrektur der Selektionsverzerrung ergab. Nach Schätzung einer Beschäftigungsgleichung wurden die gepoolten OLS-Schätzun- gen sodann mit Selektionskorrektur vorgenommen. Da durch Selektionskorrektur aber nur ein Teil der unbeobachtbaren Faktoren kontrolliert wird, wurden in weiteren Schritten Panelschätzungen (mit Selektionskorrektur) durchgeführt. Die Schätzungen unterscheiden sich zusätzlich hinsichtlich der aufgenommenen Variablen: Bezüglich der Erwerbserfahrungsvariablen, die den Kern der Untersuchung darstellen, wurden fünf Gliederungsebenen geschätzt (Modelle (1) bis (5)): Beginnend mit dem höchsten Aggregationsniveau waren die Variablen sukzessive zu verfeinern. Bezüglich der Panelschätzungen wurden die Variablensets ab Gliederungsebene 3 zusätzlich um Interaktionsvariablen ergänzt, um Drittvariableneffekte von Bildung auf den Lohn zu kontrollieren. Zwar ist mit jeder zusätzlichen Gliederungsebene des Erwerbserfahrungs- Variablensets ein Informationsgewinn verbunden; der gewonnene Parameter ist aber – vor dem Hintergrund der Häufigkeitsverteilung im Datensatz – nur bedingt extrapolierbar. Daher wurde schließlich ein weiteres Set aus den Variablen der Gliederungsebenen 3 bis 5 zusammengesetzt und geschätzt, das den Informa- 168 Vgl. bspw. Kennedy (2003), S. 307. 101 tionsreichtum der erwerbsbiografischen Variablen unter der Nebenbedingung einer ausreichenden Repräsentativität der zu simulierenden Variablenwerte im Datensatz maximiert. Da Analysen des vorliegenden Datensatzes zeigten, dass ein Teil der Erwerbserfahrung in Einmalzahlungen vergütet wird, wurde als abhängige Variable der Lohnfunktion der logarithmierte reale Stundenlohn mit anteiligen Bonuszahlungen verwendet. An die Zusammenfassung der wesentlichen Schätzergebnisse schließt Abschnitt 3.2 mit der Überprüfung der eingangs formulierten untersuchungsleitenden Hypothesen an. 3.2 Schätzungen der Lohn- und Beschäftigungsgleichung 3.2.1 Gepoolte Kleinst-Quadrate-Schätzungen der Lohngleichung ohne Selektionskorrektur Die Schätzergebnisse der Kleinst-Quadrate-Schätzungen ohne Selektionskorrektur sind in Tabelle 5 im Anhang zu finden. Erläuterung der Schätzergebnisse für Modelle (1) bis (5) gemäß Tabelle 5 im Anhang Der White-Test im Anschluss an Vorab-Schätzungen der Modelle (1)-(3) ergab, dass die Nullhypothese, dass die Homoskedastizitätsannahme gerechtfertigt ist, für alle drei Modelle abgelehnt werden muss. Die Standardfehler wurden daher mit dem Heteroskedastie-robusten Huber/White-Sandwich-Schätzer berechnet, um für Signifikanztests verwendet werden zu können.169 Die Koeffizienten der erklärenden Variablen geben (nach Multiplikation mit 100) die prozentuale Änderung des Lohnes an, wenn sich der Regressor um eine Einheit ändert.170 Es zeigt sich, dass ein niedriger Schulabschluss bereits zu einem um – je nach Modell – 6,2 bis 7,1 Prozent geringeren Lohn führt als ein mittlerer Schulabschluss (Referenzkategorie). Wer die Hochschulreife erlangt hat, erzielt eine Lohnprämie gegenüber Frauen mit mittlerem Schulabschluss in Höhe von 9,9 bis 11,8 Prozent. Der berufsbildende Abschluss wirkt zusätzlich lohnsteigernd: So erzielen Akademikerinnen einen um 9,2 bis 11,5 Prozent höheren Lohn als Frauen 169 Durch Verwendung des Huber/White/Sandwich-Estimators ergeben sich Unterschiede in den berechneten Standardabweichungen im Vergleich zum herkömmlichen Schätzer erst ab der zweiten Nachkommastelle. Daher wird auf GLS-Schätzungen verzichtet. 170 Bei Dummy-Variablen bedeutet dies, dass die Ausprägung von Wert „0“ auf Wert „1“ wechselt; Ausgangspunkt ist dabei Wert „1“ auf der jeweiligen Referenz-Variable. 102 mit abgeschlossener Lehre (Referenzkategorie), die wiederum gegenüber Frauen ohne berufsbildenden Abschluss mit einem Lohnplus von 4,9 bis 5,5 Prozent im Vorteil sind. Da die Parameter der Schul- und Berufsausbildungsvariablen als Niveauparameter fungieren, das heißt, zusammen mit der Konstante den Einstiegslohn der betreffenden Frau zu Beginn ihrer Erwerbskarriere bestimmen, wird bereits an diesen Schätzwerten die Bedeutung der formalen Ausbildung für die Lohneinbußen durch Erwerbsunterbrechungen deutlich. Die Erwerbserfahrungsvariablen wurden von Modell zu Modell verfeinert, beginnend mit dem höchsten Aggregationsniveau. Mit Ausnahme einiger weniger Variablen (beispielsweise der Arbeitslosigkeitsvariablen, die für die Simulation der Lohnentwicklung allerdings auch nicht gebraucht wurden), deren t-Werte allerdings noch immer den Wert „1“ überschreiten, sind die Variablen mindestens auf Zehn-Prozent-Niveau signifikant. Modell (1) zeigt, dass das erste Erwerbsjahr den Lohn um 3,2 Prozent erhöht; entsprechend dem quadratischen Term geht die Wachstumsrate pro Jahr um 0,2 Prozentpunkte zurück. Das erste Jahr der Nichterwerbstätigkeit (Auszeit oder Arbeitslosigkeit) schlägt demgegenüber mit einer Lohnstrafe von 1,6 Prozent zu Buche; die Lohnstrafe nimmt mit jedem weiteren Jahr der Nichterwerbstätigkeit jedoch ab (um 0,2 Prozentpunkte). Zusätzlich zur Erwerbstätigkeit ergibt sich in Modell (1) ein Lohnplus von Betriebszugehörigkeit in Höhe von 0,5 Prozent für das erste Jahr. In Modell (1) ist Betriebszugehörigkeit auf 1%-Niveau signifikant; allerdings steht zu vermuten, dass die Variable Lohneffekte anderer Variablen wie (durchgängige) aktuelle Vollzeit – die erst in den Folgemodellen separat kontrolliert wird – mit erfasst. Diese Vermutung wird durch die Tatsache bestätigt, dass die statistische Signifikanz von Betriebszugehörigkeit in Modellen mit tiefer gegliederten Erwerbserfahrungsvariablen verschwindet. Aus anderen Studien ist bekannt, dass Betriebstreue bei Frauen weniger stark honoriert wird als bei Männern, da Frauen ohnehin seltener befördert werden.171 Wenn man davon ausgeht, dass nicht der Arbeitgeberwechsel selbst, sondern das Ob bzw. die Dauer einer Erwerbsunterbrechung die Entscheidungsparameter von Frauen im Zusammenhang mit der Geburt sind und der Arbeitgeberwechsel vielmehr oftmals eine Folgeerscheinung der Unterbrechungsentscheidung ist (zumindest wenn die Unterbrechung länger andauert), erscheint die Variable auch aus inhaltlichen Gründen verzichtbar.172 Die 171 Littmann-Wernli/Schubert (2002) führen den vergleichsweise geringen Anteil der Frauen an Führungspositionen zum einen auf die berufliche Segregation von Männern und Frauen zurück, demnach Frauen noch immer zu einem Großteil „typische“ Frauenberufe mit geringen Aufstiegsmöglichkeiten wählen, zum anderen auf die von Frauen gewählten, aber mit Führungsaufgaben oft unvereinbaren Teilzeitarbeitsplätze. 172 Nach drei Jahren Auszeit entfällt die Arbeitsplatzgarantie beim bisherigen Arbeitgeber; der Wechsel wird jedoch oftmals schon früher vollzogen, da die Wiederaufnahme der bisherigen Voll- 103 Variable Betriebszugehörigkeit wurde daher in den Modellen (2)-(5) nicht mehr berücksichtigt.173 In Modell (2) wurde bezüglich Erwerbstätigkeit danach unterschieden, ob es sich um ein Vollzeit- oder Teilzeitjahr handelt; Nichterwerbstätigkeit wurde in die Variablen Arbeitslosigkeit und Auszeit aufgespalten. Die Differenzierungen offenbaren, dass von der Lohnprämie der Erwerbstätigkeit fast nur Vollzeitkräfte profitieren: Ein zusätzliches Vollzeitjahr schlägt mit einem Lohnwachstum von 2,9 Prozent zu Buche, wohingegen ein Teilzeitjahr nur ein geringes Lohnwachstum von 0,4 Prozent einbringt (der quadrierte Term der Teilzeitvariable ist bereits auf dieser Aggregationsebene nicht mehr signifikant und wird daher hier wie auf den folgenden Gliederungsebenen weggelassen). Die relativ schwache Signifikanz des Teilzeit-Parameters kann dabei nicht auf mangelnde autonome Variation der Variable zurück geführt werden, wie folgendes Diagramm zeigt: Abbildung 9: Einfachregression des Bruttostundenlohnes auf die Summe der Teilzeit zeittätigkeit aus familiären Gründen nicht möglich ist und der Arbeitgeber keine Teilzeitstelle anbieten muss. 173 Schließlich sprechen auch Messprobleme gegen die Variable. Da die Betriebszugehörigkeitsdauer die aktuelle Voll- oder Teilzeitphase nur unteraber nicht überschreiten kann, wird die Variable beispielsweise in jenen Fällen nach unten verzerrt ausgewiesen, in denen der aktuellen Vollzeitphase eine Teilzeitperiode bei demselben Arbeitgeber voranging. Die Untererfassung führt zu einer Überschätzung des Koeffizienten. 110 Die Beschäftigungsgleichung wurde mit der Maximum-Likelihood-Methode auf Basis der gepoolten Beobachtungen des Beschäftigungssamples geschätzt. Die geschätzte Inverse der Mill’s Ratio wurde sodann – in einem zweiten Schritt – als zusätzlicher Regressor in die Lohnfunktion imputiert.183 Welche Variablen kommen als Regressoren der Beschäftigungsgleichung in Betracht? Begibt man sich auf die Suche nach den Zusammenhängen zwischen Ausbildungs-, Arbeitsangebots- und anderen Entscheidungen im Haushaltszusammenhang (Scheidungs-, Fertilitätsverhalten etc.), gerät man unmittelbar in ein komplexes Wirkungsgefüge mit vielfältigen gegenseitigen Abhängigkeiten. Die Annahme, dass der Lohn (unter anderem) erwerbsbiografisch bestimmt wird, geht mit dem Ausschluss der Gegenhypothese, dass die Beschäftigungsentscheidung in Abhängigkeit vom erzielbaren Lohn erfolgt, einher. Für die Festlegung der Richtung der Kausalität müssen empirische Ergebnisse und theoretische Überlegungen herangezogen werden. Da die theoretischen Überlegungen, wie bereits erläutert, Argumente für beide Wirkungsrichtungen liefern, verbleibt der Blick auf empirische Untersuchungen, die eine bestimmte Kausalität zumindest nahelegen. So wurde im Zusammenhang mit Studien zu Wochenarbeitszeit und Kindesalter (vgl. Abschnitt 2.3.2.3.2) bereits darauf hingewiesen, dass die weibliche Beschäftigungsentscheidung vermutlich nachrangig vom Lohnsatz und stattdessen stärker vom Familienzusammenhang sowie von geeigneten Arbeitsgelegenheiten abhängig ist. Für die Spezifikation der Beschäftigungsgleichung wurde es daher als problematisch erachtet, den Lohnsatz als Regressor aufzunehmen (abgesehen von der weiteren Problematik, dass dieser für Nichtbeschäftigte gar nicht beobachtbar war). Auch bezüglich der persönlichen Charakteristika und den Variablen zum Haushaltszusammenhang war vereinzelt denkbar, dass es sich nicht um erklärende, sondern aus der Beschäftigungsentscheidung erklärte Variablen handelt (zum Beispiel könnte der Familienstand auch aus steuerlichen Überlegungen heraus gewählt werden). Von potenzieller Endogenität in der Selektionsgleichung wurde aus Vereinfachungsgründen jedoch abgesehen.184 Bei den Variablen zu formaler Ausbildung und Erwerbserfahrung (Stand Vorjahresende) bestand das 183 Dieses Verfahren ist als Zweistufiges Heckman-Verfahren bekannt; vgl. Heckman (1979). Dabei wird außer Acht gelassen, dass umgekehrt die Beschäftigungswahrscheinlichkeit selbst von der (erwarteten) Lohnstrafe abhängen kann; so werden die mütterlichen Lohneinbußen durch Erwerbsunterbrechung in zahlreichen ökonomischen Fertilitätstheorien als Opportunitätskosten von Kindern modelliert, die über den Substitutionseffekt negativ auf die Nachfrage nach Kindern und positiv auf das Arbeitsangebot wirken (vgl. bspw. Becker (1960), Happel et al. (1984), Cigno und Ermisch (1989) oder Walker (1995). 184 Vgl. zu diesem Problem bspw. Lewbel (2003), zitiert nach Dustmann/Rochina-Barrachina (2007), S. 272. 111 Problem potenzieller Endogenität ohnehin nicht, da die Ausprägungen dieser Variablen zum Zeitpunkt der Beschäftigungsentscheidung bereits feststanden. Da eine entsprechende Schätzung nur geringe Abweichungen zwischen Heteroskedastie-robusten und konventionellen Standardfehlern ergab, wurde auf den Ausweis robuster Standardfehler verzichtet. Die Schätzergebnisse der Beschäftigungsgleichung sind in Tabelle 6 im Anhang zu finden. Erläuterung der Schätzergebnisse der Beschäftigungsgleichung gemäß Tabelle 6 im Anhang Da ein geschätzter Regressionskoeffizient der Beschäftigungsgleichung die Ableitung der latenten Variable nach x (dem betreffenden Regressor) darstellt, die latente Variable jedoch nicht beobachtbar ist, erschwert dies die Interpretation des Regressionskoeffizienten. Geeigneter ist hier der Marginaleffekt: Der Marginaleffekt des Regressors j, δPr(y = 1|x) / δxj, gibt – bei metrischen Variablen – den Einfluss einer infinitesimal kleinen Änderung bzw. – bei Dummyvariablen – den Einfluss eines Wechsels von Ausprägung „0“ auf Ausprägung „1“ des Regressors j auf die Wahrscheinlichkeit, beschäftigt zu sein, an.185 Die in Tabelle 6 ausgewiesenen Marginaleffekte sind jene eines durchschnittlichen Individuums, das heißt, sie beziehen sich auf die Sample-durchschnittliche Ausprägung der jeweiligen erklärenden Variable.186 Erwartetermaßen nimmt die Wahrscheinlichkeit der (abhängigen) Beschäftigung mit zunehmender formaler Qualifikation zu, worin sich die mit zunehmender Bildung höhere Einkommenserzielungskapazität ausdrückt: Frauen mit niedrigem (Hauptschul-) oder keinem Schulabschluss haben eine geringere Beschäftigungswahrscheinlichkeit als Frauen mit mittlerem Schulabschluss. Eine Ausnahme stellt die Variable Hochschulreife dar; dass die Beschäftigungswahrscheinlichkeit hier deutlich hinter jener des mittleren Schulabschlusses zurückbleibt, liegt daran, dass diese Frauen mehrheitlich ihr Studium noch nicht abgeschlossen haben.187 Frauen ohne berufsbildenden Abschluss sind gegenüber Frauen mit abgeschlossener Lehre (mittlerer Berufsabschluss) deutlich seltener beschäftigt. Auffallend ist die hohe Beschäftigungsprämie eines Hochschulexamens, die ebenfalls aus früheren Untersuchungen bekannt ist: Frauen mit Hochschulabschluss haben 185 Die Marginaleffekte lassen sich in Stata 7.0 durch die Syntax „dprobit“ oder, mit denselben Ergebnissen, im Anschluss an die Probitschätzung durch die Syntax „mfx compute“ erzeugen. 186 Davon zu unterscheiden sind durchschnittliche Marginaleffekte, die auf individuellen x-Werten basierend berechnet werden; die hierzu erforderliche Syntax ist aber erst ab Stata-Versionen 8.2 aufwärts downloadbar. 187 Der gleiche Befund findet sich in der Studie von Licht/Steiner (1991a), S. 119 in Bezug auf Männer. 112 eine um mehr als 17 Prozentpunkte höhere Beschäftigungswahrscheinlichkeit als Frauen ohne einen solchen Abschluss. Die Erwerbswahrscheinlichkeit steigt mit dem Alter und zusätzlich mit der Dauer der Betriebszugehörigkeit.188 Dagegen ist die Wahrscheinlichkeit, beschäftigt zu sein, umso niedriger, je länger die Phasen der Nichtbeschäftigung in der bisherigen Biografie waren. Personen mit geringer Erwerbserfahrung haben geringere Einkommenserzielungschancen und daher weniger Anreize, sich aktuell um eine Beschäftigung zu bemühen, als Personen mit hoher Erwerbserfahrung. Dieser Befund einer gewissen Pfadabhängigkeit der Arbeitsmarktnähe bzw. -ferne unterstreicht die Bedeutung der Selektionskorrektur in der Lohnschätzung. Phasen der Arbeitslosigkeit mindern die aktuelle Erwerbswahrscheinlichkeit noch deutlicher als Phasen der Auszeit (als Hausfrau, in Mutterschutz oder Elternzeit). Dies mag daran liegen, dass familiäre Gründe für eine Auszeit nur temporär vorhanden sind, während die Ursachen von Arbeitslosigkeit längerfristiger Natur sein können, sofern sie in der Person selbst oder in seitens der Person nicht kontrollierbaren Umfeldbedingungen begründet sind. Auch bezüglich der Variablen zum Haushaltszusammenhang bestätigen sich die vermuteten Wirkungszusammenhänge: Die Wahrscheinlichkeit, abhängig beschäftigt zu sein, fällt mit steigender Anzahl der Kinder im Haushalt, wobei der Effekt umso stärker ist, je jünger das jüngste der Kinder ist: Frauen mit einem 0-1-jährigen Kind im Haushalt haben eine um knapp 50 Prozent geringere Erwerbswahrscheinlichkeit als Frauen ohne ein Kind dieser Altersgruppe im Haushalt. Theoretisch ist dies mit dem abnehmenden komparativen Vorteil der Haushaltsproduktion (im Vergleich zur Erwerbsarbeit) mit zunehmendem Alter der Kinder zu erklären. Auch der Befund, dass verheiratete oder mit einem Partner zusammen lebende Frauen eine um gut fünf Prozent geringere Beschäftigungswahrscheinlichkeit aufweisen als allein lebende Frauen, kann mit dem höheren Reservationslohn der erstgenannten Frauengruppe erklärt werden. Die Beschäftigungswahrscheinlichkeit wird von einer eigenen gesundheitlichen Behinderung wie auch von der Existenz einer hilfebedürftigen Person im Haushalt gemindert.189 Ein steigendes Nettopartnereinkommen sowie ein steigendes Nichtlohneinkommen des Haushalts (jeweils pro Kopf der Haushaltsmitglieder und gefasst in 188 Wie Schätzungen mit der Variable Summe erwerbstätiger Jahre anstelle der Betriebszugehörigkeit zeigen, ist das Alter mit der summierten Erwerbsfahrung hoch korreliert; der Koeffizient von Alter wird dann negativ und ist weitaus weniger signifikant. Dieses Ergebnis ist auch aus anderen Studien bekannt (vgl. z. B. Galler (1991). Wesentliche Nichtlinearitäten der Variable Alter waren nicht auffällig. 189 Der Altersabstand zum Partner wirkte sich dagegen nicht auf die Beschäftigungswahrscheinlichkeit aus; auf diese Variable wurde daher ebenso verzichtet wie auf die nicht signifikanten Jahresdummies. 113 Einheiten von 100 Euro) mindern die Wahrscheinlichkeit, dass die Frau abhängig beschäftigt ist; allerdings zeigen die positiven Vorzeichen der Koeffizienten der quadrierten Terme an, dass sich die negativen Effekte mit zunehmendem Einkommen abschwächen. Dass der Erwerbsstatus der Frau sensibler auf das Nichtlohneinkommen als auf das Partnereinkommen reagiert, mag daran liegen, dass ersteres im Wesentlichen als transitorisch angesehen wird, sodass eher das Arbeitsangebot als die Konsumgewohnheiten angepasst werden („added worker“- Effekt). Für diese Vermutung spricht auch die Beobachtung aus der deskriptiven Statistik, dass Frauen des Lohnsamples ein geringeres durchschnittliches Nichtlohn-Haushaltseinkommen haben als Frauen des Beschäftigungssamples. Ein als permanent angesehenes höheres Partnereinkommen setzt demgegenüber weniger Anreize zur Veränderung des Arbeitsangebotes, sondern vielmehr zur Heraufsetzung des Lebensstandards. Die Stellenandrangszahl hat einen signifikanten Einfluss auf die Beschäftigungswahrscheinlichkeit der beobachteten Frauen: Je angespannter die Arbeitsmarktlage in jenem Bundesland, in dem die Frau ihren Wohnort hat ist, desto geringer ist die Wahrscheinlichkeit (abhängig) beschäftigt zu sein.190 Wie ist es um Modellgüte und Teststatistik bestellt? Die Zahl der Iterationen ist relativ gering, was belegt, dass das Modell recht problemlos konvergierte. Auch der deutliche Unterschied zwischen dem Wert der letzten Log Likelihood (der angibt, wie wahrscheinlich die beobachteten Werte bei den zuletzt gewählten beta-Koeffizienten sind) zum Wert der ersten Log Likelihood weist auf den Erklärungsvorteil des Modells gegenüber dem Nullmodell hin. Mc Faddens Pseudo R2 – als Analogon zum R2 der linearen Regression – und der Likelihood Ratio Chi2- Wert sind Maßzahlen für die Güte des Gesamtmodells, wobei eine konkrete inhaltliche Interpretation der Maßzahlen schwierig ist. Beide Größen beruhen auf der Differenz zwischen der ersten und letzten Iteration. Mc Faddens Pseudo R2 ist eine der gebräuchlichsten Maßzahlen zur „Erklärungskraft“ des Modells und basiert auf einem Vergleich der Log-Likelihood des zu evaluierenden Modells mit jener des Nullmodells (das nur die Regressionskonstante enthält). Die Maßzahl erreicht nur selten den Maximalwert von 1. Der LR Chi2-Wert folgt einer Chi2-Verteilung und kann daher zum Test der Nullhypothese, dass alle Koeffizienten außer jener der Konstante Null sind, herangezogen werden. Das Ergebnis ist in der Zeile darunter ausgewiesen: Die Nullhypothese muss zurückgewiesen werden. Da dies aber lediglich bedeutet, dass mindestens einer der Koeffizienten in der Grundgesamtheit nicht Null ist, sind die beiden Maßzahlen des Modellfit- 190 Da die Stellenandrangszahl offenbar einen Großteil der Bundesland-Informationen aufnimmt, sind die Bundesland-Dummies selbst – mit Ausnahme von Baden-Württemberg – nicht mehr signifikant. 114 Blocks zur Beurteilung der Güte des Modells allein nicht ausreichend. Daher wurde die Modellgüte auch anhand eines Vergleichs der vorhergesagten mit den beobachteten Werten überprüft:191 Die abhängige Beschäftigung wird in 79,48 Prozent, die abhängige Nichtbeschäftigung in 82,81 Prozent der Fälle korrekt prognostiziert.192 Außerdem wurde, zusätzlich zu dem hier dargestellten Modell, ein restringiertes Modell mit einem schmaleren Variablenset geschätzt (ohne humankapitalbezogene Variablen, nur individuelle Charakteristika und Variablen zum Haushaltszusammenhang). Die geschätzten Parameter fielen dabei deutlich höher aus, da diese nun auch den Lohneinfluss der weggelassenen Variablen mit aufnahmen. Es war daher notwendig, die Berechtigung für das restringierte Modell zu testen. Der Wald-Test für dieses Modell ergab, dass die Nullhypothese, dass die Koeffizienten der erwähnten Variablen wie dargestellt ausgewiesen werden, obwohl ihr wahrer Wert in der Grundgesamtheit Null ist, abgelehnt werden muss. Auch die Variablen des „schmaleren“ Modells waren also gemeinsam signifikant, allerdings war der Testwert geringer als für das umfangreichere Modell. Ein noch präziseres Ergebnis ließ sich durch einen Likelihood Ratio-Test, der das umfangreichere Modell nicht mit dem Null-Modell, sondern direkt mit dem restringierten Modell vergleicht, erzielen.193 Das Ergebnis zeigt, dass die zusätzlichen Variablen des umfangreicheren Modells die Güte der Regression verbessern. Zudem weist auch Mc Fadden’s Pseudo R2 einen höheren Wert für das umfangreichere Modell aus.194 Die Selektionskorrektur, die im nächsten Schritt vorzunehmen war, wurde daher auf Basis des umfangreicheren Modells berechnet. 191 Kennedy (2003), der das hier vorgestellte Verfahren als mögliche Alternative oder Ergänzung zu einer Pseudo R2-Maßzahl beschreibt, verweist darauf, dass die Summe aus dem Anteil der korrekt vorhergesagten Erfolge und jenem der korrekt prognostizierten Misserfolge den Wert 1 überschreiten sollte, was hier der Fall ist (vgl. Kennedy (2003), S. 267). 192 Eine beobachtbare abhängige Beschäftigung („Erfolg“: Wert „1“ auf der endogenen Variable der Beschäftigungsfunktion) wurde – gemäß der Fassung der Beschäftigungsgleichung weiter oben – als korrekt (inkorrekt) vorhergesagt definiert, wenn die latente Beschäftigungsneigung den Wert 0 überschritt (nicht überschritt). Eine beobachtbare abhängige Nichtbeschäftigung („Misserfolg“: Wert „0“ auf der endogenen Variable der Beschäftigungsfunktion) wurde als korrekt (inkorrekt) prognostiziert definiert, wenn die latente Beschäftigungsneigung den Wert 0 nicht überschritt (überschritt). 193 Die Nullhypothese lautet hier, dass die sieben Unterschiedsvariablen zwischen den beiden Modellen gemeinsam insignifikant sind. 194 Mc Fadden (1973), S. 105-142, zitiert nach Kohler/Kreuter (2006), S. 286. 115 3.2.3 Gepoolte Kleinst-Quadrate-Schätzungen der Lohngleichung mit Selektionskorrektur Für die Lohnsimulationen in Abschnitt 4 kamen nur die Variablensets der Modelle (3) bis (5) in Frage, da nur mit diesen die eingangs formulierten untersuchungsleitenden Hypothesen vollständig prüfbar sind. Daher wurden nur diese Modelle mit Selektionskorrektur geschätzt. Dabei wurde die aus dem Probit- Modell der Beschäftigungsgleichung hervorgegangene geschätzte Beschäftigungswahrscheinlichkeit (Select-Variable) als zusätzlicher Regressor in die Lohngleichung aufgenommen und letztere wie gehabt mit der Kleinst-Quadrate-Methode geschätzt.195 Wiederum ergab der White-Test, dass auf den Ausweis heteroskedastie-robuster Standardfehler nicht verzichtet werden konnte, will man falsche Rückschlüsse aus den Signifikanztests vermeiden. Die Ergebnisse der gepoolten OLS-Schätzungen der Lohngleichung mit Selektionskorrektur für die Modelle (3) bis (5) sind in Tabelle 7 im Anhang ausgewiesen. Erläuterungen zu den OLS-Schätzungen der Modelle (3)-(5) mit Selektionskorrektur gemäß Tabelle 7 im Anhang Die geschätzten Parameter der Ausbildungs- und der Erwerbserfahrungs-Vari- ablen in den drei Modellen mit Selektionskorrektur sind in der Regel etwas niedriger als in den Modellen ohne Selektionskorrektur; Gleiches gilt für die signifikanten Kontrollvariablen. Offenbar wird in der Schätzung ohne Selektionskorrektur der Einfluss der Humankapital-Variablen überschätzt, da unbeobachtete lohnrelevante Effekte nicht kontrolliert werden. Die Beschäftigungswahrscheinlichkeit ist streng genommen solch ein lohnrelevanter Effekt, da Löhne gar nicht beobachtet werden können, wenn die Person nicht beschäftigt ist. Die Variable Select weist die Βeschäftigungswahrscheinlichkeit aus und entspricht der so genannten inversen Mill’s Ratio. Das positive Vorzeichen des geschätzten Parameters der Variable Select indiziert, dass mit steigender Beschäftigungswahrscheinlichkeit ein höheres Einkommen verbunden ist, das heißt, die Störterme der Beschäftigungs- und Lohnfunktion sind positiv korreliert. Der Parameter der Variable Select bewegt sich in etwa auf dem Niveau anderer Studien.196 Erfreuli- 195 Probeweise wurde Modell (3) auch als Full ML-Schätzung (mit robusten Standardfehlern) durchgeführt; die Standardfehler waren hierbei leicht höher, die Koeffizienten nahezu identisch zum zweistufigen Heckman-Verfahren. Für Modelle (3)-(5) werden im Folgenden nur die Ergebnisse der zweistufigen Heckman-Schätzung wie oben beschrieben ausgewiesen. 196 So findet Galler mit SOEP-Daten für deutsche Frauen in einer gepoolten Regression mit Selektionskorrektur eine Mill’s Ratio von -0,0457; vgl. Galler (1991), S. 132. Die von Licht und 116 cherweise leidet die statistische Signifikanz der Parameter durch die Selektionskorrektur nicht, mit Ausnahme der Variable Summe Teilzeitjahre in den Modellen (4) und (5). 3.2.4 Panelschätzungen mit Selektionskorrektur Auch nach statistischer Kontrolle der Selektionseffekte verbleibt das Problem unbeobachteter Heterogenität der Individuen. Die Heckman-Schätzungen führen dann zu inkonsistenten Schätzern der Standardfehler der Koeffizienten197. Da die Heckman-Schätzung nur Verzerrungen der Parameter auf Grund kontemporärer Korrelation (zwischen den Residuen der Lohn- und Beschäftigungsgleichung) vermeidet, sind die Parameter weiterhin verzerrt, wenn im Datensatz zusätzlich intertemporale Korrelation zwischen den Störtermen der Einkommensfunktion und den erklärenden Variablen besteht.198 Für die Modelle (3) bis (5), die für die Lohnsimulationen in Abschnitt 4 in Frage kommen und sich in den Sets der aufgenommenen Erwerberfahrungsvariablen unterscheiden, wurden unterschiedliche Spezifikationen dieser Individualeffekte angenommen, woraus sich unterschiedliche Schätzverfahren ergaben.199 Die Modelle wurden jeweils mit Selektionskorrektur geschätzt, wobei die Select-Variable nach dem oben dargestellten Two-Step Heckman-Verfahren gewonnen wurde. Im Fixed Effects-Modell wird die Abweichung der tatsächlichen Ausprägung vom Mittelwert des Lohnes auf die Abweichungen der tatsächlichen Ausprägungen der Variablen von ihren jeweiligen Mittelwerten regressiert. Die im Modell als zeitkonstant angenommenen latenten Einflussfaktoren (feste Effekte) fallen dabei aus der Gleichung heraus; der erzeugte Within-Schätzer erklärt den Einfluss von Veränderungen auf Veränderungen. Der mit „R2-Within“ ausgewiesene Wert belegt, wie gut der Within-Schätzer die intrapersonelle Varianz erklärt.200 Jedoch: Zeitkonstante Variablen wie Schulbildung können mit dem Fixed Effects-Modell nicht erklärt werden. Ein weiterer Nachteil besteht darin, dass Vari- Steiner in auf Basis von SOEP-Daten geschätzten DVM- bzw. VCM-Modellen gefundenen Werte für die inverse Mill’s Ratio sind mit 0,068 bzw. 0,09 für Dummyvariablen- bzw. Varianzkomponentenmodelle etwas höher (Licht/Steiner (1992)). 197 Vgl. Lee, L. F., G. S. Madalla, R. P. Trost (1980), Asymptotic Covariance Matrices of Two- Stage Probit and Two-Stage Tobit. Methods for Simultaneous Equation Models with Selectivity, in: Econometrica, Band 48, S. 491-503, zitiert nach Licht und Steiner (1991b), S. 7. 198 Vgl. Hsiao (2003), S. 43/44. 199 Vorab sei erwähnt, dass dem Problem potenzieller Endogenität mit den im Folgenden vorgestellten Schätzverfahren nicht beizukommen ist; vgl. zum Umgang mit diesem Problem den Vorschlag von Licht/Steiner (1991b), S. 7ff. 200 Zur formalen Darstellung des Within-Estimators vgl. Licht/Steiner (1991b), S. 7. 117 ablen mit wenig intertemporaler Variation in den Ausprägungen nur unpräzise geschätzt werden können. Im vorliegenden Datensatz besteht der überwiegende Teil der Variation aus interpersoneller Variation, da viele Individuen enthalten sind, sich der zeitliche Horizont aber für alle Variablen außer den Erwerbserfahrungsvariablen, inklusive der endogenen Lohnvariable, auf einen Fünf-Jahreszeitraum beschränkt.201 Dass die Ausbildungsvariablen mit dem Fixed Effects-Modell nicht geschätzt werden können, machte es ohnehin als Basisverfahren für die in Abschnitt 4 simulierten Lohnentwicklungen unbrauchbar; jedoch war auch bezüglich der Unverzerrtheit der Parameter der zeitvarianten Variablen, welche oftmals als der große Vorteil des Modells angesehen wird, Vorsicht geboten. Vor dem Hintergrund der in den bisher vorgestellten Schätzverfahren verdeutlichten hohen Lohnrelevanz der arbeitsplatzbezogenen Variablen einerseits und deren geringer zeitlicher Variation in den Jahren 2001 bis 2005 andererseits war deshalb fraglich, ob die gewonnenen Parameter der Erwerbserfahrungsvariablen beispielsweise als Instrumente zur Schätzung der Parameter der Schooling-Variablen verwendet werden können, wie Hausman und Taylor dies vorgeschlagen haben.202 Licht und Steiner weisen außerdem darauf hin, dass die Parameter des Fixed-Effects-Modells in diesem Fall auch keine gute Vergleichsbasis für den Hausman-Test darstellen.203 In Varianzkomponenten-Modellen (VCM) setzt sich der Gesamtfehler νit aus dem individuenspezifischen Achsenabschnitt αi und dem idiosynkratischen (zeitvariablen, systematischen) Fehler εit zusammen.204 Das heißt, die unbeobachtete Heterogenität der Personen wird über eine Varianzkomponente und nicht mehr, wie im Modell mit festen Effekten, durch eine zu schätzende erklärende Variable erfasst. Der GLS Random Effects-Estimator wird aus einer Kombination des – ausschließlich interpersonelle Variation erfassenden – Between-Schätzers und des Within-Schätzers gebildet. Weil der Random Effects-Schätzer sowohl interpersonelle als auch intrapersonelle Variation in den Daten ausnutzt (siehe oben), ist er effizienter als der Within-Schätzer. Während der Between-Schätzer am besten zur Erklärung der interpersonellen, der Within-Schätzer zur Erklärung der intrapersonellen Varianz geeignet ist, zeigt die mit „R2 Overall“ ausgewiesene Größe auf, wie der Random-Effects-Schätzer hinsichtlich der Erklärung der Gesamtvarianz abschneidet. Geht man dagegen davon aus, dass sich dicht aufeinander folgende Beobachtungen stärker ähneln als weiter voneinander entfernte, spezifiziert man die Korrelationsmatrix mit Autokorrelation. Die Annahme von 201 Dustmann und Rochina-Barrachina legen ihrer DVM-Schätzung immerhin SOEP-Daten eines Zwölf-Jahreszeitraums zu Grunde; vgl. Dustmann/Rochina-Barrachina (2007), S. 277. 202 Vgl. Hausman/Taylor (1981). 203 Vgl. Licht/Steiner (1991a), S. 123. 204 Vgl. bspw. Hsiao (2003), S. 34/35. 118 Autokorrelation macht in einem Fünfjahreszeitraum, wie er hier für die Lohninformationen betrachtet wird, wenig Sinn; die geschätzten Koeffizienten von Modellen mit Autokorrelation erster Ordnung unterscheiden sich denn auch, wie Tests gezeigt haben, kaum von jenen der Random-Effects-Modelle. Daher werden im Folgenden nur die Schätzergebnisse der Fixed Effects- und Random Effects- Modelle vorgestellt. Zur Regressionsdiagnostik stehen insbesondere der Breusch & Pagan Lagrange Multiplier Test auf Random Effects und der Hausman-Test zur Verfügung.205 Der erstgenannte Test ist ein Test der Nullhypothese, dass die Random Effects Null sind. Wird die Nullhypothese nicht verworfen, kann die gepoolte Kleinst- Quadrate-Schätzung verwendet werden.206 Wird die Nullhypothese dagegen abgelehnt, scheidet letztere aus; in diesem Fall besteht die Varianz der Störgröße nicht nur aus der Varianz des idiosynkratischen Fehlers, sodass Annahme B3 (Freiheit von Autokorrelation) verletzt ist; es muss ein Paneldaten-Modell verwendet werden. Der Hausman-Test ist ein Test der Nullhypothese, dass die Individualeffekte mit den erklärenden Variablen des Modells unkorreliert sind. Wird die Nullhypothese zurückgewiesen, scheidet das Random-Effects-Modell aus, und der Vorzug ist dem Fixed Effects-Modell zu geben (mit den oben genannten Problemen). Muss die Nullhypothese dagegen nicht verworfen werden, eignet sich das Random- Effects-Modell ebenso gut wie das Fixed Effects-Modell zur Schätzung der interessierenden Parameter (die erzeugten Schätzwerte für die Koeffizienten sollten in diesem – für Paneldaten unwahrscheinlichen – Fall gleich sein). Die Bundeslandvariable Baden-Württemberg ist – mangels ausreichender Signifikanz – in den Panelschätzungen nicht mehr enthalten. Daher wird die nunmehr einzige arbeitsmarkt- und konjunkturbezogene Variable – die Stellenandrangszahl – gemeinsam mit den arbeitsplatzbezogenen Variablen in der weiter gefassten Rubrik „Kontrollvariablen“ ausgewiesen. 3.2.4.1 Variablensets der Gliederungsebene 3 Die Ergebnisse der Random- und Fixed Effects-Schätzungen der Variablensets der Gliederungsebene 3 ohne bzw. mit Berücksichtigung von Interaktionsvariablen finden sich in den Tabellen 8 bzw. 9 im Anhang. 205 Vgl. Breusch/Pagan (1980) bzw. Hausman (1978. Die Stata 7.0-Syntax für den Breusch & Pagan LM Test auf Random Effects ist “xttest0“, jene für den Hausman-Test lautet „xthaus“. 206 Zur Erzeugung der OLS-Schätzung kann statt des „regress“-Befehls auch „xtgee, i (id) corr(indep)“ verwendet werden. 119 Erläuterung der Ergebnisse aus den Panelschätzungen von Modell (3) gemäß Tabelle 8 im Anhang Die Schätzwerte der Koeffizienten im Random Effects Modell ähneln in Vorzeichen und Höhe jenen aus den OLS-Schätzungen; die t-Werte sind (bis auf einige Branchen-Dummies) hoch. Im Fixed Effects-Modell hingegen können die Schul- und Berufsausbildungsvariablen auf Grund fehlender Variation über die Zeit gar nicht geschätzt werden. Die meisten der arbeitsplatzbezogenen Kontrollvariablen sind noch nicht einmal auf Zehn-Prozent-Niveau signifikant. Offenbar gibt es bezüglich dieser Variablen wenig intrapersonelle Variation: Merkmale wie berufliches Prestige, Zugehörigkeit zum öffentlichen Dienst, Branche oder Firmengröße variieren vor allem zwischen den Personen und weniger innerhalb der Person über den Fünfjahreszeitraum.207 Die Koeffizienten dieser Variablen, die nur auf der schmalen Basis jener wenigen Personen mit einem Ausprägungswechsel auf diesen Variablen zwischen 2001 und 2005 geschätzt werden können, sind also kaum sinnvoll interpretierbar. Hierauf wird bei der Interpretation des Hausman Tests zurück zu kommen sein. Inwiefern haben die Panelschätzungen zu Veränderungen der Parameter der Erwerbserfahrungsvariablen geführt? Aktuelle Vollzeit führt in den Panelschätzungen, wie schon in den OLS- Schätzungen, zu einer höheren Lohnprämie als frühere Vollzeit. Frühere Teilzeiterfahrung erzielt eine höhere Lohnprämie als aktuelle Teilzeiterfahrung, allerdings kann dieses Ergebnis kaum sinnvoll interpretiert werden, da die Parameter aktueller Teilzeit nicht signifikant sind. Aktuelle Auszeit zieht wiederum eine deutliche Lohnstrafe nach sich, die mit zunehmender Dauer der Auszeit unterproportional ansteigt. Im Random Effects Modell verjähren – wie in der gepoolten Kleinst-Quadrate-Schätzung – die Lohnstrafen von Auszeit und Arbeitslosigkeit mit der Zeit; im Fixed Effects-Modell liegt die Lohnstrafe früherer Auszeit dagegen nur um rund zwei Prozentpunkte unter jener von aktueller Auszeit. Betrachtet man viele verschiedene Personen, können frühere Auszeitjahre sehr weit in der Vergangenheit liegen; die heutige Lohnstrafe hieraus ist entsprechend gering. Verglichen mit Personen, die sich in ihrem ersten Wiedereinstiegsjahr nach Auszeit (und daher in der Rechnung der Erwerbserfahrung in aktueller Auszeit) befinden und deren Lohnstrafe dementsprechend hoch ist, ergibt sich der ausgewiesene starke Kontrast zwischen den Lohnstrafen früherer und aktueller Auszeit in der Random Effectswie in der OLS-Schätzung. Im Fixed Effects- Modell dagegen wird ein und dieselbe Person über die Zeit betrachtet. Realisiert eine Person innerhalb des Zeitraums 2001 bis 2005 einen Wechsel von aktueller zu früherer Auszeit (wechselt sie also vom ersten ins zweite Wiedereinstiegs- 207 Eine Ausnahme bildet nach wie vor die Wochenarbeitszeit-Variable. 126 von Personen, die auf eine Auszeit zurückblicken, entweder nicht versucht (Weiterbeschäftigung beim alten Arbeitgeber) oder gelingt nicht. Stigma-Effekte von Arbeitslosigkeit, die sich in Untersuchungen mit Daten von Männern zumindest kurzfristig lohnmindernd auswirken, scheinen bei Löhnen von Frauen auch in der kurzen Frist keine Rolle zu spielen. Stattdessen scheint – zweitens – für die Lohnstrafe nach Auszeit ein anderer Signaling-Effekt bedeutend zu sein: So könnte das Merkmal „Kind im Haushalt“ nach einer geburtsbedingten Unterbrechung aus Sicht des Arbeitgebers ein Indiz für eine geringere Arbeitsmotivation und Zuverlässigkeit der Arbeitnehmerin sein. Drittens ist die Verhandlungsposition der Mutter durch ihre räumliche Immobilität und ihre Abhängigkeit von familienfreundlichen Arbeitszeiten geringer als jene kinderloser Frauen – dieser Tatbestand mindert die Wahrscheinlichkeit, hohe Lohnzuwachsraten zu erzielen selbst in dem Fall, dass die Produktivität der Frau nach ihrer Rückkehr zunimmt. Erläuterung der Panelschätzungen zu Modell (4a) gemäß Tabelle 11 im Anhang Wiederum legt der Hausman-Test die Vermutung nahe, dass das Fixed Effects- Modell die geeignetere Basis für die angestrebten Lohnsimulationen ist als das Random-Effects-Modell, nachdem die Nichtexistenz der Individualeffekte wiederum unter anderem durch den F-Test ausgeschlossen werden konnte. Im Fixed Effects-Modell (Hilfsschätzung) wirkt ein fehlender Abschluss stärker Lohn mindernd als im Random Effects-Modell, während ein höherer Abschluss weniger lohnfördernd wirkt.214 Offenbar wird die Einkommenserzielungskapazität von unbeobachteten Faktoren beeinflusst, die im Fixed Effects-Modell vom festen Effekt aufgenommen werden, so dass die Humankapitalvariablen „reiner“ sind; im Random Effects Modell hingegen sind diese Individualeffekte in den Regressoren enthalten. Sowohl im Randomals auch im Fixed-Effects-Modell profitiert der Lohn von Frauen ohne Berufsbildungsabschluss am stärksten von einer durchgängigen Vollzeitbeschäftigung, gefolgt von Akademikerinnen-Löhnen. Im Unterschied zu Modell (3a) wird hier der Drittvariableneffekt von Bildung nicht auf aktuelle Vollzeit allgemein, sondern auf durchgängige aktuelle Vollzeit untersucht. Die Quadrierungen von Variablen sind dort nicht signifikant, wo hohe Ausprägungen der Variablen im Datensatz selten vorkommen: So gibt es generell nicht viele akademische Frauen oder Frauen mit niedrigem Berufsbildungsabschluss, deren durchgängige Vollzeiterfahrung länger als fünf bis acht Jahre andauert. Der Lohn von Akademikerinnen scheint gegenüber Unterbrechungen etwas unempfindlicher zu sein als jener von Frauen ohne (Berufs-) Abschluss. Akademikerinnen 214 Dies gilt jeweils im Vergleich zur Referenzgruppe. 127 profitieren von durchgängiger Beschäftigung aber immer noch mehr als Frauen mit abgeschlossener Lehre (mittlerer Berufsbildungsabschluss). Bezüglich der Lohnstrafe aktueller Auszeit wiederholen sich die Ergebnisse aus Modell (3a): Die Lohnstrafe ist umso höher, je niedriger der Berufsbildungsabschluss ist, wobei die Unterschiede im Fixed Effects-Modell deutlicher ausfallen.215 In Modell (4a) zeigt sich weiterhin das aus Modell (3a) bekannte Ergebnis, dass die Lohnstrafe von Auszeit nur im Random Effects-Modell verjährt, während sie im Fixed Effects-Modell persistent ist. Wiederum bewirken frühere Teilzeit und frühere Arbeitslosigkeit nur im Fixed Effects-Modell einen Aufholprozess des Lohnes nach Rückkehr in das Erwerbsleben, der allerdings in Bezug auf Arbeitslosigkeit umso schwächer ist, je länger die Phase der Nichtbeschäftigung zurück liegt. Auf der nächsten – und letzten – Gliederungsebene der Erwerbserfahrungsvariablen wurden Modell (5) bzw. Modell (5a) geschätzt. Hier war der Zusammenhang zur untersuchungsleitenden Fragestellung am engsten: Gibt es eine eigenständige Lohnstrafe geburtsbedingter Auszeit? Der Befund des Fixed Effects- Modells aus den Schätzungen von Modellen (3) und (4), dass Auszeit Lohn schädigender als Arbeitslosigkeit ist und die in diesem Zusammenhang geäußerte Vermutung, dass hierfür Faktoren im Haushaltszusammenhang der Frau eine Rolle spielen, wurde mit Modell (5) auf den Prüfstand gestellt: Bezüglich der Lohnstrafe im ersten Wiedereinstiegsjahr nach Auszeit wurde danach unterschieden, ob es sich um eine geburtsbedingte Auszeit handelt oder nicht.216 3.2.4.3 Variablensets der Gliederungsebene 5 Wiederum wird die Nullhypothese, dass keine Individualeffekte vorhanden sind, sowohl durch die F-Statistik des Fixed Effects-Modells als auch durch den Breusch & Pagan Test im Anschluss an das Random Effects-Modell eindeutig zurückgewiesen. Die Ergebnisse des Hausman-Tests legen wiederum eine Ablehnung des Random Effects-Modells gegenüber dem Fixed Effects-Modell nahe – mit den bereits erwähnten Einschränkungen. Daher wurden die Schätzwerte für die Koeffizienten der ausbildungs- und arbeitsplatzbezogenen Kontrollvariablen auch für Modell (5) aus einer Hilfsschätzung gewonnen. Die Ergebnisse der Random- und Fixed Effects-Schätzungen des Variablensets 5 ohne bzw. mit Hinzufügung von Interaktionsvariablen finden sich in Tabellen 12 bzw. 13 im Anhang. 215 Quadrierte Terme der Interaktionsvariablen wurden überall dort weggelassen, wo Nichtlinearitäten nicht auffällig waren. 216 Als geburtsbedingt werden dabei alle Auszeitjahre gewertet, die sich nicht mehr als zehn Jahre vom Zeitpunkt der Erstgeburt entfernt ereigneten (vgl. hierzu auch die ausführliche Beschreibung zu Variable Nr. 31 in Kapitel 2.3.2.1.3). 128 Erläuterungen zu den Schätzergebnissen von Modell (5) gemäß Tabelle 12 im Anhang Ein Hochschulabschluss führt zu einer Lohnprämie von rund 17 bis 18 Prozent. Da in Modell (5) ein Drittvariableneffekt der Bildung auf die Lohnprämie von Erfahrung nicht kontrolliert wird, ist zu erwarten, dass dieses Lohnplus in Modell (5a) geringer ausfallen wird. Die t-Werte der Erwerbserfahrungsvariablen sind im Random Effects-Modell wiederum höher als im Fixed Effects-Modell, da das Random Effects-Modell auch Querschnittsinformationen aufnimmt. Aktuelle durchgängige Vollzeit führt in beiden Modellen zu einer höheren Lohnprämie als aktuelle Vollzeit nach einer Unterbrechungsphase. Handelte es sich bei der Unterbrechung um eine Teilzeitphase, profitiert die Frau im Fixed Effects-Modell nach ihrer Rückkehr in Vollzeit von einem Restaurationsprozess ihres Humankapitals, der schon aus den Modellen (3) und (4) bekannt ist. Frühere Vollzeitjahre haben in beiden Modellen eine geringere Lohnprämie als aktuelle Vollzeitjahre, selbst nach Unterbrechung.217 Während Teilzeit im Random Effects-Modell praktisch keinen Lohneffekt hat, liegt aktuelle Teilzeit im Fixed Effects-Modell in etwa gleichauf mit früherer Vollzeit. Auch bezüglich der Lohneffekte von Arbeitslosigkeit wiederholen sich die aus den vorigen Modellen bekannten Ergebnisse: Während Arbeitslosigkeit im Random Effects-Modell zu einer deutlichen Lohnstrafe führt, die auch nach zehn Jahren noch nicht verjährt ist, holen im Fixed Effects-Modell Frauen, die nach Arbeitslosigkeit ins Erwerbsleben zurückkehren, im Lohn deutlich auf. Das interessanteste Ergebnis aus der Schätzung von Modell (5) ergibt sich aber bezüglich der Lohnstrafen von Auszeit: Frauen, die nach geburtsbedingter Auszeit zurückkehren, realisieren – je nach Modell – im ersten Wiedereinstiegsjahr einen Abschlag von ihrem Ausstiegslohn in Höhe von rund 8 bis 11 Prozent für das erste Ausstiegsjahr.218 Damit erleiden sie gegenüber Frauen, deren Auszeit der Geburtsbezug fehlt, eine zusätzliche Lohnstrafe von rund 5 bis 7 Prozentpunkten. Sowohl das Random Effectsals auch das Fixed Effects-Modell bestätigen also die weiter oben geäußerte Vermutung, dass für die Entlohnung von Müttern nach der Rückkehr in das Erwerbsleben nicht nur die Entwertung (eines Teils) ihres Humankapitals während der familienbedingten Auszeit eine Rolle spielt, sondern dass hier zusätzlich arbeitsnachfrageseitige Zuschreibungseffekte sowie die veränderte Verhandlungsposition auf dem Arbeitsmarkt eine maßgebende Rolle spielen. 217 Im Fall der Unterbrechung in Teilzeit sind wiederum die positiven Parameter der Variable frühere Teilzeit zu berücksichtigen. 218 Die Rechnung für ein Ausstiegsjahr lautet im Fixed Effects-Modell (-2,9+0,2=) -2,7 + (-6,6+1,2=) -5,4=-8,1 Prozent, im Random Effects-Modell dagegen (-4,2+0,2=) -4,0 + (-9,5+2,1=) -7,4= -11,4 Prozent. 129 Bei mehreren Auszeitjahren bewirken die positiven Koeffizienten der quadrierten Terme einen unterproportionalen Anstieg der Lohnstrafen. Dabei ist der Anstieg der Lohnstrafe mit zunehmender Dauer der geburtsbedingten Unterbrechung jedoch weitaus stärker degressiv als von aktueller Auszeit insgesamt. Dieser Befund, dass sich die Lohnstrafe geburtsbedingter Auszeit mit zunehmender Unterbrechungsdauer jener der allgemeinen Auszeit ohne Geburtsbezug annähert, deutet ebenfalls darauf hin, dass für den Lohnsatz der Mutter das Alter ihres Kindes eine Rolle spielt. Denn wenn die Mutter nach drei Jahren geburtsbedingter Auszeit an den Arbeitsplatz zurückkehrt, ist ihr Kind jünger, als wenn sie erst nach fünf Jahren zurückkehrt.219 Die Lohnstrafe früherer Auszeit fällt im Fixed Effects-Modell, sofern sie mehr als zehn Jahre zurückliegt, sogar noch etwas höher aus als binnen zehn Jahren nach Wiedereinstieg. Dieses auf den ersten Blick merkwürdige Ergebnis ist bei einem tiefer gehenden Blick in die Datenstruktur verständlich.220 Erläuterungen zu den Schätzergebnissen von Modell (5a) gemäß Tabelle 13 im Anhang Auch hier zeigt die Teststatistik, dass von der Existenz der Individualeffekte ausgegangen werden muss. Zusätzlich deutet das Ergebnis des Hausman-Tests auf systematische Unterschiede in den Koeffizienten hin. Wenngleich dieser Test aus den erwähnten Gründen wiederum mit Vorbehalt zu interpretieren ist, ist die Befürchtung, dass die Individualeffekte mit den erklärenden Variablen des Modells korrelieren, durch den Test nicht zu entkräften. Daher erschien es auch bei Variablenset (5a) angezeigt, sowohl die Schätzergebnisse des Fixed Effectsals auch jene des Random Effects-Modells im Hinblick auf ihre Eignung für die Simulation genauer zu analysieren. 219 Streng genommen ist es natürlich möglich, dass eine Frau im ersten Wiedereinstiegsjahr nach der Erstgeburt bereits auf eine weitere Geburt zurückblickt. Allerdings dauert die Phase aktueller geburtsbedingter Auszeit in diesem Datensatz selten länger als vier Jahre, sodass mit steigender Auszeitdauer das Alter des jüngsten Kindes im Haushalt tendenziell steigt. 220 Wie Häufigkeitsanalysen im Datensatz zeigen, handelt es sich in über 90 Prozent der Lohnbeobachtungen bei Jahren früherer Auszeit, die länger als zehn Jahre her sind, um geburtsbedingte Auszeitjahre, während sich dieser Anteil bei früheren Auszeitjahren binnen des Zehnjahreszeitraums auf nur rund 54 Prozent beläuft. Zugleich zeigen Einfachregressionen, dass geburtsbedingte frühere Auszeitjahre eine höhere Lohnstrafe generieren als frühere Auszeitjahre insgesamt, wenn sie mehr als zehn Jahre entfernt sind, während es sich mit früheren Auszeitjahren binnen der Zehnjahresfrist umgekehrt verhält. Auf Grund mangelnder statistischer Signifikanz musste jedoch in der Schätzung bezüglich früherer Auszeit auf den Ausweis geburtsbedingter Jahre verzichtet werden. Aus diesen Zusammenhängen ist erklärlich, warum die ausgewiesene Lohnstrafe früherer Auszeit binnen des Zehnjahreszeitraums niedriger ausfällt als jenseits des Zehnjahreszeitraums. 130 Im Fixed Effects-Modell sind die Koeffizienten der drei Interaktionsvariablen im Wesentlichen identisch mit jenen aus Modell (4a), d. h. für den Drittvariableneffekt von Bildung auf den Lohneffekt aktueller durchgängiger Vollzeit macht es keinen Unterschied, ob aktuelle Auszeit weiter untergliedert wird oder nicht. Es wäre interessant gewesen herauszufinden, ob auch die Lohnstrafe aktueller geburtsbedingter Auszeit (berufs-) bildungsabhängig ist. Da die betreffenden Interaktionsvariablen aber auf Grund zu geringer Fallzahlen nicht signifikant waren, wurde auf sie verzichtet. Die übrigen Koeffizienten von Modell (5a) sind nahezu identisch mit Modell (5), sie wurden durch die Hinzunahme der Interaktionsvariablen zu aktueller Vollzeit also nicht verändert. Die Hochschulprämie des Lohnes fällt, wie erwartet, etwas geringer aus als in Modell (5), da ein Teil des Bildungseffektes nicht unmittelbar auf den Lohn wirkt, sondern indirekt über den Lohneinfluss von Erwerbserfahrung. Im Random Effects-Modell weisen die geschätzten Parameter die aus Modell (4a) bekannte Struktur auf: Von aktueller durchgängiger Vollzeit profitieren Frauen ohne berufsbildenden Abschluss sowohl im Random Effectsals auch im Fixed Effects-Modell am stärksten, und die Lohnprämie ist für alle Bildungsniveaus höher als jene von Vollzeit nach Unterbrechung. Teilzeit hat im Random Effects-Modell praktisch keine Lohneffekte, während frühere Teilzeitjahre im Fixed Effects-Modell nach Rückkehr in das Erwerbsleben das Lohnwachstum beschleunigen. Auszeitjahre verjähren nur im Random Effects-Modell, während sie im Fixed Effects-Modell auch nach zehn Jahren noch persistent sind. Arbeitslosigkeit dagegen führt im Random Effects-Modell zu einer Lohnstrafe, während sie sich im Fixed Effects-Modell nach Rückkehr in das Erwerbsleben lohnfördernd auswirkt. 3.2.4.4 Simulationsrelevante Schätzverfahren und Variablensets Was die Schätzverfahren betrifft, kamen nur Modelle mit Selektionskorrektur in Frage, da Modelle ohne dieselbe nachweislich fehlspezifiziert gewesen wären. Pooled OLS schied wegen der Existenz der Individualeffekte als Schätzverfahren aus. Was die Wahl zwischen einem Fixed Effects- und einem Random Effects- Schätzer angeht, hatten beide Verfahren ihre Vor- und Nachteile. Der Random Effects-Schätzer basiert auf der Annahme nicht mit den erklärenden Variablen korrelierter Individualeffekte. Diese Vermutung konnte der Hausman-Test weder stichhaltig benoch widerlegen. Mit dem Random Effects-Schätzer wird eine stärkere Krümmung des Lohnprofils bei durchgängiger Beschäftigung erzielt als mit dem Within-Schätzer, da die Lohninformationen der im Querschnitt vorhandenen hohen Ausprägungsspanne aktueller (durchgängiger) Vollzeit voll ausgebeutet wird. Die im interpersonellen Vergleich ebenfalls hohe Variation in den 131 Ausprägungen der Auszeitvariablen bewirkt, dass auch die Lohnstrafen von Unterbrechungen schneller abschreiben, d. h. die Löhne nach Wiedereinstieg stärker bzw. schneller aufholen als im Fixed Effects-Modell. Beides führt dazu, dass die auf Basis einer Random Effects-Schätzung simulierten Lohnverluste tendenziell unterzeichnet werden. Im Within-Schätzer können Lohnstrafen hingegen kaum verjähren, Lohnprämien zusätzlicher Erfahrung kaum abschmelzen – beides führt dazu, dass die berechneten Lohnverluste eher überschätzt werden: Das Fixed Effects-Modell bildet gewissermaßen die obere, das Random Effects-Modell die untere Grenze des Korridors, in dem sich die tatsächlichen Lohnverluste vermutlich bewegen. Hinsichtlich des Sets der Erwerbserfahrungsvariablen kamen für die im nächsten Schritt anzustellenden Lohnsimulationen grundsätzlich die Variablensets der Gliederungsebenen 3 bis 5, jeweils ohne und mit Interaktionsvariablen, in Betracht. Allerdings rückten an dieser Stelle die Häufigkeitsverteilungen der Variablen im Datensatz in den Vordergrund. In den Schätzungen hatten die Gliederungsebenen dazu gedient, den Informationsfortschritt durch eine sukzessi- ve Verfeinerung der Variablen zu dokumentieren; dabei war es zunächst nicht darauf angekommen, auf welchen zeitlichen Horizont – kurz-, mittel- oder langfristig – sich der belegte Lohneinfluss bezog. Für die Eignung einer Variable – bzw. des betreffenden Parameters – für die Simulationen war nun aber von zentraler Bedeutung, ob sich der Informationsgewinn für den angestrebten Simulationshorizont sinnvoll extrapolieren lässt. Zu guter Letzt wurde daher ein auf den Simulationsrahmen maßgeschneidertes Modell (3/5) ohne Interaktionsvariablen sowie ein Modell (3/5a) mit Interaktionsvariablen sowohl in der Fixed Effectsals auch in der Random Effects-Spezifikation geschätzt, das die Variable mit Geburtsbezug aus Modell (5) sowie einige hinsichtlich ihrer Eignung für die Simulationen unproblematische Variablen aus Modell (4) aufgreift und in Modell (3) integrierte.221 Die Schätzergebnisse zu den Modellen ohne bzw. mit Interaktionsvariablen finden sich in den Tabellen 14 bzw. 15 im Anhang. Erläuterungen zu den Schätzergebnissen von Modell (3/5) gemäß Tabelle 14 im Anhang Bezüglich des Modells (3/5) zeigt sich sowohl für das Fixed-Effects- als auch für das Random-Effects-Modell, dass die Parameter der Ausbildungsvariablen im 221 Genau genommen werden aus Modell (5) die Variable aktuelle geburtsbedingte Auszeit samt quadriertem Term und aus Modell (4) die Variablen aktuelle durchgängige Vollzeit samt Quadrierung, frühere Vollzeit vor Auszeit sowie frühere Vollzeit vor Teilzeit aufgenommen. Aktuelle durchgängige Vollzeit kommt in einer Ausprägungsspanne von 1-35 Jahren in 30 Prozent aller Lohnbeobachtungen vor. Eine frühere Vollzeitperiode vor Auszeit liegt in 44 Prozent aller positiven Lohnbeobachtungen vor, frühere Vollzeit vor Teilzeit immerhin noch in 17 Prozent. 132 Wesentlichen jenen aus den bisherigen Panelschätzungen ähneln.222 Auch bezüglich der Parameter der Erwerbserfahrungsvariablen wiederholen sich die Ergebnisse der vorangegangenen Panelschätzungen: Die separate Lohnprämie durchgängiger aktueller Vollzeit tritt nun noch deutlicher hervor; auch ist sie höher als die Prämie, die ein früheres Teilzeitjahr während einer anschließenden Vollzeitphase generiert.223 Das heißt, auch im simulationsrelevanten Modell (3/5) lohnt sich der Verzicht auf Unterbrechungen der Vollzeittätigkeit. Frühere Vollzeit vor einer Auszeit hat heute einen sehr viel geringeren Lohneinfluss als frühere Vollzeit, der eine Teilzeitperiode nachfolgte. Dies bestätigt die bereits aus den OLS-Ergebnissen bekannten Befunde. Aktuelle Teilzeit wirkt sich wiederum kaum lohnerhöhend aus, während frühere Teilzeit einen starken Restaurationseffekt nach sich zieht. Die Effekte allgemeiner und geburtsbedingter Auszeit stimmen mit den bisherigen Ergebnissen überein: Frauen, die eine Auszeit im zeitlichen Zusammenhang zur Erstgeburt nehmen, erleiden im ersten Wiedereinstiegsjahr einen deutlichen zusätzlichen Lohnabschlag gegenüber Frauen, denen dieser Geburtsbezug fehlt. Dabei schmilzt die Lohnstrafe eines zusätzlichen geburtsbedingten Auszeitjahres mit zunehmender Länge der Auszeit wiederum viel schneller ab als jene eines allgemeinen Auszeitjahres; auch dieser Befund ist bereits bekannt. Auszeit hat jetzt sowohl im Fixed Effectsals auch im Random Effects-Modell eine höhere Lohnstrafe als Arbeitslosigkeit, zumal, wenn es sich um geburtsbedingte Auszeit handelt. Unterschiede zwischen den Modellspezifikationen treten wiederum bei der Verjährung der Lohnstrafen auf: In der Random Effects-Spezifikation verschwindet der Lohnabschlag eines Auszeitjahres mit zunehmender Distanz zur Gegenwart schneller als in der Fixed Effects-Spezifikation. Auch die Parameter der Arbeitslosigkeitsvariablen weisen die bekannten Unterschiede auf. Erläuterungen zu den Schätzergebnissen von Modell (3/5a) gemäß Tabelle 15 im Anhang Entgegen den Ergebnissen aus Modell (3a) ergibt sich in der Random-Effects- Spezifikation des Modells (3/5a) nun mit 4,1 Prozent die höchste Ertragsrate 222 Im Fixed-Effects-Modell wird ein niedriger Schulabschluss im Lohn etwas stärker abgestraft als im vorangegangenen Modell (5), im Random-Effects-Modell sind die Parameter der Ausbildungsvariablen generell etwas schwächer ausdifferenziert als in Modell (5). 223 Im Fixed Effects-Modell wird die Lohnprämie aktueller Vollzeit nach einer Teilzeitunterbrechung vom Koeffizient früherer Teilzeit aufgenommen. Dies liegt daran, dass intrapersonell bei aktueller durchgängiger Vollzeit immer auch aktuelle Vollzeit in gleicher Anzahl von Jahren vorliegt, sodass die letztgenannte Variable im Modell (3/5) keinen eigenständigen Erklärungswert hat. 133 aktueller Vollzeit für Frauen ohne berufsbildenden Abschluss; die Akademikerinnen fallen mit 3,9 Prozent auf Rang zwei zurück. Damit wird das Ergebnis von Modell (4a) im Wesentlichen bestätigt, das hinsichtlich der Variable durchgängige aktuelle Vollzeit zwischen den Bildungstypen unterschied und die Lohnrelevanz des Verzichts auf Unterbrechungen insbesondere für niedrig gebildete Frauen betonte. Bei den Parameterwerten der übrigen Variablen ergeben sich durch die Aufnahme der Interaktionsvariablen weder in der Random Effects-, noch in der Fixed-Effects-Spezifikation nennenswerte Unterschiede zu Modell (3/5). 3.2.5 Zusammenfassung der Schätzergebnisse Die bisher gefundenen Ergebnisse sollen an dieser Stelle zusammengefasst werden, um die Kern-Resultate bezüglich des Lohneinflusses von Erwerbserfahrung und Erwerbsunterbrechungen auf Basis des vorliegenden Datensatzes herauszuarbeiten. Der reale Bruttostundenlohn mit anteiligen Einmalzahlungen wurde auf diverse Sets von Humankapital- und Kontrollvariablen regressiert. Die Humankapitalvariablen setzen sich aus Variablen zur formalen Bildung einerseits und zur Erwerbserfahrung andererseits zusammen. Im Blickpunkt des Interesses stehen die Lohneinflüsse von Erwerbserfahrung, weshalb die hierzu aufgenommenen Variablen von Modell (1) bis Modell (5) sukzessive verfeinert wurden. Die aktuelle Erwerbserfahrung zum Zeitpunkt der Lohninformation wurde mit Stand Vorjahresende konzipiert. Die Schätzungen wurden zunächst als gepoolte Kleinst-Quadrate- Schätzungen (OLS) und später als Panelschätzungen durchgeführt. Bezüglich der OLS-Schätzungen zeigt sich erwartungsgemäß in Modell (1), dass Erwerbserfahrung zu einer Lohnprämie führt, während vergangene Nichtbeschäftigung den heutigen Lohn schmälert. In Modell (2) wurde bezüglich Erwerbserfahrung zwischen Voll- und Teilzeiterfahrung, hinsichtlich Nichtbeschäftigung zwischen Auszeit und Arbeitslosigkeit unterschieden. Es stellt sich heraus, dass sich die Lohnprämie vergangener Beschäftigungsjahre fast ausschließlich auf Vollzeitjahre beschränkt, während Teilzeiterfahrung praktisch keine Lohneffekte hat. Mit Modell (3) wurde zusätzlich zwischen aktueller und früherer Beschäftigung bzw. Nichtbeschäftigung differenziert. Es liefert den Befund, dass die Lohnprämie aktueller Vollzeit fast doppelt so hoch wie jene früherer Vollzeit ist: Unterbrechungen der Beschäftigung führen zu Lohneinbußen. Zugleich wird auf dieser Gliederungsebene deutlich, dass die Lohnstrafen von Unterbrechungen mit der Zeit verjähren. Modell (4) bezieht zusätzlich den biografischen Kontext mit ein, in dem sich eine bestimmte Erwerbs- oder Nichterwerbsphase ereignet. Es zeigt sich, dass durchgängige aktuelle Vollzeit mit höheren Lohnwachstumsraten verbunden ist als aktuelle Vollzeit nach einer Unterbrechung – ein wieder- 134 holter Befund dafür, dass Unterbrechungen lohnschädigend sind. Das während einer früheren Vollzeitphase gebildete Humankapital wird durch eine nachfolgende Auszeitphase stärker entwertet als durch eine nachfolgende Teilzeitphase. Arbeitslosigkeit ist nur als Summenvariable signifikant, was auf die geringen Fallzahlen aktueller Arbeitslosigkeit (Lohninformationen aus dem ersten Wiedereinstiegsjahr nach Arbeitslosigkeit) zurück zu führen ist. Mit Modell (5) wurde der engste Bezug zur untersuchungsleitenden Fragestellung hergestellt: Hinsichtlich der Auszeitvariablen wurde hier danach unterschieden, ob es sich um ein Auszeitjahr im zeitlichen Zusammenhang zur Erstgeburt handelt oder nicht (geburtsbedingte Auszeit). Das Modell liefert den Befund, dass geburtsbedingte aktuelle Auszeit in den OLS-Schätzungen zu einer Lohnstrafe von 14,2 Prozent führt, während aktuelle Auszeit insgesamt nur mit einem Lohnabschlag von 7,2 Prozent verbunden ist. Dies deutet darauf hin, dass für die Entlohnung von Müttern nach Rückkehr in das Erwerbsleben nicht nur humankapitaltheoretische Aspekte, sondern auch arbeitsnachfrageseitige Zuschreibungseffekte sowie eine geschwächte Verhandlungsposition gegenüber dem Arbeitgeber eine Rolle spielen. Mit zunehmender Dauer der Auszeit schmilzt die Lohnstrafe, sofern es sich um geburtsbedingte Auszeit handelt, viel schneller ab, als wenn der Auszeit der Geburtsbezug fehlt. Dieser Befund degressiver Abschreibungsraten auf Humankapital wird herkömmlicherweise als Indiz dafür angesehen, dass während der Auszeit vorwiegend betriebsspezifisches Humankapital entwertet wird, und dass dies bereits in den ersten Auszeitjahren geschieht. Der Befund, dass die Abschreibungsrate vom Geburtsbezug der Auszeit abhängt, legt jedoch eine andere Schlussfolgerung nahe: Für die Entlohnung der Mütter nach ihrer Rückkehr ins Erwerbsleben spielt eher das Alter ihres Kindes eine Rolle als humankapitaltheoretische Aspekte. Höhere Bildungsabschlüsse führen in den gepoolten OLS-Schätzungen durchweg zu höheren Löhnen. Ebenfalls lohnsteigernd wirken sich diverse arbeitsplatzbezogene Merkmale aus, die zudem hochsignifikant sind. So steigt der Lohn mit steigendem Berufsprestige und wachsender Betriebsgröße. Frauen im öffentlichen Dienst verdienen mehr als in der Privatwirtschaft beschäftigte Frauen, Beamtinnen erzielen höhere Löhne als Arbeiterinnen, aber niedrigere Löhne als Angestellte. Auch das negative Vorzeichen der Wochenarbeitsstunden-Variable ist aus anderen Studien bekannt: Vor dem Hintergrund, dass nur rund sieben Prozent der Frauen im Datensatz geringfügig (mit 15 Stunden Wochenarbeitszeit oder weniger) beschäftigt sind, ist dieser Befund vorsichtig als Bruttostundenlohnnachteil einer Arbeitszeiterhöhung in regulärer Beschäftigung zu interpretieren. Der in den OLS-Schätzungen gefundene positive Zusammenhang zwischen der Zahl der Arbeitslosen pro offener Stelle und dem Frauenlohn pro Stunde im Wohnsitz-Bundesland der Frau legt die Vermutung nahe, dass das regionale Arbeits- 135 losenniveau eine Folge zu hoher Löhne ist (klassische Arbeitslosigkeit); allerdings ist die Stellenandrangszahl nur auf höchstens Zehn-Prozent-Niveau signifikant. Da eine ausreichende Signifikanz der geschätzten Parameter für die angestrebten Lohnsimulationen unverzichtbar ist, White-Tests aber das Vorliegen von Heteroskedastizität in den Daten bescheinigen, werden die Koeffizienten der OLS- Schätzungen mit Heteroskedastie-robusten Standardfehlern ausgewiesen (Huber/ White-„Sandwich“-Estimator). Weiterer Korrekturbedarf an den Schätzergebnissen entstand dadurch, dass Löhne nur beobachtbar sind, wenn die Frau beschäftigt ist. Unterscheiden sich beschäftigte von nichtbeschäftigten Frauen jedoch in unbeobachtbaren, lohnrelevanten Merkmalen, sind die prognostizierten Löhne nicht für das gesamte Untersuchungssample repräsentativ. Vergleiche des Durchschnittslohnsatzes der Frauen im Beschäftigungs-Sample mit den durch die fünf OLS-Modelle vorhergesagten durchschnittlichen Lohnsätzen verdeutlichten tatsächlich die Notwendigkeit einer Selektionskorrektur: Durch die Selbsteinwahl der Frauen mit geringerer Einkommenserzielungskapazität in die Gruppe der Nichtbeschäftigten waren die vorhergesagten Löhne nach oben verzerrt. Die Beschäftigungsgleichung wurde als Probit-Modell formuliert, das mit der Maximum Likelihood-Methode geschätzt wird. Im Ergebnis wirken steigende Bildung, Alter und Betriebszugehörigkeit beschäftigungsfördernd, während Nichtbeschäftigungszeiten in der Vergangenheit, kleine Kinder und Pflegebedürftige im Haushalt, das Zusammenleben mit einem Partner wie auch ein hohes Partner- oder Vermögenseinkommen und eine hohe Stellenandrangszahl die Wahrscheinlichkeit, beschäftigt zu sein, reduzieren. Die Beschäftigungswahrscheinlichkeit (Select-Variable) wurde in einem zweiten Schritt als zusätzlicher Regressor in die Lohngleichung imputiert. In den OLS-Schätzungen mit Selektionskorrektur ist die Select-Variable positiv: Frauen mit hoher Beschäftigungswahrscheinlichkeit haben auch höhere Einkommenserzielungschancen als Frauen mit niedrigerer Beschäftigungswahrscheinlichkeit. Dass diese Variable auch einen Teil der unbeobachteten Individualeffekte aufnimmt, erklärt, warum die Koeffizienten der Humankapital-Variablen nun etwas niedriger ausfallen als in den Modellen ohne Selektionskorrektur. Dem Tatbestand, dass nicht nur die Erwerbsbiografie die Höhe der Lohnstrafe, sondern umgekehrt auch die Höhe der (erwarteten) Lohnstrafe die Beschäftigungsneigung beeinflussen kann, wurde indirekt durch die Aufnahme der bisherigen Erwerbserfahrung in Gestalt von drei Regressoren der Beschäftigungsfunktion Rechnung getragen. Die gepoolten OLS-Schätzungen verwenden die Daten, als wären es reine Querschnittsdaten; sie basieren auf der Annahme, dass unbeobachtete, aber lohnrelevante Individualeffekte nicht existieren. Die Beschäftigungswahrscheinlichkeit ist ein solcher Individualeffekt. Auch nach Selektionskorrektur stand aber zu vermuten, dass die erzielten Löhne von weiteren, im Schätzmodell nicht berück- 142 Lohnverlauf dagegen eher linear; die quadrierten Terme aktueller Vollzeit waren hier, sofern überhaupt signifikant, nur schwach negativ. 3. Je enger die Bindung der Person an den Arbeitsmarkt – operationalisiert durch die Wochenarbeitszeit in Stunden –, desto höher ist ceteris paribus die Lohnwachstumsrate. Auch diese Hypothese der Humankapitaltheorie kann als durch die Daten bestätigt gelten: Während einer Teilzeitphase werden kaum Lohnzuwächse erzielt, zum Teil ist das Lohnwachstum sogar leicht negativ. Dies deutet auf die Dominanz des Abschreibungseffektes, mithin negative Nettoinvestitionen in dieser Phase, hin. Da die Motivation der Bildungsteilzeit für die Frauen im Datensatz weitgehend ausgeschlossen werden kann, dürfte die Teilzeitbeschäftigung in den meisten Fällen als nicht transitorisch empfunden werden, so dass ein nachfolgend erfolgender beruflicher Aufstieg schwerlich erwartet werden kann.230 Entsprechend gering sind die Weiterbildungsanreize während der Teilzeitphase. Für den Befund geringer Bildungsinvestitionen in Teilzeit spricht noch ein weiterer, außerhalb der humankapitaltheoretischen Argumentation liegender Aspekt: Das enge Zeitbudget von Teilzeitkräften bietet – auf Grund meist familiärer Einbindung – keine Spielräume für Bildungszeiten. 4. Je gegenwartsnäher eine vergangene Bildungsinvestition erfolgte, desto höher ist das heute hieraus generierte Lohnwachstum. Die Hypothese wird bestätigt durch den im Vergleich mit aktueller Vollzeit niedrigeren Koeffizienten früherer Vollzeit. Da letzterer alle früheren Vollzeitphasen mit mindestens einjährigem Abstand zur Gegenwart erfasst, dürfte die Erfahrungsrendite für gegenwartsnahe frühere Vollzeit allerdings unterzeichnet sein. Während Teilzeitphasen werden offenbar keine nennenswerten Bildungsinvestitionen getätigt (vgl. Hypothese 3); der Koeffizient früherer Teilzeit ist daher zwingend im Zusammenhang mit einer anschließenden Vollzeitphase zu sehen und stellt insofern keine Erfahrungsrendite von Teilzeit, sondern einen Restaurationseffekt des Humankapitals nach Rückkehr zu Vollzeit dar. 5. Der aktuell aus einer in der Vergangenheit getätigten Bildungsinvestition generierte Lohnzuwachs fällt geringer aus, wenn dieser erfolgten Investition eine Phase der Auszeit nachfolgte, als wenn dies nicht der Fall war. Auch diese Hypothese wird durch die Daten bestätigt, und zwar durch den Vergleich der Koeffizienten früherer Vollzeit vor Teilzeit mit dem – niedrigeren – Koeffizienten früher Vollzeit vor Auszeit. 230 Dies folgt aus der Variablenkonzeption (ein Jahr gilt nur als Teilzeitjahr, wenn mindestens sechs Monate in Teilzeit gearbeitet wurden). 143 6. Phasen der Nichterwerbstätigkeit führen zu einem Lohnabschlag bei Wiedereinstieg in die Erwerbstätigkeit, der umso höher ausfällt, je länger die Phase der Nichterwerbstätigkeit andauerte. Diese für die vorliegende Untersuchung zentrale Hypothese wird durch die negativen Werte des linearen Terms der Auszeitvariablen bestätigt, und zwar unabhängig von der gewählten Auszeit-Operationalisierung und dem Schätzverfahren. Der Befund, dass die Lohnstrafe mit zunehmender Auszeit wesentlich schwächer ansteigt, wenn es sich um geburtsbezogene Auszeit handelt, spricht aus humankapitaltheoretischer Sicht für ein unterschiedliches Investitionsverhalten der in Auszeit befindlichen Frauengruppen; alternativ – oder in Kombination hiermit – wäre denkbar, dass Müttern älterer Kinder zum Rückkehrzeitpunkt ein positiver Signaleffekt zugute kommt. 7. Die Lohnstrafe von Nichterwerbstätigkeit nimmt im Zeitablauf ab. Diese Hypothese wird für Phasen der Nichterwerbstätigkeit ohne Arbeitslosenmeldung (Auszeit) stärker bestätigt als für Zeiten der Arbeitslosigkeit: Der negative Koeffizient früherer Arbeitslosigkeit ist höher als jener der früheren Auszeit. Dass die Lohnstrafe von Nichterwerbstätigkeit zwischen den Motiven für dieselbe differiert, deutet auf Wirkungszusammenhänge außerhalb der Humankapitaltheorie hin. So könnten nachhaltige Stigma-Effekte von Arbeitslosigkeit für die längere Wirkungsdauer der Lohnstrafe herangezogen werden. Allerdings kommen zur Erklärung auch Selbstselektionsmechanismen in Frage, die mit der humankapitaltheoretischen Argumentation kompatibel sind. So wäre denkbar, dass arbeitslose Frauen eine geringere subjektive Arbeitsmarktnähe als Mütter empfinden und in ihren Bildungsanstrengungen in der Zeit nach dem Wiedereinstieg in das Erwerbsleben hinter letzteren zurückbleiben. Da der unterbrechungsbedingte Einschnitt im Lohn nur durch nachholende Folgeinvestitionen ausgemerzt werden kann, bleibt die Lohnstrafe bei den vormals arbeitslosen Frauen länger bestehen als bei den Müttern. 8. Eine erwartete Kontinuität der aktuell engen Arbeitsmarktbindung in den verbleibenden Jahren der Erwerbsspanne, operationalisiert durch den erfolgten Wiedereinstieg in eine Vollzeittätigkeit nach abgeschlossener Auszeit- oder Teilzeitphase, stimuliert einen zeitlich befristeten Aufholprozess im Lohn. Auch diese Hypothese wird durch die Daten bestätigt: Der Koeffizient früherer Teilzeit ist unabhängig vom Schätzverfahren signifikant positiv.231 Da die Existenz früherer Teilzeit einen Wechsel des Erwerbsstatus voraussetzt (andernfalls befände man sich weiterhin in aktueller Teilzeit), Lohnzuwächse aber nur in Zeiten der Erwerbstätigkeit vereinnahmt werden können, lässt sich dieser Koeffizientenwert im vorliegenden Datensatz einzig als Restaura- 231 Allerdings ist er im Fixed Effects-Modell höher als im Random Effects-Modell. 144 tionseffekt des Humankapitals in der sich an die Teilzeit anschließenden Vollzeitphase interpretieren. Zusammenfassend bestätigen die Regressionsergebnisse die eingangs aufgestellten humankapitaltheoretisch fundierten Hypothesen. Dies darf allerdings nicht als Beleg für die Gültigkeit der Humankapitaltheorie missverstanden werden. Streng genommen ist denkbar, dass für alle acht empirischen Ergebnisse Faktoren außerhalb der Humankapitaltheorie ursächlich sind. Der Humankapitaltheorie kann daher lediglich zugestanden werden, ein Gedankengerüst zu liefern, das plausible Erklärungen für die gefundenen empirischen Ergebnisse bietet. 145 4 Simulation der Lohneinbußen durch geburtsbedingte Erwerbsunterbrechungen Die Simulation von Lohnverläufen soll Aufschluss über die Wirkungsweise folgender drei Einflussfaktoren auf die Lohneffekte von Erwerbsunterbrechungen geben: • Art und Dauer („Muster“) der Unterbrechung, • Zeitpunkt der Unterbrechung und • Bildungsgrad der Frau. Für jedes dieser drei Kriterien wurden mehrere zu simulierende Alternativen festgelegt. Dabei wurde das Ziel verfolgt, aufbauend auf den Ergebnissen von Abschnitt 3 zu zeigen, wie sich die Lohneinkommen bei Unterstellung gewisser erwerbsbiografischer Verläufe entwickeln. Aus den simulierten Lohn-Alters-Pro- filen war es anschließend möglich, die mit bestimmten Verläufen verbundenen Lohnverluste zu berechnen. Bei der Festlegung der zu simulierenden Alternativen war erstens darauf zu achten, dass diese geeignet sind, den angestrebten Lohneinfluss des jeweiligen Kriteriums zu verdeutlichen; zweitens mussten die simulierten Dauern erwerbsbiografischer Phasen im Datensatz verankert, das heißt, ausreichend häufig vorhanden sein. Zusätzlich galt es, hinsichtlich der neben dem Bildungsgrad bestehenden weiteren personenbezogenen Merkmale geeignete Typisierungen vorzunehmen. In Abschnitt 4.1 wird erläutert, welche hypothetischen Erwerbsverläufe simuliert und nach welchen Kriterien diese ausgewählt wurden. In diesem Zusammenhang wird auch der Berechnungsmodus für die Lohnverluste vorgestellt. Testsimulationen haben ergeben, dass die Höhe der berechneten Lohnverluste – über die oben genannten drei Einflussfaktoren hinaus – zusätzlich auch von gewähltem Variablenset und Schätzverfahren sowie vom Zeithorizont der Simulation bestimmt wird. In Abschnitt 4.2 werden die Ergebnisse dieser Testsimulationen sowie die daraufhin vorgenommenen Eingrenzungen des finalen Simulationsrahmens dargestellt. In Abschnitt 4.3 schließlich werden die finalen Simulationen und deren Ergebnisse vorgestellt. 146 4.1 Simulationsmethodik 4.1.1 Typisierung der Personenmerkmale und der Erwerbsverläufe 4.1.1.1 Bildungsgrad, arbeitsplatzbezogene Merkmale und Beschäftigungswahrscheinlichkeit Die Lohnsimulationen wurden für drei unterschiedliche Bildungsgrade getrennt durchgeführt: Es wurde zwischen Frauen niedriger, mittlerer und hoher Qualifikation unterschieden. Frauen mit niedriger Qualifikation verfügen über keinen berufsbildenden Abschluss, während Frauen mit mittlerer Qualifikation eine Berufsausbildung und Frauen mit hoher Qualifikation ein Hochschulstudium abgeschlossen haben. Für jede dieser drei Qualifikationsstufen liegen im Datensatz unterschiedliche Schulabschlüsse vor; für die Simulation wurde der zum jeweiligen berufsbildenden Abschluss am häufigsten vorkommende Schulabschluss angenommen.232 Bezüglich der arbeitsplatzbezogenen Merkmale zeigt sich, dass in allen drei Qualifikationsgruppen folgende Merkmale dominieren: • Innerhalb der sozialrechtlichen Stellung: die Angestellte, • innerhalb der Branchen: die in Banken, Versicherungen und sonstigen Dienstleistungen tätige Frau, • innerhalb der Firmengröße: die in einem Unternehmen mit 20-199 Mitarbeitern Beschäftigte. Zugleich kommen in jeder der drei Qualifikationsgruppen in der Privatwirtschaft tätige Frauen häufiger vor als im öffentlichen Dienst beschäftigte. Zwar stammen zwischen 86 und 96 Prozent der Lohnbeobachtungen aus der Branchengruppe „Banken/Versicherungen/Sonstige Dienstleistungen“ aus den sonstigen Dienstleistungen233, und diese Frauen sind zu 56 Prozent im öffentlichen Dienst tätig; unter Beachtung der Tatsache, dass in jeder Bildungsgruppe weit weniger als die Hälfte der Lohnbeobachtungen insgesamt aus dem öffentlichen Dienst stammt, wurde dennoch die privatwirtschaftliche Beschäftigung als für die Simulationen maßgeblich angesehen. Die zwischen den Bildungsgruppen herrschenden Unterschiede in der Stellenandrangszahl sind hinsichtlich der Spannweite der Ausprägungen gering, so dass bei dieser Variable der einfache Durchschnitt aus allen positiven Lohnbeobachtungen angenommen wurde. 232 Damit wird der Schulabschluss endogenisiert (aus dem Berufsbildungsabschluss heraus erklärt), was aber insofern kein Problem darstellt als dass der Schulabschluss dem Berufsabschluss in der Regel zeitlich vorangeht. 233 Hierunter fallen alle Lehr- und erzieherischen Berufe. 147 Lediglich bezüglich des Berufsprestiges und hinsichtlich der Beschäftigungswahrscheinlichkeit (Select-Variable) gibt es deutliche Unterschiede zwischen den drei Gruppen. Bezüglich des Berufsprestiges wurde der zu der jeweiligen Schul-/Berufsabschluss-Kombination passende Prestige-Mittelwert angesetzt. Damit wird auch das Berufsprestige als aus dem Berufsbildungsabschluss hergeleitete Größe angesehen, was der hohen positiven Korrelation dieser beiden Variablen im Datensatz entspricht. Für die Select-Variable wird das qualifikationsspezifische Mittel der (allgemeinen) Beschäftigungswahrscheinlichkeit angesetzt. Tabelle 20 im Anhang stellt eine Übersicht über die in den Simulationen verwendeten typisierenden arbeitsplatzbezogenen Merkmale und der Beschäftigungswahrscheinlichkeit pro Bildungstyp dar. Insbesondere die Festsetzungen der arbeitsplatzbezogenen Merkmale und der Beschäftigungswahrscheinlichkeit für die Simulationen unterliegen vereinfachten Annahmen, die die Simulationsergebnisse – die Höhe der berechneten Lohneinbußen – beeinflussen dürften. Daher soll auf diese vereinfachten Annahmen im Folgenden kurz eingegangen werden, bevor mit Abschnitt 4.1.1.2 mit der Absteckung des Simulationsrahmens fortgefahren wird. Wie in Kapitel 3.2.2 bereits erwähnt, erfasst die Select-Variable lediglich die Wahrscheinlichkeit, überhaupt abhängig beschäftigt zu sein. Sie wurde als ausschließlich von sozio-ökonomischen Variablen abhängig modelliert, das heißt, arbeitsplatzbezogene Merkmale des letzten Jobs wurden nicht berücksichtigt. Auch wurde nicht zwischen einer Erstbeschäftigung und einer Wiederbeschäftigung nach Erwerbsunterbrechung unterschieden. Da diese Unterscheidung sinnvollerweise nur intrapersonell vorgenommen werden kann, um eine Verzerrung durch unbeobachtete Individualeffekte zu vermeiden, hätte dies die Teilung des Samples in durchgängig beschäftigte Frauen und Unterbrechungsfrauen erfordert, worauf auf Grund zu geringer Fallzahlen verzichtet wurde. In den Simulationen wurde das Mittel der bildungsspezifischen Select-Variable jeweils für die gesamte zu simulierende Erwerbsspanne verwendet: Die Akademikerin hat annahmegemäß nach der Unterbrechung dieselbe Beschäftigungswahrscheinlichkeit wie zuvor, Gleiches gilt für die beiden anderen Bildungsgruppen. Durch diese vereinfachte Annahme werden die berechneten Lohneinbußen tendenziell zu niedrig ausgewiesen. Darüber hinaus wird mittels der Select-Variable erst recht nicht die Beschäftigungswahrscheinlichkeit in einem bestimmten Beruf abgebildet. Die Regressionskoeffizienten erfassen den Einfluss einer Variable unter Kontrolle aller übrigen Variablen; die Veränderung der Erwerbserfahrung wird demnach unter Konstanthaltung aller übrigen Einflussfaktoren, unter anderem des beruflichen Prestiges, der Branche, Betriebsgröße usw., ermittelt. Die Verwendung der ermittelten 148 Regressionskoeffizienten in der Simulation impliziert demzufolge, dass die Einkommensveränderungen auf Grund veränderter Erwerbserfahrung unter Beibehaltung aller sonstigen, insbesondere der arbeitsplatzbezogenen lohnrelevanten Merkmale, berechnet wurden. So wurde, wie eben gesagt, beispielsweise für das berufliche Prestige ein bildungsspezifischer, aber über die gesamte Erwerbsspanne konstanter Wert angenommen: In den Simulationen ist weder der durchgängig beschäftigten Frau ein beruflicher Aufstieg, noch der Unterbrechungsfrau ein beruflicher Abstieg möglich. Dies ist eine weiter gehende vereinfachte Annahme, die tendenziell zu einer Unterschätzung der Einkommen der Referenzfrauen und gleichzeitig zu einer Überschätzung der Einkommen der Unterbrechungsfrauen nach deren Wiedereinstieg führt. Schon aus diesem Grund sind die im Folgenden berechneten Lohnstrafen als vorsichtige Schätzungen zu begreifen. Im Gegensatz zur Entscheidung über das formale Ausbildungsniveau, die mit zeitlichem Vorlauf zur Arbeitsplatzwahl getroffen wird, steht die berufliche Prestige-Variable außerdem unter dem Verdacht, endogen durch den (erwarteten) Lohnsatz bestimmt zu werden: Es ist plausibel, dass Personen, die über eine hohe formale Ausbildung – und damit über eine hohe Einkommenserzielungskapazität – verfügen, sich selbst in Berufe einwählen, in denen hohe Einkommen erzielbar sind, und das Berufsprestige von Wegener kennzeichnet Ansehen und Einkommenspotenzial der Tätigkeit. Auch von dieser möglichen berufsspezifischen Selbstselektions-Verzerrung soll hier abgesehen werden. Denn hierzu wäre es notwendig, nicht nur die Erwerbsbeteiligung, sondern auch das Job-Matching von späteren Müttern vor und nach Eintreten der Erstgeburt zu untersuchen – eine Vorgehensweise, die mangels ausreichender Häufigkeiten der entsprechenden Subsamples im Datensatz nicht verfolgt werden konnte. Schätzt man Modell (3/5) ohne arbeitsplatz- und arbeitsmarktbezogene Kontrollvariablen, fällt – wie Tabelle 16 im Anhang zeigt – die Lohnstrafe geburtsbedingter Auszeit (und übrigens auch von Arbeitslosigkeit) geringfügig höher aus als im Modell mit Kontrollvariablen. Auch die Lohnprämie von Teilzeiterfahrung ist im erstgenannten Modell etwas höher, wohingegen sich bei Vollzeiterfahrung kaum Unterschiede zeigen. Eine vorsichtige Interpretation dieses Befundes wäre, dass ein Teil der Lohnstrafe bei Wiedereinstieg nach Auszeit aus dem verschlechterten Job-Matching stammt. Wollte man die Regressionskoeffizienten aus der Schätzung ohne Kontrollvariablen als Basis für die Lohnsimulationen verwenden, implizierte dies, die konkreten Umstände der Wiederbeschäftigung – Art der Tätigkeit, sozialrechtliche Stellung, Merkmale des Arbeitgebers etc. – vollständig „im Dunkeln zu lassen“. Dem Vorteil, das Risiko des verschlechterten Job-Matchings in Gestalt der (diese interessanten Informationen beinhaltenden) Erfahrungsvariablen abzubilden, steht der Nachteil des Informationsverlustes gegenüber. Daher wird dieser 149 Vorgehensweise hier nicht gefolgt. Indem stattdessen Lohnverluste unter der expliziten Annahme der – mit Ausnahme der Erwerbserfahrung – unveränderten lohnrelevanten Umstände berechnet werden, werden die im Datensatz vorhandenen Informationen weitgehend ausgebeutet, und zugleich wird die „offene Flanke“ dieser Rechnung – die Wahrscheinlichkeit, bei Wiedereintritt genau diese unveränderten Umstände wieder anzutreffen – offengelegt. Ein Hinweis auf die Bedeutung der Arbeitsplatzmerkmale, speziell: des Berufsprestiges, für die Höhe der Lohnstrafe beruflicher Auszeiten ergibt sich aus den Ergebnissen einer Schätzung mit entsprechenden Interaktionsvariablen. Sortiert man die Ausprägungen des beruflichen Prestiges in drei Kategorien ein – in ein Segment niedrigen, mittleren und hohen Prestiges – und generiert man anschließend für jedes Segment einen Interaktionsterm mit der Variable aktuelle Auszeitjahre, lässt sich die Höhe der Lohnstrafe von Auszeit im ersten Wiedereinstiegsjahr nach Unterbrechung in Abhängigkeit von der Prestige-Kategorie der Tätigkeit ermitteln.234, 235 Die Schätzergebnisse in Tabelle 17 im Anhang offenbaren, dass Frauen in Berufen mit hohem Prestige mit rund 2,4 Prozent Lohnabschlag pro Auszeitjahr überdurchschnittlich hohe Lohnstrafen erleiden; die Lohnstrafe eines solchen Jahres ohne Berücksichtung von Drittvariableneffekten beträgt lediglich rund 1,6 Prozent und liegt damit in etwa gleichauf mit der Lohnstrafe, die in Berufen mit niedrigem Prestige erzielt werden.236 Allerdings teilt das Schätzmodell mit allen übrigen, Interaktionsterme enthaltenden Modellen den Nachteil geringer Fallzahlen, da die zusätzliche Differenzierung der Beobachtungen aktueller Auszeit nach beruflichem Prestige das Problem ohnehin geringer Häufigkeiten in der fraglichen Auszeitvariable zusätzlich verschärft (vgl. Abschnitt 4.2.3.1 weiter unten). Dass die Lohnstrafe der Auszeit im Hoch-Prestige-Segment nicht einmal auf Zehn-Prozent-Niveau signifikant ist, dürfte auch von der geringen durchschnittlichen Dauer der Auszeitphasen bei hohem Prestige-Status von knapp zwei Jahren herrühren, wohingegen die mittlere Auszeitspanne in Berufen mit mittlerem (bzw. niedrigen) Prestige gut drei (bzw. fast fünf) Jahre umfasst. Einen Hinweis auf die Abhängigkeit des Job-Matchings von der Geburtenbiografie der Frau liefern Analysen des biografischen Einflusses auf prestigespezifi- 234 Als Beruf mit geringem (mittlerem) Prestige werden dabei all jene Beschäftigungen mit einem Prestigewert von weniger als 55 (mehr als 55, aber unter 80), als Beruf mit hohem Prestige alle Beschäftigungen mit einem Prestigewert von über 80 festgesetzt. 235 Die Schätzgleichung entspricht – mit Ausnahme der verwendeten Interaktionsterme – jener des Modells (3a). Die Berücksichtigung geburtsbedingter aktueller Auszeit (Modell 3/5a) im Interaktionsterm scheiterte an zu geringen Fallzahlen. 236 Die Lohnstrafe in Tätigkeiten mittleren Prestiges liegt mit 1,5 Prozent geringfügig unter der letztgenannten Lohnstrafe. 150 sche Erwerbswahrscheinlichkeiten. Bei diesen Analysen wurde wie folgt vorgegangen: Zunächst war die endogene Variable der Beschäftigungsfunktion als Erwerbsstatus in einem Beruf mit geringem, mittlerem bzw. hohem Prestige zu konzipieren. Die dergestalt gebildeten drei endogenen Variablen wurden fortan auf die bereits in der zuvor dargestellten Beschäftigungsgleichung verwendeten Variablen regressiert. Die Regressionsergebnisse sind in Tabelle 18 im Anhang ausgewiesen: Die Existenz von Auszeitjahren im Erwerbsverlauf reduziert die Wahrscheinlichkeit, eine Tätigkeit mit geringem Prestige auszuüben, deutlich stärker als die Wahrscheinlichkeit, Tätigkeiten mit hohem oder gar mit mittlerem Prestige auszuüben. Die Existenz eines Kindes unter einem Jahr im Haushalt reduziert die Beschäftigungswahrscheinlichkeit umso stärker, je geringer das Prestige der Tätigkeit ist. Dies zeigt, dass Akademikerinnen von allen drei Bildungsgruppen am wenigsten geneigt sind, wegen der Geburt eines Kindes die Beschäftigung aufzugeben.237 Die prognostizierte mittlere Beschäftigungswahrscheinlichkeit der Frauen im Datensatz in einem gegebenen Prestige-Segment lässt sich als einfacher Durchschnitt der (auf Basis der Schätzung) vorhergesagten Werte berechnen. Die Ergebnisse entsprechender Berechnungen fasst Tabelle 19 im Anhang zusammen. Sie zeigen, dass die prognostizierte mittlere Beschäftigungswahrscheinlichkeit – über alle Bildungsniveaus der Frauen hinweg – in einem Hoch-Prestige-Job am geringsten und in Berufen mit mittlerem Prestige am höchsten ist. Berücksichtigt man dagegen die Bildungsniveaus, steigt die Beschäftigungswahrscheinlichkeit über alle Prestigewerte – aber besonders stark für prestigeträchtige Berufe – mit dem Bildungsgrad der Frau an.238 Im Ergebnis hat die Akademikerin die höchste Beschäftigungswahrscheinlichkeit in Berufen mit hohem, die Frau mit Lehre in Berufen mit mittlerem und die Frau ohne abgeschlossene Berufsausbildung in Berufen mit niedrigem Prestige. Tabelle 19 gibt auch Aufschluss darüber, wie sich diese Beschäftigungswahrscheinlichkeiten verändern, wenn zusätzlich zwischen einer durchgängigen Erwerbstätigkeit (Summe der Auszeitjahre gleich Null) und einer unterbrochenen Erwerbstätigkeit (mindestens ein Auszeitjahr) unterschieden wird:239 Die mittlere 237 Allerdings ist der Marginaleffekt für die Akademikerin hier nicht signifikant, was auf die geringen Fallzahlen von Auszeitjahren unter den Akademikerinnen im Datensatz zurückgeführt werden kann. 238 Einzige Ausnahme: Die Frau mittlerer Bildung hat im mittleren Segment eine höhere Beschäftigungswahrscheinlichkeit als die Akademikerin. 239 Die Variable Summe Auszeitjahre beschreibt – im Gegensatz zur Variable Summe aktueller Auszeitjahre – über den kurzfristigen Effekt hinaus auch die längerfristigen Effekte biografischer Entscheidungen auf die hier interessierende Beschäftigungswahrscheinlichkeit, da die insgesamt realisierte Auszeitspanne als erwerbsbiografisches Merkmal über den Erwerbsverlauf hinweg bestehen bleibt. 151 vorhergesagte Beschäftigungswahrscheinlichkeit fällt für alle drei Prestige-Seg- mente höher aus, wenn eine durchgängige Beschäftigung vorliegt, allerdings ist der Unterschied für mittlere Prestigewerte geringer als für die beiden übrigen Segmente. Sind Auszeitjahre zu verzeichnen, fällt die Wahrscheinlichkeit der Beschäftigung im niedrigen Prestige-Segment am stärksten ab: Die Wahrscheinlichkeit für Frauen ohne berufsbildenden Abschluss, im Niedrig-Prestige- Segement abhängig beschäftigt zu sein, ist um rund 15 Prozent geringer, wenn diese Frauen auf eine Auszeitspanne in ihrer Biografie zurückblicken, als wenn das nicht der Fall ist. Nach wie vor haben Frauen höherer Bildungsabschlüsse eine höhere Beschäftigungswahrscheinlichkeit im Niedrig-Prestigesegment – auch, wenn sie ebenfalls auf eine Auszeitspanne zurückblicken. Der Wechsel von einer Auszeit-freien zu einer unterbrochenen Erwerbsbiografie reduziert ebenfalls die Wahrscheinlichkeit der Akademikerinnen, im Hoch-Prestige-Segement beschäftigt zu sein, und zwar um rund 8 Prozent. Allerdings bleiben die akademisch gebildeten Frauen unter allen Unterbrechungsfrauen die Bildungsgruppe mit der höchsten Beschäftigungswahrscheinlichkeit im Hoch-Prestige-Segement. Die geringsten Schwierigkeiten, an zuvor erreichte Prestigewerte bei Wiedereinstieg anzuknüpfen, ergeben sich für Tätigkeiten mit mittleren Prestigewerten: Jene Frauen, die mit abgeschlossener Lehre auf eine Auszeitspanne zurückblicken, haben eine um (gegenüber gleich gebildeten durchgängig beschäftigten Frauen) lediglich rund 4 Prozent reduzierte Wahrscheinlichkeit, in diesem Segment beschäftigt zu sein. Zugleich haben sie auch im Bildungsgruppen-Vergleich die höchste Wahrscheinlichkeit unter allen Unterbrechungsfrauen, im mittleren Prestige-Segment beschäftigt zu sein. Unter den Unterbrechungsfrauen ist der Vorsprung der mittel Qualifizierten gegenüber der Akademikerin hinsichtlich der Wahrscheinlichkeit, im mittleren Segment beschäftigt zu sein, größer als dies beim Vergleich der Gesamtgruppe der Frauen mittlerer Bildung mit jener der Akademikerinnen der Fall ist. Insgesamt lässt sich hieraus die Schlussfolgerung ableiten, dass Frauen mit abgeschlossener Lehre eher weniger bedroht sind, bei Wiedereinstieg einen Prestigeverlust hinnehmen zu müssen als dies bei Frauen mit niedriger oder hoher Bildung der Fall ist. Dass die Lohnstrafe in Hoch-Prestige-Jobs am höchsten ist, erklärt, warum Auszeiten in dieser Prestige-Gruppe weit seltener vorkommen als in Tätigkeiten niedrigen Prestiges. Die Ergebnisse der Analysen lassen sich in vier Punkten zusammen fassen: 1. Die Lohnstrafe von Auszeit gewinnt leicht an Bedeutung, wenn der Lohneinfluss arbeitsplatzbezogener Merkmale in der Schätzung nicht kontrolliert wird. Ein Teil der Lohnstrafe stammt demnach aus einem verschlechterten Job-Matching bei Wiedereinstieg. 254 Tabelle 12: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5) (Forts.) Erklärte Variable: Feste Effekte (u_i ) Koeffizient+ Erklärende Variable Fixed Effects-Hilfsschätzung+ Schul- und Berufsausbildung niedriger Schulabschluss -0.162 (0.017)*** Hochschulreife 0.080 (0.022)*** kein Berufsabschluss -0.101 (0.023)*** Hochschulabschluss 0.180 (0.029)*** Kontrollvariablen Land- und Forstwirtschaft -0.368 (0.092)*** Bergbau und Energie 0.151 (0.098) Baugewerbe -0.294 (0.054)*** Handel -0.286 (0.025)*** Transportwesen und Verkehr -0.187 (0.050)*** Banken, Versicherungen, sonstige Dienstleistungen -0.157 (0.021)*** Öffentlicher Dienst 0.058 (0.019)*** Berufsprestige 0.001 (0.000)*** Beamtin 0.053 (0.038) Angestellte 0.068 (0.023)*** Betrieb mit 20-199 Mitarbeitern 0.034 (0.021) Betrieb mit 200-1999 Mitarbeitern 0.109 (0.025)*** Betrieb mit 2000 oder mehr Mitarbeitern 0.158 (0.025)*** Stellenandrangszahl -0.004 (0.001)*** _______________ Beobachtungszahl 3255 F-Statistik (in Klammern: Anzahl erklärender Variablen, Freiheitsgrade): F(18, 3237) = 55.37 Prob > F = 0.0000 R2 = 0.2354 Korrigiertes R2 = 0.2312 Root MSE = 0.40436 + Konstante wurde unterdrückt, da feste Effekte im Mittel gleich Null sind; Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 255 Tabelle 13: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5a) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Koeffizient+ Erklärende Variable Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung __________________________________________________________________________________________ Schul- und Berufsausbildung niedriger Schulabschluss 0.000 -0.094 (0.000) (0.028)*** Hochschulreife 0.000 0.130 (0.000) (0.033)*** kein Berufsabschluss 0.000 -0.069 (0.000) (0.036)* Hochschulabschluss 0.000 0.167 (0.000) (0.045)*** Erwerbserfahrung aktuelle durchgängige Vollzeit ohne Berufsabschluss 0.047 0.055 (0.027)* (0.016)*** Aktuelle durchgängige Vollzeit, ohne Berufsabschluss, quadriert/100 -0.022 -0.147 (0.001) (0.001)** aktuelle durchgängige Vollzeit mit mittlerem Berufsabschluss 0.035 0.036 (0.009)*** (0.005)*** Aktuelle durchgängige Vollzeit, mit mittlerem Berufsabschluss, quadriert -0.001 -0.001 (0.000) (0.000)*** aktuelle durchgängige Vollzeit mit Hochschulabschluss 0.040 0.044 (0.018)** (0.012)*** aktuelle durchgängige Vollzeit mit Hochschulabschluss, quadriert/100 -0.003 -0.142 (0.001) (0.001)** aktuelle Vollzeit nach Aus- oder Teilzeit 0.011 0.018 (0.006) (0.003)*** aktuelle Vollzeit nach Teilzeit -0.020 -0.007 (0.010)** (0.005) frühere Vollzeit 0.009 0.015 (0.006) (0.002)*** aktuelle Teilzeit 0.011 -0.007 (0.006)* (0.003)** frühere Teilzeit 0.034 0.007 (0.007)*** (0.003)*** aktuelle Auszeit -0.029 -0.042 (0.020) (0.016)*** aktuelle Auszeit, quadriert 0.002 0.002 (0.001) (0.001)** aktuelle geburtsbedingte Auszeit -0.067 -0.095 (0.044) (0.038)** aktuelle geburtsbedingte Auszeit, quadriert 0.012 0.021 (0.007)* (0.006)*** frühere Auszeit binnen Zehnjahresfrist -0.036 -0.021 (0.035) (0.005)*** 256 Tabelle 13: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5a) (Forts.) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Koeffizient+ Erklärende Variable Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung __________________________________________________________________________________________ frühere Auszeit vor Zehnjahresfrist -0.041 0.002 (0.036) (0.003) aktuelle Arbeitslosigkeit -0.009 -0.056 (0.063) (0.024)** frühere Arbeitslosigkeit 0.108 -0.016 (0.064)* (0.012) Kontrollvariablen Land- und Forstwirtschaft -0.110 (0.098) Bergbau und Energie 0.050 (0.096) Baugewerbe -0.066 (0.055) Handel -0.127 (0.028)*** Transportwesen und Verkehr -0.111 (0.055)** Banken, Versicherungen, sonstige Dienstleistungen -0.028 (0.025) Öffentlicher Dienst 0.054 (0.021)*** Berufsprestige 0.002 (0.000)*** Beamtin 0.112 (0.047)** Angestellte 0.145 (0.023)*** Betrieb mit 20-199 Mitarbeitern 0.103 (0.023)*** Betrieb mit 200-1999 Mitarbeitern 0.168 (0.028)*** Betrieb mit 2000 oder mehr Mitarbeitern 0.178 (0.028)*** Wochenarbeitsstunden -0.019 -0.014 (0.001)*** (0.001)*** Stellenandrangszahl 0.002 (0.001) Select 0.043 0.046 (0.015)*** (0.012)*** Konstante 2.991 2.418 (0.126)*** (0.056)*** _______________ Beobachtungszahl 3255 3255 Personenzahl 1038 1038 257 Tabelle 13: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5a) (Forts.) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung Beobachtungszahl pro Person: min = 1 1 avg = 3.1 3.1 max = 5 5 R2: within = 0.1730 0.1431 between = 0.0176 0.3800 overall = 0.0280 0.3685 Random effects u_i ~ Gaussian corr(u_i, Xb) = -0.5151 corr(u_i, X) = 0 (assumed) F(21,2196 ) = 21.87; Wald chi2(39) = 1006.68; Prob > F = 0.0000 Prob > chi2 = 0.0000 Test auf Nichtexistenz der Individualeffekte F(1037, 2196) = 7.96; (H0: all u_i=0): Prob > F = 0.0000 LM Test-Statistik (H0: Var(u) = 0) : chi2(1) = 942.11; Prob > chi2 = 0.0000 Hausman Test-Statistik (H0: difference in coefficients not systematic): chi2(35) =199.55; Prob > chi2 = 0.0000 Varianzkomponenten++: sigma_u = .50155726 .50155726 sigma_e = .20801157 .20801157 rho+++ (fraction of variance due to u_i) = .85324073 .85324073 +Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; ++ sigma_u=Schätzwert des Standardfehlers von u (Individualeffekt), sigma_e=Schätzwert des Standardfehlers des „white noise“-Störterms der Einkommensgleichung (e); +++rho= Anteil der den Individualeffekten zuzuschreibenden Varianz; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 258 Tabelle 13: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, Gliederungsebene 5 (Modell 5a) (Forts.) Erklärte Variable: Feste Effekte (u_i ) Koeffizient+ Erklärende Variable Fixed Effects-Hilfsschätzung+ Schul- und Berufsausbildung niedriger Schulabschluss -0.154 (0.017)*** Hochschulreife 0.083 (0.023)*** kein Berufsabschluss -0.146 (0.023)*** Hochschulabschluss 0.154 (0.029)*** Kontrollvariablen Land- und Forstwirtschaft -0.382 (0.093)*** Bergbau und Energie 0.155 (0.099) Baugewerbe -0.291 (0.054)*** Handel -0.284 (0.025)*** Transportwesen und Verkehr -0.187 (0.051)*** Banken, Versicherungen, sonstige Dienstleistungen -0.153 (0.021)*** Öffentlicher Dienst 0.053 (0.019)*** Berufsprestige 0.001 (0.000)*** Beamtin 0.040 (0.039) Angestellte 0.061 (0.023)*** Betrieb mit 20-199 Mitarbeitern 0.042 (0.022)* Betrieb mit 200-1999 Mitarbeitern 0.118 (0.026)*** Betrieb mit 2000 oder mehr Mitarbeitern 0.164 (0.025)*** Stellenandrangszahl -0.004 (0.001)*** Beobachtungszahl 3255 F-Statistik (in Klammern: Anzahl erklärender Variablen, Freiheitsgrade): F( 18, 3237) = 52.47 Prob > F = 0.0000 R2 = 0.2259 Korrigiertes R2 = 0.2216 Root MSE = .40902 + Konstante wurde unterdrückt, da feste Effekte im Mittel Null sind; Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 259 Tabelle 14: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Koeffizient+ Erklärende Variable Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung __________________________________________________________________________________________ Schul- und Berufsausbildung niedriger Schulabschluss 0.000 -0.089 (0.000) (0.028)*** Hochschulreife 0.000 0.121 (0.000) (0.033)*** kein Berufsabschluss 0.000 -0.062 (0.000) (0.034)* Hochschulabschluss 0.000 0.163 (0.000) (0.043)*** Erwerbserfahrung aktuelle Vollzeit -0.004 0.028 (0.008) (0.006)*** aktuelle Vollzeit, quadriert/100 0.060 -0.046 (0.000) (0.000)* aktuelle durchgängige Vollzeit 0.039 0.015 (0.011)*** (0.007)** aktuelle durchgängige Vollzeit, quadriert/100 -0.100 -0.048 (0.001)** (0.000) frühere Vollzeit vor Auszeit -0.005 0.008 (0.007) (0.002)*** frühere Vollzeit vor Teilzeit 0.011 0.016 (0.006)** (0.003)*** aktuelle Teilzeit 0.009 -0.003 (0.005) (0.003) frühere Teilzeit 0.032 0.010 (0.006)*** (0.003)*** aktuelle Auszeit -0.038 -0.047 (0.040) (0.016)*** aktuelle Auszeit, quadriert 0.001 0.002 (0.001) (0.001)** aktuelle geburtsbedingte Auszeit -0.055 -0.076 (0.044) (0.038)** aktuelle geburtsbedingte Auszeit, quadriert 0.010 0.018 (0.007) (0.006)*** frühere Auszeit -0.021 -0.004 (0.038) (0.003) aktuelle Arbeitslosigkeit 0.019 -0.045 (0.067) (0.024)* frühere Arbeitslosigkeit 0.136 -0.016 (0.066)** (0.012) Kontrollvariablen Land- und Forstwirtschaft -0.108 (0.098) Bergbau und Energie 0.054 (0.096) Baugewerbe -0.064 (0.055) 260 Tabelle 14: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5) (Forts.) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Koeffizient+ Erklärende Variable Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung __________________________________________________________________________________________ Handel -0.127 (0.028)*** Transportwesen und Verkehr -0.108 (0.055)** Banken, Versicherungen, sonstige Dienstleistungen -0.021 (0.025) Öffentlicher Dienst 0.053 (0.021)** Berufsprestige 0.002 (0.000)*** Beamtin 0.121 (0.047)** Angestellte 0.149 (0.023)*** Betrieb mit 20-199 Mitarbeitern 0.110 (0.023)*** Betrieb mit 200-1999 Mitarbeitern 0.172 (0.028)*** Betrieb mit 2000 oder mehr Mitarbeitern 0.186 (0.028)*** Wochenarbeitsstunden -0.019 -0.014 (0.001)*** (0.001)*** Stellenandrangszahl 0.002 (0.001) Select 0.040 0.042 (0.016)** (0.013)*** Konstante 2.976 2.390 (0.130)*** (0.055)*** _______________ Beobachtungszahl 3255 3255 Personenzahl 1038 1038 Beobachtungszahl pro Person: min = 1 1 avg = 3.1 3.1 max = 5 5 R2: within = 0.1728 0.1394 between = 0.0061 0.3755 overall = 0.0188 0.3582 Random effects u_i ~ Gaussian corr(u_i, Xb) = -0.4847 corr(u_i, X) = 0 (assumed) F(17,2200 ) = 27.03; Wald chi2(35) = 982.97; Prob > F = 0.0000 Prob > chi2 = 0.0000 Test auf Nichtexistenz der Individualeffekte F(1037, 2200) = 8.12; (H0: all u_i=0): Prob > F = 0.0000 LM Test-Statistik (H0: Var(u) = 0) : chi2(1) = 990.29 ; Prob > chi2 = 0.0000 Hausman Test-Statistik (H0: difference in coefficients not systematic): chi2(31) = 217.05; Prob > chi2 = 0.0000 261 Tabelle 14: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5) (Forts.) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung Varianzkomponenten++: sigma_u = .50226257 .310134 sigma_e = .20784898 .20756475 rho+++ (fraction of variance due to u_i) = .85378765 .69064196 +Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; ++ sigma_u=Schätzwert des Standardfehlers des Individualeffektes, sigma_e=Schätzwert des Standardfehlers des „white noise“-Störterms der Einkommensgleichung; +++rho= Anteil der den Individualeffekten zuzuschreibenden Varianz; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 262 Tabelle 14: Panelschätzungen der Lohngleichung mit Selektionskorrektur, ohne Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5) (Forts.) Erklärte Variable: Feste Effekte (u_i ) Koeffizient+ Erklärende Variable Fixed Effects-Hilfsschätzung+ Schul- und Berufsausbildung niedriger Schulabschluss -0.191 (0.016)*** Hochschulreife 0.079 (0.021)*** kein Berufsabschluss -0.099 (0.022)*** Hochschulabschluss 0.162 (0.028)*** Kontrollvariablen Land- und Forstwirtschaft -0.337 (0.089)*** Bergbau und Energie 0.120 (0.094) Baugewerbe -0.314 (0.052)*** Handel -0.310 (0.024)*** Transportwesen und Verkehr -0.211 (0.049)*** Banken, Versicherungen, sonstige Dienstleistungen -0.178 (0.020)*** Öffentlicher Dienst 0.051 (0.019)*** Berufsprestige 0.001 (0.000)*** Beamtin 0.118 (0.037)*** Angestellte 0.105 (0.022)*** Betrieb mit 20-199 Mitarbeitern 0.026 (0.021) Betrieb mit 200-1999 Mitarbeitern 0.093 (0.025)*** Betrieb mit 2000 oder mehr Mitarbeitern 0.157 (0.024)*** Stellenandrangszahl -0.005 (0.001)*** ______________ Beobachtungszahl 3255 F-Statistik (in Klammern: Anzahl erklärender Variablen, Freiheitsgrade): F(18, 3237) = 68.70 Prob > F = 0.0000 R2 = 0.2764 Korrigiertes R2 = 0.2724 Root MSE = .38966 + Konstante wurde unterdrückt, da feste Effekte im Mittel gleich Null; Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 263 Tabelle 15: Panelschätzungen der Lohngleichung mit Selektionskorrektur, unter Hinzufügung von Interaktionsvariablen, integriertes Modell der Gliederungsebenen 3-5 (Modell 3/5a) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Koeffizient+ Erklärende Variable Fixed Effects- GLS Random Effects- Hauptschätzung Schätzung __________________________________________________________________________________________ Schul- und Berufsausbildung niedriger Schulabschluss 0.000 -0.091 (0.000) (0.028)*** Hochschulreife 0.000 0.122 (0.000) (0.033)*** kein Berufsabschluss 0.000 -0.079 (0.000) (0.039)** Hochschulabschluss 0.000 0.148 0.000 (0.047)*** Erwerbserfahrung aktuelle Vollzeit ohne Berufsabschluss -0.002 0.041 (0.016) (0.011)*** aktuelle Vollzeit ohne Berufsabschluss, quadr. 0.001 -0.001 0.001 (0.000)** aktuelle Vollzeit mit mittlerem Berufsabschluss -0.009 0.025 (0.009) (0.006)*** aktuelle Vollzeit mit mittlerem Berufsabschluss, quadr. 0.001 -0.000 (0.000)* (0.000) aktuelle Vollzeit mit Hochschulabschluss 0.008 0.039 (0.016) (0.011)*** aktuelle Vollzeit mit Hochschulabschl., quadr./100 0.045 -0.125 (0.001) (0.001)** aktuelle durchgängige Vollzeit 0.040 0.015 (0.011)*** (0.007)** aktuelle durchgängige Vollzeit, quadriert -0.001 -0.000 (0.001)** (0.000) frühere Vollzeit vor Auszeit -0.003 0.008 (0.007) (0.002)*** frühere Vollzeit vor Teilzeit 0.009 0.016 (0.006) (0.003)*** aktuelle Teilzeit 0.009 -0.003 (0.005)* (0.003) frühere Teilzeit 0.032 0.010 (0.006)*** (0.003)*** aktuelle Auszeit -0.044 -0.047 (0.041) (0.016)*** aktuelle Auszeit, quadriert 0.001 0.002 (0.001) (0.001)** aktuelle geburtsbedingte Auszeit -0.056 -0.077 (0.044) (0.038)** aktuelle geburtsbedingte Auszeit, quadriert 0.010 0.018 (0.007) (0.006)*** frühere Auszeit -0.026 -0.004 270 Tabelle 17: Random Effects-Schätzung der Lohngleichung mit Selektionskorrektur und Berücksichtigung prestigespezifischer Lohnstrafen Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Erklärende Variable GLS Random Effects- Schätzung __________________________________________________________________________________________ Schul- und Berufsausbildung niedriger Schulabschluss -0.101 (0.028)** Hochschulreife 0.137 (0.033)** Kein Berufsabschluss -0.063 (0.035) Hochschulabschluss 0.156 (0.043)** Erwerbserfahrung aktuelle Vollzeit 0.019 (0.002)** Frühere Vollzeit 0.013 (0.002)** Aktuelle Teilzeit -0.004 (0.003) Frühere Teilzeit 0.008 (0.003)** Aktuelle Auszeit im unteren Prestige-Segment -0.017 (0.007)* Aktuelle Auszeit im mittleren Prestige-Segment -0.015 (0.008) Aktuelle Auszeit im oberen Prestige-Segment -0.024 (0.035) Frühere Auszeit -0.006 (0.003)* Aktuelle Arbeitslosigkeit -0.051 (0.024)* Frühere Arbeitslosigkeit -0.023 (0.012) Kontrollvariablen Land- und Forstwirtschaft -0.096 (0.099) Bergbau und Energie 0.046 (0.097) Baugewerbe -0.063 (0.055) Handel -0.130 (0.028)** Transportwesen und Verkehr -0.113 (0.055)* Banken, Versicherungen, sonstige Dienstleistungen -0.026 (0.025) Öffentlicher Dienst 0.047 (0.021)* Berufsprestige 0.002 (0.000)** Beamtin 0.113 (0.047)* 271 Tabelle 17: Random Effects-Schätzung der Lohngleichung mit Selektionskorrektur und Berücksichtigung prestigespezifischer Lohnstrafen (Forts.) Erklärte Variable: Realer Bruttostundenlohn mit anteiligen Einmalzahlungen (log) Koeffizient+ Erklärende Variable GLS Random Effects- Schätzung Angestellte 0.146 (0.024)** Betrieb mit 20-199 Mitarbeitern 0.107 (0.024)** Betrieb mit 200-1999 Mitarbeitern 0.168 (0.028)** Betrieb mit 2000 oder mehr Mitarbeitern 0.182 (0.028)** Wochenarbeitsstunden -0.013 (0.001)** Stellenandrangszahl 0.002 (0.001) Select 0.047 (0.013)** Konstante 2.384 (0.054)** _______________ Beobachtungszahl 3255 Personenzahl 1038 Beobachtungszahl pro Person: min = 1 avg = 3.1 max = 5 R2: within = 0.1360 between = 0.3580 overall = 0.3516 Random effects u_i ~ Gaussian corr(u_i, X) = 0 (assumed) Wald chi2(30) = 932.21; Prob > chi2 = 0.0000 LM Test-Statistik (H0: Var(u) = 0) : chi2(1) = 932.67; Prob > chi2 = 0.0000 Hausman Test-Statistik (H0: difference in coefficients not systematic): chi2(29) = 187.87; Prob > chi2 = 0.0000 Varianzkomponenten++: sigma_u = .31614564 sigma_e = .20848534 rho+++ (fraction of variance due to u_i) = .69691889 +Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; ++ sigma_u=Schätzwert des Standardfehlers des Individualeffektes, sigma_e=Schätzwert des Standardfehlers des „white noise“-Störterms der Einkommensgleichung; +++rho= Anteil der den Individualeffekten zuzuschreibenden Varianz; Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 272 Tabelle 18: Maximum Likelihood-Schätzung der prestigespezifischen Beschäftigungswahrscheinlichkeit Erklärte Variable: Erwerbsstatus zum Befragungszeitpunkt im betreffenden Berufsprestige-Segment: abherw1i abherw2i abherw3i Erklärende Variable Marginaleffekteii dF/dx dF/dx dF/dx ____________________________________________________________________________________________ Schul- und Berufsausbildung niedriger Schulabschluss 0.033 -0.027 -0.004 (0.025) (0.025) (0.095) Hochschulreife -0.149 -0.157 0.023 (0.042)** (0.029)** (0.051) kein Berufsabschluss -0.114 -0.216 -0.133 (0.029)** (0.036)** (0.084) Hochschulabschluss 0.035 0.074 0.033 (0.072) (0.029)* (0.046) Erwerbserfahrung Betriebszugehörigkeit 0.015 0.008 0.007 (0.003)** (0.002)** (0.004) Auszeit -0.016 -0.004 -0.006 (0.002)** (0.003) (0.005) Arbeitslosigkeit -0.025 -0.013 0.020 (0.007)** (0.014) (0.031) Sozio-ökonomische Kontrollvariablen Alter in Jahren 0.009 0.004 0.003 (0.002)** (0.002)** (0.003) Anzahl Kinder im Haushalt -0.016 -0.037 -0.083 (0.020) (0.022) (0.029)** Jüngstes Kind im Haushalt 0-1 J. -0.350 -0.284 0.024 (0.132)** (0.117)* (0.100) Jüngstes Kind im Haushalt 2-4 J. -0.176 -0.007 -0.059 (0.068)** (0.051) (0.092) Jüngstes Kind im Haushalt 5-7 J. -0.167 0.012 0.012 (0.066)* (0.049) (0.078) Jüngstes Kind im Haushalt 8-10 J. -0.119 -0.018 0.013 (0.059)* (0.055) (0.075) Jüngstes Kind im Haushalt 11-18 J. -0.096 -0.015 -0.007 (0.035)** (0.031) (0.055) gesundheitliche Behinderung• -0.046 0.018 (0.061) (0.050) pflegebedürftige Person im Haushalt -0.048 -0.267 0.069 (0.076) (0.111)* (0.106) verheiratet/mit Partner zusammen lebend -0.076 -0.030 0.011 (0.032)* (0.027) (0.048) Monatl. Netto-Nichtlohn-Haushaltseinkommen pro Kopf, in 100€ -0.030 -0.021 -0.018 (0.008)** (0.006)** (0.008)* Monatl. Netto-Nichtlohn-Haushaltseinkommen pro Kopf, in 100 €, quadriert 0.001 0.001 0.001 (0.000) (0.000) (0.000) 273 Tabelle 18: Maximum Likelihood-Schätzung der prestigespezifischen Beschäftigungswahrscheinlichkeit (Forts.) Erklärte Variable: Erwerbsstatus zum Befragungszeitpunkt im unteren, mittleren bzw. oberen Berufsprestige- Segment: abherw1 abherw2 abherw3 Erklärende Variable Marginaleffekte dF/dx dF/dx dF/dx Monatl. Netto-Lohn-Partnereinkommen pro Kopf, in 100 € -0.008 -0.014 -0.015 (0.008) (0.007)* (0.010) Monatl. Netto-Lohn-Partnereinkommen pro Kopf, in 100 €, quadriert 0.001 0.001 0.001 (0.000) (0.000)* (0.001) Arbeitsmarkt- und konjunkturbezogene Kontrollvariablen Baden-Württemberg -0.080 -0.003 0.080 (0.034)* (0.030) (0.036)* Stellenandrangszahl 0.001 -0.001 -0.001 (0.003) (0.002) (0.003) Koeffizientii Koeffizientii Koeffizient ii Konstante .4236456 .8327354 .648428 (.2406566) (.2212365) (.4489343) _______________ Beobachtungszahl 1716 1876 624 Pseudo R2 iii = 0.1629 0.1396 0.1273 Log likelihood = -832.47858 -837.53474 -265.33059 Wald-Test auf Signifikanz des Gesamtmodells gegenüber dem Nullmodelliv: LR chi2(23) LRchi2(23) LRchi2(22) =324.10 =271.79 =77.42 Prob>chi2 Prob>chi2 Prob>chi2 =0.0000 =0.0000 =0.0000 i 1 = abhängig beschäftigt, 0 = nicht abhängig beschäftigt; abherw1/abherw2/abherw3=unteres/ mittl./oberes Segment ii Standardabweichungen in Klammern; * signifikant auf 10%-Niveau; ** signifikant auf 5%-Niveau; *** signifikant auf 1%-Niveau; Interpretation der Marginaleffekte: siehe Eräuterungen im Text. • gesundheitliche Behinderung = 0 sagt Erfolg im dritten Modell (abherw3=1) perfekt voraus, daher scheidet Variable für drittes Modell aus, und 17 Beobachtungen werden nicht genutzt. iii Mc Fadden (1973) iv der Likelihood Ratio-Wert folgt einer chi2-Verteilung; in Klammern: Anzahl der erklärenden Variablen Definition der erklärenden Variablen, Kodierung der Referenzkategorien und Datenbasis: vgl. Tabelle 2. 274 Tabelle 19: Prognostizierte mittlere prestigespezifische Beschäftigungswahrscheinlichkeit in Abhängigkeit von Bildungsgrad und Biografie Formale Qualifikation+ ohne bzw. mit Berücksichtigung der Erwerbsbiografie Prognostizierte mittlere Wahrscheinlichkeit, im unteren Prestigesegment abhängig beschäftigt zu sein* Prognostizierte mittlere Wahrscheinlichkeit, im mittleren Prestigesegment abhängig beschäftigt zu sein* Prognostizierte mittlere Wahrscheinlichkeit, im oberen Prestigesegment abhängig beschäftigt zu sein* niedrig gesamt ohne Auszeitjahre in Biografie# mit mindestens einem Auszeitjahr in Biografie## .6995891 (.1897638) .7804446 (.1951907) .6622263 (.1753469) .6192805 (.1433665) .6674853 (.1775208) .5970054 (.1183627) .6364198 (.1632731) .7330514 (.151834) .593756 (.1495912) mittel gesamt ohne Auszeitjahre in Biografie# mit mindestens einem Auszeitjahr in Biografie## .8068645 (.1518376) .8595002 (.119209 ) .7576577 (.1622507) .833474 (.1033567) .848871 (.0991712) .81908 (.1051407) .7887689 (.1320316) .8377554 (.0978686) .7424688 (.14302) hoch gesamt ohne Auszeitjahre in Biografie# mit mindestens einem Auszeitjahr in Biografie## .7652501 (.1638633) .8090648 (.1499795) .6737461 (.1539498) .8145861 (.1168404) .8322597 (.1140682) .777676 (.114273) .8501079 (.101017) .8730587 (.0847506) .8032568 (.1147723) Qualifikationen gesamt gesamt ohne Auszeitjahre in Biografie# mit mindestens einem Auszeitjahr in Biografie## .7879702 (.1626454) .8438143 (.1357475) .7346095 (.1682489) .8048052 (.1314222) .8315932 (.1208175) .7792085 (.1360014) .779192 (.1442274) .836977 (.1059607) .723807 (.1540089) *Basis: Maximum Likelihood-Schätzungen der prestigespezifischen Beschäftigungsfunktionen gemäß Tabelle 18. Unteres / mittleres / hohes Prestigesegment: Berufsprestige nach Wegener mit Wert unter 55 / 55-80 / über 80; • Standardabweichungen in Klammern; + niedrig = ohne berufsbildenden Abschluss, mittel = abgeschlossene Lehre, hoch = Hochschulabschluss; # Summe Auszeitjahre gleich Null, ##Summe Auszeitjahre größer Null. 275 Tabelle 20: Bildungsspezifische Typisierung arbeitsplatzbezogener Merkmale und der Beschäftigungswahrscheinlichkeit für die Simulationen Berufsbildender Abschluss Schul- Abschluss Berufsprestige Öffentl. Dienst/ Privat- Wirtschaft Sozialrechtl. Stellung Firmengröße Stellenandrangs- zahl Branche Select* kein Berufsbildungs- abschluss niedriger Abschluss (kein oder Hauptschulabschluss) 45,68 Privatwirtschaft Angestellte 20-199 Mitarbeiter 9,97 B/V/sDL 0,30 abgeschlossene Berufsausbildung mittlerer Abschluss (Realschulabschluss) 61,80 Privatwirtschaft Angestellte 20-199 Mitarbeiter 9,97 B/V/sDL 0,89 Hochschulabschluss Hochschulreife (Fachhochschulreife oder Abitur) 101,84 Privatwirtschaft Angestellte 20-199 Mitarbeiter 9,97 B/V/sDL 1,00 * Beschäftigungswahrscheinlichkeit; B/V/sDL=Banken/Versicherungen/sonstige Dienstleistungen 276 Tabelle 21: Unterscheidungskriterien der verwendeten hypothetischen Erwerbsverläufe Erwerbs- verlauf Erwerbseinstieg in Vollzeit (40 Wochenstunden) im Alter von … Jahren (niedriger/mittlerer/ hoher Bildungsgrad) Unterbrechung der Vollzeittätigkeit im Alter von … Jahren Dauer der Auszeitphase (0 Wochenstunden) in Jahren Dauer der Teilzeitphase (20 Wochenstunden) in Jahren Rückkehr zur Vollzeittätigkeit (40 Wochenstunden) im Alter von … Jahren TEST 19/22/27 21/24/29 3 3 27/30/35 1 19/22/27 28 1 2 31 2 19/22/27 28 3 3 34 3 19/22/27 32 1 2 35 4 19/22/27 32 3 3 38 5 19/22/27 36 1 2 39 6 19/22/27 36 3 3 42 Grundschulmuster Kindergartenmuster 277 Tabelle 22: Reale Lohnwachstumsraten für weibliche Angestellte im Produzierenden Gewerbe im Zeitraum 2001-2005* Jahr Bruttojahresverdienste nominal (€)** Wachstumsrate, nominal (%, gegenüber Vorjahr) Veränderungsrate HVPI*** (%, gegenüber Vorjahr) Wachstumsrate, real (%, gegenüber Vorjahr) 2001 37 107 2002 38 378 3,43 1,4 2,03 2003 39 458 2,81 1 1,81 2004 40 470 2,56 1,8 0,76 2005 41 389 2,27 1,9 0,37 durchschnittliche reale Wachstumsrate = 1,24 *eigene Berechnung auf Basis der Daten der Genesis-Online-Datenbank des Statistischen Bundesamtes (Link: vgl. Literaturverzeichnis, Rubrik Internetressourcen); ** Bruttojahresverdienste im Produzierenden Gewerbe, früheres Bundesgebiet, weibliche Angestellte, inklusive unregelmäßige und in größeren Zeitabständen sowie einmalige Verdienstbestandteile wie 13. Monatslohn/-gehalt, Weihnachtsgratifikation, Urlaubsgeld oder Jubiläumszuwendungen, nur Vollzeitkräfte; Quelle: Bruttojahresverdiensterhebung im Produzierenden Gewerbe; ***Der Harmonisierte Verbraucherpreisindex (HVPI) wird für die Mitgliedsstaaten der Europäischen Union für die Berechnung der Inflationsrate zu Grunde gelegt. Die Inflationsrate entspricht der Veränderungsrate des HVPI im Vergleich zum Vorjahr. 278 Tabelle 23: Testsimulationen – Lohnsummen und Lohnverluste in Abhängigkeit von Schätzverfahren, Variablenset und Bildungsgrad 1 vgl. Erläuterungen im Text; 2 niedrige/mittlere/hohe Qualifikation: Erwerbseinstieg mit 19/22/27 Jahren; 3 kumuliertes Jahreslohneinkommen bei durchgängiger Vollzeitbeschäftigung in der Zeit zwischen Erwerbseinstieg und 46. Lebensjahr; 4 kumulierte Jahreslohndifferenzen bei dem in der ersten Tabellenzeile ausgewiesenen Unterbrechungsverlauf in der Zeit zwischen Erwerbseinstieg und 46. Lebensjahr; 5 prozentualer Anteil des L ohnverlustes an der Bruttolohnsumme. 279 Tabelle 23: Testsimulationen – Lohnsummen und Lohnverluste in Abhängigkeit von Schätzverfahren, Variablenset und Bildungsgrad (Forts.) 1 vgl. Erläuterungen im Text; 2 niedrige/mittlere/hohe Qualifikation: Erwerbseinstieg mit 19/22/27 Jahren; 3 kumulierte s Jahreslohneinkommen bei durchgängiger Vollzeitbeschäftigung in der Zeit zwischen Erwerbseinstieg und 46. Lebensjahr; 4 kumulierte Jahreslohndifferenzen bei dem in der ersten Tabellenzeile ausgewiesenen Unterbrechungsverlauf in der Zeit zwischen Erwerbseinstieg und 46. Lebensjahr; 5 prozentualer Anteil des L ohnverlustes an der Bruttolohnsumme. 286 Abbildung 28: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Grundschulmuster, Variablenset (3) (Erläuterungen: siehe Text) 287 Abbildung 28: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Grundschulmuster, Variablenset (3) (Erläuterungen: siehe Text) (Forts.) 288 Abbildung 28: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Grundschulmuster, Variablenset (3) (Erläuterungen: siehe Text) (Forts.) 289 Abbildung 29: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Kindergartenmuster, Variablenset (3) (Erläuterungen: siehe Text) 290 Abbildung 29: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Kindergartenmuster, Variablenset (3) (Erläuterungen: siehe Text) (Forts.) 291 Abbildung 29: Lohn-Alters-Profile in Abhängigkeit von Bildungsgrad und Zeitpunkt der Unterbrechung: Unterbrechung nach Kindergartenmuster, Variablenset (3) (Erläuterungen: siehe Text) (Forts.) 292 Abbildung 30: Lohn-Alters-Profile der Frau mittlerer Bildung bei Erstgeburt im Alter von 28 Jahren, Unterbrechung nach Grundschulmuster, Variablenset (3/5), unterschiedliche Berücksichtigung des Standardfehlers (Erläuterungen: siehe Text) 293 Abbildung 30: Lohn-Alters-Profile der Frau mittlerer Bildung bei Erstgeburt im Alter von 28 Jahren, Unterbrechung nach Grundschulmuster, Variablenset (3/5), unterschiedliche Berücksichtigung des Standardfehlers (Erläuterungen: siehe Text) (Forts.) 294 Abbildung 31: Aggregierte Jahreslohnverluste bei Berücksichtigung des Standardfehlers: Erstgeburt der Frau mittlerer Bildung mit 28 Jahren, Unterbrechung nach Grundschulmuster Basis: Random Effects-Schätzung des Modells (3/5) 295 Tabelle 24: Brutto s tundenlohnverluste in Abhängigkeit von Unterbrechungsmuster, -zeitpunkt und Bildungsgrad; Variablenset des Modells (3) 302 Tabelle 25: Brutto s tundenlohnverluste in Abhängigkeit von Unterbrechungsmuster, -zeitpunkt und Bildungsgrad; Variablenset des Modells (3/5) (Forts.) (Legende: vgl. Tabelle 25, erstes Blatt) 303 T abelle 2 6 : Lohnsummen und summierte Jahreslohnverluste in Abhängigkeit von Unterbrechungsmuster, Unterbrechungszeitpunkt, Bildungsgrad und Variablenset 304 T abelle 2 6 : Lohnsummen und summierte Jahreslohnverluste in Abhängigkeit von Unterbrechungsmuster, Unterbrechungszeitpunkt, Bildungsgrad und Variablenset (Forts.) (Legende: vgl. Tabelle 26, erstes Blatt) 305 T abelle 2 6 : Lohnsummen und summierte Jahreslohnverluste in Abhängigkeit von Unterbrechungsmuster, Unterbrechungszeitpunkt, Bildungsgrad und Variablenset (Forts.) (Legende: vgl. Tabelle 26, erstes Blatt) 306 Tabelle 27: Einfluss von Bildung, Unterbrechungsdauer und -zeitpunkt auf die Lohnverluste im Überblick Einflussgröße Bruttostundenlohn- Verlust mit 45 Jahren Aggregierte Jahreslohnverluste Beruflicher Bildungsabschluss hoch > mittel > niedrig während Aus- und Teilzeitphase (direkte Verluste): mittel > hoch > niedrig* nach Wiedereinstieg in Vollzeit bis 46. Lebensjahr (Folgekosten): • Geburt im 37. LJ: hoch > mittel > niedrig • Geburt im 33. LJ und …lange Unterbrechung: hoch > mittel > niedrig …kurze Unterbrechung: mittel > hoch > niedrig • Geburt im 29. LJ und …lange Unterbrechung: mittel > hoch > niedrig …kurze Unterbrechung: mittel > niedrig > hoch Gesamte verlorene Lohnsumme bis 46. Lebensjahr mittel > hoch > niedrig∗ Zeitpunkt der Unterbrechung 37. LJ > 33.LJ > 29.LJ während Aus- und Teilzeitphase (direkte Verluste): 37. LJ > 33. LJ > 29. LJ Nach Wiedereinstieg in Vollzeit bis 46. Lebensjahr (Folgekosten#): 29. LJ > 33. LJ > 37. LJ Gesamte verlorene Lohnsumme bis 46. Lebensjahr: niedrige und mittlere Bildung: 29. LJ > 33. LJ > 37. LJ hohe Bildung: kurze Unterbrechung: 33. LJ > 37.LJ > 29. LJ lange Unterbrechung: 33. LJ > 29. LJ > 37. LJ Unterbrechungsmuster (lang = Grundschulmuster, kurz = Kindergartenmuster ) lang > kurz lang > kurz Anmerkung: LJ = Lebensjahr * Ausnahme = lange Unterbrechung im 37. Lebensjahr: hoch > mittel > niedrig # Ausnahme = Akademikerin, Unterbrechung nach Kindergartenmuster: 37. LJ < 29.LJ < 33.LJ 307 Literaturverzeichnis Printmedien Adsera, A. (2005): Vanishing Children: From High Unemployment to Low Fertility in Developed Countries, American Economic Review, Vol. 95, No. 2, pp.189-193. Akerlof, G. A., J. L. Yellen (1986): Efficiency Wage Models of the Labor Market, Cambridge University Press, Cambridge/New York. Akerlof, G. A., R. E. Kranton (2000): Economics and Identity, Quarterly Journal of Economics, Vol. 115, No. 3, pp. 715-753. Baltagi, B. H. (1995): Econometric Analysis of Panel Data, Wiley, Chichester et al. Bartenwerfer, J. (1990): Mikroökonometrische Querschnittsanalysen des individuellen Erwerbsverhaltens, Europäische Hochschulschriften, Reihe 5, Volks- und Betriebswirtschaft, Bd. 1109, Verlag Lang, Frankfurt am Main/Bern/New York/Paris. Barzel, Y. (1973): The Determination of Daily Hours and Wages, Quarterly Journal of Economics , Vol. 87, pp. 220-238. Beblo, M. (1999): Intrafamily Time Allocation: A Panel-Econometric Analysis, in: J. Merz, M. Ehling (Hrsg.): Time Use – Research, Data and Policy: Contributions from the International Conference on Time Use 22.-25. April 1998, 1. Aufl., Verlag Nomos, Lüneburg. Beblo, M., E. Wolf (2000): How much does a year off cost? Estimating the wage effects of employment breaks and part-time periods, Discussion Paper, No. 00- 69, ZEW, Mannheim. – (2002): Die Folgekosten von Erwerbsunterbrechungen, DIW-Vierteljahreshef- te zur Wirtschaftsforschung, Band 71, Nr. 1, S. 83-94. – (2003): Sind es die Erwerbsunterbrechungen? Ein Erklärungsbeitrag zum Lohnunterschied zwischen Frauen und Männern in Deutschland, Mitteilungen zur Arbeitsmarkt- und Berufsforschung, Nr. 4, S. 560-572, Nürnberg. Becker, G. S. (1960): An Economic Analysis of Fertility, Demographic and Economic Change in Developed Countries, Universities-National Bureau of Economic Research Conference Series, No. 11, NBER, Princeton NJ, pp. 209- 231. 308 – (1964): Human Capital. A Theoretical and Empirical Analysis with Special Reference to Education, New York: National Bureau of Economic Research, Chicago University Press, Chicago/London. – (1965): A Theory of the Allocation of Time, Economic Journal, Vol. 75, pp. 493-517. – (1976): The Economic Approach to Human Behavior, University of Chicago Press, Chicago/London. – (1981): A Treatise on the Family, Harvard University Press, Cambridge, MA. Bellmann, R. (1957): Dynamic programming, Princeton University Press, Princeton, NJ. Bender, S., A. Haas (2002): Die IAB-Beschäftigtenstichprobe, in: G. Kleinhenz (Hrsg.): IAB-Kompendium Arbeitsmarkt- und Berufsforschung. Beiträge zur Arbeitsmarkt- und Berufsforschung, Nr. 250, Nürnberg. Bender, S., A. Kohlmann, S. Lang (2003): Women, work, and motherhood. Changing employment penalties for motherhood in West Germany after 1945: a comparative analysis of cohorts born in 1934-1971, Discussion Paper, No. 309, Sonderforschungsbereich 386 der Ludwig-Maximilians-Universita󰇘t, Mu󰇘nchen. Ben-Porath, H. (1967): The Production of Human Capital Over the Life Cycle, Journal of Political Economy, July/August, No. 75, pp. 352-365. Bonin, H., R. Euwals (2001): Participation Behavior of East German Women after German Unification, Discussion Paper, No. 413, IZA, Bonn. Borjas, G. J. (2005): Labor Economics, 3rd ed., McGraw-Hill/Irwin, Boston, MA. Breusch, T. S., A. R. Pagan (1980): A Simple Test for Heteroscedasticity and Random Coefficient Variation, Econometrica, Vol. 47, pp. 1287-1294. Büchel, F., G. Weißhuhn (1997): Ausbildungsinadäquate Beschäftigung der Absolventen des Bildungssystems. Fortsetzung der Berichterstattung zu Struktur und Entwicklung unterwertiger Beschäftigung in West- und Ostdeutschland 1993-95, Volkswirtschaftliche Schriften, Nr. 471/I. Büchel. F., C. K. Spieß (2002): Kindertageseinrichtungen und Müttererwerbstätigkeit – Neue Ergebnisse zu einem bekannten Zusammenhang, DIW-Viertel- jahreshefte zur Wirtschaftsforschung, Band 71, Heft 1, S. 95-113. Bundesagentur für Arbeit (2005): Amtliche Nachrichten der Bundesagentur für Arbeit, 53. Jg., Sondernummer, Nürnberg, 30. August 2005. Bundesministerium für Familie, Senioren, Frauen und Jugend (2008): Elterngeldbericht. Bericht über die Auswirkungen des Bundeselterngeld- und Elternzeitgesetzes sowie über die gegebenenfalls notwendige Weiterentwicklung, in: Deutscher Bundestag (Hrsg.): Bundestagsdrucksache, Nr. 16/10770, 30.10.2008, Berlin. Cigno, A., J. Ermisch (1989): A Microeconomic Analysis of the Timing of Births, European Economic Review, Vol. 33, No. 4, pp. 737-760. 309 Doeringer, P. B., M. J. Piore (1971): Internal Labor Markets and Manpower Analysis, D.C. Heath and Company, Lexington MA. Dustmann, C., M. E. Rochina-Barrachina (2007): Selection correction in panel data models: An application to the estimation of females’ wage equations, Econometrics Journal, Vol. 10, pp. 263-293. Eichhorst, W. et al. (2007): Vereinbarkeit von Familie und Beruf im internationalen Vergleich, Verlag Bertelsmann Stiftung, Gütersloh. Franz, W. (2003): Arbeitsmarktökonomik, 5. Aufl., Verlag Springer, Berlin /Heidelberg /New York. Frey, D., S. Greif (1987): Sozialpsychologie: ein Handbuch in Schlüsselbegriffen, 2. Aufl., Psychologie-Verlags-Union, München/Weinheim. Frick, J. R., T. Schneider (2005): Biography and Life History Data in the German Socio Economic Panel (Up to Wave U, 2004), DIW, Berlin. Frietsch, R., H. Wirth (2001): Die Übertragung der Magnitude-Prestigeskala von Wegener auf die Klassifizierung der Berufe, ZUMA-Nachrichten 48, (Jg. 25), S. 139-163. Galler, H. P. (1991): Opportunitätskosten der Entscheidung für Familie und Haushalt, in: S. Gräbe (Hrsg.): Der private Haushalt als Wirtschaftsfaktor, Verlag Campus, Frankfurt am Main/New York. Görlich, D., A. de Grip (2007): Human Capital Depreciation During Familyrelated Career Interruptions in Male and Female Occupations, Kiel Working Paper, No. 1379, IfW, Kiel. Greene, W. H. (2000): Econometric Analysis, 4th ed., Prentice Hall International, London et al. Gronau, R. (1973): The Intrafamily Allocation of Time: The Value of the Housewife’s Time, American Economic Review, Vol. 63, pp. 634-651. – (1977): Leisure, Home Production, and Work: The Theory of the Allocation of Time revisited, Journal of Political Economy, Vol. 85, No. 6, pp. 1099- 1123. Gustafsson, S. S., C. M. M. P. Wetzels (2000): Optimal Age for First Birth: Germany, Great Britain, the Netherlands and Sweden, in: S. S. Gustafsson, D. E. Meulders (eds.): Gender and the Labour Market. Econometric Evidence of Obstacles to Achieving Gender Equality, Applied Econometrics Association Series, MacMillan Press, London. Gustafsson, S. (2003): Optimal age at motherhood. Theoretical and empirical considerations on postponement of maternity in Europe, in: K. F. Zimmermann, M. Vogler (eds.), Family, Household and Work, Verlag Springer, Berlin/Heidelberg. Gustafsson, S. S., E. Kenjoh, C. M.M.P. Wetzels (2002): Postponement of Maternity and the Duration of Time Spent at Home after First Birth: Panel Data 310 Analyses Comparing Germany, Great Britain, the Netherlands and Sweden, in: OECD Directorate for Employment, Labour and Social Affairs (ed.): OECD Labour Market and Social Policy Occasional Papers, No. 59, Paris. Haisken-DeNew, J. P., J. R. Frick (2003), Desktop Companion to the German Socio-Economic Panel Study (SOEP). Hanefeld, U. (1987): Das Sozioökonomische Panel: Grundlagen und Konzeption, Dissertation, Verlag Campus, Frankfurt/Main/New York. Happel, S. K., J. K. Hill, S. A. Low (1984): An Economic Analysis of the Timing of Childbirth, Population Studies, Vol. 38, pp. 299-311. Hausman, J. A. (1978): Specification Tests in Econometrics, Econometrica, Vol. 46, pp. 1251-1272. Hausman, J. A., W. E. Taylor (1981): Panel Data and Unobservable Individual Effects, Econometrica, Vol. 49, No. 6, pp. 1377-1398. Heckman, J. J. (1979): Sample Selection Bias as a Specification Error, Econometrica, Vol. 47, pp. 153-161. Helberger, C. (1984): Humankapital, Berufsbiographie und die Einkommen von Männern und Frauen, Arbeitspapiere des SFB 3 „Mikroanalytische Grundlagen der Gesellschaftspolitik“, Nr. 129, J. W. Goethe-Universität Frankfurt und Universität Mannheim, Frankfurt am Main/Mannheim. Henneberger, F., C. Kaiser (2000): Die Auswirkungen der Globalisierung auf die Segmente des Arbeitsmarktes. Welthandel, multinationale Unternehmen und Lohnsetzung, Forschungsplattform Alexandria der Universität St. Gallen, 01.02.2000. Hewitson, G. (2002): Domestic labour, neoclassical economics and gender identity: an overview, in: La Trobe University, Department of Economics and Finance (ed.), Working Papers, Series A 02.01, Bundoora Victoria 3086, Australia. Hotz, V. J. (2007): The Economics of Fertility in Developed Countries: A Survey, Handbook of Population and Family Economics, Vol. 1A, pp. 276-347. Hsiao, C. (1986; 2003): Analysis of Panel Data, (1st; 2nd ed.), Cambridge University Press, Cambridge. Kennedy, P. (2003): A Guide to Econometrics, 5th ed., Blackwell Publ., Malden, MA et al. Klevmarken, A. (1999): Microeconomic Analysis of Time Use Data: Did We Reach the Promised Land?, in: J. Merz, M. Ehling (eds.): Time-Use – Research, Data and Policy, Baden-Baden, pp. 424-456. Koch, I., H. Meinken (2003): Das Beschäftigtenpanel der Bundesanstalt für Arbeit, in: Zentralarchiv für Empirische Sozialforschung der Universität zu Köln (Hrsg.): ZA-Information, Nr. 52, Mai 2003. 311 Kohler, U., F. Kreuter (2006): Datenanalyse mit Stata, 2. Aufl., Verlag Oldenbourg, München. Kunze, A. (2002): The Timing of Careers and Human Capital Depreciation, Discussion Paper, No. 509, IZA, Bonn. Kunze, A., M. Ejrnaes (2004): Wage Dips and Drops around First Birth, Discussion Paper, No. 1011, IZA, Bonn. Lauk, M., S. Meyer (2004): Frauen, Männer und die Hausarbeit, Darmstadt Discussion Papers in Economics des Instituts für Volkswirtschaftslehre, Nr. 125, Technische Universität, Darmstadt. Lazear, E. P. (1981): Agency, Earnings Profiles, Productivity, and Hours Restrictions, American Economic Review, Vol. 71, pp. 606-620. Lewbel, A. (2003): Endogenous Selection or Treatment Model Estimation, Journal of Applied Econometrics, Vol. 18, pp. 127-135. Lee, L. F., G. S. Madalla, R. P. Trost (1980): Asymptotic Covariance Matrices of Two-Stage Probit and Two-Stage Tobit Methods for Simultaneous Equation Models with Selectivity, Econometrica, Vol. 48, pp. 491-503. Licht, G., V. Steiner (1991a): Stichprobenselektion, unbeobachtete Heterogenität und Humankapitaleffekte bei der Schätzung von Lohnfunktionen mit Paneldaten, in: U. Rendtel, G. Wagner (Hrsg.): Lebenslagen im Wandel: Zur Einkommensdynamik in Deutschland seit 1984, Projektgruppe „Das sozio-öko- nomische Panel“ im DIW Berlin, Sozio-ökonomische Daten und Analysen für die Bundesrepublik Deutschland, Band 4, Verlag Campus, Frankfurt/New York, S. 100-134. – (1991b): Male-Female Wage Differentials, Labor Force Attachment, and Human-Capital Accumulation in Germany, Volkswirtschaftliche Diskussionsreihe des Instituts für Volkswirtschaftslehre, Beitrag Nr. 65, Universität Augsburg, Augsburg. – (1992): Individuelle Einkommensdynamik und Humankapitaleffekte nach Erwerbsunterbrechungen, Jahrbuch für Nationalökonomie und Statistik, Bd. 209, Nr. 3-4, S. 241-265. Lindbeck, A., D. J. Snower (1988): Cooperation, Harassment, and Involuntary Unemployment: An Insider-Outsider Approach, American Economic Review, Vol. 78, pp. 167-188. Littmann-Wernli, S., R. Schubert (2002): Frauen in Führungspositionen: Ist die gläserne Decke diskriminierend?, in: O. Fabel, R. M. Nischik (Hrsg.): Femina Oeconomica: Frauen in der Ökonomie, S. 107-123. Lundberg, S. J., R. A. Pollak (2003): Efficiency in Marriage, Review of Economics of the Household, Vol. 1, No. 3, pp. 153-167. Malathy, R. (1994): Education and Women’s Time Allocation to Non-Market Work in an Urban Setting in India, Economic Development and Cultural Change, Vol. 42, No. 4, pp. 743-60. Peter Lang · Internationaler Verlag der Wissenschaften Frankfurt am Main · Berlin · Bern · Bruxelles · New York · Oxford · Wien Auslieferung: Verlag Peter Lang AG Moosstr. 1, CH-2542 Pieterlen Telefax 00 41 (0) 32 / 376 17 27 *inklusive der in Deutschland gültigen Mehrwertsteuer Preisänderungen vorbehalten Homepage http://www.peterlang.de Ingelore Welpe / Britta Thege Karriereagenda für Frauen Wie Geschlecht und Kommunikation über den Karriereerfolg entscheiden Frankfurt am Main, Berlin, Bern, Bruxelles, New York, Oxford, Wien, 2011. 104 S., zahlr. Tab. und Graf. Angewandte Genderforschung. Herausgegeben von Ingelore Welpe. Bd. 5 ISBN 978-3-631-59556-5 · br. € 19,80* Frauen streben heute selbstverständlich Berufskarrieren an, doch trotz aller individuellen Leistungen und Chancengleichheitsprogramme gibt es nach wie vor in der Arbeitswelt die gläsernen Decken für Frauen und gläsernen Rolltreppen für Männer auf dem Weg in hohe Füh rungspositionen. Karriereagenda für Frauen untersucht subtil wirkende Faktoren, die Unter schiede zwischen männlichen und weiblichen Berufskarrieren erzeugen und geht Zu sammen hängen zwischen Gender, Kommunikation und Karriereerfolgen von Frauen an entscheidenden Schlüssel stellen im Karriereprozess nach. Für realitätsgerechtere und erfolg reichere Karriere - stra te gien werden praxisbezogene Empfehlungen für Frauen gegeben. Aus dem Inhalt: Theoretische Perspektiven auf Berufskarrieren · Berufskarrieren, Genderlogik und Chancengleichheit im Unternehmen · Gender und Kommunikation · Schlüsselstellen im Karriereprozess · Empfehlungen für den Karriereerfolg