关于人力资本/信号分离的国际证据

布莱恩·卡普兰 3月1日

在应用程序中阅读

Micro -Mincer 回归将个人收入估计为个人教育和控制的函数：

ln 个人收入 = a + b*个人受教育年限 + 其他

除非b非常大，否则b大约等于个人教育保费。例如，b=.09 表示多接受一年的教育可使收入增加约 9%。

类似地，宏观明瑟回归将国民收入估计为国民教育和控制的函数：

ln 国民收入 = a + b*国民平均受教育年限 + 其他内容

在纯人力资本模型中，您会期望 Micro-Mincer 和 Macro-Mincer 结果相匹配。更多的教育可以提高人们的生产力，从而增加个人收入；更多的教育可以提高国家的生产力，从而增加国民收入。

相反，在纯信号模型中，您预计 Micro-Mincer 回报为正，但 Macro-Mincer 回报为零（至少在边际上）。更多的教育使人们看起来更有生产力，从而增加个人收入；然而，在国家一级，教育是一场激烈的竞争。只有一个人可以成为最好的，并且只有25%的人可以进入前25%。

这两种情况都是不切实际的极端，但它们确实提出了一种估计人力资本/信号分配的简单方法。*

1. 估计国家内部的 Micro-Mincer 回归。
2. 估计各国的宏观 Mincer 回归。
3.比较。

隐含的人力资本/信号分配只是 (2) 除以 (1)：

宏观Mincer系数/微观Mincer系数。

当然，这种计算说起来容易做起来难。 (1) 很容易理解：大量文献发现全球 Micro-Mincer 系数大约为 10%。但（2）很难得到，因为国际教育面板数据稀疏，研究人员的样本和对照差异很大。

幸运的是，在对这个主题进行了大量但令人沮丧的阅读之后，当高贵的安赫尔·德拉·富恩特（Ángel de la Fuente）慷慨地通过电子邮件给我发送了他2006 年与拉斐尔·多梅内克（Rafael Doménech）合作的论文的令人惊叹的附录时，我最终得到了收获。在本附录中，他们对 21 个 OECD 国家的 8 个（！）不同数据集进行了相同的 Macro-Mincer 回归估计。他们的总体结果：

此时，您可以合理地问：这 8 个数据集中是否有一些客观上比竞争对手更好？不出所料，研究人员会将自己的数据宣传为全新且改进的数据，但外部认证却非常稀缺。据我所知， 只有一个没有“战斗中的狗”的研究团队参与过参与。他们的结论基于 2003 年可用的数据集：“我们不相信任何一个可用的数据系列明显优于其他数据系列。”

大多数不喜欢微不足道的 Macro-Mincer 结果的研究人员强调，测量误差会导致衰减偏差，因此教育的真正效果比看起来要大。不过，正如我之前指出的那样，这种自信的主张取决于这样一个疯狂的假设：教育是唯一被错误测量的自变量！只要其他变量测量错误，观察到的教育系数就可能过高、过低或恰到好处。

这一切意味着什么？如果你是一个天真的经验主义者，那么 Macro-Mincer 证据对于信号传递来说是一个巨大的胜利。如果您是人力资本纯粹主义者，那么 Macro-Mincer 的证据就是对数据的强烈控诉。然而， 明智的贝叶斯反应位于中间：虽然宏观绞肉机证据没有解决任何问题，但它是支持本质上合理的立场的一点额外证据。

* 微型绞肉机回报超过宏观绞肉机回报也符合教育成功培训工人从事寻租或其他对社会无生产力的工作的情况。感谢 David Balan 提醒我这种可能性。在我的书中，我解释了为什么我怀疑这有什么大不了的。

该帖子首先出现在Econlib上。

© 2025布莱恩·卡普兰
布莱恩·卡普兰，MSN 1D3，乔治梅森大学
费尔法克斯, 弗吉尼亚州 22030
退订