1. Healthcare

Labor Markets
and
Unemployment
Régis Barnichon (CREI)
with Libertad Gonzales (UPF)
Bojos per l’Economia!
Febrero 2015
The labor market
• A “special” market :
– Trade of human labor: buy/sell labor
• The supply of labor: households
• The demand for labor: firms (or government)
• Interaction of supply and demand determines
– The quantity purchased (the level of employment)
– The price paid (the wage)
2
EU unemployment, 1983-2013
3
US unemployment rate
4
Income inequality
Increasing income inequality
This lecture
1. The main facts and the key questions
a. Wages (Salarios)
b. Employment (Empleo) and Unemployment
(Desempleo)
2. Understanding the existence of
unemployment
7
1. Datos y tendencias
• ¿Cómo medir los niveles agregados de salarios y
empleo?
• Encuestas a hogares.
– La Encuesta de Población Activa.
• Datos administrativos de la Seguridad Social.
– La Muestra Continua de Vidas Laborales.
• Encuestas a empresas.
– Encuesta de Estructura Salarial.
8
a. Salarios
• La distribución salarial
• ¿Por qué varían tanto los salarios?
• Cambios en la estructura salarial
9
La distribución salarial
• La distribución de salarios suele ser bastante
asimétrica hacia la derecha.
• El grado de dispersión o desigualdad varía
bastante entre países.
– También a lo largo del tiempo.
10
0
5.0e-04
Density
.001
.0015
.002
Weekly earnings distribution, US
(CPS, April 2013, ft men 25-64)
0
2000
1000
earn
3000
11
.002
Weekly earnings distribution, US
(CPS, April 2013, ft men 25-64)
0
5.0e-04
Density
.001
.0015
Median = 640
0
2000
1000
earn
3000
12
.002
Weekly earnings distribution, US
(CPS, April 2013, ft men 25-64)
Median = 640
0
5.0e-04
Density
.001
.0015
Mean = 780
0
2000
1000
earn
3000
13
.002
Weekly earnings distribution, US
(CPS, April 2013, ft men 25-64)
Median = 640
10th
Percentile
= 370
0
5.0e-04
Density
.001
.0015
Mean = 780
0
2000
1000
earn
3000
14
.002
Weekly earnings distribution, US
(CPS, April 2013, ft men 25-64)
Median = 640
10th
Percentile
= 370
90th percentile
= 1280
0
5.0e-04
Density
.001
.0015
Mean = 780
0
2000
1000
earn
3000
15
0
5.0e-06
Density
1.0e-05
1.5e-05
2.0e-05
Yearly earnings distribution, Spain
(EES 2010, full-time workers)
0
1000000
500000
earnings
1500000
16
Mediana = 25.384
p10
= 12.258
Media = 31.579
Density
2.0e-05
3.0e-05
4.0e-05
Yearly earnings distribution, Spain
(EES 2010, full-time workers)
0
1.0e-05
p90 = 55.930
0
50000
100000
earnings
150000
200000
17
Limits of histogram plot
I
How to compare histograms across
I
I
I
I
I
I
countries? (US/EU)
populations? (white/black, young/old,
educated/uneducated)
Average income. Ok
Inequality of income?
(Even trickier, mobility within the distribution?)
How to summarize a distribution of income?
1/ 32
I
A detour through probability distributions
2/ 32
A distribution (of income)
f (ω)
f (ω) = ..
ω∗
ω
3/ 32
A distribution (of income)
f (ω)
P(ω < ω ∗ ) =
ω∗
R ω∗
0
ω f (ω)dω
ω
4/ 32
A simpler distribution: the Uniform
f (.)
f (ω) =
ω
1
ω−ω
ω
5/ 32
A simpler distribution: the Uniform
f (.)
f (ω) =
ω
1
ω−ω
ω
6/ 32
A popular distribution: the Normal (or Gaussian)
f (ω)
f (ω) =
ω
√1 e−
σ 2π
(x−µ)2
2σ 2
ω
7/ 32
An unequal distribution of income
f (ω)
ω∗
ω
8/ 32
A less unequal distribution of income
f (.)
ω∗
ω
9/ 32
An even less unequal distribution of income
f (.)
ω∗
ω
10/ 32
How unequal is this one?
f (.)
f (ω) =
ω
1
ω−ω
ω
11/ 32
Back to our question:
I
How to compare income inequality across countries?
I
How to summarize a distribution of income?
I
-> The moments of a distribution
12/ 32
The moments of a distribution
I
Mean (1st moment)
∞
Z
µ=
ω f (ω) dω
0
I
Variance (2nd moment)
Z
2
σ =
∞
(ω − µ)2 f (ω) dω
0
I
Skewness (3rd moment)
Z
γ=
0
I
∞
ω−µ
σ
3
f (ω) dω
etc...
13/ 32
Low Variance
2
f (ω) =
f (ω)
ω
(x−µ)
√1 e− 2σ2
σ 2π
ω
14/ 32
High Variance
2
f (ω) =
f (ω)
ω
(x−µ)
√1 e− 2σ2
σ 2π
ω
15/ 32
Positive skewness
f (.)
ω∗
ω
16/ 32
Side remark
I
Can we summarize a distribution with its moments?
I
Unfortunately, not always!
I
BUT Normal distribution summarized by its first two
moments
→ make it very useful as a modeling device
17/ 32
A popular tool to capture inequality
I
The Lorenz curve
R ωx
ωf (ω)dω
L(f (x)) = R0∞
with ωx such that P(ω ≤ ωx ) = x%
0 ωf (ω)dω
18/ 32
A popular tool to capture inequality
I
The Lorenz curve
R ωx
ωf (ω)dω
L(f (x)) = R0∞
with ωx such that P(ω ≤ ωx ) = x%
0 ωf (ω)dω
I
In words: " the proportion of overall income assumed by
the bottom x percent of the population"
18/ 32
A popular tool to capture inequality
I
The Lorenz curve
R ωx
ωf (ω)dω
L(f (x)) = R0∞
with ωx such that P(ω ≤ ωx ) = x%
0 ωf (ω)dω
I
In words: " the proportion of overall income assumed by
the bottom x percent of the population"
I
Max (Otto) Lorenz (Economist, USA, 1876, IA – 1959 CA)
18/ 32
The Lorenz curve
19/ 32
Examples of Lorenz curves
I
Perfect equality: ω(x) = ω ∗ , ∀ x
20/ 32
Examples of Lorenz curves
I
Perfect equality: ω(x) = ω ∗ , ∀ x
I
Uniform distribution: f (ω) =
1
ω
¯ −ω
20/ 32
Examples of Lorenz curves
I
Perfect equality: ω(x) = ω ∗ , ∀ x
I
Uniform distribution: f (ω) =
R ωx
I
L(f (x)) =
Rωω
¯
ω
ωf (ω)dω
ωf (ω)dω
1
ω
¯ −ω
=?
20/ 32
Calculating the Lorenz curve of a Uniform
I
Z
ωx
Z
ωf (ω)dω =
0
=
ωx
ω
dω
ω
¯
−
ω
ω
2
1
ωx − ω 2
2(¯
ω − ω)
21/ 32
Calculating the Lorenz curve of a Uniform
I
Z
ωx
Z
ωf (ω)dω =
0
=
I
ωx
ω
dω
ω
¯
−
ω
ω
2
1
ωx − ω 2
2(¯
ω − ω)
...
21/ 32
Calculating the Lorenz curve of a Uniform
I
Z
ωx
Z
ωf (ω)dω =
0
=
I
ωx
ω
dω
ω
¯
−
ω
ω
2
1
ωx − ω 2
2(¯
ω − ω)
...
I
L(f (x)) =
ω − ω)
2xω + x2 (¯
ω
¯ +ω
21/ 32
Calculating the Lorenz curve of a Uniform
I
Z
ωx
Z
ωf (ω)dω =
0
=
I
ω
dω
ω
¯
−
ω
ω
2
1
ωx − ω 2
2(¯
ω − ω)
...
I
L(f (x)) =
I
ωx
ω − ω)
2xω + x2 (¯
ω
¯ +ω
Verify:
L(f (0)) = 0
L(f (1)) = 1
21/ 32
Calculating the Lorenz curve of a Uniform
I
Z
ωx
Z
ωf (ω)dω =
0
=
I
ω
dω
ω
¯
−
ω
ω
2
1
ωx − ω 2
2(¯
ω − ω)
...
I
L(f (x)) =
I
ωx
ω − ω)
2xω + x2 (¯
ω
¯ +ω
Verify:
L(f (0)) = 0
L(f (1)) = 1
I
Good!
21/ 32
Comparing Lorenz curves
22/ 32
Limitation of Lorenz curves
I
Does the Lorenz curve uniquely capture a distribution?
23/ 32
Limitation of Lorenz curves
I
Does the Lorenz curve uniquely capture a distribution?
I
Yes! (holding the income mean constant)
23/ 32
Limitation of Lorenz curves
I
Does the Lorenz curve uniquely capture a distribution?
I
Yes! (holding the income mean constant)
I
But again, how to compare two Lorenz curves?
23/ 32
The Gini coefficient
R1
R1
xdx − 0 L(f (x))dx
G =
R1
0 xdx
Z 1
= 1−2
L(f (x))dx
0
0
I
In words: "the Gini coefficient measures how far the actual
Lorenz curve for a society’s income or wealth is from the
line of equality"
24/ 32
The Gini coefficient
R1
R1
xdx − 0 L(f (x))dx
G =
R1
0 xdx
Z 1
= 1−2
L(f (x))dx
0
0
I
In words: "the Gini coefficient measures how far the actual
Lorenz curve for a society’s income or wealth is from the
line of equality"
I
Corrado Gini (Statistician, 1884–1965, Italy)
24/ 32
25/ 32
Examples
26/ 32
The Gini coefficient across the globe
27/ 32
Pros of the Gini coefficient
I
The Gini coef. summarizes a distribution with one variable
I
Can compare inequality
I
I
across countries
over time
28/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
I
We cannot summarize an infinite dimensional object (a
distribution) with one parameter!
A lot of information is lost
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
I
We cannot summarize an infinite dimensional object (a
distribution) with one parameter!
A lot of information is lost
I
The pitfall of the Gini index!
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
I
We cannot summarize an infinite dimensional object (a
distribution) with one parameter!
A lot of information is lost
I
The pitfall of the Gini index!
I
Also:
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
I
We cannot summarize an infinite dimensional object (a
distribution) with one parameter!
A lot of information is lost
I
The pitfall of the Gini index!
I
Also:
I
sensitive to outliers: a few very wealthy or very poor
individuals can change the statistic significantly
29/ 32
Cons of the Gini coefficient
I
The Gini coef. does not summarize a distribution!
I
Different distributions can have the same Gini coef.
I
We cannot summarize an infinite dimensional object (a
distribution) with one parameter!
A lot of information is lost
I
The pitfall of the Gini index!
I
Also:
I
I
sensitive to outliers: a few very wealthy or very poor
individuals can change the statistic significantly
income measures likely truncated at high levels of income
-> can underestimate the concentration of income
29/ 32
Other measures
I
Income decile share: P90/P10
I
P90/P50
I
P50/P10
30/ 32
Cross-country comparison
31/ 32
Income inequality over time
Piketty (2014)
32/ 32
¿Por qué varían tanto los salarios?
• El modelo de capital humano como punto de
partida.
• Regresiones de salarios à la Mincer.
– Edad, educación.
– Aumentadas con: región, sexo, raza, estado civil…
18
¿Cuánto podemos explicar?
Porcentaje de la variación salarial “explicada”:
Años de educación
10.7
89.3
19
¿Cuánto podemos explicar?
Porcentaje de la variación salarial “explicada”:
Años de educación
y edad
19.4
80.6
20
¿Cuánto podemos explicar?
Porcentaje de la variación salarial “explicada”:
Años de educación,
edad y sexo
23.7
76.3
21
¿Cuánto podemos explicar?
Porcentaje de la variación salarial “explicada”:
Años de educación,
edad, sexo y raza
25.1
74.9
22
¿Cuánto podemos explicar?
Porcentaje de la variación salarial “explicada”:
Años de educación,
edad, sexo, raza,
estado civil y región
26.7
73.3
23
Salario medio anual por nivel educativo
(España, 2010)
49,762
37,879
30,793
22,450
Primaria
24,018
Secundaria I
Secundaria II
Diplomatura
Licenciatura
24
Evolución en el tiempo
• En algunos países ricos (EEUU, Reino
Unido), gran aumento en la desigualdad
salarial desde los años 70.
• No tanto en otros
(Francia, Alemania, Japón, España).
25
El caso de EEUU
• Entre 1980 y 2000, la desigualdad salarial
aumentó de forma dramática.
• Entre trabajadores de distintos niveles
educativos, años de experiencia y edad.
• Pero también entre trabajadores con las
mismas características demográficas.
– Educación, experiencia, sexo, ocupación, industria.
26
27
28
¿Qué puede explicar estas tendencias?
• Cambios en la oferta (“job polarization”).
• Comercio internacional.
• “Skill-biased technological change”.
• Cambios institucionales (sindicatos, salario
mínimo).
• Huge rise in top executive compensation
– Drop in top tax rates?
– Rise of CEO bargaining power?
29
b. Empleo
• En equilibrio, el mercado de trabajo
determina el nivel de empleo.
– El número de personas trabajando.
– En distintas regiones, industrias y ocupaciones.
• Este nivel puede verse afectado por distintos
factores.
– Tanto de oferta como de demanda.
31
Tendencias recientes
• Una de las tendencias a largo plazo más
marcadas a nivel internacional es el aumento
de la tasa de empleo femenina.
32
Employment rate, female/male ratio, Spain 1976-2009
0,750
0,700
0,650
0,600
0,550
0,500
0,450
0,400
0,350
33
¿Qué puede explicar esta tendencia?
• El desarrollo tecnológico
(electrodomésticos, comida procesada).
• La caída de la fertilidad (los métodos
anticonceptivos modernos).
• El aumento del peso del sector servicios.
• Los salarios (la reducción en la
discriminación, leyes y normas sociales).
34
c. Desempleo
• Definición
• Medición
• La tasa de paro en España
• Comparación internacional
• Entender el desempleo
35
Población en
edad de trabajar
36
Población
activa
Población en
edad de trabajar
Población
“inactiva”
37
Ocupados
Población
activa
Población en
edad de trabajar
Parados
Población
“inactiva”
38
Ocupados
Población
activa
Población en
edad de trabajar
Parados
30 m
Población
“inactiva”
39
Ocupados
22.5 m
Población
activa
Población en
edad de trabajar
Parados
30 m
Población
“inactiva”
7.5 m
40
Ocupados
16.6 m
22.5 m
Población
activa
Población en
edad de trabajar
Parados
5.9 m
30 m
Población
“inactiva”
7.5 m
41
Ocupados
16.6 m
22.5 m
Población
activa
Población en
edad de trabajar
Parados
5.9 m
30 m
Población
“inactiva”
7.5 m
42
La tasa de paro
Tasa de paro = Parados / Activos
= Parados / (Ocupados + Parados)
• España, IV trim. 2013: TP = 5.9/22.5 = 26.1%
• Pero: los parados son el 19.6% de la población en
edad de trabajar.
• El 44.6% de la población en edad de trabajar no
tiene trabajo (parados + inactivos).
43
¿Cómo se mide esto?
• ¿Cómo se “cuentan” los ocupados, parados e
inactivos?
• La Encuesta de Población Activa.
– Una encuesta trimestral a una muestra representativa
de hogares (60.000!).
• ¿Quién “cuenta” como parado?
– No está trabajando, pero está buscando trabajo
“activamente”.
– Si no, cuenta como “inactivo”.
44
Limitations of the U concept
• Does U capture all of the labor supply?
The “halo” of unemployment:
• How about discouraged people?
• People who want a job but gave up looking for one?
– the young who went back to school
– the old who retired early
– the ones in prison
• -> they drop out of the statistics!
45
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Unemployment rate, Spain, 1980-2012
25
23
21
19
17
15
13
11
9
7
5
46
46
EU unemployment, 1983-2013
47
US unemployment rate
48
Unemployment rate by province, 2012
49
49
Unemployment rate by characteristics
(Spain, 1st q. 2013)
Total
27,3
Young (<35)
37,1
Old
22,6
Native
25,1
Immigrants
39,2
Men
26,9
Women
27,8
Top region (AND)
36,9
Bottom region (PV)
16,3
No high school
43,3
High school
28,4
College degree
15,0
50