Содержание

  1. Гипотеза, цели и задачи исследования.
  2. Литературный обзор.
  3. Описание данных, использованных в исследовании.
  4. Методы исследования.
  5. Результаты анализа.
  6. Вывод.
  7. Приложение
  8. Список-литературы.

Гипотеза, цели и задачи исследования

В нашем проекте мы решили узнать, как получение высшего образования в разных сферах влияет на уровень заработной платы, понять для каких профессий отдача от получения высшего образования наибольшая. И таким образом мы собираемся ответить на вопрос: Стоит ли получать высшее образование, и в каких сферах?

Этот вопрос актуален для старшеклассников и других людей принимающих решение в какой сфере получать высшее образование. Мы собираемся показать, какие профессии стоит выбирать для получения высшего образования, чтобы затем получать преимущество в виде высокой заработной платы.

Гипотеза: Мы предполагаем, что в разных профессиональных сферах наличие высшего образования у работника в разной степени влияет на уровень заработной платы.

Литературный обзор

Проводя исследование по теме «Стоит ли получать высшее образование: различия в заработной плате людей с высшим образованием и без высшего образования», наша команда обращалась к статьям для полного анализа нашей темы.

Опираясь на статью (СИМОНЕНКО 2008, «Взаимосвязь уровня образования и уровня заработной платы в современной России»), заместителя начальника управления департамента имущества города Москвы, можно предположить, что наличие высшего образования не всегда положительно коррелирует с заработной платой работника. Симоненко в своей статье отмечает важность наличия среднего профессионального образования, оценивания его как более прикладное в современном мире и соответственно наиболее востребованное по сравнению с высшим образованием. В своей статье СИМОНЕНКО (2008) приводит статистические показатели средних зарплат по сферам с разделением по уровню образования. Таким образом, нельзя точно оценить влияние высшего образования на заработную плату. Вполне возможно, что данное различие в исследованиях является результатом изменением экономического состояния страны с течением времени.

Также тема взаимосвязи образования и заработной платы исследуется в статье (Еделев and Майорова 2013, «Дифференциация населения по уровням доходов и образования»). Еделев Д.А. , доктор экономических наук, выделяет одним из главных факторов разделения населения по уровню дохода наличие высшего образования у населения. Проблема доступа к образованию групп с низким и умеренно низким уровнями дохода является острым противоречием в социально-экономической системе страны. Еделев доказывает зависимость между наличием образования и формированием заработной платы индивидов, а также указывает данную часть составляющей дохода как наиболее влиятельную вследствие рыночного типа экономики в сфере труда. По его расчетам за 2011 год наиболее важными специализациями высшего образования оказались сельское хозяйство, охота и лесное хозяйство-вовлеченность в данные сферы возросла на 51,7% по сравнению с 2005 годом. Однако и в сфере образования и труда есть исключения из рыночной экономики: секторы рынка, находящиеся под контролем государства (образование, здравоохранение и жилищно-коммунальное хозяйство) отклоняются от вышеуказанного наблюдения и оказывают наименьшее влияние на зависимость заработной платы и образования и на дифференциацию населения.

В статьях ниже уделяется большое значение теории человеческого капитала.

В статье (Разумова 2009,«Влияние высшего образования на доходы работника») говорится о теории человеческого капитала. Суть теории заключается в том, что человек с более высоким уровнем образования получает более высокую заработную плату. Навыки и знания, которые человек приобретает в процессе обучения способствуют повышению производительности труда работника, что делает его более ценным для работодателя и отражается на повышении заработной платы. Однако человеческий капитал включает не только образование, но и врожденные способности. Возникает вопрос: «Действительно ли образование, а не способности влияет на размер заработной платы?». Для ответа на данный вопрос был произведен эксперимент над разными членами одной семьи (однояйцевыми близнецами). Как правило, однояйцевые близнецы генетически более похожи, чем родные братья и сестры. Результаты показали, что один год разницы в уровне образования между близнецами дает в среднем 8 % разницы в доходе. Также в статье уделяется внимание отдачи от инвестиций в образование. Например, в 1990 г. в США человек с высшим образованием имел возможность получить заработную плату, которая в течение трудовой жизни позволяла ему заработать более одного миллиона семисот тысяч долларов (при затратах на обучение в 107 тысяч долларов). В то время как пожизненный заработок лиц, получивших только начальное образованием, составлял около семисот пятидесяти тысяч долларов (при затратах в 30 тыс. долл.).

Таким образом, уровень образования влияет на размер заработной платы индивида. Однако, стоит заметить, что заработная плата работников, получивших высшее образование по одной специальности, может разниться. Отличия в заработной плате происходят из-за разных заработных ставок в регионах, престижности вуза, где индивид получал высшее образование, и стажа работника.

Целью статьи (Прохорова 2017,«Анализ влияния высшего образования на заработную плату индивидов в России и российских регионах») старшего преподавателя факультета экономики НИУ ВШЭ, является выявление степени влияния высшего образования на дифференциацию заработной платы индивидов и получение оценок отдачи от инвестиций в высшее образование.Автор отмечает, что на заработную плату могут влиять различные эндогенные факторы, например способности индивида, поэтому в данной работе использовалось модифицированное уравнение заработной платы Дж.Минцера, в которое включены сфера деятельности и форма собственности организации. Регрессионная модель оценивается методом наименьших квадратов.В результате оценки МНК регрессионного уравнения Прохорова Т.Г. приходит к следующему выводу: средняя зарплата у индивидов с высшим образованием на 42,8% выше, чем у индивидов с другими уровнями образования, причем с повышением уровня образования средняя зарплата увеличивается примерно на 20,6%. Кроме того, подчеркивается наличие гендерных различий на рынке труда.

В статье (Потанин 2019, «Оценка влияния высшего образования на заработную плату работника») рассматривается обобщенная модель Хекмана с переключением, которая позволяет оценить влияние высшего образования на заработную плату в условиях неслучайного отбора. В результате оценивания данной модели было обнаружено положительное влияние высшего образования на заработную плату. Здесь важно отметить, что существуют ненаблюдаемые характеристики индивида, например трудолюбие, которые влияют на вероятность получения высшего образования и последующее трудоустройство. Автор подчеркивает, что отсутствие эффективной системы набора абитуриентов и недостаточное развитие гибких навыков, которые высоко ценятся на современном рынке труда, объясняют гипотезу об отрицательной роли отбора в число обладателей высшего образования. При этом отрицательный отбор не наблюдается в топовых высших учебных заведениях страны. Несоответствие между положительным эффектом высшего образования и отрицательным смещением отбора может говорить о недостатках системы оплаты труда, так как многие люди с высшим образованием, не владеющие востребованными на рынке труда навыками, могут получать надбавку к заработной плате.

В статье (Рощин and Рудаков 2016, «Влияние «качества» вуза на заработную плату выпускников») говорится о том, в системе современного высшего образования произошли существенные изменения, которые связаны с переходом от элитарного к массовому высшему образованию.

Массовое образование способствует дифференциации образования по качеству. В связи с увеличением количества университетов и их филиалов, растет и количество абитуриентов, что не позволяет поддерживать высокие стандарты обучения во всех учебных заведениях. Именно поэтому высокое качество образования сохраняется только в ведущих вузах. При проверке взаимосвязи уровня образования при поступлении в университет и при его окончании, используются результаты ЕГЭ студента и размер его заработной платы при трудоустройстве. При исследовании было выявлено,что один дополнительный балл в показателе, измеряющем качество вуза (средний балл приема по ЕГЭ), приносит отдачу в заработной плате в размере от 1,9 до 2% для выпускников соответствующего вуза. Таким образом, получается, что выпускники, выпускниги вузов,средний балл приема ЕГЭ которых на 10 баллов выше, чем других университетов, зарабатывают на 19–20% выше.

Если разделить вузы на квартили по среднему баллу ЕГЭ, то можно сделать вывод, что студенты,выпустившиеся из топовых вузов (1 квартиль рейтинга), получают заработную плату на 31-41 процент больше, чем студенты, получившие образование в вузах с низким рейтингом. Также значимое внимание уделяется специальностям, по которым обучаются студенты. Например, наибольшие заработные платы получают выпускники экономических и технических программ.

Таким образом, наибольшее влияние на размер заработной платы оказывает наличие диплома «качественного» вуза и опыта работы на момент окончания вуза.

Таким образом, предположение о положительном влиянии высшего образования на величину заработной платы подтверждается. Однако, принимая во внимание 1 статью, мы выдвинули гипотезу о том, что высшее образование и заработная плата по-разному коррелируются в разных специальностях.

Описание данных, использованных в исследовании

Для доказательства гипотезы мы взяли репрезентативную выборку по индивидам за 2019 и 2020 годы из базы данных РМЭЗ НИУ ВШЭ. Эти данные подходят для исследования нашей гипотезы, так как в них содержится информация об образовании, заработной плате индивида.

Ниже представлены данные в табличном виде:

При анализе были использованы следующие столбцы:

Номинальные данные Числовые данные
ID единый идентификационный номер индивида Average wage какова была среднемесячная заработная плата за последние 12 месяцев
Year год опроса
Education образование (подробно): старше 14 лет
Education code first специализация, по которой получено 1-ое образование
Education code second специализация, по которой получено 2-ое образование
Diplom first наличие диплома по 1-му высшему образованию
Diplom second наличие диплома по 2-му высшему образованию

Изначально нужные нам переменные были класса character, далее переменные по образованию и наличию диплома были переделаны в биноминальные двухфакторные для вычисления регрессии.

Для очистки данных мы сделали следующие шаги:

Говоря о недостатках, мы столкнулись со следующими проблемами:

Из достоинств можно выделить большой объем данных, который делает анализ более точным.

Анализ заработной платы показал следующие значения:

Далее мы убрали выбросы по заработной плате, сделали минимальным значением 1000 и максимальным 160 000. С учетом исправлений получили максимальную среднюю заработную плату 152 000 и минимальную 1440.

Мы проверили на нормальность распределения по средней заработной плате и количеству человек, получивших законченное первое образования по определенным профессиям. Данные распределения близки к нормальным, однако, мы не делали логарифмирования цены, чтобы больше приблизить распределение по средней зарплате к нормальному, чтобы в дальнейшем не возникло проблем с коэффициентом регрессии.

Методы исследования

В нашем анализе мы использовали следующие методы: обзор статей, визуализация данных с помощью графиков, использование статистических тестов.

Для того чтобы проверить, влияет ли сфера, в которой человек получил высшее образование, на его заработную плату, мы использовали следующее уравнение регрессии: \(Y_i=β_0+ β_1X_1+u_i\) ,где

Проверка нулевой гипотезы заключается в сравнении коэффициентов, которые наглядно демонстрируют различия в заработной плате людей получивших и не получивших высшее образование в зависимости от сферы получения высшего образования.

Стоит отметить, что мы использовали такие методы проверки статистической значимости нулевой гипотезы, как p-значение и t-статистика.

Вероятность значимости или р-value представляет собой вероятность ошибки при отвержении нулевой гипотезы.

В нашем случае нулевой гипотезой для каждой профессии является утверждение о том, что в данной профессии наличие высшего образования влияет на уровень заработной платы.

Соответственно, альтернативной гипотезой является обратное утверждение о том, что в данной профессии наличие высшего образования не влияет на уровень заработной платы. Нашей целью является приблизительно принять нулевую гипотезу или отвергнуть её и принять альтернативную.

P-value говорит нам о том, можем ли мы отвергнуть нулевую гипотезу. При этом для такой оценки мы используем три уровня значимости:

В нашем случае есть 4 варианта выводов относительно P-value:

  1. P-value < 0.01 Это значит, что для данной профессии наличие высшего образования не влияет на уровень заработной платы (Это предполагает, что вероятность того, что нулевая гипотеза верна составляет 1%. Мы отвергаем нулевую гипотезу и принимаем альтернативную на 1% уровне значимости);

  2. 0.01 < P-value < 0.05 значит для данной профессии наличие высшего образования не влияет на уровень заработной платы (Это предполагает, что вероятность того, что нулевая гипотеза верна составляет 5%. Мы отвергаем нулевую гипотезу и принимаем альтернативную на 5% уровне значимости);

  3. 0.05 < P-value < 0.1 значит для данной профессии наличие высшего образования не влияет на уровень заработной платы (Это предполагает, что вероятность того, что нулевая гипотеза верна составляет 10%. Мы отвергаем нулевую гипотезу и принимаем альтернативную на 10% уровне значимости);

  4. P-value > 0.1 значит для данной профессии наличие высшего образования скорее всего влияет на уровень заработной платы (Мы не можем отвергнуть нулевую гипотезу, поэтому принимаем её приблизительно). Мы в любом случае не можем быть уверены в нашей нулевой гипотезе на 100%, так как всегда остаётся небольшая вероятность ошибки.

T-статистикa представляет собой стандартизированное выборочное среднее. Полученные значения t-статистики мы сравнили с критическим значением (по модулю).

Тестирование гипотез проводилось на определенных уровнях значимости:

Соответственно, если t-статистика по модулю больше критического значения, то мы отвергаем нулевую гипотезу на определенном уровне значимости.

Для измерения тесноты линейной зависимости между двумя переменными – заработной платой и сферой получения высшего образования – мы находили коэффициент корреляции Спирмена.

Интерпретация данного коэффициента может быть представлена следующим образом:

Корреляция в нашем исследовании преимуществественно находится в интервале (0; 0,5) по причине ненормального распределения в используемых таблицах, так как в нашем исследовании создавались таблицы с одинаковым количеством людей без высшегоо образования, а индивиды, с дипломами о высшем образовании по различным профессиям находились в разных пропорциях. Однако, коэффициент корреляции уже намного выше при перекрестном анализе.

Результаты анализа

Коэффициент регрессии и корреляции показали, в каких отраслях стоит получать образование для получения высокой заработной платы, а также высшее образование в каких специальностях отрицательно влияет на заработную плату.

Для начала проверим, стоит ли принимать нулевую гипотезу о зависимости заработной платы от наличия высшего образования в определенной сфере, используя T-test на 10 % уровне значимости.

Для данных профессий значение T-статистики по модулю лежит в промежутке от 1.64 до 1.96:

Это на 10% уровне значимости говорит нам об отсутствии зависимости между наличием высшего образования и размером заработной платы для данной профессии.

Что касается проверки нулевой гипотезы по P-value, мы выявили, что в некоторых профессиональных сферах зависимости между наличием высшего образования и заработной платой нет.

Итак, P-value < 0.1 для следующих профессий:

Для данных профессий мы можем отрицать наличие зависимости между наличием высшего образования и заработной платой на 10% уровне значимости.

Теперь мы поняли, в каких профессиях полученные нами коэффициент регрессии и корреляции не могут свидетельствовать о наличии зависимости заработной платы от наличия высшего образования.

В результате оценки регрессионного уравнения мы пришли к выводам, что наибольшая положительная отдача от образования наблюдается у:

Разница в заработной плате у индивидов, получивших высшее образование в данных сферах, и у людей без высшего образования составляет более 20 000 рублей.

Кроме того, коэффициент регрессии выше 10 000 наблюдается у:

Это говорит нам о том, что получение высшего образования в данных профессиях делает заработную плату индивида выше, чем у людей без высшего образования, более чем на 10 000 руб. Также в этих профессиях наблюдается слабая положительная корреляция, что подтверждает наш вывод.

Интересно отметить, что наименьшие (отрицательные) коэффициенты регрессии наблюдаются в следующих профессиях:

Получение высшего образования в данных профессиях снижает заработную плату индивида на 7 000 - 13 000 руб, по сравнению с людьми без высшего образования. Также в данных профессиях наблюдаются слабая и средняя отрицательные корреляции, что подтверждает наш вывод.

Далее для более детального обзора мы провели перекрестный анализ. Он показал, что в 2019-2020 гг. образование более ценно в сфере ИКТ, так как положительный коэффициент регрессии у индивидов с дипломом в сфере икт намного выше, чем у ряда профессий. Если сравнить наличие образования в двух профессиях, по которым был наибольший положительный коэффициент регрессии, то специалисты в области ИКТ с образованием получат на 9 500 рублей больше, чем графические и мультимедиа-дизайнеры.

corr2=cor(data$AverageWage, data$AverageWage, use = "complete.obs", method = "pearson")
round(corr2,3)
## [1] 1

Вывод

Таким образом, наша изначальная гипотеза подтверждается, и можно сделать следующий вывод: на заработную плату по разному влияет то, по какой специальности индивид получает высшее образование. Наличие высшего образования в таких сферах, как ИКТ, дизайн, медицина, таможенное дело, химическая инженерия и др., в разной степени положительно влияет на заработную плату. Однако наличие высшего образования в некоторых профессиях, напротив, в разной степени отрицательно влияет на уровень заработной платы. Поэтому высшее образование может способствовать повышению уровня заработной платы, но для этого получать его необходимо в определенной сфере.

На практике результаты нашего исследования могут помочь старшеклассником или другим людям, которые выбирают профессию для получения высшего образования, определить сферы, в которых они смогут получить наибольшую положительную отдачу в виде заработной платы от полученного высшего образования.

Также наше исследование может показать вузам, какие специальности наиболее востребованы на рынке труда, а значит требуют расширения. Кроме того, наше исследование может стать стимулом для более глубокого изучения этой темы в будущем. Можно продолжать исследовать данный вопрос, обращая внимание и на другие факторы, которые могут влиять на зависимость заработной платы от высшего образования.

Кроме того, наше исследование может стать стимулом для более глубокого изучения этой темы в будущем. Можно продолжать исследовать данный вопрос, обращая внимание и на другие факторы, которые могут влиять на зависимость заработной платы от высшего образования.

Приложение

# очистка данных:
data$AverageWage = gsub("ЗАТРУДНЯЮСЬ ОТВЕТИТЬ", "", data$AverageWage)
data$AverageWage = gsub("НЕТ ОТВЕТА", "", data$AverageWage)
data$AverageWage = gsub("ОТКАЗ ОТ ОТВЕТА", "", data$AverageWage)
data$Education = gsub("НЕТ ОТВЕТА", "", data$Education)
data$Education = gsub("аспирантура и т.п. без диплома", "есть диплом о высшем образовании", data$Education)
data$Education = gsub("аспирантура и т.п. с дипломом", "есть диплом о высшем образовании", data$Education)
data$Education=ifelse(data$Education!='есть диплом о высшем образовании','нет','да')
data$Education=ifelse(data$DiplomFirst=='Да','да',data$Education)
data$EducationCodeFirst=ifelse(data$DiplomFirst=='Нет'&data$DiplomSecond=='Да',data$EducationCodeSecond,data$EducationCodeFirst)
data = filter(data, data$AverageWage != '0')
data = filter(data, data$AverageWage != '')
data = filter(data, data$Education != '')
data$AverageWage=as.integer(data$AverageWage)
data=filter(data,data$AverageWage<160000&data$AverageWage>1000)


# анализ заработной платы

data$AverageWage=as.numeric(data$AverageWage)
Average_wage=describe(data$AverageWage)
Average=table(data$AverageWage)
Average_wage$Moda<- 30000
Quantile=quantile(data$AverageWage,na.rm = TRUE)
Average_wage$Quantile_1st<-Quantile[2]
Average_wage$Quantile_3rd<-Quantile[4]
Average_wage1=t(Average_wage)
metriks=c("Vars","n","mean","sd","median","trimmed","mad","min","max","range","skew","kutorsis","se","moda","Quantile_1st","Quantile_3rd")
Average_Wage2=as.data.frame(metriks,Average_wage1)
Average_Wage2$value=Average_wage1

#код для составления первой таблицы

finish = data.frame(education = character(),Coefficient=numeric(),Ttest=numeric(),Ftest=numeric(),Correlation=numeric())

for(i in SPISOK){

DATA1=data
DATA1$EducNA=is.na(DATA1$EducationCodeFirst)
DATA1=filter(DATA1,DATA1$EducNA!=TRUE)
data3=as.data.frame(table(DATA1$EducationCodeFirst))

DATA1$X=ifelse(DATA1$EducationCodeFirst==i,'yes','no')
DATA=filter(DATA1,DATA1$X=='yes')
DATA_WITHOUT=filter(DATA1,DATA1$Education=='нет')
DATA_ALL <- rbind(DATA, DATA_WITHOUT)
DATA_ALL_test <- subset(DATA_ALL, select = c(AverageWage, X))
Model <- glm(AverageWage ~ X , data = DATA_ALL_test)

p=Model[1]
p=as.data.frame(p)


q=t.test(AverageWage~X, data = DATA_ALL_test)
r=as.data.frame(q[3

])
q=as.data.frame(q[1])

DATA_ALL_test$X=ifelse(DATA_ALL_test$X=='yes',1,0)

fisher=var.test(DATA_ALL_test$AverageWage,DATA_ALL_test$X)
fisher=as.data.frame(fisher[1])

corr=cor(DATA_ALL_test$X, DATA_ALL_test$AverageWage, use = "complete.obs", method = "pearson")

finish <- rbind(finish, data.frame( education = toString(i),Coefficient = p[2,1],Ttest=q[1,1],P_value=r[1,1],Correlation=corr))
}
# для второй(перекрестной таблицы):(код не сильно отличается, однако используется цикл в два уровня)

finish_cross=data.frame(SpesializationFirst=character(),SpesializationSecond=character(),Coefficient=numeric(),Ttest=numeric(),Ftest=numeric(),Correlation=numeric())
for(i in SPISOK){
PROF=data
PROF$EducNA=is.na(PROF$EducationCodeFirst)
PROF=filter(PROF,PROF$EducNA!=TRUE)
prof=as.data.frame(table(PROF$EducationCodeFirst))
PROF$X=ifelse(PROF$EducationCodeFirst==i,'first','no')
PROF1=filter(PROF,PROF$X=='first')

for (p in SPISOK){
PROF2=data
PROF2$EducNA=is.na(PROF2$EducationCodeFirst)
PROF2=filter(PROF2,PROF2$EducNA!=TRUE)
prof2=as.data.frame(table(PROF2$EducationCodeFirst))
PROF2$X=ifelse(PROF2$EducationCodeFirst==p,'second','no')
PROF21=filter(PROF2,PROF2$X=='second')

PROF_CROSS <- rbind(PROF1, PROF21)
PROF_CROSS_test <- subset(PROF_CROSS, select = c(AverageWage, X))

Model1 <- glm(AverageWage ~ X , data = PROF_CROSS_test)

r=Model1[1]
r=as.data.frame(r)
r$coefficients=ifelse(r$coefficients<=0.001&r$coefficients>=-0.00001,0,r$coefficients)
r$coefficients=r$coefficients*(-1)

q2=t.test(AverageWage~X, data = PROF_CROSS_test)
k=as.data.frame(q2[3])
q3=as.data.frame(q2[1])

PROF_CROSS_test$X=ifelse(PROF_CROSS_test$X=='first',1,0)


corr2=cor(PROF_CROSS_test$X, PROF_CROSS_test$AverageWage, use = "complete.obs", method = "pearson")

finish_cross <- rbind(finish_cross, data.frame( SpesializationFirst = toString(i),SpesializationSecond = toString(p),Coefficient =r[2,1],Ttest=q3[1,1],P_value=k[1,1],Correlation=corr2))
}}
finish_cross=filter(finish_cross,finish_cross$SpesializationFirst!=finish_cross$SpesializationSecond)
finish_cross=filter(finish_cross,finish_cross$Coefficient>=0)

Список литературы

Еделев, Дмитрий Аркадьевич, and Наталья Викторовна Майорова. 2013. “Дифференциация населения по уровням доходов и образования.” Современная научная мысль, no. 6.

Потанин, БС. 2019. “Оценка влияния высшего образования на заработную плату работника.” Проблемы прогнозирования, no. 3 (174).

Прохорова, ТГ. 2017. “Анализ влияния высшего образования на заработную плату индивидов в россии и российских регионах.” Российский экономический интернет-журнал, no. 2: 37–37.

Разумова, ТО. 2009. “Влияние высшего образования на доходы работника.” Экономический анализ: Теория и практика, no. 13.

Рощин, Сергей Юрьевич, and Виктор Николаевич Рудаков. 2016. “Влияние качества вуза на заработную плату выпускников.” Вопросы экономики 12 (8): 74–95.

СИМОНЕНКО, AM. 2008. “Взаимосвязь уровня образования и уровня заработной платы в современной россии.” Региональная экономика: Теория и практика, no. 11: 78–81.