Wielowymiarowa nierówność szans
BEETHOVEN 2, Kierownik MARTYNA KOBUS
Alan Krueger, były główny doradca ekonomiczny prezydenta Obamy, powiedział w czasie wystąpienia w Center of American Progress (1.12.2012): „Wzrost nierówności w ciągu ostatnich trzech dekad w Stanach Zjednoczonych osiągnął taki punkt, że nierówność dochodów jest przyczyną nierównego podziału szans, i jest zagrożeniem dla dalszego wzrostu gospodarczego”. Równość szans, w przeciwieństwie do równości wyników, uwzględnia element indywidualnej odpowiedzialności. Osoby powinny mieć równe szanse w tym sensie, że czynniki poza ich kontrolą, jak status rodziców, nie powinny mieć wpływu na osiągane przez nich w życiu rezultaty, a tylko to o czym osoba decyduje w dążeniu do osiągnięcia dobrobytu. Dobrobyt ten, jak wskazuje szeroka literatura teoretyczna, empiryczna oraz praktyka rządów i organizacji międzynarodowych, jest pojęciem wielowymiarowym i nie może być zredukowany wyłącznie do dochodu. Bourguignon et al. (2007), Fleurbaey i Shokkaert (2009), Ferreira i Peragine (2015) wszyscy wskazują, że wyjście poza jednowymiarową ocenę nierównych szans jest pożądanym kierunkiem przyszłych badań. Niniejszy projekt ten temat podejmuje.Celem głównym jest rozwinięcie metod pomiaru a następnie w oparciu o nie wykonanie analiz empirycznych dotyczących wielowymiarowej nierówności szans. Cel ten będzie zrealizowany przez cztery cele szczegółowe, które odpowiadają pakietom projektu. Po pierwsze, rozszerzymy istniejący model teoretyczny równości szans o wiele wymiarów. Po drugie, rozwiniemy miary wielowymiarowej nierówności szans i zaproponujemy metody ekonometryczne do ich aplikacji. Po trzecie, będziemy badać nierówności szans w sytuacji gdy wyniki stanowią dochód, majątek, a w dalszym etapie również edukacja i zdrowie analizowane łącznie. Po czwarte, analizujemy nierówności szans w cyklu życia, obserwacje w czasie to dodatkowe wymiary. Do rozwinięcia teorii posłużą metody matematyczne stosowane w ekonomii. Analizy empiryczne prowadzone będą w oparciu o tzw. model SUR (Seemingly Unrelated Regressions) z rozszerzeniem, że zależność pomiędzy składnikami losowymi modelowana jest w oparciu o kopule.