A comparison of jmp wage decomposition and quantile regression methods in wage inequality assessment

The decomposition technique of Juhn, Murphy and Pierce (1993) and quantile regression are two of the main tools of wage inequality analysis. JMP technique has the advantage of decomposing the change in wages into three components, and showing residual inequality easily. Quantile regression has the advantage of showing a detailed picture of wage distribution at different quantiles. We apply both techniques to March Current Population Survey (CPS) data of the US Bureau of Labor Statistics (BLS) to analyze the changes in wage inequality in the US during the 1967-2005 period. We compare the results to see which technique produces more useful results in response to the research question at hand. We find that it is a good idea to check the quantile regression results before concluding on JMP values since if quantile regression coefficients are very different from OLS coefficients (meaning the wage distribution is quite different from a normal one), results of two methods differ greatly and the application of JMP is problematic.

Wage Inequality ,

US ,

Wage Decomposition ,

Quantile Regression ,

Ücret Eşitsizliği ,

Juhn, Murphy and Pierce (1993)’in ayrıstırma tekniği ve kantil regresyon, ücret esitsizliği analizinin önemli araçlarından ikisidir. JMP tekniği, ücretlerdeki değismeyi üç parçaya ayırma ve “artık esitsizliği”ni kolaylıkla gösterme avantajına sahiptir. Buna karsın kantil regresyonun avantajı ise farklı kantillerdeki ücret dağılımının detaylı bir resmini gösterebilmesidir. Çalısmamızda her iki yöntemi de ABD İsgücü İstatistikleri Bürosu tarafından yayınlanan Mart Ayı Güncel Nüfus Anketi(CPS) verilerine uygulayarak 1967–2005 döneminde ABD’deki ücret esitsizliğinde meydana gelen değisiklikleri inceliyoruz. Bu konuda hangi yöntemin daha faydalı sonuçlar ürettiğini görmek için sonuçlarını karsılastırıyoruz. Sonuçta, JMP değerleri üzerinde yorum yapmadan önce kantil regresyon sonuçlarını kontrol etmek gerektiğini, çünkü eğer kantil regresyon katsayıları OLS regresyon katsayılarından çok farklıysa (yani ücret dağılımı normal dağılımdan uzaksa), iki yöntemin sonuçlarının oldukça farklılastığı ve JMP’nin uygulanmasının problemli bir hale geldiğini görüyoruz.

ABD ,

Ücret Ayrıştırması ,

Kantil Regresyon ,