翻译未完待续.docxVIP

5.数据和变量定义 在实证分析中使用的数据集来源于德国社会经济面板的研究数据（简称SOEP）。该经济面板中的数据调查开始于1984的年度最具代表性的家庭调查，每年都会从在德居住的居民中广泛的选取大量样本。瓦格纳等人（2007）提供了一个全面的研究综述。 核心分析使用的数据来自于1994年到1999年。并且只关注在改革后的几年里，理由如下：第一，如， 由于考虑了序列相关问题从而关注低估的标准误差（贝特朗等人。2004）。 其次，这种方法了避免混淆改革效果与其他改革效果。例如，短期病假工资在1999年增加，随之带来的结果便是导致了病假的增加（」和卡尔森，即将出版）。当解释该现象时，要注意，本文仅对短期改革效果进行评估。 当目的是去评估工资报酬水平的下降时，无工作的受访者和那些有长期病假补偿的不符合条件的人（每月工资低于400欧元以及正在工作的学生）被排除在外。因此，与主题无关的观察量得以减少，此外，作为样本的受访者的年龄被严格限制在18岁~65岁之间。 5.1.因变量 德国社会经济面板包含有关健康服务和健康保险的使用的各种问题，它包含了两种不同的病假问题，根据德国的机构设置以区分长期缺勤与短期缺勤。 第一个问题的研究主要依赖长期旷工二进制变量来衡量长期旷工率。每年调查以后都会考虑这些问题，第一个问题是具体地询问在去年的长期病假：“你有一次工作超过六个星期吗？“很显然，所有的调查数据都包含测量误差。这个指标的最大优点是测量误差起的作用很小，因为自病假工资降低六周后，它不再由雇主支付医疗保险，而且还需要医生出具的不同证明。因此，请长期病假的员工应该牢牢记住。 第二个SOEP年度必问的病假问题是：“去年你因病未能工作的时间是多长？请注意是所有的天数，而不仅仅是那些得到医生开具了正式证明的时间。” 这项措施用来生成一个长期旷工时间二变量。长期旷工时间二变量代表长期旷工的时间。为获得持续的时间雇员可以选择减少雇主支付的病假天数，从报告中规定的总的天数—前六周时间缩减为三十天，但这只是针对那些有长期假条的雇员而言。 。 显然，尽管主要的长期旷工率指标不容易出现误分类，但长期旷工时间指标却会受受测量误差的影响，当假设条件为 受访者除了明确可识别的长期病假条之外没有短期病假条的时候。 如果被调查者除了长期病假条外还有短期病假条 ，则二变量含有测量误差，该误差将会扩大回归系数的标准差。（Chen et al.，2011）。 此外，通过比较官方发布的长期旷工时间数据平均值，我们很容易发现，调查数据受到系统漏报，因为持长期病假条的人有更小的可能性参与调查。然而，只要保证长期病假工资的削减不会影响调查的参与率以及疾病时间分布，那么持续测量也可以起到充分评估改革影响的作用。前者的假设很容易控制，特别是因为现有的资料并没有足够的证据去证明长期旷工的减少是由于改革，可以说，后一种假设可能会有更多的问题：这是因为，改革后，那些原本仅受法定长期病假工资削减影响的群体，例如治疗组2，现在有了一个用短期替代长期的增加的激励。然而，根据德国法律，如果这种疾病替换发生的话，这就将会是禁止的，而且雇主提供短期病假工资的资格也将会失效。（见第2.3节）。 5.2.协变量 这两个问题既是两个缺勤问题，也是两个因变量，参考以往年份，如果受访者在前年采访，则模型会相应的从去年选取随时间变化的协变量信息，使用随时间变化的协变量的信息从上年如果被告在前年采访。对于那些去年没有接受采访的受访者，模型将会使用当时的协变量的值，并且假设长期病假集没有发生变化。 附录中可以找到一整套解释变量 ，具体分类如下：第一组协变量包括个人特征变量，像傻瓜女， 移民，东德，合作伙伴，已婚，儿童，残疾人，良好的健康，不健康，不运动，年龄（年龄二 ）。第二组包含了教育控制量，如学历、在公司的就职年数，以及是否接受过工作培训。最后一组包含工作特性的解释变量，其中有蓝领工人、白领、公司的规模，以及每月总工资。 5.3.处理指标和处理强度指标 4.3节和表2定义了不同的子样本，例如处理组1，处理组2和对照组。 由于德国社会经济面板对受访者的保险现状和工作场所要求非常详细，所以很容易将受访者分到不同的分组里。 然而，那些有保险的个体经营户为获得低贡献率有退出长期病假工资的选择。由于有这样类似合同的个体户受访者不能被辨别出来，所以他们并不属于样品的一部分。 如表3所示，三个处理假指标被应用于实证模型中，借以估计长期旷工条件两种病假工资改革的直接效应、间接效应以及净效应。处理组1用指标1表示所有员工均受两种改革的影响，用指标0表示所有员工均不受两种改革的影响（即控制组），所以处理组1用来估计长期旷工条件下改革的净效应。为得到直接效应，我们引入了处理组2，处理组2用指标1表示那些仅受法定长期病假工资削减影响的