22/07/2022
ለአጥኚዎች ተጨማሪ ትኩረት!
ሁል ጊዜም Impact, Determinant, Effect፤ ወዘተ አይነት ይዘት ያላቸው ርዕሶች ስንመርጥ ስለ የምንጠቀመው Econometrics ሞዴልም አብሮ ማሰብ ያስፈልጋል። ትክክለኛውን ሞዴል ለመምረጥ ደግሞ የጥገኛ ተለዋዋጫችንን(Dependent Variable) ትክክለኛው ልኬት ልንጠቀም ይገባል።
#ለምሳሌ፦ "The impact of unemployment on household welfare" ለሚለው ምሳሌ Unemplyment በኢኮኖሚያዊ ትዮሪ ውስጥ የሚለካው በRate ማለትም በመጠን ነው(ስለዚህ Continous variable) ነው። ስለዚህ ትክክለኛው ሞዴል መሆን ያለበት ለCross-sectional data (በአብዛኛው በአንዴ የሚወሰድ መረጃ ሲሆን) OLS regresion ለtime series data (ዳታው ከ31 አመት በላይ ከሆነ) ደግሞ የVAR ወይም ARDL ሞዴሎች ትክክለኛዎቹ አማራጮች ሊሆኑ ይችላሉ።
ነገር ግን ብዙ አጥኚዎች የስራ አጥነት ተፅኖን ለማጥናት ያለ አግባብ Binary outcome models - Logit ወይም Probit ሲጠቀሙ ይታያሉ። ይህ ግን #አንደኛ የስራ አጥነትን (Unemployment) ባህሪ አይገልፅም! ልኬቱ ትክክል ባለመሆኑ Non-sampling error እንዲጨምር ያደርጋል። #ሁለተኛ Logit ወይም Probit ለመጠቀም አጥኚው የግድ Dependent Variableን በሁለት መክፈል አለበት። ስራ ያለው እና ስራ የሌለው (Employed እና Unemployed) በማለት።
ነገር ግን ይህ ከሆነ አጥኚው ሁለት የማይነፃፀሩ ነገሮችን እያነፃፀረ በመሆኑና የተነሳበት ዓላማ ግን ስራ አጥነት በስራ አጦች ድህነት(Welfare) ያለውን ተፅኖ መለየት ከመሆኑ ጋር ተያይዞ ውጤቱ ተቀባይነት አይኖረውም። #ሶስተኛው ተማራማሪው መረጃ ለመሰብሰብ የናሙናው ወኪሎች ስራ አጦች ሆነው ሳለ ግን Model specification ላይ ደርሶ ስራ አጦች ስራ ካላቸው (Employed እና Unemployed) እያለ ሲከፋፍል በመረጃ ስብሰባ ወቅት ስራ ያላቸውን ተጠይቆ መረጃ ካላካተተ ንፅፅሩ ግልፅ አይሆንም።
ስለዚህ የምርምሮቻችንን አርስት ስንመርጥ ሁሌም ስለ Variables (Depedent እና Indepedents) ትክክለኛ መለኪያ እና ከእርሱ ጋር አብሮ ስለምሄድ ሞዴል አስቀድመን ልናነብና ልንጠነቀቅ ይገባል። እንደ እኔ እምነት ግን እንደ ስራ አጥነት ያሉ ኡኮኖሚያዊ ቀውሶች በገላጭ የጥናት ስልት (Descriptive design) ቢጠኑ ችግሩን በደንብ የሚገልፁ ይሆናሉ።
ምክንያቱም ስራ አጥነት በሰው ህይወት ላይ ያለውን ተፅኖ የርስ በርስ ተፅኖ ፈጣሪ (Explanatory design) ለማጥናት #ለምሳሌ፦ ከIndependent Variable መካከል ገቢን(income) ወስደን Significant እና Negative sign ያለው ሆኖ ብናገኝ፡ የሰዎች ገቢ በአንድ ብር ሲጨምር ስራ አጥነት ባገኘነው Cofficient ልክ ይቀንሳል ልንልና በመጨረሻም የመፍትሄ ሀሳብ ላይ የስራ አጥነትን ተፅኖ ለመቀነስ የሰዎችን ገቢ መጨመር ያሻል ልንል ነው። ነገር ግን ትንታነያችን ፖሊሲ አውጪዎችን አያሳምንም። ምክንያቱም ጥናታችን በቤተሰብ ደረጃ የገቢ ምንጭ ስለሌላቸው ሰዎች አጥንተን ስናበቃ የሚል የመፍትሄ ሃሳብ ሲቀርብ ብዙም ትርጉም አይሰጥም። በዚያ ላይ ስራ አጥነት እና ገቢ በተቃራኒ መዛመዳቸው ለስራ አጡ ሰው ምን ይፈይደዋል? ስራ አጥነት ያደረሰበትን ዘርፈ ብዙ ቀውስስ ይገልፃል?
በሌላ በኩል ምርምራችን በቤተሰብ ደረጃ ከነበረ ደግሞ አንድም የሀገራዊ ገቢ መጨመር ብቻው
