| Fecha: |
2025 |
| Resumen: |
El capital humà s'acumula al llarg de la vida, però les oportunitats i limitacions que modelen aquestes inversions varien des de la infància fins a l'edat adulta. Aquesta dissertació estudia tres situacions dins d'aquest procés en diferents contextos: el finançament universitari als Estats Units, la mesura i modelització de la formació d'habilitats, i l'avaluació d'una intervenció en la infància a Ghana. Per fer-ho, combino tècniques aplicades d'inferència causal amb models estructurals del comportament individual. En conjunt, els capítols ofereixen una visió unificada de com els recursos financers, la mesura i el disseny de polítiques interactuen per determinar els retorns de la inversió en capital humà i la seva distribució entre els individus. El primer capítol quantifica com els sistemes de pagament de préstecs estudiantils influeixen en la matrícula universitària i l'elecció de carrera. Desenvolupo un model dinàmic d'inversió en capital humà on els graduats de secundària, adversos al risc, decideixen si es matriculen, quina carrera seguir, quant demanar prestat cada any i quant treballar mentre estudien, tot sota incertesa pel que fa al suport per matrícula, les probabilitats de graduació i els ingressos futurs. Estimo el model amb dades de la "National Longitudinal Survey of Youth 1997" utilitzant un algoritme que permet acomodar heterogeneïtat no observada i una decisió contínua d'endeutament. Simulacions contrafactuals mostren que substituir el pla estàndard de pagament a 10 anys per un pla basat en ingressos de 2023, "Saving on a Valuable Education" (SAVE), incrementa la graduació universitària en dos punts percentuals en general, i en un 18% per a estudiants de baixos ingressos, principalment perquè protegeix els prestataris contra el risc d'ingressos futurs incerts. La política també modifica la decisió laboral durant els estudis, augmenta el deute en graduar-se i indueix un 15% dels estudiants (majoritàriament de contextos de baixos ingressos) a canviar-se a carreres com Educació i Salut, que ofereixen majors retorns no pecuniaris o requereixen més temps per completar-se. Al segon capítol abordo un problema d'identificació en estimar tecnologies de formació d'habilitats. L'avaluació de polítiques en la infància requereix estimacions creïbles de la tecnologia que relaciona les inversions i habilitats existents amb les habilitats futures. Atès que tant les habilitats com les inversions són factors no observats, els investigadors depenen de múltiples indicadors sorollosos d'aquests factors latents. Mostro, analíticament i mitjançant experiments de Monte Carlo, que la pràctica habitual de fixar una mesura per factor per estimar aquests sistemes de mesura deixa sense identificar paràmetres clau de la funció de producció. Basant-me en treballs recents, proposo una nova estratègia d'identificació per a una funció de producció Cobb-Douglas de dues habilitats: combinar la suposició d'"invariància per edat" amb una regla d'estandardització de variància que rescale tots els factors latents en unitats de desviació estàndard. Aquest enfocament permet recuperar tots els paràmetres de productivitat i les productivitats totals dels factors a una escala interpretable i comparable entre estudis. Finalment, l'últim capítol avalua el programa Quality Preschool for Ghana, una intervenció en la infància destinada a millorar la qualitat de l'aula i les habilitats dels infants. Utilitzant l'estratègia del Capítol 2, estimo un model de formació d'habilitats amb factors latents. L'anàlisi mostra que, quan ens centrem en els factors latents rellevants, el programa genera beneficis duradors tant en habilitats cognitives com socioemocionals, tot i que això no sembla evident en les mesures no ajustades. També demostra que el tractament actua proporcionant un impuls inicial en la productivitat, més que modificant la tecnologia de desenvolupament d'habilitats al llarg del temps. |
| Resumen: |
El capital humano se acumula a lo largo de la vida, pero las oportunidades y limitaciones que moldean esas inversiones varían desde la infancia hasta la edad adulta. Esta disertación estudia tres situaciones dentro de ese proceso en diferentes contextos: el financiamiento universitario en E. E. U. U. , la medición y modelación de la formación de habilidades, y la evaluación de una intervención en la infancia en Ghana. Para ello, combino técnicas aplicadas de inferencia causal con modelos estructurales del comportamiento individual. En conjunto, los capítulos ofrecen una visión unificada de cómo los recursos financieros, la medición y el diseño de políticas interactúan para determinar los retornos de la inversión en capital humano y su distribución entre los individuos. El primer capítulo cuantifica cómo los sistemas de pago de préstamos estudiantiles influyen en la matrícula universitaria y la elección de carrera. Desarrollo un modelo dinámico de inversión en capital humano dónde los graduados de secundaria, aversos al riesgo, deciden si se matriculan, qué carrera seguir, cuánto pedir prestado cada año y cuánto trabajar mientras estudian, todo bajo incertidumbre respecto al apoyo para matrícula, las probabilidades de graduación y los ingresos futuros. Estimo el modelo con datos de "National Longitudinal Survey of Youth 1997" utilizando un algoritmo que permite acomodar heterogeneidad no observada y una decisión continua de endeudamiento. Simulaciones contrafactuales muestran que reemplazar el plan estándar de pago a 10 años con uno basado en ingresos de 2023 "Saving on a Valuable Education" (SAVE) incrementa la graduación universitaria en dos puntos porcentuales en general, y en un 18 por ciento para estudiantes de bajos ingresos, principalmente porque protege a los prestatarios contra el riesgo de ingresos futuros inciertos. La política también modifica la decisión laboral durante los estudios, aumenta la deuda al graduarse e induce a un 15 por ciento de los estudiantes (mayoritariamente de entornos de bajos ingresos) a cambiarse a carreras como Educación y Salud, que ofrecen mayores retornos no pecuniarios o requieren más tiempo para completarse. En el segundo capítulo abordo un problema de identificación al estimar tecnologías de formación de habilidades. La evaluación de políticas en la infancia requiere estimaciones creíbles de la tecnología que relaciona las inversiones y habilidades existentes con las habilidades futuras. Dado que tanto las habilidades como las inversiones son factores no observados, los investigadores dependen de múltiples indicadores ruidosos de esos factores latentes. Muestro, analíticamente y mediante experimentos de Monte Carlo, que la práctica común de fijar una medida por factor para estimar esos sistemas de medición deja sin identificar parámetros clave de la función de producción. Basándome en trabajos recientes, propongo una nueva estrategia de identificación para una función de producción Cobb-Douglas de dos habilidades: combinar la suposición de "invariancia por edad" con una regla de estandarización de varianza que reescala todos los factores latentes en unidades de desviación estándar. Este enfoque permite recuperar todos los parámetros de productividad y las productividades totales de los factores a escala interpretable y comparable entre estudios. Finalmente, el último capítulo evalúa el programa Quality Preschool for Ghana, una intervención en la infancia destinada a mejorar la calidad del aula y las habilidades de los niños. Utilizando la estrategia del Capítulo 2, estimo un modelo de formación de habilidades con factores latentes. El análisis muestra que cuando nos enfocamos en los factores latentes relevantes, el programa genera beneficios duraderos tanto en habilidades cognitivas como socioemocionales, a pesar de que ese no parece el caso en las medidas sin ajustar. También demuestra que el tratamiento actúa proporcionando un impulso inicial en la productividad, más que modificando la tecnología de desarrollo de habilidades a lo largo del tiempo. |
| Resumen: |
Human capital is accumulated over a lifetime, but the opportunities and constraints that shape those investments vary substantially from early childhood through adulthood. This dissertation studies three situations in that life-cycle process in different context: paying for college in the U. S. , measuring and modeling skill formation, and evaluating an early-childhood intervention in Ghana. To that end, I combine applied causal-inference techniques with structural models of individual behavior. Taken together, the chapters provide a unified picture of how finance, measurement and policy design interact to determine the returns to human-capital investment and the distribution of those returns across individuals. The first chapter quantifies how student-loan repayment plans shape college enrollment and field-of-study choices. I build a rich dynamic human capital investment model in which risk-averse high-school graduates decide whether to enrol, what major to pursue, how much to borrow each year, and how much to work while in school, all under uncertainty about tuition support, graduation probabilities and future earnings. The model is estimated with the National Longitudinal Survey of Youth 1997 using an algorithm that allows to accommodate unobserved heterogeneity and a continuous borrowing choice. Counterfactual simulations show that replacing the standard 10-year repayment plan with the 2023 "Saving on a Valuable Education'' (SAVE) income-driven repayment plan raises college graduation by two percentage points overall, and by 18 percent for low-income students, principally because SAVE insures borrowers against uncertain future earnings risk. The policy also changes labour-supply while enrolled, increases average debt at graduation and induces 15 percent of students (disproportionately from low-income backgrounds) to switch majors toward fields such as Education and Health that offer higher non-pecuniary returns or longer completion times. In the second chapter I address an identification problem when estimating technologies of skill formation. Reliable evaluation of early-life policies requires credible estimates of the technology that maps investments and existing skills into future skills. Because both skills and investments are unobserved, researchers rely on multiple noisy proxies of the latent factors. I show analytically and with Monte-Carlo experiments that the standard practice of fixing one measure per factor to estimate those measurement systems leaves key production-function parameters unidentified. Building on recent work, I propose a new identification strategy for a two-skill Cobb-Douglas production function: combine the "age-invariance'" assumption with a variance-standardization rule that re-scales all latent factors into contemporaneous standard-deviation units. This approach recovers all productivity parameters and total-factor productivities up to an interpretable scale that is comparable across studies. Finally, the last chapter evaluates the Quality Preschool for Ghana program, an early-childhood intervention aimed at boosting classroom quality and children's skills. Using the identification strategy developed in Chapter 2, I estimate a latent-factor skill-formation model. The analysis shows that, once noise is removed and the focus shifts to the latent factors of interest, the program produces lasting gains in both cognitive and socio-emotional skills, even though raw scores appear to fade-out. It also shows that the treatment operates by providing an initial productivity boost rather than by changing the way skills develop over time. |
| Nota: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Anàlisi Econòmica |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Lengua: |
Anglès |
| Documento: |
Tesi doctoral ; Text ; Versió publicada |
| Materia: |
Capital humà ;
Human capital ;
Capital humano ;
Model estructural ;
Structural model ;
Modelo estructural ;
Deute estudiantil ;
Student debt ;
Deuda estudiantil ;
Ciències Socials |
visitante ::
identificación
dir.
