This is the first problem set for Econ 448.  In it, you will answer a mix of questions that require both conceptual and analysis work. I prefer that you submit your entire document as one html document generated from your Markdown Notebook.  However, you may answer the concept and calculation questions separately in the word processor of your choice (converted to pdf), but please submit your code and results for any of the data analysis questions as a pdf or html file. You do not need to submit any of the lab exercises below. This is just to help you learn the code for the formulas.

##  Packages  you  may need  -  need  to  load  every  session  if  you  are  in  the  cloud

##  Trying  something  new  that  should  play  better  with  R

lf  (!require("pacman"))  install .packages("pacman")  #pacman  is  the  package  that  installs  packages  nicely pacman::p_load(HMDHFDplus,  tidyverse,  ggplot2,  dplyr,  lattice)  #these  are  the  packages  you  may  need

## Load  every  time,  but  only  once per  session

library("ggplot2")

library("dplyr")

library("HMDHFDplus")

Problem Set 1 Lab

##Loading population  data  into  a matrix  for  later  calculations

ASMR_A<-matrix(c (22 ,60 ,  18 ,8 ,3 ,43),  nrow=3 ,  ncol=2 ,  dimnames=list(c ( "<15" , "15-64" , ">64"),  c ("Pop_Percen ASMR_A<-as.data.frame(ASMR_A)

ASMR_A

##             Pop_Percent  Deaths_per_1000

##  <15                       22                             8

##  15-64                    60                             3

##  >64                         18                             43

Multiplying two vectors together (dot product) can be used to calculate a weighted average, for example: y = w1 * z1 + w2 * z2 + w3 * z3 + w4 * z4

##  The  code  below produces  the  dot product  of  the  two  columns

##  i .e .  it  multiplies  element  1  of  the  first  column  by  element  1  of  the  second,  etc,  and  adds  all  of  th

CMR<-ASMR_A$Pop_Percent%*%ASMR_A$Deaths_per_ 1000/ 100

CMR

##            [,1]

##  [1,]  11 .3

You can even use the notebook to display your results in regular text (look at the html to see this in action). This could be useful for your final paper.

The crude mortality rate in Country A is 11.3 deaths per 1000 people.

Was Malthus right?   Calculating mortality and fertility rates from real-world data    Malthus predicted that excessive population growth would correct itself, either through “positive checks” of increased misery and death or “preventive checks” of reduced marriage and fewer births. One crude way to test for evidence of “positive checks” is to look for a positive relationship between the birth rate and the death rate.

In this exercise, we will use the HMDHFDplus package to access the Human Mortality Database. To complete

this exercise, you will have to go to mortality.org to register for your own account to access the data. Once you do so, you can assign your login and password information to variables in R by using commands like myname<-“[email protected] ” and mypass<-“my secret password”.

This is an exercise with several steps that you can use to complete the data questions in your problem set.

1.  Use the HMD package to get total deaths by year and age group, then construct total deaths by year.

## First,  set  your  country here  to make  it  easier  to  change  in  the  code  below:

country<- "USA"

##  Read  file  from  web

##  This  gives  you  total  male,  total

##  female,  and  overall  total  deaths

##  by year

myname<-"[email protected] "

mypass<- "Pat01edd!"

mortality_by_year_age  <-  readHMDweb (CNTRY=country,  item= "Deaths_ 1x1" ,  username=myname,  password=mypass)

head(mortality_by_year_age)

This data is by age and year. This will be useful for calculating age-specific mortality in your problem set, but for now let’s aggregate to get the total number of deaths.

## mortality_by_year_age  contains  total mortality  by

##  age group  for  each  year  (starting  in  1933)

##  (note:  Total  is  column  5,  as  indicated  in  the  code)

##  To  get  total  mortality  in  all  age  groups  in  each

##  year,  sum  "Total"  column  over  all  ages  for  each

##  year  separately,  using group_by  and  summarise  in  dplyr

mortality_by_year<-mortality_by_year_age  %>%

group_by (Year)  %>%

summarise(Crude_Deaths  =sum(Total))

##  The  code  above  made  a  new  data  frame  with  just

##  Year  and  Total,  but  renamed  as  Crude_Deaths

head(mortality_by_year)

##  #  A  tibble:  6  x  2

##        Year  Crude_Deaths

##      <int>                 <dbl>

##  1    1933          1342106 .

##  2    1934          1396903 .

##  3    1935          1392752 .

##  4 ##  5 ##  6

1936

1937

1938

1479228 .

1450427 .

1381391 .

2.  Get total births per year (lucky for us, they have these as yearly totals already).

births_by_year  <-  readHMDweb (CNTRY=country,  item= "Births" ,  username=myname,  password=mypass) births_by_year  <-  dplyr ::select(births_by_year,  Year,  Total)

births_by_year  <-  dplyr ::rename (births_by_year,  Crude_Births=Total)

head(births_by_year)

3.  Finally, get population by year and age. We need to aggregate as with mortality (but again, don’t do this when calculating age-specific mortality rates).

population_by_year_age  <-  readHMDweb (CNTRY=country,  item="Population" ,  username=myname,  password=mypass

## Aggregate  and  rename  as  above

pop_by_year<-population_by_year_age  %>%

group_by (Year)  %>%

summarise(Population_Total  =sum(Total1))

head(pop_by_year)

##  #  A  tibble:  6  x  2

##    ##    ##  1 ##  2 ##  3 ##  4 ##  5 ##  6

Year  Population_Total

<dbl>

125258094 .

125995593 .

126834140 .

127682295 .

128466604 .

129355273 .

## Now merge  into  one  data  frame

malthus  <- merge (pop_by_year, mortality_by_year,  by= !Year ! ,  all=FALSE)

malthus  <- merge (malthus,  births_by_year,  by= !Year !)

## Finally,  calculate  rates  by dividing  by population  totals

malthus$CBR  <- malthus$Crude_Births/malthus$Population_Total

malthus$CMR  <- malthus$Crude_Deaths/malthus$Population_Total

head(malthus)

##      Year  Population_Total  Crude_Deaths  Crude_Births                CBR                CMR

##  6  1938                129355273            1381391            2497000  0 .01930343  0 .01067905

Now plot to see the relationship between CBR and CMR in the U.S.

malthus  %>%

ggplot(aes (x=CMR,  y=CBR))+geom_point()+ggtitle("Malthus  Plot  for  USA")

Or use this code to plot a smoothed line on the data (vary the final number to change the degree of fitted polynomial).

malthus  %>%

ggplot(aes (x=CMR,  y=CBR))+geom_point()+geom_smooth(method=lm,  formula=  y~poly(x,3))+ggtitle("Malthus

So, what do you think about Malthus’s conjecture? Can you repeat with another country with more years of data, like Sweden? Country codes are here: https://www.mortality.org/Data/DataAvailability and Sweden’s is CHE. Note: Malthus actually wrote about Sweden and their propensity for vice and reliance on positive population checks.

Questions to Submit

Conceptual Questions

Note:  These questions are designed to help you think about the issues raised in this class, rather than to

have a “right” or “wrong” answer.

1. It took Finland about 50 years to go through its demographic transition around the turn of the 20th century. For this question, go to populationpyramid.net, choose a country in Asia, Africa, or Central or South America that is currently in the third stage or later of its demographic transition. Look back in time to find a year in which it was in the second stage. Then figure out approximately how many years it took the country to enter the third stage In your answer, tell me: Name of the country, year it was in the second stage, years to third stage. Did this country take more or less time than Finland. Try to think of at least two reasons why that might be the case and write a short description of your reasoning. Note: If you can’t find when the country was in its second stage, look for a different country.

2.  The Millennium Development Goals (https://www.who.int/news-room/fact-sheets/detail/millennium- development-goals- (mdgs)) were 8 goals set forth by the United Nations in the late 1990s that were meant to serve as a framework for reducing extreme poverty along multiple dimensions by 2015. Consult the file “africa-millennium-development-goals.xlsx” found in github or at https://data.humdata.org/dat aset/africa-millennium-development-goals.  Choose one goal and two countries.  State the goal, the countries, the measures used to assess progress in the goal, and compare and contrast the progress of the two countries toward achieving that goal.

Calculation Questions (show your work)

3. You are a young RA working at the World Bank. It’s 4:55 and your boss just came into your cubicle to tell you that he has a meeting at 8 am to discuss new anti-poverty strategies in the fictional country of Portlandia. He hands you the following information and asks for a poverty profile. Oh, and he has a tennis game in 20 minutes, so could you include some policy recommendations and have the report on his desk by the morning?

The paper he hands you says:

Portlandia is a small, poor country where the people are divided into four equal sized groups consisting of 1000 people each. One group earns $100 a year, one earns $500 a year, one earns $900 a year, and the final group earns $1500 a year. The poverty line is set at $1000. We have a budget of $300,000 for poverty

alleviation.

3.1 Please calculate the Head Count Ratio, and Income Gap Ratio for this country.  (Include code, but this could just be simple calculations.)

3.2 The World Bank’s policy is to minimize head count ratio.  What will your recommendation be? What will the new head count ratio be?  (Include code)

3.3 Do you think this is the correct approach to poverty alleviation? Why or why not?

4.  Calculate Total Fertility Rates The female population (in thousands) and births by mother’s age group in Brazil in 2005 are in the table below.  (The first chunk is the data, the second is there to display it nicely.) Use this data to calculate the Total Fertility Rate for Brazil at this time.

fertility  <-as .data .frame(matrix(c (8128 ,8531 ,8844 ,  8118 ,  7209 ,  6715 ,  6409 ,367.9 ,530.2 ,449.6 ,  264.4 ,  126 fertility

##               Population_Thousands  Births_Thousands

##  15-19

##  20-24

##  25-29

##  30-34

##  35-39

##  40-44

##  45-49

8128

8531

8844

8118

7209

6715

6409

367 .9

530 .2

449 .6

264 .4

126 .5

38 .4

6 .8