Instruction

Answer all questions following a similar format of the answers to your tutorial questions. When you use R to conduct empirical analysis, you should show your R script(s) and outputs (e.g., screenshots for commands, tables, and figures, etc.).  You will lose 2 points  whenever you fail to provide R commands and outputs.  When you are asked to explain or discuss something, your response should be brief and compact. To facilitate our grading work, please clearly label all your answers.  You should upload your research report (in PDF or Word format) via the “Turnitin” submission link (in the “Research Project 1” folder under “Assessment”) by 11:59 AM on the due date May 22, 2022. Do not hand in a hard copy. You are allowed to work on this assignment in groups; that is, you can discuss how to answer these questions with your group members. However, this is not a group assignment, which means that you must answer all the questions in your own words and submit your report separately. The marking system will check the similarity, and UQ’s student integrity and misconduct policies on plagiarism apply.

Panel Data (35 points)

Background

DiTella and Schargrodsky (2004)1  examine how the street presence of police officers reduces car theft.  Rational crime models predict that the presence of an observable police force will reduce crime rates (at least locally) due to deterrence. The causal effect is difficult to measure, however, as police forces are not allocated exogenously but rather are allocated in anticipation of need (i.e., reverse causality). The innovation in DiTella and Schargrodsky (2004) was to use the police response to a terrorist attack as an exogenous variation.2

In July  1994, there was a horrific terrorist attack on the main Jewish center in Buenos Aires, Argentina.  Within two weeks, the federal government provided police protection to all Jewish and Muslim buildings in the country.  DiTella and Schargrodsky (2004) hypothesized that their presence, while allocated to deter a terror or reprisal attack, would also deter other street crimes, such as automobile theft. The authors collected detailed information on car thefts in selected neighborhoods of Buenos Aires from April-December 1994, resulting in a panel for 876 city blocks.  They hypothesized that the terrorist attack and the government’s response were exogenous to auto thievery, thus a valid treatment.  They postulated that the deterrence effect would be strongest for any city block which contained a Jewish institution  (and thus police protection). Potential car thieves would be deterred from a burglary due to the threat of being caught. The deterrence effect was expected to weaken as the distance from the protected sites increased. Their sample has 37 blocks with Jewish institutions (the treatment sample) and 839 blocks without an institution (the control sample).

Questions

Use the data set DS2004 .csv to estimate the following regression model:

theftsit = β0 + β1Dit + uit ,                                                 (1)

where the subscripts i and t label city blocks and months respectively, Dit  = sameblocki  x post-attackt, and post-attackt  is a binary variable indicating months in the data after the terrorist attack; i.e., post-attackt  = 1 if month 2 8, and 0, otherwise.  See the definitions for variables thefts and samebloack in the data description. For all the questions below, exclude observations for July.

(a)  (3 points) Is this a balanced panel?  Hint:  Use the is .pbalanced() function in the plm

package.

(b)  (7 points) Estimate β 1  in (1) with OLS and compute the cluster-robust standard error

(SE) (3 points). Why is it important to use clustered standard errors for the regression (2 points)?  Do the results change if you just use heteroskedasticity-robust standard errors for cross-section model (2 points)?

(c)  (5 points) Control time (month) fixed effects in model (1) and test if there are significant time fixed effects.

(d)  (10 points) Extend model (1) to estimate the deterrence effect of the street presence of police officers using a difference-in-differences (DID) approach and compute the cluster- robust SE (5 points). Give your estimation result a causal interpretation (5 points).

(e)  (5 points) Add time (month) fixed effects δt  to (1) and write uit  = αi + eit . Then model

(1) extends to

theftsit = β0 + β1Dit + αi + δt + eit .                                     (2)

Treat αi  in (2) as entity (block) fixed effects, estimate β 1  with fixed effects (FE) method, and compute the cluster-robust SE.

(f)  (5 points) The data has the dummy variable oneblock which indicates if the city block is

one block away from a protected institution. Extend the FE regression in (c) by including one additional treatment variable– oneblock interacted with the post-attack dummy. Use this model to test if the deterrence effect extends beyond the same block?

Binary Choice Models (30 points)

You want to study female labor force participation using a sample of 872 women from Switzer- land (swiss .csv). The dependent variable is participation (=1 if in labor force), which you regress on all further variables plus age squared; i.e., on income, education (years of schooling), age, age2 , numbers of younger and older children (youngkids and oldkids), and on the factor foreign, which indicates citizenship (=1 if not Swiss).

(a)  (10 points) Run this regression using a linear probability model (LPM) and report the

regression results (4 points). Test if age is a statistically significant determinant of female labor force participation (3 points).  Is there evidence of a nonlinear effect of age on the probability of being employed (3 points)?