1. African Economic Development and Economic Growth in Asia [4 points]

Discuss at least two reasons why rapid economic growth in Asia over the past three               decades might have helped promote economic growth in Sub-Saharan Africa, and at least    two reasons why Asian growth might have led to slower African growth. In your view,          which of these effects has been more important overall for African economic development, and why? (Please draw on course readings, lectures, and any other material you find             relevant.) Strictly enforced: your answer should be no more than 2 pages, with 12 point       font and double-spacing; we will not read past page 2 and you will be penalized for using    different font, spacing or margins.

2. Assistance to Displaced Households and Mental Health Outcomes [6 points]

In this course, we have mainly focused on the impact of health gains on education and     economic outcomes in African settings. The relationship in the opposite direction – the   impact of living standards on health – is also potentially important and is the focus here.

(Note: The following is a fictitious setting and uses a dataset created for this problem set.)    Starting in August 2019, hundreds of households displaced by the ongoing armed conflict    in South Sudan received assistance from a non-governmental aid organization (NGO) in the form of vouchers to pay for housing rent in a neighboring country. The assistance was           valued at approximately US$1000 in PPP terms and was meant to cover most housing            expenses over one year. It was targeted to displaced households that were deemed to be      particularly vulnerable to shelter insecurity. Beyond this direct assistance to the recipient    households, there was additional funding given to their landlords to pay for any needed        repairs to the dwelling, e.g., improving floors, roofing, and plumbing.

Between six months to a year after the distribution ofthe assistance, sample households      were surveyed (by phone) and measures were collected on important life outcomes. These included detailed measurement of the quality of their housing (in terms of floor, wall, and   roof quality, and access to indoor plumbing and crowding in the dwelling), as well as self-    reported survey questions on their own mental health. Both of these outcomes – housing     quality and mental health – are measured in an index score that is normalized to have a        mean of zero and standard deviation of 1.  There are also measures in the dataset for the      survey respondent’s age in years, the respondent’s female gender (an indicator variable),    and the respondent having received some formal education (also an indicator).

Importantly, the households included in the assistance program were randomly chosen, and both the treatment and the control groups were surveyed.

a) [1 point] Given that we seek to understand the effect of housing assistance on mental health outcomes, why was it important that the intervention described above was            randomized across households? How does the project’s randomized design affect the

estimation of treatment effects and help address omitted variable bias? (Please illustrate your points with the discussion presented in class, including the equations from lecture   that illustrate potential bias.)

Next please carry out some econometric analysis related to the paper. For this problem set,  we will be examining whether you have followed best practices in your R script. For                instance, you should include detailed comments in your code for easier reproducibility. You may choose to produce an RMarkdown file that integrates your code (set echo=TRUE),           your written responses, and tables displaying your regression results into a single PDF          (please “knit to PDF” and turn in the resulting PDF file; do not simply turn in your .rmd          file). Alternatively, you may simply choose to write up your answers using a word                    processor, include copies/screenshots of your tables (note that you may find it helpful to      use the type=”text” option of the stargazer command in this case) and attach a copy of your  R script at the end. In either case, be sure that your submission includes, in some format,       (1) your entire code/R script, (2) your written answers, and (3) your regression output.        Please merge all documents into a single PDF before submitting.

b) [2 points] Please download the data for the analysis. There are two ways to do this.

You can click on the following link to copy the dataset for this exercise into your repository on U.C. Berkeley’s DataHub. RStudio should automatically open. You should see a new           folder in your repository called ‘ECON-172-SP22’, and within that there will be a PS1             folder:

https://datahub.berkeley.edu/hub/user-redirect/git-                                                                           pull?repo=https%3A%2F%2Fgithub.com%2Fds-modules%2FECON-172-                                    SP22&branch=main&urlpath=rstudio%2F

Alternatively, you can download “Econ172_S22_PS1_data.csv” from the bCourses page.     Once you have downloaded the data using either method, use the “read.csv” command to open it in R (or RStudio), either on your local computer, or on U.C. Berkeley’s DataHub,     found onhttps://r.datahub.berkeley.edu/.

In the dataset “Econ172_S22_PS1_data.csv”, each observation (row) in the dataset                   represents one household. Using the “lm” command, determine the average difference           between the treatment households (assist=1) and control households (assist=0) for each of the following three characteristics: respondent age (“age”), gender (“female”), and having     formal education (“educ”). These characteristics were collected by the survey team before    the housing assistance was provided to households. (Consider these three characteristics     one by one, that is, you should run three separate regressions here.)

Then determine the average difference between the assistance treatment and control            households for each ofthe characteristics “age” and “educ” restricting attention to only         those respondents who are female. Use a separate regression for each characteristic. There are several ways to restrict attention to a particular group of households in the dataset         (also called a subset of the data) in R with logical commands. For example, you can use the  following options as arguments within the lm command: