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

There are several ways to answer this question well.  A good response may include some of the following ideas:

Arguments for Asian growth supporting African growth

• As Asian economies grew, they were able to invest more in other countries.  We’ve seen evidence of increased foreign direct investment from Asia to Africa in the 2000s, which may have helped African growth.

– We even see large numbers of Asian migrants moving to Africa to support foreign business ventures there or start their own enterprises.

• Asia-Africa trade has increased from a small, trivial amount to numbers in the hundreds of billions.

– Part of the positive effect here can be explained by rising incomes in Asian countries. As incomes rise, demand for goods rises.  African goods of focus may include but are not limited to:  crude oil, copper, coffee.

– Increased demand for these commodities may raise prices, which would benefit African exporters

– There are even local gains to those employed in sectors other than the exporting sectors.  As African exporting sectors gain, they spend more in their local economies which will help those sectors grow as well.

Arguments for Asian growth hindering African growth

• As Asian economies grew and experienced changes in their institutions, foreign investors in the 1980s directed investment into Asia rather than Africa, slowing African progress.

– This is an example where using the Solow model would reinforce this point.

• Many Asian countries became very successful in manufacturing. If they had all of the market share for manufacturing, this would leave little room for Africa to focus on manufacturing, a stage that is often considered crucial to a country’s development path.

• Trade imbalances between Asian and African countries may have kept African economies as exporters of primary goods, slowing the process of industrialization.

The best responses:

• Cited sources besides lecture notes

• Included arguments that went further than what was presented in lecture

• Presented the economic models underlying their arguments (i.e. the Solow model)

• Presented critical numerical evidence in support of their arguments

2    Assistance  to  Households  and  Food  Insecurity  during  the COVID-19 Pandemic

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 of the 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 treat- ment and the control groups were surveyed.

2.1    [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 illus- trate potential bias.)

Model answer:

Randomization ensures that observed and unobserved characteristics of the participating households are the same, and, therefore, we are comparing outcomes between groups households that are identical on average except that one group participated in the assistance program.  This allows us to interpret the difference in means between the treatment and control groups as the causal effect of the assistance. If we did not randomize treatment, there are plenty of factors, some observables and others not, that might affect both our outcomes (quality of housing and mental health) and the likelihood of treatment  (assistance program).  An effective randomization makes receiving the treatment uncorrelated with these factors  by construction,  eliminating OVB/selection bias.

Let Yi  be mental health of household i and Ti  be whether i received assistance. Applying the potential outcomes framework, we want to estimate E[Yi1 |T = 1] − E[Yi0 |T = 1], which is the difference in average self reported mental health for households given that they got a transfer and what it would have  been for those same

E[Yi1 |T = 1] − E[Yi0 |T = 0] = E[Yi1 |T = 1] − E[Yi0 |T = 1]

|                                 {z                  }

Causal     Ef f ect

+ E[Yi1 |T = 0] − E[Yi0 |T = 0]

|                                 {z                  }

Selection     Bias

Randomization ensures that E[Yij |T = 1] = E[Yij |T = 0] for j ∈ {0, 1} for the potential outcomes so that

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.

2.2    [2 points]

In the dataset “Econ172_S22_PS1_data.csv”, each observation (row) in the dataset represents one house- hold.  Using the “lm” command, determine the average difference between the treatment households (as- sist=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 character- istics one by one, that is, you should run three separate regressions here.)

the 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:  data=pset1[pset1$female==1,] or data=subset(pset1,female==1) where here we have named the dataframe with our data “pset1” and we are restricting to observations in the data which have the respondent female indicator variable equal to 1.

Report the regression output for the five regressions mentioned above and interpret the coefficients. Please also discuss the standard errors and t-statistics.

• Taken together, did the randomization appear to succeed in creating comparable housing assistance treatment and control groups at baseline?

3

Table 1: Randomization check

Note:                                                                                                          ∗p<0.1; ∗∗p<0.05; ∗∗∗p<0.01

The randomization does not appear to have been entirely successful at creating comparable groups, as a higher share (by about 5 p.p.) is female in the control group.  This difference is significant at the 0.05 level.  On the age and education dimensions, given the size of the resulting difference as compared to the standard errors, there is not enough evidence that tells us that control and treatment groups were different on these aspects.

When we look at the female subsample we do not see any difference in education. Differences in age weren’t statistically significant at a 5% level of confidence either, although, with a t-stat close to 1.96 (1.88) it could be argued that the 1.5 years difference is something worth taking into account.  Still, the magnitude of the difference is small enough, within the context of the experiment, that it might not be of major relevance.      This does not mean that there was selection bias per se – there’s about a 77% (0.955) chance that if we ran 5 independent regressions we’d incorrectly reject the null on one of them. So it seems like the randomization was partially successful (and we’ll be able to see if controlling for age affects our results later on).

2.3    [2 points]

Determine the average difference between treatment and control households in terms of their housing qual- ity in the endline survey  (“housing”) and their mental health status in the endline survey  (“mhealth”). Specifically, the housing quality measure is an index created by combining multiple survey questions on the respondent’s dwelling. The mental health status measure is an index created by combining survey questions on the respondent’s own self-reported mental wellbeing, with a particular focus on depression.  (The vari- ables take on a sign such that positive values denote better outcomes, i.e., better quality housing materials, and less likely to report symptoms consistent with depression.) Each index has mean zero and is measured in standard deviations from the mean and can take on either positive (better) or negative (worse) values. Report the regression results and interpret the coefficients:

• What is the impact of receiving housing assistance approximately six to twelve months earlier on the quality of respondents’ housing?

• What is the impact of housing assistance on recipients’ self-reported mental health status? - Are either of these effects significantly different from zero at 95% confidence?

Table 2: Regression Results

Dependent variable:

housing

(1)

mhealth

(2)

assist

Constant

0.203∗∗∗ (0.050)

−0.104∗∗∗

0.059

(0.050)

−0.030

(0.035)               (0.036)

Note:                  ∗p<0.1; ∗∗p<0.05; ∗∗∗p<0.01

The assistance program resulted in a 0.203 std.  dev.  increase in the housing index, and it is different from zero at the 95% confidence level.  Conversely, although a difference of 0.059 std.  dev. in mental health index was found between control and treatment groups, it is not significant at the 95% confidence level.

Then determine the average difference between treatment and control households in terms of both outcomes when restricting attention to only female respondents.

• Would you expect to find meaningful differences between the results of these analyses (one using the full sample and one only female respondents), and do you find any?

• Taken together, what are the implications of these results for understanding the causal impact of receiving housing assistance on both housing quality and mental health?

Table 3: Regression Results (only female)

Dependent variable:

housing

(1)

mhealth

(2)

assist

Constant

0.151∗∗

(0.068)

−0.032

0.027

(0.072)

−0.204∗∗∗

(0.048)               (0.050)

Note:                   ∗p<0.1; ∗∗p<0.05; ∗∗∗p<0.01

Similar results to the above are observed when running our regression for the female subsample.  Failing to reject the null hypothesis at the 95% confidence level, we cannot ascribe an effect in mental health to the assistance program through this experiment. Although smaller in magnitude (0.151 vs 0.203), a positive effect is still seen for housing quality at the 95% confidence level. Similar impacts of the program would have been expected regardless of gender. However, the decrease in the effects on both housing quality and mental health (although not statistically significant) reflect there are potential differences in how women are impacted by the program, for which further study should follow.  In summary, there is evidence that the assistance program improved housing quality, while there is no evidence to state that it improved mental health (which is not the same as saying there is evidence that cash transfers do not improve mental health!)

2.4    [1 point]

Re-run all of the regressions in part (c) but include “age” and “educ” as additional explanatory variables. Report and interpret the regression results.

• Does the inclusion of these two control variables (also called covariates) change the conclusions you reported above in part c.? Is this surprising?

Then interpret the coefficient estimates on the “age” and “educ” terms in these regressions.

• Are these results what you would expect? Why or why not?

Controlling for education and age does not lead to the treatment effects changing much:  in the full sample there is an increase, though almost negligible, for outcomes on housing quality (0.205 s.d vs 0.203 s.d), but