Name___Clement Runtung________________ Eco 140

GSI____Caroline Le Pennec _______________ Herbst

2017

Hausaufgaben 7

1. Dieses Problem-Set untersucht die Betrachtung von Gewalt in Filmen als Determinante von
Kriminalität. Einige argumentieren, dass es einen Zusammenhang zwischen dem Betrachten von
Gewaltfilmen und der Häufigkeit von Gewaltverbrechen gibt. Auf der anderen Seite bringen
Filme die Menschen von der Straße und in die Kinos, wenn die meisten Verbrechen passieren,
nämlich in der Nacht. Und sie ersetzen andere Aktivitäten, die zu einem gewalttätigen Verhalten
führen (Drogen und Alkohol). Um diese Art von Verhalten zu analysieren, arbeiten Sie mit
einem Datensatz Movies.###. Eine Beschreibung der Variablen finden Sie in einer Datei namens
movies_description.pdf. Der Datensatz umfasst die Teilnahme am Wochenende in den USA
für stark gewalttätige Filme (Attend_v) (wie Hannibal), leicht gewalttätige Filme (Attend_m)
(wie Spider Man) und gewaltfrei (Attend_n) (wie Vaiana).

(a) Berechnen Sie den Logarithmus von Angriffen (ln_assaults) und regressieren Sie ihn anhand
von Monats- und Jahres-Dummy-Indikatoren unter Verwendung des Januars als Basis. Gibt
es Hinweise auf „Saisonalität“ bei dieser Art von Gewaltverbrechen, d. h. gibt es in einigen
Monaten tendenziell mehr Übergriffe als in anderen? Gibt es einen Trend bei den Angriffen
über die Stichprobenjahre?

Ja, es gibt Hinweise auf Saisonalität. "Wir können dies formal testen, indem wir den F-Test
verwenden, der besagt, dass der Koeffizient aller Monate = 0 ist; die Alternative ist, dass
mindestens einer von ihnen nicht gleich 0 ist. Daraus haben wir herausgefunden, dass unser
F-Stat 76,26 mit einem p-Wert von 0 ist. Daher können wir die Null, dass es keine
Saisonalität gibt, ablehnen und sagen, dass es Hinweise auf Saisonalität aus den Daten gibt.

Wir können ähnlich vorgehen, um einen Trend bei Angriffen über die Stichprobenjahre zu
finden, indem wir den F-Test verwenden, der besagt, dass der Koeffizient aller Jahre = 0 ist;
die Alternative ist, dass mindestens einer von ihnen nicht gleich 0 ist. Daraus haben wir
herausgefunden, dass unser F-Stat 6440,5 ist. Daher können wir die Null, dass es keinen
Trend über die Stichprobenjahre gibt, ablehnen und sagen, dass es einen Trend über die Jahre
in Bezug auf den Angriff gibt.
(b) Generieren Sie die Gesamtanwesenheit aller drei Kategorien von Filmen (attend = attend_v
+ attend_m + attend_n) und regressieren Sie sie anhand von Jahres- und Monatsindikatoren.
Sehen Sie Saisonalität in der Filmpräsenz? Gibt es einen Trend im Film, der sich im Laufe
der Zeit entwickelt?

Ja, es scheint Saisonabhängigkeit bei der Filmpräsenz zu geben. Wir können dies testen,
indem wir einen weiteren F-Test durchführen, der eine Null hat, die besagt, dass es keine
Saisonalität gibt (Monatskoeffizient = 0). Die Durchführung eines F-Tests an Stata ergibt
einen Wert von 33,72 und einen p-Wert von 0. Dies bedeutet, dass wir die Null, dass es keine
Saisonalität gibt, ablehnen und sagen können, dass es Hinweise auf Saisonalität in den Daten
gibt.

Ja, es gibt auch einen Trend im Film, der mit der Zeit geht. Wir können dies testen, indem
wir einen weiteren F-Test durchführen, bei dem die Null angibt, dass es keinen zeitlichen
Trend gibt (Jahreskoeffizient = 0). Die Durchführung eines F-Tests an Stata ergibt einen
Wert von 9,24 und einen p-Wert von 0. Dies bedeutet, dass wir die Null, dass es keinen
Trend über die Zeit gibt, ablehnen und sagen können, dass es Hinweise auf einen Trend über
die Zeit in den Daten gibt.

(c) Regressieren Sie nun ln_assaults auf die Anwesenheit in jeder der drei Arten von Filmen,
zusammen mit Monats- und Jahres-Dummy-Indikatoren und den im Datensatz verfügbaren
Wetter- und Urlaubssteuerungsvariablen. Erhöht oder verringert das Ansehen eines stark
gewalttätigen Films Angriffe, um wie viel? Ist sie statistisch signifikant?

Für jede 1 Million Menschen, die einen stark gewalttätigen Film sehen, wird prognostiziert,
dass die Zahl der Übergriffe um -0,31689% sinkt, ceteris paribus. Diese Zahl ist signifikant,
da der p-Wert nahe 0 liegt. Somit ist diese Zahl auch bei einem Signifikanzniveau von 1%
statistisch signifikant.
(d) Testen Sie, ob die Auswirkungen der Teilnahme an stark gewalttätigen und leicht
gewalttätigen Filmen gleich sind. Machen Sie dasselbe für die Auswirkungen der Teilnahme
an stark gewalttätigen und gewaltfreien Filmen. Geben Sie die Nullhypothese an und geben
Sie Ihre eingeschränkte Regression an.

1. Stark gewaltsame Filmpräsenz und leicht gewaltsame Filmpräsenz

Ändern Sie die Normalform in:
Uneingeschränkte Regression:
ln ( assault )t =β o +γ 1 atten d vt + β 2 ( atten d vt +atten d mt ) + β 3 atten d n+ month , year , weather FE+u t
wobei γ 1 = β 1−β 2
Angenommen, Null ist wahr:
Ho: γ 1 = 0
H1: γ 1 ≠ 0

Da wir nur 1 Einschränkung haben, können wir uns den t-Stat oder den p-Wert des
attend_v-Koeffizienten ansehen.
Nach der obigen Regression der uneingeschränkten Regression wurde festgestellt, dass
der p-Wert des Koeffizient Attend_v 0,973 beträgt, was bei einem Niveau von 5 % nicht
statistisch signifikant ist.

Schlussfolgerung: Da der p-Wert > 0,05 ist, kommen wir zu dem Schluss, dass wir die
Nullhypothese, dass es keinen Effekt der Teilnahme an stark gewalttätigen Filmen und leicht
gewalttätigen Filmen gibt, nicht ablehnen und sagen, dass es einen Effekt zwischen der
Teilnahme an stark gewalttätigen Filmen und leicht gewalttätigen Filmen geben kann.

2. Stark gewalttätige Filmbesuche und gewaltfreie Filme.

Uneingeschränkte Regression:
ln ( assault )t =β o +γ 1 atten d vt + β 2 ( atten d vt +atten d nt ) + β 3 atten d m + month , year , weather FE+u t

Angenommen, Null ist wahr:

Ho: γ 1 = 0
H1: γ 1 ≠ 0

Da wir nur eine Einschränkung haben, können wir uns einfach den t-Stat oder den p-Wert
des Attend_v-Koeffizienten ansehen.

Nach der oben beschriebenen uneingeschränkten Regression wurde festgestellt, dass der
p-Wert des Koeffizienten Attend_v 0,270 beträgt, was bei einem Niveau von 5 % nicht
statistisch signifikant ist.
 Schlussfolgerung: Da der p-Wert >0,05 ist, kommen wir zu dem Schluss, dass wir die
Nullhypothese, dass es keinen Effekt der Teilnahme an stark gewalttätigen Filmen und
gewaltfreien Filmen gibt, nicht ablehnen und sagen, dass es einen Effekt zwischen der
Teilnahme an stark gewalttätigen Filmen und gewaltfreien Filmen geben kann.

2. Die Anwesenheit von Filmen und die Häufigkeit von Gewaltverbrechen können durch bestimmte
gemeinsame Faktoren bestimmt werden. Das Wetter ist ein gutes Beispiel: Wenn schlechtes
Wetter dazu führt, dass Menschen zu Hause bleiben, gehen sie nicht ins Kino und sind auch nicht
das Ziel von Angriffen. Die instrumentelle Variablenregression könnte die Endogenität der
Anwesenheitsvariablen korrigieren. Der Datensatz enthält drei potenzielle Instrumente, die
Schätzungen der vorhergesagten Teilnahme an stark gewalttätigen, leicht gewalttätigen und
gewaltfreien Filmen liefern, pr_attend_v, pr_attend _m bzw. pr_attend_n. Diese Vorhersagen
basieren auf der Kenntnis typischer Muster für den Besuch von Filmen während ihres
Kinodistributions.

(a) Schätzen Sie die erste Stufe des 2SLS-Verfahrens und testen Sie, ob die drei Variablen
„starke“ Instrumente sind.

Die erste Stufe besteht darin, Attend_v, Attend_m und Attend_n auf die instrumentellen
Variablen und alle exogenen Variablen zu regressieren.

Beginnen Sie mit der Regression von attend_v auf alle instrumentellen Variablen und alle
exogenen Variablen (Monat, Jahr, Feiertag und Wetter). Nach der Regression stellten wir fest,
dass die F-Statistik 75,25 und der p-Wert 0 beträgt. Daraus schließen wir, dass die Variable
statistisch signifikant ist.

Zweitens regressieren wir attend_m auf alle instrumentellen Variablen und alle exogenen
Variablen (Monat, Jahr, Feiertag und Wetter). Nach der Regression stellten wir fest, dass die F-
Statistik 199,87 und der p-Wert 0 beträgt. Daraus schließen wir, dass die Variable statistisch
signifikant ist.

Drittens regressieren wir attend_n auf alle instrumentellen Variablen und alle exogenen
Variablen (Monat, Jahr, Feiertag und Wetter). Nach der Regression stellten wir fest, dass die F-
Statistik 123,4 und der p-Wert 0 ist. Daraus schließen wir, dass die Variable statistisch
signifikant ist

Daher schließen wir, dass die instrumentelle Variable den Relevanztest besteht und dass alle
instrumentellen Variablen eine gute instrumentelle Variable sind.
(b) Führen Sie eine zweistufige Regression der kleinsten Quadrate durch, indem Sie diese drei
Variablen als Instrumente für die drei endogenen Regressoren verwenden. Bewerten Sie den
Koeffizienten bei der Teilnahme an gewalttätigen Filmen und testen Sie, ob er sich von dem
Koeffizienten bei leicht gewalttätigen Filmen und dann wieder bei gewaltfreien Filmen
unterscheidet.

Koeffizient: -.0038738, was bedeutet, dass für jede 1 Million Zuschauer stark gewalttätiger
Filme die vorhergesagte Zahl der Übergriffe um 0,387% sinkt, ceteris paribus.

Um herauszufinden, ob der Koeffizient bei der Teilnahme an gewalttätigen Filmen und leicht
gewalttätigen Filmen, verwenden wir die identische Technik aus Frage 1(d) und indem wir
sie mit Ireg in Stata regressieren, wurde festgestellt, dass der p-Wert 0,983 beträgt; was
bedeutet, dass wir die Null nicht ablehnen, dass sich der Effekt der Teilnahme an
gewalttätigen Filmen nicht von der Teilnahme an leicht gewalttätigen Filmen unterscheidet,
und sagen, dass es einen Effekt zwischen der Teilnahme an gewalttätigen Filmen oder leicht
gewalttätigen Filmen geben kann.

Um herauszufinden, ob der Koeffizient bei der Teilnahme an gewalttätigen Filmen und

gewaltfreien Filmen, verwenden wir eine ähnliche Technik aus Frage 1(d) und indem wir ihn
mit Ireg in Stata regressieren, wurde festgestellt, dass der p-Wert 0,228 beträgt; was bedeutet,
dass wir die Null nicht ablehnen, dass sich der Effekt der Teilnahme an gewalttätigen Filmen
nicht von der Teilnahme an gewaltfreien Filmen unterscheidet, und sagen, dass es einen
Effekt zwischen der Teilnahme an gewalttätigen Filmen oder gewaltfreien Filmen geben
kann.
(c) Kommentar zu R2 aus Regression in Teil (b)

In diesem Fall ist R2 jetzt unzuverlässig, da die Variabilität in der abhängigen Variablen
(ln_assault) auf eine Änderung sowohl der unabhängigen Variablen als auch des Fehlerterms
zurückzuführen ist.

(d) Eine andere Sammlung von Instrumenten, die in dem Datensatz enthalten sind, ist die
Teilnahme an jeder der drei Kategorien von Filmen in den vorherigen und folgenden
Wochen, z. B. sind Attend_v_b und Attend_v_f die Teilnahme an gewalttätigen Filmen in der
Woche davor bzw. in der Woche danach. Führen Sie 2SLS mit diesen sechs Variablen als
Instrumente für die drei endogenen Regressoren durch. Bewerten Sie nach wie vor den
Koeffizienten bei der Teilnahme an gewalttätigen Filmen und testen Sie, ob er sich von dem
Koeffizienten bei leicht gewalttätigen Filmen und dann wieder bei gewaltfreien Filmen
unterscheidet.

Koeffizient: -.0031738; was bedeutet, dass für jede 1 Million Zuschauer stark gewalttätiger
Filme die vorhergesagte Zahl der Übergriffe um 0,317% sinkt, ceteris paribus.
Um herauszufinden, ob der Koeffizient bei der Teilnahme an gewalttätigen Filmen und leicht
gewalttätigen Filmen, verwenden wir die identische Technik aus Frage 1(d) und indem wir
sie mit Ireg in Stata regressieren, wurde festgestellt, dass der p-Wert 0,522 beträgt; was
bedeutet, dass wir die Null nicht ablehnen, dass sich der Effekt der Teilnahme an
gewalttätigen Filmen nicht von der Teilnahme an leicht gewalttätigen Filmen unterscheidet,
und sagen, dass es einen Effekt zwischen der Teilnahme an gewalttätigen Filmen oder leicht
gewalttätigen Filmen geben kann.

Um herauszufinden, ob der Koeffizient bei der Teilnahme an gewalttätigen Filmen und

gewaltfreien Filmen, verwenden wir eine ähnliche Technik aus Frage 1(d) und indem wir ihn
mit Ireg in Stata regressieren, wurde festgestellt, dass der p-Wert 0,664 beträgt; was bedeutet,
dass wir es versäumen, die Null abzulehnen, dass sich der Effekt der Teilnahme an
gewalttätigen Filmen nicht von der Teilnahme an gewaltfreien Filmen unterscheidet, und zu
sagen, dass es einen Effekt zwischen der Teilnahme an gewalttätigen Filmen oder
gewaltfreien Filmen geben kann.

(e) Führen Sie einen Test auf Überidentifikation durch. Was schlussfolgern Sie zu den
Instrumenten?
estat overid

Tests von überidentifizierenden Einschränkungen:

Sargan (Score) chi2(3) = 8,58313 (p = 0,0354)

Basmann chi2(3) = 8,03479 (p = 0,0453)

Wir haben festgestellt, dass sowohl der p-Wert mit 5% statistisch signifikant ist; daher lehnen
wir die Null ab, dass unsere instrumentelle Variable nicht mit dem Fehlerterm korreliert ist, und
sagen, dass mindestens 1 Instrument nicht exogen ist - was bedeutet, dass eines unserer
Instrumente ungültig ist, da wir Cov(Z,u) = 0 wollen