Einleitung
Ungleichheit scheint immer und überall ein Thema zu sein. Intuitiv ist klar: Ungleichheit bedeutet, dass einige mehr haben als andere. Als erstes denkt man dabei vermutlich an Geld. Uns hat interessiert, welche Faktoren, an die man vielleicht nicht unmittelbar denkt, sonst noch mit Ungleichheit verbunden sind. Konkret haben wir untersucht, wie Vermögens- und Einkommensungleichheit in Europa mit Bildung und Demokratie zusammenhängen. Gibt es da Korrelationen? Kann man eventuell sogar das eine mit dem anderen vorhersagen? Das waren Fragen, mit denen wir uns beschäftigt haben. Ziel war es, Antworten auf diese Fragen mittels statistischer Analysen zu bekommen und die Ergebnisse anschaulich zu visualisieren.
Methodik
Betrachtete Variablen: Als Indikator für Ungleichheit haben wir den Anteil des Gesamteinkommens eines Landes verwendet, der auf die einkommensstärksten 10% des jeweiligen Landes zurückgeht. Einen analogen Indikator haben wir für Vermögensungleichheit verwendet. Zur Untersuchung von Demokratiewerten haben wir die Demokratieindizes des V-Dem Instituts verwendet, die jährlich veröffentlicht werden. Dazu zählen beispielsweise Einschätzungen der Grundrechte und Meinungsfreiheit in Ländern. Als Indikatoren für das Bildungswesen haben wir den Bevölkerungsanteil mit Hoch- und Hauptschulabschlüssen sowie Bildungsausgaben (in Prozent des Bruttoinlandsprodukts) verwendet. Datenaufbereitung Bei der Datenaufbereitung ging es vor allem darum, die Daten, die aus verschiedenen Quellen stammten, in ein einheitliches Format und so letztlich in eine gemeinsame Tabellenstruktur zu bringen. Unsere Daten hatten eine Panelstruktur, das heißt, für verschiedene Länder gab es Daten zu mehreren Jahren. Bei der Datenaufbereitung haben wir vor allem mit Python/Pandas gearbeitet. Die Tabelle zeigt einen Beispielauszug aus unserem Datensatz.
Korrelationsanalyse
Unsere erste Analysemethode bestand in einer simplen Korrelationsanalyse. Dabei ging es zunächst darum, einen Überblick über allgemeine Zusammenhänge zwischen Ungleichheitsmaßen und anderen Variablen zu bekommen. Wir sind dabei explorativ vorgegangen und haben verschiedene Korrelationsmethoden ausprobiert, zum Beispiel eine Between-Country-Korrelation, bei der wir für jedes Land Mittelwerte über die Jahre gebildet und diese anschließend miteinander korreliert haben. Außerdem haben wir Within-Country-Korrelationen berechnet, bei denen die Zusammenhänge zwischen den Variablen innerhalb der einzelnen Länder über die Zeit betrachtet wurden.
Regressionsanalyse
Um über diese bivariaten Zusammenhänge hinauszugehen und zu untersuchen, wie sich Ungleichheit und Demokratie innerhalb der Länder über die Zeit gemeinsam entwickeln, und dabei für unbeobachtete Drittfaktoren zu kontrollieren, haben wir anschließend eine Two-Way-Fixed-Effects-Panelregression durchgeführt. Konkret berücksichtigen wir zwei Arten von Störeinflüssen: alles, was ein Land dauerhaft von anderen unterscheidet (z. B. historisch gewachsene Institutionen), und alles, was in einem bestimmten Jahr weltweit wirkt (z. B. eine globale Wirtschaftskrise). Da Beobachtungen desselben Landes über die Jahre hinweg zusammenhängen, clustern wir zusätzlich die Standardfehler auf Länderebene. Um der Frage nach der Richtung des Zusammenhangs näherzukommen, prüfen wir außerdem, ob eine der beiden Variablen der anderen zeitlich vorausgeht: Geht eine hohe Ungleichheit bspw. mit einem niedrigeren Demokratieindex 1, 3 oder 5 Jahr(e) später einher oder umgekehrt? Ein solcher zeitlicher Vorlauf kann einen Hinweis auf die Richtung des Zusammenhangs liefern, ist aber kein Beweis für Kausalität, da z. B. unberücksichtigte Drittfaktoren beide Entwicklungen erklären könnten.
Ergebnisse
Korrelationsanalyse
Die Korrelationsanalysen sind insgesamt wenig aussagekräftig. Im Ländervergleich zeigten sich zwar Zusammenhänge, allerdings unterscheiden sich die Länder in vielen nicht kontrollierten Merkmalen (z. B. beim Bruttoinlandsprodukt), die als Drittvariablen infrage kommen. Die länderspezifische Analyse über die Zeit ergab positive Zusammenhänge zwischen Einkommensungleichheit und Demokratie, diese dürften aber auf Zeiteffekte zurückgehen: Beide Variablen sind in den letzten Jahrzehnten kontinuierlich gestiegen, was allein schon eine hohe Korrelation erzeugt.
Regressionsanalyse
Die Ergebnisse der Regressionsanalyse zeigen, dass Vermögens- und Einkommensungleichheit negativ mit dem Demokratieindex (Electoral Democracy Index) zusammenhängen. Der robusteste Befund betrifft die Vermögensungleichheit: Ein um 10 % höherer Vermögensanteil der reichsten 10 % eines Landes hängt mit einem um 5 % niedrigeren Demokratieindex im selben Jahr sowie 1, 3 und 5 Jahre später zusammen. Bei der Einkommensungleichheit ist der Zusammenhang deutlich inkonsistenter und nur nach 5 Jahren nachweisbar. Ein um 10 % höherer Einkommensanteil der reichsten 10 % eines Landes hängt mit einem um 5 % niedrigeren Demokratieindex 5 Jahre später zusammen. Im Gegensatz dazu war ein höherer Demokratieindex nicht mit einer bedeutenden Verringerung der Vermögens- oder Einkommensungleichheit in späteren Jahren verbunden. Die Grafik veranschaulicht unsere zentralen Ergebnisse: Die Linien zeigen jeweils den Zusammenhang von Vermögens- bzw. Einkommensungleichheit und Demokratieindex im selben Jahr sowie nach 1, 3 und 5 Jahren. Obwohl die Regressionsanalysen gegenüber den Korrelationsanalysen einige Vorteile haben, ermöglichen sie keinen Kausalitätsnachweis. Insbesondere haben wir keine relevanten Drittfaktoren (z. B. Wirtschaftswachstum) oder Instrumentvariablen in das Modell aufgenommen. Hinzu kommt, dass trotz langer Zeitreihen keine Stationaritäts- oder Kointegrationstests erfolgten und auch bei der Lag-Analyse für jeden Lag eine eigene Regression gerechnet wurde, ohne die Vorgeschichte der abhängigen Variable selbst als Kontrolle einzubeziehen.
Allgemeine Learnings
Eine wichtige Erkenntnis war die Relevanz der Datenverfügbarkeit. Gerade wenn man Daten aus verschiedenen Quellen verwendet, kommt man schnell zu Problemen, wenn verschiedene Daten unterschiedlich gut vorliegen. Bei uns lagen beispielsweise Bildungsdaten zu weniger Zeitpunkten vor als andere Variablen. Bei der Interpretation der Daten sind wir zu dem Schluss gekommen, dass Zusammenhänge innerhalb und zwischen Ländern (oder Beobachtungseinheiten allgemein) sauber voneinander getrennt werden müssen, da diese völlig unterschiedliche Dynamiken zeigen. Letztlich wurden wir bei der Projektarbeit mal wieder daran erinnert, dass Korrelation nicht mit Kausalität gleichzusetzen ist und man auch beim Vorliegen von Zusammenhängen nicht automatisch etwas über Ursache und Wirkung sagen kann.
Team
Jassin Hamidi
Klara Pfrötschner
Sevgi Sahin
Henry Ziegler
Mentor:in
Mathis Hunke
