Pengembalian Pasar Tenaga Kerja ke Sekolah Tinggi Spesifik

Pra-bukti jurnal

Pengembalian Pasar Tenaga Kerja ke Sekolah Tinggi Spesifik

Margaret Leighton, Jamin D. Speer

PII: S0014-2921 (20) 30121-5

DOI: https://doi.org/10.1016/j.euroecorev.2020.103489
Referensi: EER 103489

Untuk muncul di: Tinjauan Ekonomi Eropa

Tanggal diterima: 5 Maret 2019

Tanggal revisi: 12 Mei 2020
Tanggal yang diterima: 19 Mei 2020

Silakan mengutip artikel ini sebagai: Margaret Leighton, Jamin D. Speer, Pasar Tenaga Kerja Pengembalian ke College Major Speci fi city, Tinjauan
Ekonomi Eropa ( 2020), doi: https://doi.org/10.1016/j.euroecorev.2020.103489

Ini adalah file PDF dari artikel yang telah mengalami peningkatan setelah penerimaan, seperti penambahan halaman sampul dan
metadata, dan pemformatan agar dapat dibaca, tetapi ini belum menjadi versi rekaman yang pasti. Versi ini akan mengalami penyalinan
tambahan, penyusunan huruf dan ulasan sebelum diterbitkan dalam bentuk akhirnya, tetapi kami menyediakan versi ini untuk memberikan
visibilitas awal artikel. Harap perhatikan bahwa, selama proses produksi, kesalahan dapat ditemukan yang dapat memengaruhi konten, dan
semua penafian hukum yang berlaku untuk jurnal tersebut.

© 2020 Diterbitkan oleh Elsevier BV

 Pengembalian Pasar Tenaga Kerja ke Sekolah Tinggi Spesifik ∗

Margaret Leighton † dan Jamin D. Speer ‡

12 Juni 2020

Abstrak

Makalah ini mengembangkan pendekatan baru untuk mengukur spesifikasi sumber daya manusia, dalam konteks jurusan perguruan

tinggi, dan memperkirakan pengembalian pasar tenaga kerjanya selama siklus hidup pekerja. Untuk mengukur spesifisitas, kami

mengusulkan metode baru yang didasarkan pada teori human capital: koefisien Gini dari pendapatan premia untuk jurusan di seluruh

pekerjaan. Ukuran kami menangkap gagasan transferabilitas keterampilan di semua pekerjaan. Pendidikan dan keperawatan adalah

jurusan yang paling spesifik, sedangkan filsafat dan psikologi adalah yang paling umum. Menggunakan data dari American Community

Survey, kami menemukan bahwa jurusan yang paling spesifik biasanya membayar paling tinggi, dengan premi pendapatan awal karir

sekitar 5-6% dibandingkan jurusan rata-rata (15-20% dibandingkan jurusan yang paling umum), didorong dengan upah per jam yang lebih

tinggi. Jurusan umum tertinggal jauh di belakang di setiap zaman. Terlepas dari keuntungan pendapatan mereka, lulusan dari jurusan

tertentu adalah yang paling kecil kemungkinannya untuk memegang posisi manajerial, dengan lulusan dari jurusan dari rata-rata tertentu

adalah yang paling mungkin untuk melakukannya. Mungkin saja posisi manajerial membutuhkan campuran pengetahuan khusus dan

keterampilan yang dapat diterapkan secara luas. Kode JEL I26 J24 J31 I23

∗ Kami berterima kasih kepada Mark Borgschulte, David Bradford, Celeste Carruthers, Tugce Cuhadaroglu, Eric Eide, Bill Smith, dua wasit anonim dan seorang
editor, peserta seminar di Universitas St Andrews, Universitas Acadia, Universitas Mount Allison, Universitas Essex, Universitas Illinois, , Lokakarya Internasional
tentang Ekonomi Terapan Pendidikan, & Konferensi Perburuhan Dunia IZA untuk komentar yang bermanfaat Kami berterima kasih kepada Pusat Statistik Pendidikan
Nasional karena memberikan akses ke data longitudinal yang terbatas.

† Universitas St Andrews: mal22@st-andrews.ac.uk

‡ Universitas Memphis: jspeer@memphis.edu

1
 1. Perkenalan

Adanya perbedaan besar dalam pendapatan lintas lulusan dari jurusan yang berbeda sudah mapan (lihat Carnevale et al. (2012);

Lemieux (2014); Chevalier (2011); Walker dan Zhu (2011), di antara banyak lainnya), dengan bukti terbaru menunjukkan bahwa

pengembalian kausal ke jurusan tertentu juga substansial (Kirkebøen et al. (2016), Hastings et al. (2013)). Memahami apa yang

mendorong perbedaan ini penting. Jurusan berbeda dalam banyak dimensi

- kemampuan siswa, persyaratan kursus, dan konten kuantitatif, misalnya - yang semuanya dapat memengaruhi pendapatan.

Dalam makalah ini, kami mempelajari peran tingkat spesialisasi jurusan perguruan tinggi. Beberapa jurusan memberikan keterampilan yang

sangat spesifik, sementara yang lain menyediakan keterampilan umum yang dapat ditransfer. Kami mengkonseptualisasikan dan mengukur

spesifikasi ini menggunakan pendekatan baru, dan kemudian memperkirakan pengembalian ke gelar sarjana khusus dan umum selama siklus

hidup.

Spesialisasi utama perguruan tinggi adalah minat khusus karena tiga alasan. Pertama, sejumlah besar karya empiris dan

teoritis telah mempelajari peran sumber daya manusia khusus dan umum pada pendapatan, 1 tetapi wawasan dari literatur ini

belum diterapkan secara umum pada bidang studi. Kedua, literatur yang berkembang tentang korespondensi antara pendidikan

dan pekerjaan memiliki wawasan penting untuk memahami kembali ke jurusan perguruan tinggi. 2

Ketiga, spesifisitas bidang studi memainkan peran sentral dalam literatur terkemuka tentang kewirausahaan dan pekerjaan

manajerial (misalnya, Lazear (2005)). Dalam literatur ini, kewirausahaan membutuhkan keterampilan umum, sementara penerima

upah mungkin lebih terspesialisasi. Gagasan ini belum diselidiki di tingkat utama perguruan tinggi.

Kami pertama merangkum pendekatan sebelumnya untuk mengukur spesifisitas pendidikan, yang berguna tetapi memiliki

sedikit dasar dalam teori modal manusia. Untuk memperbaikinya, kami mengusulkan ukuran baru dari spesifikasi utama yang

didasarkan pada gagasan modal manusia umum dan spesifik dari tradisi ekonomi tenaga kerja (Becker (1962)). Sumber daya

manusia ditentukan oleh transferabilitasnya - bagaimana nilai keterampilan berubah ketika diterapkan dalam pekerjaan yang

berbeda. Ukuran baru kami, koefisien Gini yang dimodifikasi dari pengembalian pendapatan utama di seluruh pekerjaan,

menangkap gagasan transferabilitas keterampilan lintas pekerjaan. Pendekatan ini menghasilkan hasil yang intuitif: pendidikan

dan keperawatan adalah jurusan yang paling spesifik, sementara

1 Diprakarsai dengan karya Becker (1962), spesifikasi human capital telah dipelajari sebagai pekerjaan spesifik (misalnya, Kambourov dan Manovskii (2009))
spesifik tugas (misalnya, Gibbons dan Waldman (2004)), spesifik perusahaan (misalnya, Altonji dan Shakotko (1987)), antara lain.

2 Lihat Sellami et al. (2018) untuk ulasan dan diskusi tentang pendekatan yang ada untuk mengukur ketidaksesuaian bidang studi; Liu et al. (2016)

memperkenalkan ukuran berbasis data berdasarkan pendapatan relatif.

2
psikologi, musik, dan filsafat adalah yang paling umum. Tetapi ini juga menunjukkan bahwa beberapa jurusan yang biasanya dianggap

"spesifik" sebenarnya menghasilkan lulusan dengan keterampilan yang sangat fleksibel (misalnya, akuntansi).

Kami kemudian menerapkan ukuran baru kami untuk dua pertanyaan empiris. Kami pertama-tama memperkirakan

pengembalian pendapatan ke spesifisitas utama perguruan tinggi. Kami menemukan bahwa jurusan tertentu menikmati premi

pendapatan sepanjang sebagian besar siklus hidup. Pada awal karir mereka, jurusan ini berpenghasilan sekitar 5-6% lebih dari

rata-rata jurusan dan 15-20% lebih dari jurusan paling umum. Premi untuk jurusan yang paling spesifik lebih kecil pada usia-usia

berikutnya, tetapi biasanya positif. Jurusan yang paling umum, yang memberikan keterampilan yang dapat ditransfer, tertinggal di

segala usia. Efek pendapatan beroperasi sepenuhnya melalui upah per jam dan bukan melalui jam kerja atau probabilitas

pekerjaan. Temuan ini kontras dengan pengembalian yang diberikan oleh beberapa ukuran spesifik yang ada, yang biasanya

menunjukkan premi karier awal dan penalti karier selanjutnya.

Pertanyaan empiris kedua yang kami bahas menyangkut para manajer dan pengusaha, ketika kami menyelidiki prediksi

hipotesis "jack-of-all-trade" yang dikembangkan oleh Lazear (2005). Anehnya, kami menemukan bahwa jurusan tertentu sedikit

lebih mungkin daripada jurusan rata-rata untuk menjadi wirausahawan di awal karir. Namun, terlepas dari keuntungan jurusan

tertentu dalam pendapatan rata-rata, jurusan ini dikaitkan dengan probabilitas yang jauh lebih rendah untuk memasuki pekerjaan

manajemen di semua usia. Jurusan yang tidak terlalu umum atau sangat spesifik sejauh ini paling mungkin untuk menjadi

manajer. Mungkin saja manajemen membutuhkan keseimbangan antara keterampilan umum dan keahlian khusus.

Ada berbagai pendekatan untuk mengukur spesialisasi dalam pendidikan tinggi dan pengembaliannya di pasar tenaga kerja.

Banyak literatur ini berfokus pada negara-negara dengan jalur kejuruan yang terdefinisi dengan baik (misalnya, Hanushek et al.

(2017), Golsteyn dan Stenberg (2017), Silliman dan Virtanen (2019)). Perbedaan kejuruan-akademik kurang jelas di AS, dan tentu

saja kurang jelas ketika melihat jurusan kuliah 4 tahun. Ukuran lain dari spesifikasi program pendidikan termasuk tindakan

berbasis pekerjaan (misalnya, Blom et al. (2015), Altonji et al. (2012)), langkah-langkah berbasis kurikulum (misalnya, Silos dan

Smith (2015), Lazear (2005) )), dan kecocokan yang dilaporkan sendiri antara bidang dan pekerjaan (misalnya, Kinsler dan Pavan

(2015)). Semua ini berguna dalam konteks yang berbeda, tetapi semua memiliki kelemahan. Kecuali untuk program kejuruan,

Kami membuat tiga kontribusi utama untuk literatur. Pertama, kami mengembangkan ukuran teori baru tentang spesifikasi

utama perguruan tinggi, dan dalam melakukannya menyediakan metodologi yang bisa

3
diterapkan pada konteks lain. Kami kemudian memberikan dua kontribusi empiris. Kami memberikan perkiraan pertama dari

pengembalian pendapatan untuk jurusan perguruan tinggi tertentu dan umum, menunjukkan bahwa jurusan yang paling spesifik

mengungguli jurusan yang paling umum di semua usia. Kami kemudian memberikan bukti lintas-utama pertama pada teori

kewirausahaan dan manajemen Lazear (2005).

Sisa dari hasil kertas sebagai berikut. Dalam Bagian 2, kami meninjau langkah-langkah yang sebelumnya telah digunakan untuk

menangkap spesialisasi program pendidikan tinggi. Dalam Bagian 3, kami memperkenalkan ukuran baru kami tentang spesifisitas

utama, koefisien Gini yang dimodifikasi dari ketimpangan pendapatan di seluruh pekerjaan. Dalam Bagian 4, kami membandingkan

ukuran spesifikasi kami dengan berbagai opsi lain menggunakan berbagai sumber data. Dalam Bagian 5, kami memperkirakan

pengembalian pendapatan ke spesifikasi, melihat beberapa hasil pekerjaan tertentu, dan membahas aplikasi lebih lanjut. Bagian 6

menyimpulkan.

2 Mengukur Spesialisasi: Pendekatan Sebelumnya

Sementara banyak makalah telah mengkonseptualisasikan sumber daya manusia umum dan spesifik dalam berbagai pengaturan, tidak ada

konsensus tentang apa arti spesifisitas atau apa yang seharusnya diukur. Pada bagian ini, kami menjelaskan beberapa pendekatan

sebelumnya dan menjelaskan mengapa masing-masing pendekatan tersebut tidak sempurna. Kami mengikuti ini dengan langkah kami

sendiri di Bagian 3, yang berupaya untuk memperbaiki tindakan yang ada ini.

2.1 Tindakan Berbasis Kurikulum

Mungkin metode paling langsung untuk mengukur spesialisasi jurusan perguruan tinggi adalah dengan melihat keragaman program studi

yang diambil oleh lulusannya. Salah satu pendekatan tersebut adalah mengelompokkan mata pelajaran ke dalam kategori, dan untuk

menghitung kredit yang diperoleh, atau kursus yang diambil, di setiap kategori (lihat Silos dan Smith (2015) untuk kredit perguruan tinggi dan

Tchuente (2016) untuk kursus sekolah menengah). Menggunakan data dari Inggris, Dolton dan Vignoles (2002) dan Malamud (2012)

mendefinisikan luasnya studi di A-level dengan cara yang sama. Data transkrip terperinci selanjutnya dapat memungkinkan kursus untuk

ditimbang oleh jam kredit dan nilai yang dicapai (misalnya, Rakitan dan Artz (2015)).

Lazear (2005) menggunakan "lopsidedness" dari kurikulum yang diambil oleh siswa MBA sebagai ukuran seberapa spesifik

atau umum pelatihan mereka. Artz et al. (2014) menggunakan versi modifikasi dari pendekatan ini, mengambil perbedaan antara

kredit dalam mayor dan jumlah kredit terbesar yang diperoleh dari departemen di luar mayor.

4
 Persyaratan data dari pendekatan kurikulum yang tangguh, membutuhkan data transkrip perguruan tinggi untuk siswa di

setiap jurusan. Bahkan jika seseorang memiliki ini, tidak jelas bahwa semua program kuliah sama luasnya. Misalkan jurusan

pendidikan rata-rata mengambil 50% dari kursus di departemen pendidikan, sedangkan jurusan matematika rata-rata mengambil

50% dari kursus di dalam departemen matematika. Kurikulum mereka sama "terspesialisasi", tetapi kursus pendidikan bisa lebih

luas dalam ruang lingkup daripada kursus matematika, sehingga ukurannya bisa menyesatkan. Ini juga bisa menyesatkan jika

beberapa keterampilan lebih bermanfaat daripada yang lain. Gelar jurnalisme mungkin diklasifikasikan sebagai spesifik

berdasarkan kurikulum, tetapi menulis mungkin merupakan keterampilan yang dihargai dalam berbagai pekerjaan.

2.2 Orientasi Pasar Gelar Program Gelar

Pendekatan lain adalah dengan menggunakan kedekatan hubungan antara bidang studi dan pasar tenaga kerja. Yang paling

umum dari ini adalah dikotomi "kejuruan" versus "akademik" (lihat,

misalnya, Hanushek et al. (2017), Brunello dan Rocco (2017) dan Golsteyn dan Stenberg (2017)). Klasifikasi program ini paling

umum di negara-negara dengan jalur pendidikan kejuruan yang telah mapan, meskipun Kreisman dan Stange (2017) dan

Stevens et al. (2019) menggunakan pendekatan yang sama dengan data sekolah menengah dan komunitas AS, masing-masing.

Menggunakan ukuran biner seperti ini tidak sempurna jika beberapa program kejuruan lebih terspesialisasi daripada yang

lain (Coenen et al. (2015)). Misalnya, Hall (2013) mempelajari reformasi di Swedia yang memperluas dan memperluas konten

umum sekolah menengah kejuruan (Hall (2013)).

Meskipun penerapan pendekatan kejuruan untuk jurusan kuliah empat tahun jarang terjadi, Saniter dan Siedler (2014)

mengklasifikasikan jurusan sebagai berorientasi pasar tenaga kerja jika mengarah ke profesi tertentu. Bridet dan Leighton (2015)

melakukan hal serupa menggunakan serangkaian jurusan terbatas. Ini adalah ide yang berguna, tetapi langkah-langkah berbasis

kejuruan biasanya bergantung pada hubungan yang dirasakan, bukan empiris, antara jurusan dan pekerjaan. Mereka juga

kehilangan banyak variasi lintas jurusan. Departemen Pendidikan, misalnya, mengklasifikasikan bisnis dan pendidikan sebagai

jurusan kejuruan, meskipun sebagian besar pengamat akan menganggap pendidikan sebagai jurusan yang lebih kejuruan.

5
2.3 Ukuran Berdasarkan Hasil Pekerjaan

Keluarga ketiga dari langkah-langkah spesialisasi, populer dalam studi empiris, menentukan spesifikasi menggunakan hasil

pekerjaan. Blom et al. (2015) menghitung pengukuran spesifik spesifik dari konsentrasi pekerjaan menggunakan Hirschman-Hir fi

ndahl Index (HHI). Jurusan yang mengirim sebagian besar lulusannya ke satu atau sedikit pekerjaan dianggap khusus,

sedangkan yang mengirim lulusan secara merata di banyak pekerjaan adalah umum. Altonji et al. (2012) menghitung pangsa

lulusan dari setiap jurusan yang dipekerjakan di tiga pekerjaan paling populer untuk jurusan itu.

Jenis ukuran ini mungkin yang paling intuitif dari pendekatan yang ada. Kelemahan utamanya adalah tidak memasukkan

informasi pendapatan. Hanya karena keterampilan seorang jurusan biasanya diterapkan hanya dalam beberapa pekerjaan, tidak

berarti bahwa mereka tidak dihargai di pekerjaan lain. Jurusan teknik biasanya menjadi insinyur, tetapi karena memiliki

keterampilan analitis yang kuat, mereka juga dapat sangat produktif dalam keuangan atau konsultasi. Untuk mengetahui hal ini,

kita perlu melihat bagaimana jurusan teknik yang melakukan pekerjaan lain melakukan. Kita dapat meningkatkan ukuran khusus

pekerjaan dengan memasukkan penghasilan lulusan dalam pekerjaan "tidak lazim" ini untuk jurusan mereka.

Akhirnya, hasil pekerjaan dapat digunakan bersama dengan informasi yang dilaporkan sendiri tentang seberapa kuat suatu

pekerjaan terkait dengan bidang studi pekerja. Contoh dari pendekatan ini termasuk Borghans dan Golsteyn (2007), Kinsler dan Pavan

(2015), dan Coenen et al. (2015). Jika seorang mayor menghasilkan jauh lebih banyak pekerjaan "terkait" daripada pekerjaan "tidak

terkait", itu bisa dianggap spesifik. Ini merupakan peningkatan pada metode lain karena menggunakan informasi pendapatan; kami

menggunakan logika yang sama untuk ukuran kami.

3 Ukuran Spesialisasi yang Didorong oleh Teori

Sementara pendekatan yang ada ini memiliki kelebihan, tidak ada yang sepenuhnya menangkap gagasan tentang kekhususan seperti yang

dijelaskan dalam tradisi ekonomi tenaga kerja. Becker (1962) membedakan antara modal manusia yang berguna dalam setiap perusahaan

(umum) dan modal manusia yang berguna hanya dalam satu perusahaan (spesifik). Contoh-contoh modal manusia umum mungkin adalah

keterampilan interpersonal, pemikiran kritis, dan penyelesaian masalah, sementara keterampilan khusus mungkin mencakup perangkat lunak

tertentu yang digunakan oleh perusahaan pekerja atau pengetahuan tentang sistem dan personil lokal.

Ekonom yang mengikuti kepemimpinan Becker telah mengeksplorasi ide-ide manusia yang spesifik dalam industri

6
modal (Neal (1995)), modal manusia spesifik-pekerjaan (Kambourov dan Manovskii (2009)), dan modal manusia spesifik-tugas

(Gibbons andWaldman (2004)). Dalam semua formulasi ini, perbedaan antara modal manusia umum dan spesifik adalah

transferabilitasnya. Jika modal manusia bersifat umum, itu berguna lintas pekerjaan, industri, atau tugas. Jika modal manusia

spesifik, itu hanya berguna dalam pekerjaan, industri, atau tugas tertentu.

Untuk mengukur dengan tepat spesifikasi modal manusia, kita harus mengukur bagaimana seperangkat keterampilan tertentu bernilai

dalam pekerjaan yang berbeda. Lulusan jurusan mungkin hanya memiliki sedikit keterampilan, tetapi jika keterampilan itu dihargai di

mana-mana, maka mereka sangat dapat ditransfer. Jurusan ini harus dihitung sebagai umum dan bukan khusus. Di sisi lain, jika

keterampilan mayor hanya dihargai tinggi dalam satu jenis pekerjaan, maka mayor itu spesifik.

Ukuran spesialisasi yang ada tidak memiliki dua hal utama. Pertama, mereka tidak menggunakan informasi pendapatan

dalam menentukan spesifikasi, yang penting untuk mengukur nilai keterampilan. Pekerjaan tujuan dan konten kursus tidak

memadai tanpa informasi tentang nilai keterampilan. Kedua, mereka tidak memiliki gagasan tentang kontrafaktual. Jika pekerja itu

tidak dalam pekerjaan ini, apa yang akan dia dapatkan di tempat lain? Meskipun yang terakhir tidak dapat diobservasi,

pendekatan kami berupaya memasukkan dua elemen ini.

Kami mengusulkan ukuran baru dari spesifikasi utama perguruan tinggi berdasarkan transferabilitas keterampilan lulusan,

menggabungkan informasi tentang pendapatan untuk jurusan di seluruh pekerjaan. Kami fokus pada pekerjaan sebagai unit analisis

yang relevan, menggambar pada literatur yang menemukan sumber daya manusia spesifik pekerjaan menjadi lebih penting daripada

industri dalam banyak kasus (misalnya, Kambourov dan Manovskii (2009), Bana (2018)). Jurusan umum adalah lulusan yang

kinerjanya sama baiknya di seluruh pekerjaan; keterampilan mereka dihargai dengan cara yang sama dalam pekerjaan apa pun.

Jurusan tertentu akan menjadi yang lulusannya berprestasi baik dalam beberapa pekerjaan dan buruk dalam pekerjaan lain, sehingga

keterampilan mereka tidak dapat ditransfer.

Pertimbangkan tiga jurusan hipotetis yang disajikan dalam Gambar 1. Bayangkan bahwa ada sebelas pekerjaan (seperti yang

akan kita gunakan dalam menghitung ukuran kita) dan bahwa kita memplot premi pendapatan dari setiap jurusan dalam setiap

pekerjaan, diatur dari yang terendah ke yang tertinggi. Setiap titik pada gambar memberikan premi pendapatan kayu gelondongan

relatif terhadap rata-rata utama dalam pekerjaan itu. Jika poinnya 0, mayor memiliki pengembalian rata-rata dalam pekerjaan itu.

Grafik hipotetis Kasus 1 (panel paling kiri) menunjukkan garis datar, artinya lulusan jurusan ini menerima premi serupa di

seluruh pekerjaan. Dalam hal ini, mayor mendapatkan premi sekitar 30% di atas rata-rata dalam setiap pekerjaan. Kami

menyebutnya umum

7
Gambar 1: Distribusi pendapatan premia di seluruh pekerjaan: kasus hipotetis

SUMBER: data simulasi.

utama. Satu set titik yang rata akan berarti bahwa lulusan mendapatkan pengembalian yang sama persis di setiap pekerjaan, relatif

terhadap rata-rata utama dalam pekerjaan itu. Semakin rata titik-titiknya, semakin umum jurusannya. Tingkat ini tidak relevan di sini:

kami akan mempertimbangkan jurusan yang lulusannya berkinerja sangat buruk di semua pekerjaan atau sangat baik dalam semua

pekerjaan menjadi umum.

Di sisi lain, pertimbangkan Kasus 2 dan 3 dalam gambar yang sama, yang menunjukkan dua jenis jurusan tertentu. Lulusan

Case 2 luar biasa di satu pekerjaan, miskin di pekerjaan lain, dan "di antara" di hal lain. Di sini, tidak peduli apa pekerjaan

lulusannya dan pekerjaan apa yang dia beralih ke, sejauh mana keterampilannya dihargai akan berubah. Dalam dua pekerjaan,

keterampilannya sama-sama dihargai.

Dalam Kasus 3, lulusan utama luar biasa dalam satu pekerjaan dan miskin di setiap pekerjaan lainnya. Ini jelas juga jurusan

yang lebih spesifik daripada Kasus 1, karena jika lulusan pindah dari pekerjaan luar biasa ke pekerjaan lain, keterampilannya

tidak akan banyak berubah sama sekali. Oleh karena itu Kasus 2 dan 3 adalah dua contoh jurusan tertentu. Dalam setiap kasus,

lulusan dapat ditemukan di bagian atas dan di bagian bawah pekerjaan.

Grafik hipotetis ini menunjukkan kepada kita bahwa untuk mengukur dengan benar spesifisitas utama, yang kita inginkan adalah

ukuran ketidaksetaraan pendapatan premia untuk mayor lintas pekerjaan. Kasus 1 menunjukkan distribusi pendapatan premia yang

merata di seluruh pekerjaan. Jika jurusan ini adalah sebuah negara, dan setiap pekerjaan seseorang, itu akan menunjukkan tingkat

ketimpangan serendah mungkin. Kasus 2 dan 3 akan dinilai lebih tidak setara. Dengan demikian, kami mencari ukuran ketidaksetaraan

untuk menangkap gagasan kami tentang spesifisitas utama.

Meskipun ada berbagai langkah ketimpangan yang tersedia, koefisien Gini adalah pilihan alami. 3 Selain menjadi ukuran yang

akrab dan banyak digunakan, itu juga memiliki beberapa yang diinginkan

3 Lihat Cowell (2000) untuk pengantar literatur yang bagus tentang pengukuran ketimpangan.

8
 karakteristik. Ia mempertahankan sifat-sifat simetri (dalam kasus kami, keunggulan relatif dalam satu pekerjaan setara dengan

keunggulan relatif di pekerjaan lain) dan ukuran populasi yang mandiri (jurusan besar dan kecil dapat diakomodasi). Dengan

modifikasi kecil yang kita bahas di bawah, itu juga level-invariant, yang berarti dua jurusan dengan grafik "bentuk" yang identik,

tetapi pada tingkat pendapatan yang berbeda akan diperlakukan sama.

Kami melanjutkan sebagai berikut. Pertama, kami memperkirakan premi penghasilan untuk setiap jurusan di setiap pekerjaan

menggunakan regresi tingkat pekerjaan. Kemudian, dengan menggunakan perkiraan premia itu, kami menghitung koefisien Gini untuk

setiap jurusan. Untuk memperkirakan pendapatan premia, kami menggunakan Survei Komunitas Amerika dari 2009 hingga 2015,

membatasi mereka yang berusia 25-35 untuk fokus pada keterampilan yang diperoleh selama kuliah, daripada yang dipelajari di tempat

kerja, melalui pelatihan lebih lanjut, atau melalui transisi pekerjaan-ke-pekerjaan.

Perkiraan persamaan kami mengendalikan faktor-faktor individual yang kami miliki informasinya, dan termasuk tahun survei

dan efek-efek tetap utama. Pengamatan dalam regresi ditimbang oleh ukuran kebalikan dari masing-masing sel pekerjaan utama

untuk memberikan bobot total yang sama untuk setiap sel. 4 Kami menafsirkan koefisien pada efek tetap utama sebagai premi

utama (bersih dari kovariat lainnya) dalam pekerjaan itu. Secara formal, untuk setiap pekerjaan kami mengalami kemunduran:

di (dapatkan) im = β 0 + X saya Γ + tahun i + m i + im (1)

Dimana X saya termasuk jenis kelamin, ras / etnis, dan kuadrat dalam pengalaman potensial (tahun dikurangi tahun kelulusan

perguruan tinggi). Variabel dependen adalah upah log dan pendapatan gaji untuk tahun ini, dalam dolar konstan. Untuk

memperkirakan efek utama secara konsisten di seluruh pekerjaan, kami membatasi efek ras, jenis kelamin, dan pengalaman

potensial untuk menjadi sama di semua pekerjaan. 5

Efek tetap utama m saya berikan premi penghasilan, bersih dari demografi, untuk setiap jurusan di setiap pekerjaan. Kami

menggunakan 51 jurusan dan 11 pekerjaan, jadi kami memperkirakan Persamaan 1 sebelas kali, dan memperkirakan 51 premia

utama dari setiap regresi. 6 Kami kemudian mendefinisikan premia ini dengan mengurangi premi rata-rata di atas semua jurusan

dalam pekerjaan itu, sehingga untuk setiap pekerjaan premi rata-rata adalah nol. Menggunakan premia penghasilan yang

dimodifikasi ini, kami

4 Hasil kami kuat untuk menimbang semua pengamatan secara merata.

5 Mengizinkan koefisien ini bervariasi di antara regresi menghasilkan hasil yang hampir sama. Termasuk efek Sensus divisi tetap dan efek divisi-by-tahun juga tidak

memiliki efek.
6 Kami menggunakan 11 pekerjaan yang diberikan pada Tabel A.2 (tidak termasuk "Lainnya / militer"), yang diambil dari kategori terluas di Baccalaureate dan

Beyond. Prosedur kami tergantung pada memiliki cukup pengamatan di setiap sel pekerjaan-besar, yang membutuhkan pengelompokan luas ini. Kami membahas
kekokohan pilihan ini dalam Lampiran A.2.

9
 hitung koefisien Gini untuk setiap jurusan, sebagai berikut:

∑n ∑
Gm= 1 [( n | m j - m k |) w k] (2)
2 n2
j=1 k=1

dimana n adalah jumlah pekerjaan (11 dalam kasus kami) dan m j dan m k adalah premia de-meaned untuk utama m dalam

pekerjaan j dan k. Untuk mengurangi pengaruh sel-sel kecil (dan karenanya diperkirakan secara tidak tepat) pada ukuran akhir

kami, kami menimbang setiap rangkaian penyimpangan absolut dengan w k, bagian pengamatan dari jurusan m dalam pekerjaan k. Pembobotan

ini memengaruhi jurusan yang pekerjaannya terkonsentrasi dalam sejumlah kecil pekerjaan, tetapi tidak membuat banyak

perbedaan untuk hasil pendapatan kami yang diberikan di Bagian 5. Perhatikan bahwa ini adalah ukuran Gini "absolut", yang

membuat tingkat pengukuran invarian . 7

Untuk menghubungkan ukuran empiris kami dengan intuisi yang mendorongnya, kami sekarang membandingkan premia

pendapatan yang diperkirakan untuk jurusan aktual dalam dataset kami dengan kasus-kasus hipotetis pada Gambar 1. Pada Gambar

2, kami membuat grafik estimasi premia untuk enam jurusan: psikologi dan filsafat / agama di sebelah kiri, keuangan, dan keperawatan

di tengah, dan dua jurusan pendidikan kami di sebelah kanan. 8

Psikologi dan filsafat / agama sangat mirip dengan Kasus 1 dari Gambar 1. Garis yang relatif datar berarti bahwa lulusan

jurusan ini mendapatkan premia yang sama di setiap pekerjaan. Psikologi menghasilkan premi dekat permium rata-rata untuk

setiap pekerjaan, sementara filsafat / agama agak di bawah rata-rata di mana-mana. Karena itu, ini adalah jurusan umum, dengan

keterampilan yang dihargai sama di seluruh pekerjaan. Keduanya adalah salah satu dari lima jurusan paling umum menurut

ukuran Gini kami.

Keuangan dan keperawatan terlihat mirip dengan Kasus 2 yang hipotetis, menghasilkan pengembalian yang lebih tinggi di

beberapa pekerjaan daripada yang lain. Keterampilan jurusan ini tampaknya tidak begitu dapat ditransfer, karena nilainya sangat

bergantung pada pekerjaan yang dilalui lulusan. Pendidikan jurusan di sebelah kanan mirip dengan Kasus 3. Premium di sebagian

besar pekerjaan di bawah rata-rata, tetapi jauh lebih tinggi dalam satu pekerjaan, yang dalam hal ini adalah pekerjaan pendidikan.

7 "Kerabat" Gini, yang digunakan untuk menghitung ketimpangan pendapatan negara, akan dibagi dengan premi rata-rata untuk pekerjaan utama di seluruh, yang
sering sangat dekat dengan nol dan kadang-kadang negatif. Gini relatif bersifat invarian skala daripada invarian-level, yang berarti bahwa peningkatan proporsional di
semua titik data akan menjaga ukurannya konstan. Properti absolut Gini tentang invarian-tingkat lebih sesuai untuk konteks kita; itu juga mengakomodasi nilai-nilai
negatif, memungkinkan kita untuk menggunakan premia utama yang tidak berarti.

8 Pendidikan menengah di sini dikelompokkan dengan pendidikan khusus (misalnya, "pendidikan sains"), sedangkan jurusan pendidikan dasar dan umum

dikelompokkan bersama.

10
Gambar 2: Distribusi premia pendapatan di seluruh pekerjaan: contoh kasus tipe

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

Keempat jurusan di sebelah kanan Gambar 2 semuanya dinilai sangat spesifik oleh ukuran Gini kami. Dua jurusan pendidikan

adalah dua jurusan yang paling spesifik, diikuti oleh keperawatan. Keuangan adalah ketujuh yang paling spesifik. Inspeksi visual dari

data memberi tahu kita bahwa semua jurusan yang paling umum menunjukkan garis "datar", sedangkan jurusan yang paling spesifik

semua menyerupai Case 2 atau 3, atau kombinasi keduanya. 9

Pendekatan kami berbeda dari makalah lain yang juga berfokus pada spesifikasi program pendidikan. Borghans dan

Golsteyn (2007), Kinsler dan Pavan (2015), dan Coenen et al. (2015) semua menggunakan informasi yang dilaporkan sendiri

tentang seberapa kuat pekerjaan itu terkait dengan bidang studi pekerja. Misalnya, dalam Kinsler dan Pavan (2015), semakin

besar premi untuk berada di pekerjaan "terkait", semakin spesifik jurusan perguruan tinggi.

Pendekatan kami memiliki tingkat kemiripan, tetapi kami membiarkan premia pendapatan memberi tahu kami bagaimana kaitan

mayor dengan pekerjaan, alih-alih mengandalkan laporan diri. Walaupun kedua pendekatan itu berharga, mungkin sulit bagi lulusan

untuk mengetahui bagaimana hubungan pekerjaan mereka dengan jurusan mereka. Jurusan ekonomi, misalnya, dapat belajar

keterampilan berpikir analitis dan kritis yang berharga dalam banyak pekerjaan, bahkan jika subjek pekerjaan tidak terlihat berhubungan

dengan

9 Daftar jurusan yang paling spesifik dan paling umum ditemukan pada Tabel 4, dan peringkat lengkap jurusan di Tabel A.1.

11
 ekonomi. Persepsi pekerja mungkin tidak selalu sejalan dengan apa yang diceritakan oleh data kepada kita. Melihat premi pendapatan

memberikan ukuran yang lebih objektif tentang bagaimana keterampilan itu dinilai dalam setiap pekerjaan.

Mungkin tidak mengejutkan, ukuran kami sensitif terhadap tingkat agregasi dari jurusan dan pekerjaan. Ketika kategori

utama yang lebih teragregasi digunakan, jurusan umum dan khusus sering disatukan. Misalnya, kategori utama "STEM" biasanya

mencakup jurusan umum seperti matematika (peringkat 43 dari 51 jurusan) serta yang khusus seperti biologi (ke-11) dan teknik

sipil (ke-12). Agregat subjek STEM akan menghasilkan utama yang tampaknya hanya spesifik - perubahan besar bagi banyak

jurusan komponen. Kami memberikan diskusi yang lebih rinci tentang masalah-masalah ini di Lampiran A.2.

Perhitungan ukuran kami bergantung pada memiliki data yang memadai untuk memperkirakan premi untuk setiap mata pelajaran

di setiap pekerjaan. Jika jurusan terlalu kecil untuk mendapatkan estimasi yang tepat dari premi pendapatan dalam setiap sel, ukuran

spesifik yang dihasilkan bisa tidak akurat. Meskipun teknik pembobotan kami membantu menstabilkan perhitungan ukuran untuk

jurusan yang memiliki beberapa sel pekerjaan kecil dan beberapa yang besar, teknik ini tidak menyelesaikan masalah jurusan dengan

banyak sel kecil - dan karenanya banyak premis yang diperkirakan berisik. Kami telah melakukan simulasi yang menunjukkan bahwa

masalah ini tidak mungkin mengarah pada kesalahan substansial dalam pekerjaan empiris kami, tetapi dalam aplikasi dengan set

data yang lebih kecil, mungkin diperlukan lebih banyak agregasi jurusan.

3.1 Berurusan dengan Seleksi

Masalah potensial dengan pendekatan kami adalah pemilihan lulusan di seluruh pekerjaan dalam jurusan tertentu. 10 Jika lebih banyak

siswa yang mampu dari jurusan memilih pekerjaan tertentu, maka mereka kemungkinan akan mendapatkan lebih dari lulusan lain dari

jurusan itu. Jika ada lebih banyak seleksi lintas pekerjaan untuk beberapa jurusan daripada yang lain, maka jurusan dengan seleksi

terbanyak akan memiliki ketidaksetaraan pendapatan yang lebih besar di seluruh pekerjaan dan dengan demikian akan terlihat lebih

spesifik. Sulit untuk mengesampingkan ini tanpa ukuran kemampuan individu.

Menghadapi keprihatinan ini, kami melakukan tiga latihan untuk memvalidasi pendekatan kami. Pertama, kami menghitung

ukuran Gini tanpa menyertakan ukuran demografis dalam Persamaan 1.

10 Cara ideal untuk mengukur transferabilitas keterampilan adalah dengan menugaskan lulusan secara acak untuk pekerjaan. Jika tidak ada kemungkinan ini, orang
bisa melihat perubahan upah untuk penukar jabatan. Namun, pengalih juga merupakan kelompok yang sangat dipilih, dan pekerjaan tujuan akan bersifat endogen.
Pendekatan kami lebih layak.

12
Jika seleksi pada langkah-langkah yang diamati ini penting, ini harus mengubah peringkat jurusan. Kami terdorong oleh fakta

bahwa Gini yang dihasilkan oleh pendekatan ini berkorelasi pada 0,97 dengan yang termasuk demografis, dan peringkat jurusan

sebagian besar tidak berubah.

Kedua, kami menggunakan Baccalaureate dan Beyond (B&B) 08/12 yang digunakan terbatas, yang berisi skor SAT tingkat individu,

untuk menghitung koefisien Gini untuk jurusan dengan dan tanpa nilai tes ini dimasukkan sebagai kontrol untuk kemampuan. Jika seleksi

pada kemampuan kognitif adalah masalah substansial, orang akan mengharapkan dua pendekatan untuk memberikan peringkat jurusan

yang berbeda. Kelemahan menggunakan dataset ini adalah ukuran sampelnya yang kecil mengharuskan kami untuk menggunakan

hanya 11 jurusan dan 5 pekerjaan untuk menghindari sel kosong.

Hasilnya ada di Panel A dari Tabel 1. Kedua Ginis - dengan dan tanpa nilai SAT matematika dan verbal SAT - berkorelasi

pada 0,99, dan peringkat jurusan hampir identik. Ini terjadi karena dalam regresi B & B, setelah efek tetap besar dimasukkan, skor

SAT tidak memiliki dampak yang signifikan terhadap pendapatan. Dalam kedua kasus, pendidikan, teknik, dan kesehatan adalah

jurusan yang paling spesifik, sedangkan ilmu sosial adalah yang paling umum.

13
 Tabel 1: Latihan Validasi

Panel A: Menggunakan Baccalaureate dan Beyond Data

Utama Gini dengan SAT Rank dengan SAT Gini tanpa SAT Rank tanpa SAT

pendidikan 0,118 1 0,118 1

Rekayasa / lengkungan / comp sci 0,107 2 0,107 2
Jurusan kesehatan 0,075 3 0,068 3
Soc. pekerjaan / layanan perlindungan 0,058 4 0,057 4
Ilmu matematika / fisik 0,048 5 0,054 5
Bisnis 0,044 6 0,043 7
Komunikasi / jurnalisme 0,043 7 0,040 9
Seni 0,039 8 0,045 6
Studi humaniora / liberal 0,037 9 0,042 8
Ilmu biologi / pertanian 0,026 10 0,030 10
Ilmu Sosial 0,019 11 0,018 11

Korelasi dalam Ginis 0,99

Korelasi dalam barisan 0,95

Panel B: Membandingkan ACS dengan Data Harapan dari Arcidiacono et al. (2017)

ACS Usia 31-33 Data Data Harapan

Utama Gini Pangkat Gini Pangkat

Ilmu alam 0,061 1 0,053 1

Teknik 0,060 2 0,040 3
Kebijakan publik 0,049 3 0,038 4
Ekonomi 0,046 4 0,048 2
Sastra 0,044 5 0,026 5
Ilmu Sosial 0,036 6 0,016 6

Korelasi dalam Ginis 0,78

Korelasi dalam barisan 0,83
CATATAN: Panel A melaporkan koefisien Gini yang dihitung dari data Baccalaureate dan Beyond 08/12. Mereka dihitung dengan SAT matematika dan skor
verbal dan kemudian tanpa. Regresi berada di tingkat pekerjaan (6 pekerjaan) dan juga termasuk ras dan jenis kelamin. Semua orang dalam sampel adalah
4 tahun dari perguruan tinggi. Panel B melaporkan koefisien Gini tidak tertimbang yang dihitung berdasarkan 6 pekerjaan dan 6 jurusan dari ACS dan dari
data harapan di Arcidiacono et al. (2017).

SUMBER: Panel A menggunakan data Baccalaureate dan Beyond 08/12 yang terbatas. Panel B menggunakan data dari Survei Komunitas Amerika dan data
harapan dari Arcidiacono et al. (2017).

Ketiga, kami menggunakan data ekspektasi penghasilan dari Arcidiacono et al. ( Akan datang; Tabel A3).

Mahasiswa sarjana diminta untuk memberikan penghasilan yang diharapkan dalam enam jurusan besar dan enam

pekerjaan (atau 36 total kombinasi pekerjaan utama). Karena setiap siswa memberikan penghasilan yang

diharapkan untuk setiap pasangan pekerjaan besar, datanya "bebas seleksi": kami mengamati ekspektasi setiap

siswa di setiap sel, alih-alih hanya yang akhirnya mereka pilih.

Dengan menggunakan data ini, kami menghitung varian ukuran Gini kami menggunakan enam jurusan dan enam pekerjaan

dari Arcidiacono et al. (Akan datang). 11 Kami menghitungnya dengan dua cara, pertama menggunakan data harapan (bebas dari

seleksi) dan kemudian menggunakan yang sebenarnya

11 Data yang diberikan dalam makalah ini dikumpulkan pada tingkat pekerjaan-besar, yang mencegah kita dari menerapkan metode yang tepat yang kami jelaskan
dalam Bagian 3. Kami menggunakan log pendapatan pekerjaan yang diremehkan sebagai pengganti koefisien regresi, dan kami menetapkan semua bobot
pekerjaan-besar sama dengan 1.

14
 Data ACS untuk jurusan dan pekerjaan tersebut (dengan seleksi potensial). 12 Hasilnya ada di Panel B dari Tabel 1.

Korelasi antara ACS Gini dan data ekspektasi Gini adalah 0,78, dan lima dari enam jurusan diberi peringkat dalam

urutan yang sama. Ilmu pengetahuan dan teknik diperingkat sebagai spesifik oleh keduanya, sedangkan ilmu sosial

selalu bersifat umum. Hanya ekonomi yang mengubah peringkat, tampak lebih spesifik dalam data ACS daripada

dalam data ekspektasi. Ini mungkin mencerminkan fakta bahwa siswa tidak selalu tahu pekerjaan apa yang dilakukan

seseorang dengan gelar ekonomi. 13

Tiga latihan ini memberikan bukti bahwa pola seleksi individu untuk pekerjaan tidak mendorong perbedaan dalam

spesifisitas yang kami temukan di seluruh jurusan. Meskipun kami tidak dapat mengontrol pemilihan langsung di ACS,

kami tidak berharap bahwa melakukan hal tersebut akan secara substansial mengubah peringkat atau koefisien Gini

individu untuk sebagian besar jurusan.

4 Perbandingan Pengukuran empiris

Di sini kami secara singkat membandingkan ukuran Gini kami dengan ukuran yang mewakili tiga pendekatan

sebelumnya: kurikulum, orientasi pasar tenaga kerja, dan hasil pekerjaan. Perbandingan lengkap dari jurusan di

berbagai langkah tersedia di Tabel A.1.

4.1 Definisi Tindakan Lainnya

Selain ukuran spesifikasi Gini kami, kami membangun tiga lainnya untuk perbandingan. Pertama adalah

Hirschman-Herddahl Index (HHI), seperti yang digunakan oleh Blom et al. (2015), untuk mengukur spesifikasi

jurusan sesuai dengan pekerjaan tujuan. Kami kembali menggunakan data pada individu berusia 25 hingga 35

tahun dari ACS 2009-2015, seperti yang kami lakukan dengan koefisien Gini. HHI dihitung sebagai berikut:

12 Para siswa diminta untuk memberikan penghasilan 10 tahun setelah lulus, jadi di ACS kami membatasi di sini untuk usia 31 hingga 33.

13 Menariknya, koefisien Gini yang dihitung dari data ekspektasi hampir semuanya lebih kecil (lebih umum) daripada data aktual. Bisa jadi siswa melebih-lebihkan
generalitas jurusan, atau mungkin gelar dari universitas elit (data ini dikumpulkan di Duke) lebih dapat dipindahtangankan daripada gelar setara dari universitas
berperingkat lebih rendah.

15
 ∑
HHI m = N s 2 mo (3)
o=1

dimana m menunjukkan mayor, Hai menunjukkan setiap pekerjaan, dan s mo menunjukkan pangsa lulusan dari

jurusan m yang bekerja dalam pekerjaan Hai. Ukuran ini bervariasi secara teoritis antara 0 dan 1, dengan nilai yang

lebih tinggi mewakili jurusan yang lebih spesifik - mereka yang lulusannya terkonsentrasi di sejumlah kecil

pekerjaan. Nilai 1 akan mewakili jurusan dimana semua lulusan memasuki pekerjaan tunggal. Kami menempatkan

ukuran ini dalam standar deviasi untuk kemudahan interpretasi. 14

Kedua adalah ukuran seberapa khusus kurikulum jurusan itu. Kami menyusun HHI kursus yang diambil untuk

setiap jurusan dengan menggunakan data transkrip dari versi terbatas dari dataset Baccalaureate and Beyond

(B&B) 1993/2003:

∑
HHI m = N s 2 mf (4)
f=1

dimana m menunjukkan mayor, f menunjukkan pengelompokan bidang studi kasar, 15 dan s mf

menunjukkan bagian rata-rata kredit sarjana (bukan program) yang diperoleh di lapangan f oleh siswa yang lulus dari

jurusan m. Kami juga menempatkan ukuran ini dalam standar deviasi.

Akhirnya, kami membangun klasifikasi jurusan "kejuruan" atau "akademik" jurusan menggunakan taksonomi dari

Pusat Nasional untuk Statistik Pendidikan. 16 Walaupun AS tidak memiliki trek kejuruan yang terdefinisi dengan baik di

tingkat universitas, masih menarik untuk mencoba membandingkan Gini kami dengan ukuran seperti itu. Jurusan

seperti teknik, akuntansi, dan pendidikan diklasifikasikan sebagai kejuruan, sedangkan humaniora, ilmu sosial, dan

matematika termasuk di antara jurusan akademik. Tabel A.3 dalam Lampiran menunjukkan daftar lengkap jurusan

yang diklasifikasikan sebagai kejuruan dan akademik.

14 Ini sangat berkorelasi dengan ukuran "Top 5", didefinisikan sebagai bagian dari siswa dari setiap jurusan pergi ke lima pekerjaan paling umum untuk jurusan itu,

mirip dengan yang digunakan dalam Altonji et al. (2012).

15 Untuk ukuran ini kami menggunakan kategori lapangan yang relatif luas: matematika, ilmu sosial, bisnis, bahasa asing, sains dan teknik, humaniora, pendidikan,

ilmu komputer, pengembangan pribadi, dan lainnya.

16 Taksonomi ini dapat ditemukan di: https://nces.ed.gov/surveys/ctes/tables/postsec_tax.asp.

16
 4.2 Membandingkan Ukuran

Kami membandingkan ukuran Gini kami dengan yang lain dalam dua cara: dengan menjelajahi korelasi antara tindakan, dan

dengan membandingkan jurusan yang dinilai sebagai jurusan yang paling spesifik dan umum dengan masing-masing ukuran.

Tabel 2 menyajikan korelasi antara ukuran, serta korelasi antara masing-masing ukuran dan tiga ukuran skor

tes tingkat utama: skor SAT Matematika rata-rata, skor verbal SAT rata-rata, dan standar deviasi nilai SAT di

mayor. 17

Keempat ukuran spesifik berkorelasi positif. Gini paling berkorelasi dengan ukuran HHI pekerjaan ( ρ = 0,69): ini

sebagian mekanis mengingat bahwa kami menggunakan bobot ukuran sel pekerjaan-utama dalam perhitungan

Gini kami. Gini juga berkorelasi positif dengan indikator kejuruan, tetapi hanya berkorelasi lemah dengan ukuran

kurikulum HHI ( ρ = 0,04). Ini sedikit berkorelasi negatif dengan skor SAT rata-rata.

Meja 2: Korelasi Antara Ukuran Spesifik Utama

Ukuran utama: Gini Occ HHI Curr HHI Kejuruan Harga rata-rata SAT M Rata-rata SAT V SAT St. Dev.

Gini 1.000
Occ HHI 0,686 1.000
CUR HHI 0,043 0,217 1,0000
Kejuruan 0,375 0,336 0,122 1.000
SAT M - 0,103 - 0,146 0,197 - 0,189 1.000
SAT V - 0,298 - 0,261 0,185 - 0,474 0,719 1.000
SAT St Dev - 0,185 - 0,220 - 0,006 - 0,193 0,021 0,248 1.000

SUMBER: Gini dan HHI pekerjaan dihitung menggunakan ACS. Kategorisasi kejuruan diadaptasi dari taksonomi sekunder NCES posts. Kurikulum HHI dihitung dari
Baccalaurate dan Beyond data yang digunakan terbatas, yang juga merupakan sumber variabel SAT rata-rata oleh mayor.

Sepuluh jurusan teratas dan terbawah untuk setiap ukuran ditunjukkan pada Tabel 3. Meskipun ada beberapa

kesepakatan luas di seluruh tindakan - keperawatan ditentukan oleh ukuran apa pun.

- daftar ini sangat berbeda. Pendidikan memiliki kurikulum umum, tetapi menghasilkan keterampilan yang paling

khusus sesuai dengan ukuran kami. Akuntansi sangat umum menurut ukuran Gini, meskipun sangat spesifik

menurut pekerjaan HHI.

17 Korelasi ini memberi bobot pada semua jurusan secara setara.

17
 Tabel 3: Jurusan di Sepuluh Atas dan Bawah dari Spesifik

Ukuran khusus: HHI kerja Kurikulum HHI Gini

Paling spesifik Perawatan Film dan Seni Lainnya Pendidikan Dasar / Umum
Pendidikan Dasar / Umum Teknik Kimia Pelajaran kedua
Pelajaran kedua Arsitektur Perawatan
Akuntansi Teknik Sipil Tek medis
Seni dan Desain Komersial Perawatan Pemrograman Komputer
Teknik Sipil Seni dan Desain Komersial Layanan Kesehatan / Med Lainnya
Tek medis Teknik Mesin Keuangan
Arsitektur Layanan Perlindungan Produksi Presisi / Indust. Seni
Pekerjaan Sosial / Hum. Sumber daya Produksi Presisi / Indust. Seni Seni dan Desain Komersial
Pemrograman Komputer Pekerjaan Sosial / Hum. Sumber daya Pemasaran

Paling umum Studi Lingkungan Matematika Musik / Pidato / Drama

Komunikasi Pelajaran kedua Ilmu Sosial Lainnya
Ilmu Sosial Lainnya Ilmu Komputer Filsafat / Agama
Lain-lain Dukungan Bisnis / Med Kebugaran dan Nutrisi Studi Lingkungan
Kesehatan masyarakat Lain-lain Dukungan Bisnis / Med Psikologi
Ilmu Pengetahuan Umum Pemrograman Komputer Akuntansi
Film dan Seni Lainnya Ilmu Pengetahuan Umum Studi Wilayah
Pertanian Tek Teknik Pekerjaan Sosial / Hum. Sumber daya
Bisnis Ekonomi Matematika
Studi Wilayah Bisnis Tek Teknik
CATATAN: Di bagian "Paling spesifik", jurusan dicantumkan dari paling spesifik ke kurang spesifik. Di bagian "Paling umum", jurusan dicantumkan dari paling tidak spesifik ke lebih spesifik.
Artinya, untuk pekerjaan HHI, keperawatan adalah yang paling spesifik dan studi lingkungan adalah yang paling umum. Jurusan dalam huruf miring muncul pada daftar yang sama untuk
ketiga ukuran. Jurusan dalam huruf tebal muncul di sebagian besar daftar spesifik dan paling umum untuk tindakan yang berbeda.

SUMBER: Gini dan HHI pekerjaan dihitung menggunakan ACS. Kurikulum HHI dihitung dari data Baccalaurate and Beyond yang digunakan terbatas.

5 Memperkirakan Pengembalian ke Jurusan Khusus

5.1 Data

Kami menggunakan American Community Survey (ACS) dari 2009 hingga 2015 untuk memperkirakan pengembalian ke

spesifikasi utama perguruan tinggi. Sejak 2009, ACS telah meminta pemegang gelar sarjana untuk bidang studi sarjana

mereka. Kami mempertahankan semua responden yang berusia 23 hingga 60 tahun dengan gelar sarjana atau lebih tinggi dan

memetakan jurusan perguruan tinggi mereka (diberikan dalam sekitar 100 kode berbeda) ke dalam 51 kategori utama

Baccalaureate dan Beyond. Kami kemudian menggabungkan dalam empat ukuran tingkat utama spesifikasi yang dihitung

pada Bagian 4, serta skor SAT rata-rata utama dari data Baccalaureate dan Beyond 93:03.

18
 5.2 Estimasi

Kami mengeksplorasi beberapa hasil, termasuk upah tahunan dan pendapatan gaji (diberi kode tertinggi pada $

500.000), jam kerja, upah per jam, pekerjaan, dan kemungkinan menjadi manajer atau pengusaha. Kami

memperkirakan regresi dalam bentuk:

y i = β 0 + β 1 exp + β 2 exp 2 + β 3 spek i + β 4 spek saya ∗ exp + β 5 spek saya ∗ exp 2 + Γ 1 X i + Γ 2 M. i + tahun saya ( 5)

dimana exp adalah pengalaman potensial, spek saya adalah ukuran dari spesifikasi utama, X saya adalah seperangkat

karakteristik pribadi termasuk jenis kelamin dan ras, dan M. saya adalah seperangkat karakteristik utama yang terpisah

dari spesifikasi (matematika SAT rata-rata dan skor verbal dan varian skor SAT dalam mayor). Pengalaman potensial

adalah tahun saat ini dikurangi tahun kelulusan tersirat, berdasarkan tanggal lahir responden. Karakteristik utama

dimasukkan untuk mengontrol kemampuan rata-rata di bidang utama sebaik yang kami bisa. Kami juga menyertakan

efek yang ditetapkan tahun untuk mengendalikan perubahan kondisi ekonomi. 18

Dalam data kami, beberapa jurusan memiliki pengamatan jauh lebih banyak daripada yang lain. 19 Karena kami ingin mengukur

pengembalian di semua jurusan, kami menimbang regresi kami dengan kebalikan dari ukuran utama, yang memberikan bobot yang

sama untuk setiap jurusan kami.

Kami tidak dapat menafsirkan hasil di bawah ini sebagai efek kausal dari penguasaan bidang tertentu. Meskipun kami

mengontrol rata-rata skor SAT berdasarkan jurusan, mungkin ada faktor yang tidak dapat diobservasi yang juga bervariasi di

seluruh jurusan. Kami akan memberikan bukti bahwa hasil kami kuat untuk berbagai pendekatan dan subsampel, tetapi kami

tidak dapat mengklaim hubungan sebab akibat. Namun, hasilnya menarik deskriptif dan setidaknya menunjukkan

kemungkinan efek kausal.

18 Hasil kami berasal dari kombinasi antara Resesi Hebat dan periode pasca resesi. Kami telah menjalankan semua hasil kami untuk dua periode secara terpisah
(misalnya, 2009 hingga 2012 dan 2013 hingga 2015), dan hasilnya serupa untuk kedua sub-periode.

19 Misalnya, pendidikan dasar dan bisnis masing-masing memiliki lebih dari 250.000 pengamatan, sedangkan jurusan seperti kesehatan masyarakat dan studi daerah

memiliki kurang dari 15.000. Pemrograman komputer sejauh ini merupakan jurusan terkecil di sekitar
2.000 pengamatan. Jumlah rata-rata pengamatan untuk jurusan adalah sekitar 59.000.

19
 5.3 Pengembalian Penghasilan

Kami mulai dengan pendapatan upah dan gaji tahunan. Tabel 4 menunjukkan bahwa jurusan yang lebih spesifik (Gini lebih

tinggi) memiliki pengembalian laba keseluruhan per standar deviasi sekitar 2%. Pengembalian awal (kolom 2) adalah 7-8% per

standar deviasi, yang memudar perlahan seiring bertambahnya usia.

Tabel 4: Penghasilan Kembali ke Spesifik (Koefisien dialikan 100)

Variabel dependen: mencatat pendapatan tahunan

(1) (2) (3) (4) (5) (6) (7) (8)

Gini 1.980 *** 7.250 ***

(0.115) (0.347)
Gini * potexp - 0,565 ***
(0,038)
Gini * potexp 2 0,012 ***
(0,000)
Kejuruan - 0.810 *** 18.090 ***
(0,237) (0,648)
Kejuruan * potexp - 1.890 ***
(0,075)
Kejuruan * potexp 2 0,037 ***
(0,002)
Occ HHI 1.522 *** 7.685 ***
(0,068) (0,196)
Occ HHI * potexp - 0,724 ***
(0,022)
Occ HHI * potexp 2 0,016 ***
(0,000)
Kurikulum. HHI - 0,393 *** - 0,415
(0,112) (0,332)
Kurikulum. HHI * potexp - 0,144 ***
(0,040)
Kurikulum HHI * potexp 2 0,006 ***
(0,001)

Konstan 30.329 *** 30.560 *** 28.847 *** 28.775 *** 29.755 *** 29.936 *** 28.827 *** 28.574 ***
(0,951) (0,950) (0,929) (0,928) (0,939) (0,939) (0,933) (0,935)

Pengamatan 2.598.334
R-kuadrat
Kesalahan standar dalam tanda kurung
* * * p <0,01, ** p <0,05, * p <0,1
CATATAN: Semua regresi juga termasuk jenis kelamin, ras / etnis, kuadrat dalam pengalaman potensial, tahun bodoh, nilai rata-rata SAT Matematika dan Verbal di mayor, dan
standar deviasi skor SAT di mayor. Variabel dependen adalah log upah tahunan dan pendapatan gaji. Gini, HHI pekerjaan, dan kurikulum HHI berada dalam standar deviasi,
sedangkan kejuruan adalah variabel biner. Sampel dibatasi untuk lulusan perguruan tinggi berusia 23 hingga 60 tahun. Kami telah mengalikan koefisien dan standar kesalahan
dalam tabel dengan 100 untuk lebih jelas menunjukkan bagaimana efek berubah dengan usia.

SUMBER: Gini dan HHI pekerjaan dihitung menggunakan ACS. Kurikulum HHI dihitung dari data Baccalaureate and Beyond yang digunakan terbatas. Sampel berasal dari ACS
2009-2015.

Untuk mendapatkan pengertian yang lebih baik tentang bagaimana pengembalian berubah dengan usia, Gambar 3 menunjukkan

perkiraan pengembalian ke satu standar deviasi ukuran Gini, 20 diperkirakan menggunakan regresi terpisah berdasarkan kelompok umur.

Ada pengembalian positif untuk jurusan yang lebih spesifik

20 Untuk memberikan beberapa konteks, jurusan jurnalistik memiliki Gini rata-rata, keuangan adalah tentang satu standar deviasi di atas rata-rata, dan psikologi

adalah tentang satu standar deviasi di bawah rata-rata.

20
 Gambar 3: Pengembalian Penghasilan: 1 Standar Deviasi Gini

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

di setiap tingkat usia, yang signifikan untuk semua orang kecuali usia 31-35. Keuntungan awal di sini adalah sekitar

5%, dan tetap antara 0% dan 5% untuk seluruh siklus hidup.

Kemunduran ini hanya mencakup skor SAT rata-rata utama, yang mungkin tidak menghilangkan kekhawatiran tentang seleksi

menjadi jurusan pada kemampuan. Kita dapat memperkirakan pengembalian ke spesifisitas dengan sampel yang lebih kecil dan

jurusan yang lebih sedikit menggunakan data Baccalaureate dan Beyond 08/12, di mana kami memasukkan matematika SAT

individu dan skor verbal. Dengan menggunakan data ini, pengembalian ke satu standar deviasi Gini untuk pekerja empat tahun

setelah lulus adalah 10%, bahkan lebih besar dari perkiraan ACS kami untuk pekerja muda. Ini menunjukkan bahwa hasil kami

tidak didorong oleh seleksi pada faktor-faktor yang dapat diamati menjadi jurusan yang lebih spesifik. 21

Gambar 4 menunjukkan estimasi penghasilan spesifik usia untuk sepuluh jurusan teratas dan terbawah paling

spesifik menurut ukuran Gini. Jurusan yang paling spesifik mendapatkan premi awal sekitar 6% dari rata-rata

jurusan. Ini menurun seiring bertambahnya usia, dan sedikit negatif pada usia 30-an, tetapi berubah positif lagi pada

usia-usia selanjutnya. Di sisi lain, jurusan umum jauh lebih buruk daripada jurusan rata-rata dan spesifik,

menghasilkan sekitar

21 Hasil dari data B&B tersedia berdasarkan permintaan.

21
 Gambar 4: Pengembalian Penghasilan: Gini

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

10% di bawah rata-rata di semua usia, dan lebih dari 15% lebih rendah dari jurusan tertentu di awal karir. 22

Kita dapat membandingkan hasil ini dengan yang menggunakan tiga ukuran lain, ditunjukkan pada Gambar 5. Ukuran

kejuruan menunjukkan pengembalian laba awal yang kuat untuk jurusan kejuruan sekitar 15%, yang menurun dengan

bertambahnya usia. Pada usia 31-35, kembalinya hilang, dan untuk usia 36-60, jurusan akademik mengungguli jurusan

kejuruan. Kisah yang diceritakan oleh langkah kejuruan adalah bahwa jurusan tertentu adalah yang terbaik (sejauh ini) di

awal siklus kehidupan, sementara jurusan umum membayar lebih dari mulai usia 30-an pekerja. Meskipun "kejuruan"

berarti sesuatu yang berbeda di sini daripada dalam konteks Eropa, temuan ini konsisten dengan beberapa literatur

tentang pengembalian ke pendidikan kejuruan (misalnya, Hanushek et al. (2017), Golsteyn dan Stenberg (2017)). Di sisi

lain, Silliman dan Virtanen (2019) menemukan bahwa pelatihan kejuruan di Finlandia memiliki hasil positif yang bertahan

lama.

Pekerjaan HHI dan kurikulum HHI menunjukkan gambaran yang kurang optimis untuk spesifik

22 Hasil kami secara luas mirip dengan yang ada di Deming dan Noray (2018), yang menemukan bahwa gelar STEM memiliki premi karir awal yang tinggi yang
menurun seiring bertambahnya usia. Sebagian besar jurusan STEM bersifat spesifik sesuai dengan ukuran Gini kami, meskipun beberapa tidak, dan banyak jurusan
non-STEM juga spesifik, sehingga hasil kami sulit dibandingkan dengan mereka.

22
 Gambar 5: Pengembalian Penghasilan: Tindakan Lainnya

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

jurusan. Pada sebagian besar usia, pengembalian ke jurusan tertentu adalah negatif, terutama untuk pekerjaan

HHI. Perbedaan antara pengembalian Gini kami dan pekerjaan pengembalian HHI mengejutkan, mengingat bahwa

dua langkah berkorelasi positif. Ini memberitahu kita bahwa Gini mengambil sesuatu yang berbeda dari

pendudukan HHI.

Dengan demikian, hasil kami dari Gini sangat berbeda dari tindakan yang ada. Kami menemukan bahwa spesifik

memiliki pengembalian positif di hampir setiap usia, dan jurusan paling umum selalu memiliki pengembalian terendah. 23 Ukuran

Gini juga kuat dalam "menjelaskan" perbedaan pendapatan lintas jurusan. Dominance Analysis (Budescu (1993))

menunjukkan bahwa ukuran Gini kami menjelaskan lebih banyak perbedaan dalam pendapatan di semua jurusan

dibandingkan dengan langkah-langkah spesifik lainnya. 24

Kami telah melakukan analisis kami beberapa cara lain, dengan hasil yang tersedia di Lampiran B. Ketika

pemegang gelar sarjana dikeluarkan, hasil untuk ukuran Gini hampir identik (Gambar B.1). Kami juga telah

menggunakan lima atas dan bawah

23 Kami perhatikan bahwa penghasilan jauh dari satu-satunya pengembalian ke utama. Jurusan umum mungkin lebih menyenangkan dan menarik, dapat menghasilkan
lebih banyak orang yang menarik dan warga negara yang lebih baik, dan dapat menyebabkan pekerjaan yang lebih menarik. Hasil-hasil ini lebih sulit untuk diukur.

24 Hasil ini tersedia berdasarkan permintaan.

23
 jurusan dan sepertiga jurusan atas dan bawah (Gambar B.2). Kesimpulannya sekali lagi serupa. Jurusan khusus

menghasilkan sedikit lebih dari rata-rata di sebagian besar usia, sementara jurusan umum selalu di bawah rata-rata.

Kami juga membagi sampel menjadi dua berdasarkan skor SAT rata-rata pada Gambar B.3. Pengembalian ke jurusan

tertentu terkonsentrasi di antara jurusan dengan SAT yang lebih tinggi.

Akhirnya, Gambar B.4 menunjukkan perkiraan laba untuk jurusan yang paling spesifik dan paling umum pada

persentil ke 20 dan ke 80 dari distribusi pendapatan. Sementara perkiraan tidak tepat, mereka menunjukkan bahwa

di awal kehidupan, jurusan tertentu bekerja dengan baik di kedua bagian distribusi. Di kemudian hari, kembalinya

ke jurusan tertentu didorong oleh persentil ke-20. Sementara itu, jurusan paling umum adalah pembelajaran

terendah dalam kedua kasus.

5.4 Menguraikan Efek Penghasilan

Kami telah melihat pengembalian laba yang umumnya positif untuk jurusan yang lebih spesifik. Sekarang kami

menguraikan ini dengan melihat jam kerja, upah per jam, dan kemungkinan pekerjaan. Latihan-latihan ini penting karena

penghasilan yang lebih tinggi dapat datang melalui probabilitas yang lebih tinggi untuk bekerja (atau bekerja penuh

waktu) atau melalui daya penghasilan yang lebih tinggi per jam. Ketika siswa mengevaluasi jurusan, mereka mungkin

berpikir tentang keamanan mendapatkan pekerjaan, misalnya. Bahkan jika jurusan tertentu menghasilkan lebih banyak

rata-rata, bisa jadi ada risiko tidak mendapatkan pekerjaan sama sekali. 25

Gambar 6 menunjukkan peluang kerja kembali ke jurusan yang paling umum dan paling spesifik. 26 Ini adalah

regresi probit, dan kami membuat grafik efek marjinal; model probabilitas linier memberikan hasil yang serupa. Ada

sedikit perbedaan lapangan kerja antara jurusan spesifik dan rata-rata, tetapi jurusan umum memiliki kerugian kerja

awal untuk mencocokkan kerugian pendapatan mereka. Jurusan khusus memiliki sedikit keuntungan di kemudian

hari.

25 Tabel hasil regresi untuk pekerjaan, jam kerja, dan upah tersedia di Lampiran C.
26 Untuk membuat ukuran pekerjaan sebanding dengan ukuran lainnya, kami menggunakan ukuran tahunan. Kami mendefinisikan seseorang sebagai karyawan jika

mereka bekerja setidaknya 500 jam tahun lalu.

24
 Gambar 6: Pengembalian Pekerjaan: Gini

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

Gambar 7 memecah pendapatan kembali ke dalam jam log dan mencatat upah per jam. Hasilnya mengejutkan.

Jurusan tertentu memiliki premi upah yang besar di atas rata-rata jurusan (sekitar 8%) dan penalti berjam-jam kecil.

Semua keuntungan pendapatan mereka berasal dari upah. Jurusan umum menghadapi hukuman sangat besar

dalam upah. Keuntungan upah per jam untuk jurusan yang paling spesifik atas yang paling umum adalah sekitar

15%.

25
 Gambar 7: Jam dan Pengembalian Gaji: Gini

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

5.5 Pengusaha dan Manajer

Cabang penting literatur tentang keterampilan khusus difokuskan pada hubungan antara luasnya modal manusia

dan kewirausahaan. Sebuah hipotesis yang menonjol, teori "jack-of-all-trade", memprediksi bahwa mereka yang

memiliki keterampilan lebih umum paling cocok untuk kewirausahaan, yang membutuhkan kompetensi dalam

berbagai keterampilan daripada penguasaan keterampilan tunggal. Lazear (2005) memelopori bidang penelitian ini,

menemukan bahwa mereka yang mengambil kurikulum MBA yang lebih seimbang, dan mereka yang memiliki

pekerjaan yang berbeda sebelum pergi ke sekolah bisnis, lebih mungkin menjadi pengusaha. 27

Baru-baru ini, Lazear (2012) telah memajukan pentingnya keterampilan yang seimbang untuk kepemimpinan dalam

suatu perusahaan. Frederiksen dan Kato (2017) menemukan bukti bahwa luas sumber daya manusia, yang didefinisikan

dalam hal ini sebagai jumlah peran sebelumnya, penting untuk mengamankan posisi manajemen puncak. Makalah ini

memperluas argumen untuk luas

27 Penelitian lain telah menunjukkan temuan serupa, terutama berfokus pada peran pekerjaan sebelumnya yang dipegang oleh mereka yang menjadi pengusaha (misalnya,

Wagner (2006)).

26
 pendidikan di luar wirausahawan, bagi mereka yang memegang peran manajerial - terlepas dari apakah peran itu

berwirausaha atau tidak.

Kami menggunakan ukuran spesifik Gini kami untuk mengeksplorasi hipotesis bahwa pendidikan umum dikaitkan

dengan probabilitas yang lebih tinggi untuk menjadi wirausaha, atau memegang pekerjaan manajerial. Karena data kami

tidak memungkinkan kami untuk secara definitif mengidentifikasi pengusaha sejati, kami menggunakan pendapatan bisnis

sebagai ukuran proxy. Kami mendefinisikan pengusaha sebagai responden yang melaporkan pendapatan dari wirausaha,

termasuk pendapatan negatif. Manajer ditentukan berdasarkan kode pekerjaan di ACS. Sekitar 16% dari pengamatan kami

adalah manajer, sementara sekitar 9% adalah pengusaha.

Gambar 8 mengulangi analisis utama kami, dengan variabel dependen sekarang menjadi indikator biner untuk menjadi

wirausaha. 28 Kami menemukan bahwa jurusan umum lebih mungkin daripada jurusan rata-rata untuk menjadi wirausaha,

tetapi demikian juga jurusan tertentu (setidaknya di awal kehidupan). Di kemudian hari, jurusan umum kemungkinan besar

adalah wirausaha, seperti yang diprediksi oleh teori tersebut. Ukuran Gini kami mungkin tidak mengambil beberapa

keterampilan umum yang memprediksi kewirausahaan (misalnya, keterampilan orang). 29

28 Gambar 8 dan 9 adalah hasil dari regresi probit, dan kami membuat grafik efek marjinal. Kami hanya menyajikan hasil menggunakan ukuran Gini kami di sini.
Hasil untuk tiga ukuran spesifik lainnya ditemukan pada Lampiran dalam Gambar B.5 dan B.6. Perhatikan bahwa ukuran kurikulum adalah analog terdekat dengan
pendekatan Lazear (2005), tetapi ketika dia sedang melihat spesialisasi tingkat individu dalam bidang studi yang diberikan (siswa MBA), kami melihat tingkat rata-rata
spesialisasi seberang bidang. Dia juga memiliki akses ke data kursus individu, sementara di sini kita hanya menggunakan rata-rata tingkat utama.

29 Kami juga mengukur kewirausahaan dengan menggunakan indikator apakah orang tersebut melaporkan wiraswasta. Hasilnya mirip dengan yang kami tunjukkan

di sini.

27
 Angka 8: Kewirausahaan dan kekhususan

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

Gambar 9 melakukan analisis yang sama untuk kemungkinan memegang pekerjaan manajerial. Jurusan yang

paling khusus sangat terkait negatif dengan memegang posisi manajerial. Efek marjinal dari -0,06 menyiratkan

tentang pengurangan 40% dalam kemungkinan menjadi seorang manajer, yang bertahan selama karir. Anehnya,

jurusan umum juga cenderung kurang dari jurusan rata-rata untuk menjadi manajer. Ini bisa jadi karena sementara

manajer menggunakan berbagai keterampilan, mereka juga membutuhkan keahlian dalam bidang tertentu yang

mereka kelola, dan karenanya jurusan rata-rata, yang tidak terlalu spesifik atau terlalu umum, memiliki tingkat

manajemen tertinggi.

6. Kesimpulan

Literatur yang berkembang tentang faktor-faktor penentu dan dampak pasar tenaga kerja dari pilihan utama perguruan tinggi

telah menghasilkan wawasan baru tentang bagaimana siswa memilih bidang studi mereka, dan bagaimana pilihan ini

memengaruhi pendapatan selama siklus hidup (lihat Altonji et al. (2016)). Perbedaan sistematis dalam pilihan utama perguruan

tinggi lintas jenis kelamin (Brown dan Corcoran (1997)) dan kelompok etnis (Arcidiacono et al. (2016, 2012)) menjadikannya

semakin penting.

28
 Gambar 9: Manajer dan spesifikasi

SUMBER: Perhitungan penulis dari regresi menggunakan ACS 2009-2015.

Penting untuk memahami dari mana perbedaan hasil penelitian terhadap bidang studi. Salah satu karakteristik

yang berbeda secara substansial di seluruh bidang studi adalah tingkat spesialisasi gelar sarjana. Makalah ini telah

menyajikan bukti baru tentang kembalinya ke spesialisasi dalam pendidikan tinggi, serta menyoroti kekuatan dan

kelemahan langkah-langkah yang tersedia yang digunakan untuk menangkap spesialisasi pendidikan.

Kontribusi utama kami adalah mengembangkan cara baru untuk mengukur spesialisasi jurusan perguruan

tinggi, berdasarkan transferabilitas keterampilan. Ini selaras dengan dasar-dasar teoretis modal manusia umum dan

khusus dalam tradisi ekonomi tenaga kerja. Dengan mengukur ketimpangan pendapatan premia dalam jurusan di

seluruh pekerjaan menggunakan koefisien Gini, kami mengidentifikasi jurusan yang menyediakan keterampilan

khusus dan umum. Kami berpendapat bahwa ukuran yang digerakkan oleh teori ini memiliki aplikasi yang luas dan

interpretabilitas, dibandingkan dengan ukuran yang ada.

Dengan menggunakan pendekatan kami, pendidikan dan keperawatan adalah jurusan yang paling spesifik, sementara

musik, filsafat, dan psikologi adalah yang paling umum. Kami menemukan bahwa lulusan jurusan tertentu menghasilkan paling

banyak di hampir setiap usia. Premi awal adalah sekitar 5% dari rata-rata jurusan dan 15-20% di atas jurusan umum, didorong

sepenuhnya oleh yang lebih tinggi

29
upah. Berbeda dengan sebagian besar hasil pada pendidikan kejuruan, ada sedikit tradeo antara kesuksesan awal dan

akhir karir. Jurusan yang paling umum selalu menghasilkan jauh lebih sedikit dari rata-rata atau jurusan tertentu.

Meskipun ada pengembalian tinggi ke keterampilan khusus, mereka yang berasal dari bidang tertentu sebenarnya

paling tidak mungkin menjadi manajer. Jurusan utama rata-rata - tidak terlalu umum atau sangat spesifik - kemungkinan

besar memegang posisi ini. Manajer mungkin memerlukan campuran keterampilan umum dan keahlian khusus.

Metode yang kami berkontribusi dalam makalah ini memiliki aplikasi luas dalam konteks tenaga kerja dan pendidikan. Tingkat

spesialisasi pendidikan pekerja dapat memengaruhi penghasilannya, mobilitas pekerjaan, respons terhadap guncangan, dan

banyak lagi. Ketika pasar tenaga kerja berubah dalam beberapa dekade mendatang, dengan meningkatnya otomatisasi

mengancam beberapa pekerjaan (Acemoglu dan Restrepo (2017)), pekerja perlu memiliki keterampilan yang dapat beradaptasi

dengan pekerjaan dan industri baru. Teori intuitif akan menyatakan bahwa mereka yang memiliki keterampilan umum paling cocok

untuk penyesuaian ini. Sementara hasil kami tidak memberikan bukti langsung pada pertanyaan ini, mereka menunjukkan bahwa

meskipun keterampilan umum dapat memberi pekerja lebih banyak pilihan, mereka tidak selalu menjadi pilihan yang lebih baik.

30
Referensi

Acemoglu, D. dan P. Restrepo ( 2017): "Robot dan Pekerjaan," Makalah kerja, 1–62.

Altonji, JG, P. Arcidiacono, dan A. Maurel ( 2016): "Analisis Pilihan Lapangan di Sekolah Tinggi dan Sekolah

Pascasarjana: Faktor Penentu dan Pengupahan," di

Buku Pegangan Ekonomi Pendidikan, Elsevier BV, vol. 5, 1 ed.

Altonji, JG, E. Blom, dan C. Meghir ( 2012): "Heterogenitas dalam investasi modal manusia: Kurikulum sekolah

menengah, jurusan kuliah, dan karier," Ulasan Tahunan Ekonomi, 4, 185–223.

Altonji, JG dan RA Shakotko ( 1987): “Apakah Upah Naik dengan Senioritas Kerja?”

Tinjauan Studi Ekonomi, 54, 437–459.

Arcidiacono, P., EM Aucejo, dan VJ Hotz ( 2016): “Perbedaan Universitas dalam Wisuda Minoritas di Bidang STEM:

Bukti dari California,”

Ulasan Ekonomi Amerika, 106, 525–562.

Arcidiacono, P., EM Aucejo, dan K. Spenner ( 2012): “Apa yang terjadi setelah pendaftaran? Analisis jalur waktu

perbedaan rasial dalam IPK dan pilihan utama, ” IZA Journal of Labor Economics, 1, 5.

Arcidiacono, P., V. Hotz, A. Maurel, dan T. Romano ( Akan datang): “Kel

Ante Returns and Occupational Choice, ” Jurnal Ekonomi Politik.

Artz, G., KL Kimle, dan PF Orazem ( 2014): “Apakah Jack dari Semua Perdagangan Memegang Tangan yang

Menang? Membandingkan Peran Keterampilan Khusus versus Keterampilan Umum dalam Pengembalian ke

Gelar Pertanian, ” Jurnal Ekonomi Pertanian Amerika, 96, 193–212.

Bana, SH ( 2018): "Identifikasi Pekerja yang Terkena Pengungsi: Peran Kondisi Tingkat Negara," Makalah kerja.

Becker, GS ( 1962): "Investasi dalam modal manusia: analisis teoretis," Itu

Jurnal Ekonomi Politik, 9–49.

31
Blom, E., BC Cadena, dan BJ Keys ( 2015): “Investasi selama Siklus Bisnis: Wawasan dari College Major Choice,” Makalah

Diskusi IZA, 1–58.

Borghans, L. dan BHH Golsteyn ( 2007): “Keterampilan transferabilitas, penyesalan, dan mobilitas,” Ekonomi

Terapan, 39, 1663–1677.

Bridet, L. dan M. Leighton ( 2015): "Keputusan Utama: Implikasi Pasar Tenaga Kerja dari Waktu Spesialisasi di

Perguruan Tinggi," Makalah kerja.

Brown, C. dan M. Corcoran ( 1997): “Perbedaan Berbasis Jenis Kelamin dalam Konten Sekolah dan Kesenjangan

Upah Pria-Wanita,” Jurnal Ekonomi Tenaga Kerja, 15, 431–465.

Brunello, G. dan L. Rocco ( 2017): "Efek Pasar Tenaga Kerja dari Pendidikan Akademik dan Kejuruan selama Siklus

Hidup: Bukti Berdasarkan Kelompok Inggris,"

Jurnal Sumber Daya Manusia, 11, 106–166.

Budescu, DV ( 1993): "Analisis dominan: Pendekatan baru untuk masalah kepentingan relatif dari prediktor dalam

regresi berganda." Bul Letin psikologis,

114, 542–551.

Biro Statistik Tenaga Kerja ( 2000): “Panduan Pengguna Klasifikasi Pekerjaan Standar (SOC) 2000),” Departemen

Tenaga Kerja Amerika Serikat.

Carnevale, AP, B. Cheah, dan J. Strohl ( 2012): "Masa Sulit, Jurusan, Pengangguran dan Penghasilan: Tidak

Semua Gelar Perguruan Tinggi Diciptakan Sama."

Pusat Universitas Georgetown tentang Pendidikan dan Tenaga Kerja.

Chevalier, A. ( 2011): “Pilihan mata pelajaran dan penghasilan lulusan Inggris,” Ekonomi

Review Pendidikan, 30, 1187–1201.

Coenen, J., H. Heijke, dan C. Meng ( 2015): “Posisi pasar kerja dari program pendidikan kejuruan yang sempit

versus luas,” Penelitian Empiris dalam Pendidikan dan Pelatihan Kejuruan, 7, 1–31.

Cowell, FA ( 2000): "Pengukuran Ketimpangan," di Buku Pegangan Dis- income

penghargaan, 87–166.

32
Deming, DJ dan KL Noray ( 2018): “Karir STEM dan Perubahan Teknologi,” NBER Kertas Kerja no. 25065.

Dolton, P. dan A. Vignoles ( 2002): "Apakah kurikulum yang lebih luas lebih baik?" Ekonomi

Review Pendidikan, 21, 415–429.

Frederiksen, A. dan T. Kato ( 2017): “Sumber Daya Manusia dan Keberhasilan Karier: Bukti dari Data Terkait

Majikan-Karyawan,” Jurnal Ekonomi, 48, 443–31.

Gibbons, R. dan M. Waldman ( 2004): “Sumber daya manusia spesifik-tugas,” Amerika

Ulasan Ekonomi, 203–207.

Golsteyn, B. dan A. Stenberg ( 2017): "Kursus Penghasilan Selama Hidup: Umum versus Pendidikan Kejuruan," Jurnal

Sumber Daya Manusia, 11, 167–212.

Hall, C. ( 2013): “Apakah pendidikan yang lebih umum mengurangi risiko pengangguran di masa depan? Bukti dari

pengalaman pasar kerja selama Resesi Hebat, ”

Makalah kerja.

Hanushek, EA, G. Schwerdt, L. Woessmann, dan L. Zhang ( 2017): “Pendidikan Umum, Pendidikan Kejuruan, dan

Hasil Pasar Tenaga Kerja selama Siklus Hidup,” Jurnal Sumber Daya Manusia, 52, 49–88.

Hastings, JS, CA Neilson, dan SD Zimmerman ( 2013): “Apakah Beberapa Derajat Bernilai Lebih Dari Yang Lain?

Bukti dari cut masuk perguruan tinggi di Chili, ” Kertas Kerja NBER No. 19241.

Kambourov, G. dan I. Manovskii ( 2009): “Spesifik modal kerja manusia,” Tinjauan Ekonomi Internasional, 50,

63–115.

Kinsler, J. dan R. Pavan ( 2015): "Spesifikasi modal manusia umum: Bukti dari pilihan utama perguruan tinggi," Jurnal

Ekonomi Tenaga Kerja, 33, 933–972.

Kirkebøen, LJ, E. Leuven, dan M. Mogstad ( 2016): “Bidang Studi, Penghasilan, dan Seleksi Diri,” Jurnal Ekonomi

Triwulanan, 131, 1057-1111.

33
Kreisman, D. dan K. Stange ( 2017): "Pendidikan Teknologi Kejuruan dan Karir di Sekolah Menengah Amerika: Nilai

Kedalaman Lebih Luas," Keuangan dan Kebijakan Pendidikan, 15, 11–44.

Lazear, E. ( 2005): “Kewirausahaan,” Jurnal Ekonomi Tenaga Kerja, 23, 649–680.

Lazear, EP ( 2012): "Kepemimpinan: Pendekatan ekonomi personel," Tenaga Kerja

nomics, 19, 92-101.

Lemieux, T. ( 2014): “Pekerjaan, bidang studi dan kembali ke pendidikan,” Kana

dian Jurnal Ekonomi / Revue canadienne d'économique, 47, 1047–1077.

Liu, K., KG Salvanes, dan E. Ø. Sørensen ( 2016): "Keterampilan yang baik di masa-masa buruk: Ketidakcocokan

keterampilan siklus dan efek jangka panjang dari lulus dalam resesi,"

Ulasan Ekonomi Eropa, 84, 3–17.

Malamud, O. ( 2012): “Pengaruh Luas Kurikulum dan Keterampilan Umum tentang Pengangguran,” Makalah kerja.

Neal, D. ( 1995): “Sumber daya manusia khusus industri: Bukti dari pekerja yang dipindahkan,” Jurnal Ekonomi

Tenaga Kerja, 653–677.

Rakitan, TJ dan GM Artz ( 2015): “Lagipula, apa gunanya keterampilan? Memperkirakan pengembalian ke

keterampilan khusus dalam pendidikan tinggi, ” Makalah kerja.

Saniter, N. dan T. Siedler ( 2014): “Pembuka Pintu atau Buang Waktu? Efek dari Magang Siswa pada Hasil Pasar

Tenaga Kerja, " Makalah kerja.

Sellami, S., D. Verhaest, dan W. Van Trier ( 2018): “Bagaimana Mengukur Fieldof-Study Mismatch? Analisis

Komparatif Metode yang Berbeda, ” Tenaga kerja,

32, 141–173.

Silliman, M. dan H. Virtanen ( 2019): “Pasar Tenaga Kerja Kembali ke Pendidikan Menengah Kejuruan,” Kertas

Kerja ETLA.

Silos, P. dan E. Smith ( 2015): “Portofolio modal manusia,” Ulasan Ekonomi

Dinamika, 18, 635–652.

34
Stevens, AH, M. Kurlaender, dan M. Grosz ( 2019): "Pendidikan Teknis Karir dan Hasil Pasar Tenaga Kerja: Bukti

dari California Community Colleges," Jurnal Sumber Daya Manusia, 54, 986-1036.

Tchuente, G. ( 2016): “Portofolio modal manusia sekolah menengah dan hasil-hasil perguruan tinggi,”

Jurnal Sumber Daya Manusia, 10, 267–302.

Wagner, J. ( 2006): “Apakah wirausahawan yang baru lahir 'Jacks-of-all-trade'? Tes teori kewirausahaan Lazear

dengan data Jerman, " Ekonomi Terapan, 38, 2415–2419.

Walker, I. dan Y. Zhu ( 2011): "Perbedaan berdasarkan derajat: Bukti tingkat keuangan bersih dari pengembalian ke

studi sarjana untuk Inggris dan Wales," Ulasan Ekonomi Pendidikan, 30, 1177–1186.

35
 Lampiran Data

A.1 Kategori utama dan pekerjaan

Tabel A.1 mencantumkan 51 kategori utama yang kami gunakan. Untuk setiap jurusan, kami membuat daftar apakah

jurusan itu kejuruan atau tidak (menggunakan daftar NCES), dan peringkat jurusan berdasarkan pekerjaan HHI,

kurikulum HHI, dan ukuran Gini. Peringkat "1" berarti mayor adalah yang paling spesifik dengan ukuran itu. Pekerjaan

HHI dan Gini dihitung menggunakan American Community Survey dengan pekerja berusia 25-35 tahun, sedangkan

kurikulum HHI dihitung dari data Baccalaureate and Beyond 1993/2003. Di ACS, kami memetakan bidang variabel

derajat ke dalam 51 kategori ini menggunakan penyeberangan kami sendiri (tersedia berdasarkan permintaan). Dalam

menghitung ukuran kurikulum HHI, kami menggunakan variabel total kredit ("TCRED") untuk membentuk HHI untuk

setiap jurusan.

Tabel A.2 mencantumkan kategori pekerjaan kasar yang kami gunakan untuk menghitung indeks Gini (kami

mengecualikan kategori ke-12: "Lainnya / militer"). Kategori-kategori ini diambil dari dalam data Baccalaureate dan

Beyond. 30 Kami memetakan kode Klasifikasi Pekerjaan (SOC) tahun 2000 Standar (Biro Statistik Tenaga Kerja

(2000)) dalam pekerjaan Survei Komunitas Amerika ke dalam kategori ini, seperti yang ditunjukkan pada Tabel A.2.

Tabel A.3 menunjukkan jurusan yang kami hitung sebagai kejuruan atau akademik, berdasarkan taksonomi

dari Pusat Statistik Pendidikan Nasional.

A.2 Catatan tentang Agregasi Jurusan dan Pekerjaan

Menggunakan 51 jurusan dan 11 pekerjaan, data kami memiliki dukungan penuh. Sel pekerjaan utama terkecil

dalam sampel ACS kami mencakup 6 orang (lulusan Pemrograman Komputer yang bekerja di Penelitian, Ilmuwan,

pekerjaan Teknis), sedangkan yang terbesar mencakup 44.242 (lulusan Pendidikan Dasar / Umum yang bekerja

sebagai Pendidik). Ukuran sel rata-rata adalah 1,631 dan median adalah 629.

Mungkin tidak mengejutkan, ukuran kami sensitif terhadap tingkat agregasi dari jurusan dan pekerjaan. Ketika

kategori utama yang lebih teragregasi digunakan, umum

30 Kami menggunakan pengkodean untuk variabel B3OCCAT, yang dipetakan ke kategorisasi pekerjaan lain dalam dataset itu.

36
 Tabel A.1: Kategori Utama, dengan Peringkat Menurut Masing-Masing Ukuran

Utama Kejuruan? Peringkat Peringkat HHI Tentu Saja Peringkat HHI Peringkat Gini
Pendidikan Dasar / Umum dan Ilmu Perpustakaan Iya 2 39 1
Pendidikan Menengah / Khusus Iya 3 50 2
Perawatan Iya 1 5 3
Medical Technology Yes 7 18 4
Computer Programming Yes 10 46 5
Other Medical/Health Services Yes 23 21 6
Finance No 17 34 7
Precision Production and Industrial Arts Yes 15 9 8
Commercial Art and Design Yes 5 6 9
Marketing Yes 30 40 10
Biological Sciences No 25 19 11
Civil Engineering Yes 6 4 12
Mechanical Engineering Yes 14 7 13
Economics No 38 43 14
Agriculture and Agr. Science Yes 44 36 15
Chemical Engineering Yes 20 2 16
Chemistry No 16 20 17
Electrical Engineering Yes 12 11 18
Journalism Yes 39 24 19
Physics No 13 37 20
Public Administration and Law Yes 29 17 21
Multidisciplinary or General Science No 46 45 22
Earth and Other Physical Sci No 22 26 23
Business Management and Administration Yes 43 42 24
Leisure Studies and Basic Skills Yes 37 41 25
Fitness and Nutrition Yes 41 48 26
Art History and Fine Arts No 33 13 27
Film and Other Arts No 45 1 28
Architecture Yes 8 3 29
Political Science No 19 22 30
Family and Consumer Science Yes 24 27 31
English, Letters, and Literature No 36 25 32
Misc. Business and Medical Support Yes 48 47 33
Public Health Yes 47 15 34
Foreign Language No 28 16 35
Protective Services Yes 27 8 36
Communications Yes 50 32 37
All Other Engineering Yes 21 12 38
Computer Science and Info Tech Yes 11 49 39
International Relations No 40 23 40
History No 35 28 41
Engineering Technology Yes 31 44 42
Mathematics No 18 51 43
Social Work and Human Resources Yes 9 10 44
Area, Ethnic, and Civic Studies No 42 38 45
Accounting Yes 4 35 46
Psychology No 34 33 47
Environmental Studies No 51 29 48
Philosophy and Religion No 26 31 49
Other Social Sciences No 49 30 50
Music and Speech/Drama No 32 14 51
SOURCE: The Gini and occupation HHI are calculated using the ACS. The vocational categoriza- tion is adapted from the NCES postsecondary taxonomy. The curriculum HHI is calculated from the
restricted-use Baccalaurate and Beyond data.

and specific majors are often lumped together. We have tried several alternative classifications of majors and

occupations. To avoid empty cells, we cannot increase the number of majors or occupations, but can aggregate to

fewer majors (e.g., 14) and occupations (e.g., 5). In both cases, the correlation between the newmeasures and our

baseline measure is around 0.5. We have also calculated our Gini using 14 industries instead of occupations, which

maintains full support. The correlation between this and our baseline measure is 0.59. When thinking about the

transferability of human capital, we feel that occupations are more appropriate to use than industries (see,

e.g., Kambourov and Manovskii (2009)).

37
 Table A.2: 12 Occupation Categories

B&B Category SOC Codes SOC Description

1. Educators 25 Education, Training, & Library Occupations

2. Business/management 11 Management Occupations

13 Business & Financial Operations

3. Engineering/architecture 17 Architecture & Engineering Occupations

4. Computer science 15 Computer & Mathematical Occupations

5. Medical professions 29 Healthcare Practitioners and Technical

31 Healthcare Support Occupations

6. Editors/writers/performers 27 Arts, Design, Entertainment, Sports, & Media

7. Human/protective services/legal professionals 21 Community & Social Services Occupations

23 Legal Occupations
33 Protective Service Occupations

8. Research/scientists/technical 19 Life, Physical, & Social Science Occupations

9. Administrative/clerical/legal support 43 Office and Administrative Support Occupations

10. Mechanics/laborers 47 Construction and Extraction Occupations

49 Installation, Maintenance, and Repair
51 Production Occupations

11. Service industries 35 Food Preparation & Serving Related

37 Building and Grounds Cleaning & Maintenance
39 Personal Care and Service Occupations
41 Sales and Related Occupations
53 Transportation & Material Moving

12. Other/military (Dropped) 45 Farming, Fishing, and Forestry Occupations

55 Military Specific Occupations

SOURCE: Occupation categories are taken from the Baccalaureate and Beyond data. The SOC codes are from the
Bureau of Labor Statistics.

38
 Table A.3: Vocational/Academic Categories

Liberal Arts Education Career Technical Education

(Academic, General) (Vocational, Specialized)
Fine/performing arts Agriculture and natural resources
Humanities Business management
Interdisciplinary studies Business support
Letters/English Communications and design
Mathematics Computer and information sciences
Science Education
Social and behavioral sciences Engineering, architecture and science technologies
Health sciences Marketing Consumer
services Protective services Public, legal,
and social services

Manufacturing, construction, repair, and transportation

SOURCE: Adapted from the NCES Postsecondary Taxonomy.

B Appendix Figures

Figure B.1 replicates our earnings regressions, excluding individuals who hold a graduate degree. While access to

graduate degrees, which varies across majors, should be considered part of the returns to majors, this exercise

allows us to investigate the extent to which the returns estimated in Section 5 are coming from graduate-degree

holders.

Figure B.2 replicates our results on the return to earnings using the Gini measure, but vary the set of majors

that are compared. While our main results (see Figure

4) compare the top ten most specialized majors to the bottom ten (top and bottom quintiles), we show here that the

same pattern holds when comparing the top and bottom five (deciles) or top and bottom 17 (thirds).

Figure B.3 splits the sample into majors that have above-average average SAT scores and those that are

below average. The results show that the return to specificity is concentrated among the high-SAT majors.

39
 Figure B.1: Earnings Return Excluding Graduate Degree Holders

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015. The occupation HHI and Gini are calculated using the ACS, and the curriculum HHI is
calculated using the restricted-use Baccalaureate and Beyond data. The vocational categorization is taken from the NCES postsecondary taxonomy.

Figure B.3: High vs. Low SAT Majors

40

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015. Average SAT scores by major are taken from the restricted-use Baccalaureate and Beyond

data.
 Figure B.2: Earnings Return: Deciles & Thirds

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015.

Figure B.4 shows the estimated earnings return for the most specific and most general majors at the 20th and

80th percentiles of the earnings distribution. Early in life, specific majors do well at both parts of the distribution.

Later in life, the return to specific majors is being driven by the 20th percentile. The most general majors are the

lowest-earning in both cases.

Figure B.4: Quantile Earnings Return: Gini

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015.

41
B.1 Managers and Entrepreneurs

Our indicator for entrepreneurship is equal to 1 if the worker reports positive or negative business income. The

manager indicator is equal to 1 if the worker works in a managerial occupation as defined by the ACS occupation

codes. Figures B.5 and

B.6 show the results of probit regressions for entrepreneurship and managerial jobs, using all four measures of

specificity. We graph the marginal effects of the specificity variable in each case. These regressions also control for

the variables used in the earnings regressions – race/ethnicity, gender, year dummies, a quadratic in potential

experience, standard deviation of SAT scores for the major, and a cubic in average SAT math and verbal scores for

the major.

Note that our measure of specific human capital is at the major level, rather than at the individual level. Our

curriculum-based specificity measure therefore does not compare individuals of the same major with more or less

concentrated course loads, but takes major-level averages of such measures.

42
 Figure B.5: Entrepreneurship and Specificity - All Measures

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015. The occupation HHI and Gini are calculated using the ACS, and the curriculum HHI is
calculated using the restricted-use Baccalaureate and Beyond data. The vocational categorization is taken from the NCES postsecondary taxonomy.

C Extended Results

43
 Figure B.6: Management and Specificity - All Measures

SOURCE: Authors’ calculations from regressions using the ACS 2009-2015. The occupation HHI and Gini are calculated using the ACS, and the curriculum HHI is
calculated using the restricted-use Baccalaureate and Beyond data. The vocational categorization is taken from the NCES postsecondary taxonomy.

Table C.1: Log hours (Coefficients multipled by 100)

(1) (2) (3) (4) (5) (6) (7)

log hours log hours log hours log hours log hours log hours log hours log hours

Gini 0.369*** 1.012***

(0.072) (0.216)
Gini*potexp - 0.083***
(0.024)
Gini*potexp 2 0.002***
(0.000)
Vocational 1.363*** 5.229***
(0.148) (0.431)
Vocational*potexp - 0.438***
(0.049)
Vocational*potexp 2 0.010***
(0.001)
Occ HHI - 0.137*** 0.223*
(0.045) (0.134)
Occ HHI*potexp - 0.099***
(0.015)
Occ HHI*potexp 2 0.003***
(0.000)
Curric. HHI - 0.763*** - 0.637***
(0.071) (0.219)
Curric. HHI*potexp - 0.058**
(0.026)
Curric. HHI*potexp 2 0.002***
44 (0.000)

Constant 11.900*** 11.924*** 11.387*** 11.396*** 11.508*** 11.503*** 11.811*** 11.741***

(0.599) (0.599) (0.586) (0.587) (0.592) (0.592) (0.589) (0.590)

Observations 2,731,272 2,731,272 2,731,272 2,731,272 2,731,272 2,731,272 2,731,272 2,731,272

R-squared 0.041 0.041 0.041 0.041 0.041 0.041 0.041 0.041
Standard errors in parentheses
* * * p<0.01, ** p<0.05, * p<0.1
NOTE: The dependent variable is log annual hours worked, defined as weeks worked times usual hours of work. All regressions also include gender, race, a quadratic in
potential experience, year dummies, a cubic in average SAT Math and Verbal scores in the major, and the standard deviation of SAT scores in the major. Data: ACS 2009-2015,
college graduates aged 23 to 60.

SOURCE: The Gini and occupation HHI are calculated using the ACS. The curriculum HHI is calculated from the restricted-use Baccalaurate and Beyond data. The sample is
from the ACS 2009-2015.
 Table C.2: Log Wages (Coefficients multiplied by 100)

(1) (2) (3) (4) (5) (6) (7)

log wage log wage log wage log wage log wage log wage log wage log wage

Gini 1.855*** 6.212***

(0.085) (0.249)
Gini*potexp - 0.473***
(0.028)
Gini*potexp 2 0.010***
(0.000)
Vocational - 1.921*** 12.667***
(0.178) (0.453)
Vocational*potexp - 1.419***
(0.054)
Vocational*potexp 2 0.027***
(0.001)
Occ HHI 1.778*** 7.424***
(0.049) (0.136)
Occ HHI*potexp - 0.623***
(0.016)
Occ HHI*potexp 2 0.013***
(0.000)
Curric. HHI 0.157* 0.249
(0.083) (0.235)
Curric. HHI*potexp - 0.102***
(0.029)
Curric. HHI*potexp 2 0.004***
(0.000)

Constant 18.799*** 18.988*** 17.589*** 17.512*** 18.497*** 18.674*** 17.245*** 17.096***

(0.713) (0.713) (0.696) (0.696) (0.705) (0.705) (0.699) (0.700)

Observations 2,598,334 2,598,334 2,598,334 2,598,334 2,598,334 2,598,334 2,598,334 2,598,334

R-squared 0.136 0.136 0.136 0.137 0.136 0.136 0.136 0.136
Standard errors in parentheses
* * * p<0.01, ** p<0.05, * p<0.1
NOTE: The dependent variable is log hourly wage, defined as total wage and salary earnings divided by hours worked. All regressions also include gender, race, a quadratic in
potential experience, year dummies, a cubic in average SAT Math and Verbal scores in the major, and the standard deviation of SAT scores in the major. Data: ACS 2009-2015,
college graduates aged 23 to 60.

SOURCE: The Gini and occupation HHI are calculated using the ACS. The curriculum HHI is calculated from the restricted-use Baccalaurate and Beyond data. The sample is
from the ACS 2009-2015.

45
 Table C.3: Employment (Probit; Coefficients multiplied by 100)

(1) (2) (3) (4) (5) (6) (7)

employed employed employed employed employed employed employed employed

Gini 2.743*** - 0.464

(0.185) (0.660)
Gini*potexp 0.360***
(0.067)
Gini*potexp 2 - 0.008***
(0.001)
Vocational 5.075*** 4.429***
(0.383) (1.14)
Vocational*potexp 0.174
(0.122)
Vocational*potexp 2 - 0.005*
(0.003)
Occ HHI 3.534*** 0.985***
(0.107) (0.336)
Occ HHI*potexp 0.225***
(0.035)
Occ HHI*potexp 2 - 0.004***
(0.000)
Curric. HHI 2.169*** 4.018***
(0.178) (0.634)
Curric. HHI*potexp - 0.259***
(0.070)
Curric. HHI*potexp 2 0.006***
(0.002)

Constant 2.785* 2.679* 0.388 0.360 3.318** 3.25** 0.838 0.843

(1.578) (1.578) (1.540) (1.541) (1.556) (1.556) (1.538) (1.538)

Observations 3,052,655 3,052,655 3,052,655 3,052,655 3,052,655 3,052,655 3,052,655 3,052,655
Standard errors in parentheses
* * * p<0.01, ** p<0.05, * p<0.1
NOTE: These are probit regressions. The dependent variable is a dummy variable for working at least 500 hours in the prior year. All regressions also include gender, race, a
quadratic in potential experience, year dummies, a cubic in average SAT Math and Verbal scores in the major, and the standard deviation of SAT scores in the major. Data: ACS
2009-2015, college graduates aged 23 to 60.

SOURCE: The Gini and occupation HHI are calculated using the ACS. The curriculum HHI is calculated from the restricted-use Baccalaurate and Beyond data. The sample is
from the ACS 2009-2015.

46