Pra-bukti jurnal
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.
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.
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
- 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
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)
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
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
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.
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.
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.
Pendekatan lain adalah dengan menggunakan kedekatan hubungan antara bidang studi dan pasar tenaga kerja. Yang paling
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
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
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,
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
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
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
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,
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,
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
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,
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
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:
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
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
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
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
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
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
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
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.
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
Menghadapi keprihatinan ini, kami melakukan tiga latihan untuk memvalidasi pendekatan kami. Pertama, kami menghitung
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
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
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
Utama Gini dengan SAT Rank dengan SAT Gini tanpa SAT Rank tanpa SAT
Panel B: Membandingkan ACS dengan Data Harapan dari 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
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
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
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
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
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
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
menunjukkan bagian rata-rata kredit sarjana (bukan program) yang diperoleh di lapangan f oleh siswa yang lulus dari
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
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,
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.
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
17
Tabel 3: Jurusan di Sepuluh Atas dan Bawah dari Spesifik
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
SUMBER: Gini dan HHI pekerjaan dihitung menggunakan ACS. Kurikulum HHI dihitung dari data Baccalaurate and Beyond yang digunakan terbatas.
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
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
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
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
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
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.
20 Untuk memberikan beberapa konteks, jurusan jurnalistik memiliki Gini rata-rata, keuangan adalah tentang satu standar deviasi di atas rata-rata, dan psikologi
20
Gambar 3: Pengembalian Penghasilan: 1 Standar Deviasi Gini
di setiap tingkat usia, yang signifikan untuk semua orang kecuali usia 31-35. Keuntungan awal di sini adalah sekitar
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
Gambar 4: Pengembalian Penghasilan: Gini
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
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
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
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.
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
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
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
24
Gambar 6: Pengembalian Pekerjaan: Gini
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
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
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
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
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
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
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
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
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
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
Altonji, JG, E. Blom, dan C. Meghir ( 2012): "Heterogenitas dalam investasi modal manusia: Kurikulum sekolah
Altonji, JG dan RA Shakotko ( 1987): “Apakah Upah Naik dengan Senioritas Kerja?”
Arcidiacono, P., EM Aucejo, dan VJ Hotz ( 2016): “Perbedaan Universitas dalam Wisuda Minoritas di Bidang STEM:
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.
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
Bana, SH ( 2018): "Identifikasi Pekerja yang Terkena Pengungsi: Peran Kondisi Tingkat Negara," Makalah kerja.
31
Blom, E., BC Cadena, dan BJ Keys ( 2015): “Investasi selama Siklus Bisnis: Wawasan dari College Major Choice,” Makalah
Borghans, L. dan BHH Golsteyn ( 2007): “Keterampilan transferabilitas, penyesalan, dan mobilitas,” Ekonomi
Bridet, L. dan M. Leighton ( 2015): "Keputusan Utama: Implikasi Pasar Tenaga Kerja dari Waktu Spesialisasi di
Brown, C. dan M. Corcoran ( 1997): “Perbedaan Berbasis Jenis Kelamin dalam Konten Sekolah dan Kesenjangan
Brunello, G. dan L. Rocco ( 2017): "Efek Pasar Tenaga Kerja dari Pendidikan Akademik dan Kejuruan selama Siklus
Budescu, DV ( 1993): "Analisis dominan: Pendekatan baru untuk masalah kepentingan relatif dari prediktor dalam
114, 542–551.
Biro Statistik Tenaga Kerja ( 2000): “Panduan Pengguna Klasifikasi Pekerjaan Standar (SOC) 2000),” Departemen
Carnevale, AP, B. Cheah, dan J. Strohl ( 2012): "Masa Sulit, Jurusan, Pengangguran dan Penghasilan: Tidak
Chevalier, A. ( 2011): “Pilihan mata pelajaran dan penghasilan lulusan Inggris,” Ekonomi
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.
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
Frederiksen, A. dan T. Kato ( 2017): “Sumber Daya Manusia dan Keberhasilan Karier: Bukti dari Data Terkait
Golsteyn, B. dan A. Stenberg ( 2017): "Kursus Penghasilan Selama Hidup: Umum versus Pendidikan Kejuruan," Jurnal
Hall, C. ( 2013): “Apakah pendidikan yang lebih umum mengurangi risiko pengangguran di masa depan? Bukti dari
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
Kirkebøen, LJ, E. Leuven, dan M. Mogstad ( 2016): “Bidang Studi, Penghasilan, dan Seleksi Diri,” Jurnal Ekonomi
33
Kreisman, D. dan K. Stange ( 2017): "Pendidikan Teknologi Kejuruan dan Karir di Sekolah Menengah Amerika: Nilai
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,"
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
Rakitan, TJ dan GM Artz ( 2015): “Lagipula, apa gunanya keterampilan? Memperkirakan pengembalian ke
Saniter, N. dan T. Siedler ( 2014): “Pembuka Pintu atau Buang Waktu? Efek dari Magang Siswa pada Hasil Pasar
Sellami, S., D. Verhaest, dan W. Van Trier ( 2018): “Bagaimana Mengukur Fieldof-Study Mismatch? Analisis
32, 141–173.
Silliman, M. dan H. Virtanen ( 2019): “Pasar Tenaga Kerja Kembali ke Pendidikan Menengah Kejuruan,” Kertas
Kerja ETLA.
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,”
Wagner, J. ( 2006): “Apakah wirausahawan yang baru lahir 'Jacks-of-all-trade'? Tes teori kewirausahaan Lazear
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
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
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
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,
37
Table A.2: 12 Occupation Categories
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
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
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.
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
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
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
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
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.
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)
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)
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