识别产妇就业中的潜在结构：关于 德国父母福利改革

总结统计表明，在改革前和改革后样本之间的社会人口特征中，没有出现系统的差异--至少对于不知道改革后反应的协变量来说。这种模式符合Kluve和Schmitz(2018)提出的准随机分配IDENTIN策略。在大多数情况下，母亲拥有职业学位（2006年第四季度/2007年第一季度出生的妇女：65%/63%)，大约13%/13%在2006年Q4/2007年Q1出生的妇女受过高等教育，克洛泽和保罗（2020）的比例为20%/22%。对出生前协变量的平衡测试，类似于Kluve和Schmitz(2018)的测试，被省略，因为本研究中的样本规模远小于上述研究，因此更容易出现随机变化，随着样本规模的增加，随机变化将消失。图2：自出生以来的再就业率引起的就业结构变化24 48 721 0%20%30%40%50%60%70%80%90%100%阶段1阶段2阶段3阶段414 601 4 60-Δ-Δ+Δ-Δ注：浅灰色：对照样本。蓝色：治疗样本。病例，女性没有大专学历。在所考虑的时间段内，在2006年第四季度/2007年第一季度生育的妇女的平均就业率为49%/50%。全职工作的就业率最高（2006年Q4/2007年Q1:32%/32%)，其次是非全职工作（2006年Q4/2007年Q1:12%/13%)和边缘就业（2006年Q4/2007年Q1:6%/5%)。两个样本的平均年龄在27.8至28岁之间，出生时在30.1至30.8岁之间。改革前/改革后，60%/63%的母亲生第二个孩子，12%/11%的母亲生第三个孩子。在改革前/后抽样中，在职和非在职妇女的平均日工资约为29欧元/30欧元。图2描述性地总结了改革引起的就业结构变化。X轴表示分娩以来的时间，以月为单位。与Kluve和Schmitz(2018)相似，出现了四个阶段：第一阶段（从1个月到14个月）涵盖法定产假和父母福利接收期。第二阶段（最多24个月）涵盖产后第二年。第三阶段（25至60个月）包括产后3年，最后一阶段（72个月）包括产后6年，这表示后来估计的参考组。Y轴表示以百分比表示的平均就业率。改革前后的就业情况分别用浅灰色和蓝色描述。图2引用了以前研究的证据（如Greyer et al.(2015)、Kluve and Tamm(2013)、Kluve and Schmitz(2018)):第一阶段导致母亲就业率显著下降，因为父母的福利存在，这导致分娩后14个月内福利水平平均大幅下降。第二阶段只显示母亲的平均就业率略有下降，几乎可以忽略不计。然而，在第三阶段，产妇的平均就业率有所增加。最后，作为一个数据预处理步骤，我从因变量没有任何变化的数据中删除所有样本（对于I∈{1,...），xt=0yit=0或xt=0yit=1。

,398（387）}）、因为它们将导致在本文所考虑的已知e-ects probit模型中(±∞)已知e-ects。总体而言，这导致可用于分析的样本量为NC=329（对照组）和NT=333（治疗组）。有关这一特殊问题的更多信息，请参阅在线附录。5经验结果如前面所解释的，我通过利用母亲重返就业行为中的潜在群体结构，提供了分娩后六年的异质性就业e-ects的估计。此外，我通过识别类似于Kluve和Schmitz(2018)的改革e-ect，估计了母亲群体中父母福利的政策影响。然而，在转向我的主要分析之前，我将介绍经验方法，在第二步，我还报告了从传统的同质面板数据模型中得出的经验估计，类似于Hyslop(1999)报告的经验估计。5.1为了调查产妇出生后的就业情况，我将婴儿年龄分为四个阶段。第一阶段包括分娩后立即获得强制性产妇保护的时期（至出生后2个月）和父母获得福利的时期（出生后3-14个月）。第二阶段（最多24个月）包括分娩后的第二年，是短期的观点。Themedium-run透视包含分娩后的三年，并表示第三阶段。第四阶段为生育后第六年，经验基准模型有以下形式：就业=1{α就业，t-1+βchild2ndit+γchildm1-m14it+δchildm15-m24it+ηchildm25-m59it+ζi-it≥0}，(8)其中就业指标是就业指标，exployiti，t-1是前一个时期的就业指标，child2ditis是控制第二个孩子的虚拟变量，childm1-m14 it，childm15-m24 it，childm25-m59是第一个孩子的儿童年龄指标，ζii是个人的ect和itis是特殊的错误项。ChildM60-M72为省略参照组。三个儿童年龄指标的估计值分别测量了分娩期间的E-ECT值、分娩后立即的E-ECT值和分娩后三至三年的E-ECT值。Ido不包括时间常数协变量，如教育水平，因为它们被吸收在所规定的e----ects中。通过将此基线规定与Su等人的面板结构公式结合起来。（2016）在允许个人特性的情况下，我考虑以下两个特性:Employit=1{αemployi，t-1+βChild2ndit+γIchildm1-m14it+δIchildm25-m59it+ζI-it≥0}，(9)和Employit=1{αImployi，t-1+βIchildm2ndit+γIchildm1-m14it+δIchildm25-m59it+ζI-it≥0}，(10)允许个人特性的斜率特性(αI，βI，γI，δI，ηI)。继苏等人之后。（2016年），Iallow参数(γi，δI，ηi)在9和(αi，βI，γI，δI，方程9是混合面板结构模型的推广，其中延迟就业和第二个孩子的参数被限制在所有母亲中是共同的，而第一个孩子的孩子年龄参数被假设为群体特定的。为了确定育儿假改革对所有母亲和Identi群体的政策影响，我使用了一个建立在以前工作基础上的设计思想（Kluve and Schmitz(2018)、Kluve and Tamm(2013))。Kluve and Schmitz(2018)采用了一个尖锐的RD设计，将改革前不久分娩的母亲与改革后不久分娩的母亲随后的劳动力供应行为进行了比较。

因为作者认为对治疗组和对照组的准随机分配是在2007年1月1日间断点前后三个月的范围内实现的，我考虑所有在2006年1月1日至2007年3月31日期间出生的母亲。在2006年1月1日至12月31日期间出生的母亲属于controlsample，而在2007年1月1日至3月31日期间出生的母亲属于thetreatment Sample。也许在急剧回归间断设计中建模改革的最直接的方法是为治疗组包括一个指标，并对整个样本进行线性回归。待遇指标捕捉到改革对就业的平均因果影响。然而，在规定的e-e-ect方法的上下文中，不可能包括时间常数协变量，因为它们被吸收在规定的e-e-ect中。由于父母津贴的权利随时间变化是不变的（母亲要么符合条件，要么不符合条件），这种建模策略似乎是不合适的。因此，我通过分别对治疗样本和对照样本进行C-Lasso估计来间接估计改革e-ect。尽管我不能提供直接的因果证据来说明改革后婴儿带薪育儿假的增加如何能增加母亲的就业，但我可以应用一种identi策略，将治疗样本和对照样本在平均预测就业概率方面的差异进行比较。为了利用这些结果，我计算了平均就业概率的预测:Employj=1/(n[gk]t[pj])G(x>I[gk]t[pj]αgk+μI[gk])，(11)其中G(·)表示标准正态的CDF,pj,j=1,。4表示儿童年龄的四个阶段，[·]表示对群体特征子空间的限制，其余部分在方法学部分进行分析。然后，在控制和治疗特征中进行就业概率预测。这些di-cj捕捉到了di-erences在di-erence儿童年龄阶段的改革母亲就业的影响。最后，用插件原理估计预测概率的方差，检验了预测概率的方差是否从零起为零:h:t-cqσtn[gk]t+σcn[gk]c=0,(12)。由于我测试了两个独立样本的就业概率预测，协方差项在EQ的分母中消失了。12.这种识别策略的优点是，我可以利用数据决定的分组来解开改革中潜在的异质性。为了检验控制对和治疗对的预测使用概率的相关性，并给出因果方向的解释，需要强有力的假设。首先，假设C-套索理论解决这一问题的相同可能性是改革指标与儿童年龄指标的相互作用。交互作用项描述了在第一个孩子年龄阶段的改革中的就业情况。注意，在计算平均就业概率的预测时，我没有考虑第二个孩子的就业情况。Long(2009)使用预测概率在非线性模型中进行组比较。控制和治疗样本的组数。其次，假设C-套索在各自的控制和治疗组中具有相同的未观察到的异质性驱动因素，只有在这种情况下，各自的控制组才构成治疗组的有效反事实情况。最后，假设预测就业概率中的统计意义可以按因果方向解释。在以下几节中，我将根据这些假设进行工作。

此外，在在线附录中，我开发了一个基于距离的标准，该标准应识别相关的控制和治疗对，在此条件下假设最有可能符合。5.2基线估计，然后报告我的情商估计结果。8、在表5中，我从标准线性概率模型(LPM)中提供了对母体就业率的基线估计，并附有适当的附件。[在此插入表5。]作为第（1）栏，（二）、（四）、和表5的（5）显示，第一阶段的结果，II和III显示了以前研究中发现的模式（例如，Kluve和Schmitz(2018)，Schéonberg和Ludsteck，2014)：一旦对个体特殊情况、滞后就业和潜在的第二个孩子进行控制，与对照组相比，治疗样本中的母亲在分娩后14个月内的平均就业概率显著降低。实际上，在所有其他因素保持不变的情况下，拥有1至14个月的孩子而不是60至72个月的孩子的治疗样本中，母亲就业概率平均降低11.4个百分点。相比之下，对照样本的就业概率平均低8.4个百分点。对于第二阶段和第三阶段，我无法从统计学上确定对照和治疗样本之间的差异。事实上，对于接受治疗样本的母亲来说，生一个25-59个月的孩子而不是60-72个月的孩子平均降低2.2个百分点的就业概率保持不变在表6的附录中，我还提供了标准LPM的基线估计值，不含适当的e-ects。测试h:childm1-m14 itt-childm1-m14itc=0会得到一个小的p值。参见表5较低部分的第（4）和第（5）栏。我发现，与对照样本相对应的母亲的就业概率平均低2.3个百分点。对于“组内”比较，我还测试了改革前/改革后样本中的三个年龄估计值是否在统计上相互独立。在表5的上部，列（3）-（5）提供了无效假设和检验线性组合的相应p值。P值表明，所有估计在统计上都与其他估计无关。尽管我的结果在短期内弥补了以前研究的证据，但我没有得到Kluve和Schmitz(2018)所发现的父母改革的明显好处的中期劳动力市场的证据。其次，我估计情商。8并在表7和9的第（1）-（2）和（3）-（4）栏中报告COE(CIENT)估计值和相应的边际E CENTS的结果。[此处插入表7和表9。]表7的第（1）和（2）栏提供了动态probit有限元模型的COE(CIENT)估计值，并进行了偏置校正。第（3）和（4）栏中的估计由半面板的jackknifeDhaene和Jochmans(2015)进行了偏差校正。所有标准错误都在单个级别上进行聚类。根据以前研究的证据（例如，Carrasco(2001)、Hyslop(1999)、Michaud和Tatsiramos(2011))，就业是高度持续的，而且它与儿童年龄的关系仍然很强，包括sslpm FE、Probit FE和Probit FE jk。对于控制和治疗样本，关于滞后就业的边际研究表明，在保持所有其他因素不变的情况下，前一个月就业而不是没有就业的母亲在这个月就业的可能性平均高出约80个百分点。

从FE probit估计中得到的边际E值与经典LPM用E值得到的结果相似。我对对照样本的结果表明，在所有其他因素不变的情况下，在I、II和III阶段生孩子而不是在IV阶段生孩子平均降低母亲就业概率13.8、8.8和3.7个百分点。相应的估算值分别为-18.1、-9.0和-3.7。表8第（1）栏中的t统计量也表明，对儿童年龄阶段的所有Post-Lasso-PPL估计都是相互统计的。[此处插入表8。]此外，我检验了治疗和对照样本在儿童年龄阶段的统计量是否从零开始。在线性回归扫描中进行群体比较测试会导致非线性模型（如probit）中的不正确结论，因为它们将回归系数与残差变化混合在一起，Allison(1999)。Allison(1999)提出了一种消除残余变异的试验。然而，作者的工作是在一个强有力的假设下进行的，即至少OnecoeTMCient在这两个组中是相同的。因此，我遵循Long(2009)，并进行预测概率测试--正如EQ中所给出的那样。12-比较对照组和治疗组。其优点是预测的概率由残差变化中的群定值所决定。表10的第（1）-（3）栏报告了控制和治疗样本儿童年龄的四个阶段的平均就业概率的预测，它们各自的就业概率，以及EQ中最大阶段的P值。12.[此处插入表10。]平均就业预测的结果与分娩后劳动力市场的预期发展趋势一致：对于对照和治疗样本，就业预测随着孩子的年龄逐渐增加。父母福利改革对母体就业的直接政策非常明显：在分娩后14个月内，治疗样本中的母亲比对照组母亲的平均就业率低10个百分点（统计意义）。在第二和第四阶段，改革前和改革后母亲的平均就业率有很小的差异。在第三阶段，没有统计意义。总的来说，对于改革后的样本，我发现在整个样本期内平均就业概率有一个小的、统计上有意义的下降，主要是由父母福利表的直接政策驱动的。上面的基线估计的一个缺点是它对母亲劳动力供应动态中的后生性保持沉默。然而，正是这种潜在的异质性为正在进行的关于分娩对母亲就业影响的辩论打开了一个新的视角。因此，我接下来想识别母亲重返就业行为中的潜在结构。平均就业预测显示了母亲不生第二个孩子的反事实情况，即对四个孩子年龄阶段的预测纯粹是由生育和滞后就业驱动的。在第三节使用面板结构模型的框架。这种方法允许第一个孩子的年龄，以及第二个孩子和滞后的就业，在母亲之间有异质性的ECTs，这些ECTs被分类为C-套索技术组。不同母亲在分娩反应中的异质性就业对制定育儿假立法具有重要的指导意义。5.3异质性就业的结果分析小组结构模型首先，我使用了Su等人提出的C-Lasso方法。（2016）识别情商中潜在的群体结构。9.

关于C-Lasso调谐参数，我选择λ=Cλ×semploy×t-1/3，其中semployed是就业指标的样本方差，T是时间周期数，cλ是一个10点几何递增序列(0.01、.、0.1)的元素。我最多允许4组。根据EQ计算每个组合的组数K、调谐参数Cλ的信息判据值。6方法科。通过从所有可能组合的集合中最小化信息准则来选择组数和优化参数。如图3所示，当对照组K=3和Cλ=0.0129,治疗组K=3和Cλ=0.01时，信息判据的最低点。对对照组(2006m10-m12)和治疗样本(2007m1-m3)应用C-套索，识别出两个样本的三个潜在组。表7和表9的第（5）-（10）列报告了LassoPPL后Coe cient估计数和每组相应的边际e-ects。所有后套索PPLestimations被半面板折刀偏差校正，标准误差再次聚集在个人水平。表7和表9表明，在这三个群体中，对就业滞后的斜率COE和Cient的估计相对稳定。此外，对滞后就业变量的估计在幅度上相当大，表明劳动力供给决策的持久性很强。相比之下，儿童年龄对就业影响的斜率估计在三个不同的群体中差异很大，甚至改变了迹象。表8中报告的T-统计数据显示，对于第3组，所有套索后儿童年龄阶段的估计在统计上贯穿始终，我认为T=73。图3：横轴描述了组的数量，纵轴描述了相应的信息标准值。然而，对于第1组和第2组，我不能确定所有的CoE估计在统计上是相互独立的。在解开改革前，我报告了由C-Lasso获得的Group-Specific边际E-ects。从Group-Specific后Lasso-PPL估计中得到的边缘e-exted ECTs在统计学上都是有意义的。从第四个孩子年龄阶段的解释开始，我确定了控制和治疗样本的基本异质性模式：一组母亲的估计就业概率非常低（组1：9.4%/8.9%)，一组母亲的估计就业概率中等（组2：33.9%/31%)，一组母亲的估计就业概率高（组3：59.4%/58%)，如果孩子年龄在60-72个月之间，上个月没有工作。我对第1组的对照组和治疗样本的结果表明，在其他因素的影响下，生一个1至14个月的孩子而不是生一个60至72个月的孩子会减少，而生一个15至24个月（/25至59个月）的孩子会增加产妇就业，平均增加0.59/1.27、6.2/5.5和4.5/8.7个百分点。第二组的相应估计数为-11.9/-18,-6.1/-5.4和-6.1/-7。最后，对于第3组的对照组和治疗样本，我发现，在所有其他因素保持不变的情况下，生一个年龄在1至14个月（/15至24个月/25至59个月）的孩子而不是生一个年龄在60至72个月的孩子，平均减少产妇就业44.3/43、29.3/24.3和11.5/8.9个百分点。总体而言，从C-Lasso估计的儿童年龄阶段的边际e-ects表明，母亲的身份群体在重返就业行为中表现出高度异质性的动态。

表10的第（4）-（12）列报告了对控制和治疗样本的四个儿童年龄阶段的平均就业概率的分组预测，它们的相应差异Δt-c，以及下面方括号内的测试p值。在试图根据预测就业概率的大小和以前文献的证据来解释集群组时，出现了一个明显的模式：第一组由平均就业人数低于其他两组的母亲组成。此外，该集群具有一个流动的就业动态，因为它从较少的就业率到较多的就业率，再到较少的平均就业率。第2组可以是以工作为导向的母亲，她们在筋疲力尽后立即决定重返工作岗位。第3组可以解释为一群母亲，她们在生育后休了一个大家庭，这远远超出了ZF补贴的产假时间。然而，另一方面，第三组的大多数母亲在孩子6岁之前已经重返工作岗位，即大多数母亲在出生后36个月的工作保护期间重返工作岗位。接下来，我测试四个孩子年龄阶段的群体特征，以获得统计意义。再次进行预测概率的测试，以比较三个IDENTIN组各自的对照治疗样本。首先，值得注意的是，父母福利政策A明确了三个群体。事实上，政策改革A对第二组的影响最大。父母福利改革对母亲就业的直接和间接政策影响是相当明显的，因为我得到的证据表明，平均就业概率显著下降，在5-23个百分点之间。对于第一组，我也发现了大量的负面直接和间接政策，但另一方面，我发现中期预测就业没有下降。这种模式的结果是，总体上平均就业概率下降较小(4.8p.p.)与第二组（9个P.P.）相比较。对于第三组，我甚至发现，在第一阶段，平均就业概率下降了3.3个百分点，而在第二阶段和第三阶段，就业概率显著增加了5.1和3.1个百分点。这导致了统计意义上的平均增长。在这里，我小心翼翼地将这些e-ects解释为因果关系，因为这只在严格的identi假设下有效。图4：整个时期（出生后72个月）的就业概率增加了1.2个百分点。图4显示了在整个周期内三个IDENTI组的改革E和ECT。最后，我讨论了三个组的一些描述性统计，允许从C-Lasso组分类中进一步有趣的见解。表3报告了每组被选中的母亲人数。C-套索法对对照组和治疗样本的第3组中50%以上的被考虑的母亲进行了分类。只有大约20%的母亲属于妊娠组，而大约30%的母亲属于第二组。我的发现与以前的文献（如Schéonberg and Ludsteck(2014))的证据相吻合，即在德国，大多数母亲利用ZF慷慨提供的部分带薪休假，在分娩后花更多时间陪伴婴儿。几乎所有第三组的母亲都在ZF提供的工作保护用尽后重返就业岗位。然而，仍有相当比例的母亲重返工作岗位的模式更加不典型，这还没有被准实验文献所发现。事实上，20%的母亲决定比其他群体的平均工作少得多。

另一方面，30%的母亲在育龄期后的平均就业水平一直很高。（2016）也发现了与本文类似的集群组。作者获得了母亲的直接集群：一个以快速德国为特征的“高工资”集群，女性目前有资格享受三年部分带薪和有工作保护的假期。表3：异质性组的观察数|观察数|全部样本组1组2组3按对照治疗对照治疗对照治疗对照治疗对照治疗对照治疗#OBS。329（100%）（100%）（20%）（20%）（29%）（25%）（51%）（55%）表4：观察的第2名儿童数描述1组2组3组对照治疗对照治疗对照治疗对照治疗对照治疗儿童M1-M14IT11 12 1 3 2 0 8 9儿童M15-M24IT33 45 7 11 10 6 16 28儿童M25-M59IT110 121 22 33 43 45 45 43儿童M60-M72IT18 21 10 8 6 8 2 5∑172(52%)(60%)(62%)(82%)(81%)(64%)(71%)(42%)(47%)*这里报告的百分比设定了与每组观察数相关的绝对数。重返工作岗位，一个“流动职业”的集群，一个“大家庭休息”的集群，一个“退出劳动力”的集群和一个“兼职工作”的集群。我无法识别出一个类似于Fréuhwirth-Schnatter et al.(2016)的“劳动力不足”群体，因为我将出生后从未就业的母亲排除在我的样本之外。“兼职”群体也不能在我的框架内识别，因为与Fréuhwirth-Schnatteret al不同。(2016)，我不考虑多项式模型。然而，与Fréuhwirth-Schnatter et al.(2016)相反，我可以同时确定COE的组分类和估计。Fréuhwirth-Schnatter等人的方法。另一方面，(2016)纯粹是描述性的，即他们没有从贝叶斯分类方法中获得COE（coe）cient估计，平均就业概率预测的估计结果符合2007年父母福利改革的预期劳动力市场。根据以前的文献（例如，在样本期内没有工作的Kluve和母亲从数据中删除，因为它们与FE probit模型中的infirenite(∞或-∞）的e-ects有关。参见附录，以了解关于这个问题的更多细节。Schmitz(2018)、Kluve和Tamm(2013))，我发现父母收入改革的慷慨替代产生了对分娩后14个月工作的强烈抑制。Kluveand Schmitz(2018)表明，这种对工作的强烈抑制尤其是由那些从改革中受益的人推动的。研究结果表明，母亲的就业概率呈正相关，具有重要意义。总的来说，我可以识别出三个集群组，它们对控制和治疗样本的组特性估计相似。因此，家长改革似乎并没有改变群体的组成。然而，如果将对照组和治疗样本之间的每一组的估计值进行比较，似乎父母的福利形式改变了每一组中母亲就业中儿童的年龄。我的研究结果还发现，在第一阶段的工作抑制在不同组中是不同的，在第一组和第二组中是最强的。然而，另一方面，对于第三组来说，我发现在第二阶段和第三阶段就业率有显著增加的证据。Kluve和Schmitz(2018)还发现了父母收益显著增加的证据，尤其是对于来自收入分配上层的母亲来说。我的研究表明，这里考虑的母亲在重返就业行为和对父母福利改革的反应方面都表现出巨大的差异。

与最近的文献（如Kluve and Schmitz(2018))相反，这里所揭示的多样性是由就业儿童年龄方面未观察到的异质性产生的。因此，不可能得出类似于基于观察到的异质性的分析的主要驱动因素的结论。如果我将1-3组合并在一起并估计9中的模型，我发现合并的估计可以解释为三组特定估计的加权平均。然而，本文对C-Lasso方法提供的儿童年龄对母体就业的影响中潜在的异质性模式保持沉默。特别是，估计就业轨迹中的平均就业机会隐藏了重要的和与政策相关的就业机会。正如我们已经看到的，改革对第2组产生了强烈的负面影响，而它鼓励第3组的母亲在筋疲力尽后立即升职。我的发现体现了考虑数据中潜在结构的重要性，这可能有助于设计一个e-cient育儿假政策。稳健性检查在本小节中，我提出了两个进一步的具体说明，以探索在所选的功能表单和面板结构模型上对异构就业e-ects的主要估计的稳健性。首先，在不控制dynamiccomponent和第二个子变量的情况下，指定A运行C-套索用于非线性的e-列ECTS模型。在第二个稳健性检查中，我从上面估计混合的panelstructure模型，而不控制第二个子模型（特殊情况B）。我使用替代识别假设来检查我的参数的稳健性，因为使用panel数据的应用研究人员经常面临在动态和fireced-e的ECTS模型之间进行选择的挑战。他们通常避免像我的方法一样在一个模型中使用两种identi，因为一致估计因果e-ects的条件比单独估计滞后因变量或e-ects的条件更苛刻。尽管我应用了Dhaene和Jochmans(2015)建议的分裂小组折刀方法，它是显式地设计来处理数据中的动力学和减少由附带参数问题引起的偏差（Neyman andScott(1948))，我想找出我是否可以使用一个似乎合理的替代特殊方法来获得大致相似的结果。为了稳健性检查，我通过从模型中删除employi、t-1和child 2 n来调整10中的面板结构模型。然后我再次使用C-Lasso来识别模型中的潜在组结构。通过将C-Lasso应用于治疗样本，我仍然为适应的模型在10中找到三个潜在组。对于对照样本，甚至有四个潜在的组被识别出来。图5绘制了informationcriterion函数，其中垂直轴和水平轴分别标记了信息准则值和组的数目。当对照样本的K=4和Cλ=0.0215时，信息准则的最低点达到，处理样本的K=3和Cλ=0.0215时。[此处插入图5。]表11的上面板报告了后Lasso-PPL Coe的估计结果，这是动态非线性有限元ECT模型中一致性估计的挑战，当采取消除有限元ECT的方法，然后用OLS估计有限元模型时，可以很容易地看到。Nickell(1981)指出，参数估计值不一致，因为di-erenced残差是通过构造与滞后因变量相关联的。然而，由于经验方法的假设原因，只报告了K=3的结果。模型10和该模型的集合版本中的每一组。[此处插入表11、表12和表13。]相应的边际e-erenced和预测平均就业概率在表12和13的上面板中找到。

这些表格显示，识别的组是与上一小节报告的主要混合小组结构模型所获得的相似的估计儿童年龄的术语。估计结果表明，当所有儿童年龄参数γi、δi、ηii均为非均质参数时，模型的群结构是稳定的，且忽略了动力学分量和第2子变量。特别是，我再次确定了一组母亲（第1组）面临的总体预测就业概率低于其他两组，一组母亲（第2组）在分娩后及时重返工作岗位，以及一组母亲（第3组）在重返工作岗位前中断了大家庭。我唯一能说明的是，我得到的第1组的预测平均就业概率较低，负儿童年龄E值较大，显然是由两个省略变量驱动的。本文所用的动态非线性e-列ECTS模型的稳健性检验表明，对于特殊情况不应有重大的关注。特殊情况B的估计结果在表11、表12和表13的下面板中报告。如图5所示，information标准再次为controland处理样本选择三个组。这三组与上述估计结果相当相似。这意味着不应该主要担心随后的FertilityDecision（这里是第二个孩子）可能是C-Lasso组分类的主要驱动力。混合面板结构模型和两个稳健性检查获得的结果与Kluve和Schmitz(2018)的结论形成鲜明对比。作者认为，新的父母福利改革规定了母亲重返工作岗位的制度化时间点。在德国，无薪育儿假的期限为产后三年，Sch-onbergand Ludsteck(2014)。根据Kluve和Schmitz(2018)，根据以前的规定，重返工作岗位的确切时间点是个人决定。然而，在政策改变后，许多职业母亲在最大福利收入结束时重返工作岗位。该机构发现证据表明，福利改革导致了在付费父母身上花费的时间的强烈同质化。然而，我的结果表明，父母福利改革并没有改变群体的组成，而只是改变了母亲就业中每个群体中孩子的年龄。我的研究揭示了改革前后母亲重返就业行为的三个高度异质性群体。值得注意的是，最大的母亲群体（第3组）在分娩后会有更多的家庭休假，这远远超出了ZF提供的带薪休假。6结论在本文中，我使用了由Su等人提出的新的数据驱动分类方法C-Lasso方法来识别母亲就业的潜在结构。（2016年）。特别是，我评估了2007年德国慷慨的父母福利改革的引入如何影响了母亲的就业群体。通过利用一种结合尖锐的研发方法和预测就业概率假设检验的就业策略，我可以识别政策改革对就业群体内部就业的影响。使用德国定制型行政就业记录的新数据基础，c-lassomechanism identi发现了改革前和改革后的三个就业群体组。本文的研究结果不仅揭示了不同母亲的子女年龄在就业上的差异，而且德国的政策变化也影响了三个群体的就业模式。