DOI: https://doi.org/10.1016/j.econlet.2026.112901
تاريخ النشر: 2026-02-26
المؤلف: Christopher R. Bollinger وآخرون
الموضوع الرئيسي: ديناميات سوق العمل وعدم المساواة في الأجور
نظرة عامة
تقدم هذه الدراسة أدلة عبر الدول بشأن أخطاء القياس في أرباح العمل من خلال تحليل بيانات الأرباح الموحدة من النمسا والمملكة المتحدة. تحدد الدراسة وجود أخطاء قياس في البيانات الإدارية، جنبًا إلى جنب مع أخطاء الربط، وتلاحظ غياب العودة إلى المتوسط في أخطاء قياس الاستطلاع. تشير هذه النتيجة إلى أن كل من البيانات الإدارية وبيانات الاستطلاع عرضة لعدم الدقة بسبب عمليات الإبلاغ المعنية، والتي هي شائعة عبر دول مختلفة.
تكشف النتائج الرئيسية أنه بينما توجد تشابهات في هياكل الأخطاء بين البلدين، إلا أن هناك اختلافات ملحوظة. على سبيل المثال، فإن احتمال حدوث أخطاء تلوث أعلى في المملكة المتحدة، وبيانات الاستطلاع النمساوية تميل إلى التقليل من تقدير الأرباح الحقيقية بشكل أكبر من نظرائها في المملكة المتحدة. علاوة على ذلك، فإن احتمال حدوث خطأ قياس في الأرباح الإدارية المرتبطة أكبر في النمسا، مما يشير إلى الحاجة إلى مزيد من التدقيق في جودة تقارير الأرباح من قبل أصحاب العمل النمساويين. إن غياب العودة إلى المتوسط في أرباح الاستطلاع له آثار على تفسير تحليل الأرباح. تختتم الدراسة بالقول إنه بينما قد تقلل البيانات الإدارية من عبء المستجيبين، فإن العيوب في هذه البيانات تبرز أهمية الاستمرار في جمع معلومات الأرباح من خلال الاستطلاعات لالتقاط الأرباح الكامنة بدقة أكبر.
مقدمة
في هذا القسم، ينتقد المؤلفون الافتراض السائد في الأبحاث حول أخطاء القياس في أرباح العمل بأن بيانات السجلات الإدارية خالية من الأخطاء. يستقصون هذا الافتراض من خلال تطبيق نماذج مكونات الخطأ على بيانات الأرباح الموحدة من النمسا والمملكة المتحدة. تشير نتائجهم الرئيسية إلى وجود أخطاء في بيانات الأرباح الإدارية لكلا البلدين وغياب العودة إلى المتوسط في أرباح الاستطلاع، مما يتحدى الحكمة التقليدية التي تربط عادةً الأخطاء العائدة إلى المتوسط ببيانات الاستطلاع.
يبني المؤلفون على المنهجيات التي وضعتها كابتين ويبما (2007) وأبورد وستينسون (2013)، مع التركيز على أنواع وطبيعة أخطاء القياس بدلاً من مجرد وصف توزيعات الأخطاء كما فعل جينكينز وريوس-أفيلا (2023). يبرزون أن الدراسات السابقة، التي اعتبرت البيانات الإدارية خالية من الأخطاء، أبلغت باستمرار عن أخطاء استطلاع تعود إلى المتوسط. ومع ذلك، يستخدم المؤلفون نموذج “KY الموسع” الذي يأخذ في الاعتبار كل من أخطاء الربط والأخطاء المحتملة داخل البيانات الإدارية، مما يوفر تحليلًا أكثر شمولاً لأخطاء القياس في بيانات الأرباح. يهدف هذا النهج إلى معالجة الفجوة الحرجة التي تركتها الأبحاث السابقة، والتي تجاهلت إلى حد كبير إمكانية وجود أخطاء في السجلات الإدارية.
النتائج
تقدم نتائج الدراسة نتائج من نماذج KY الموسع وKY الكامل، كما هو موضح في الجداول 2 و3. تشير كلا النموذجين إلى وجود أخطاء قياس ورابط كبيرة في البيانات الإدارية، مما يتحدى الفكرة القائلة بأن هذه البيانات تمثل القيم الحقيقية. يُفضل نموذج KY الموسع بناءً على إحصائيات جودة الملاءمة، حيث تكشف أن الانحرافات المعيارية للأخطاء الإدارية ($\sigma_\nu$) ذات دلالة إحصائية. احتمال خطأ الربط ($1 – \pi_r$) حوالي 3% لكل من النمسا والمملكة المتحدة، بينما احتمالات خطأ القياس في $r$ أعلى في النمسا (40%) مقارنة بالمملكة المتحدة (32%). بالإضافة إلى ذلك، فإن العودة إلى المتوسط في الاستطلاع ($\rho_s$) قريبة من الصفر وليست ذات دلالة إحصائية في كلا البلدين.
تكشف التحليلات أيضًا أن خطأ التلوث ($\pi_\omega$) أكبر بكثير في المملكة المتحدة (11%) مقارنة بالنمسا (4%)، حيث تؤدي أخطاء التلوث النمساوية إلى تقدير أقل بكثير للأرباح الحقيقية ($\mu_\omega = -1.23$ للنمسا مقابل $-0.27$ للمملكة المتحدة). كما أن الانحرافات المعيارية المقدرة لأخطاء التلوث ($\sigma_\omega$) أعلى أيضًا في النمسا (1.63) مقارنة بالمملكة المتحدة (1.01). تشير احتمالات الفئات الكامنة إلى أن الغالبية العظمى من الملاحظات تقع في فئات بها أخطاء قياس أو ربط ضئيلة، حيث تكون الفئة 2 هي الأكثر انتشارًا. بشكل عام، تشير النتائج إلى أن البيانات الإدارية المرتبطة أقل موثوقية من بيانات الاستطلاع، كما يتضح من معامل الارتباط المربع بين الأرباح الحقيقية والملاحظة، وتبرز اختلافات ملحوظة في أخطاء القياس بين البلدين.
نقاش
في هذا القسم، يناقش المؤلفون نموذج خطأ القياس KY الموسع، الذي يعالج قياس خاطئ للأرباح اللوغاريتمية من خلال مصدرين: السجلات الإدارية ($r_i$) وسجلات الاستطلاع ($s_i$). يصنف النموذج الملاحظات إلى ثلاثة أنواع بناءً على وجود أخطاء القياس: S1 (خالية من الأخطاء)، S2 (خطأ قياس)، وS3 (تلوث بالإضافة إلى خطأ قياس). يبرز المؤلفون أن التلوث يمكن أن ينشأ من عدم دقة الإبلاغ المختلفة، مثل تصنيف فترات الدخل بشكل خاطئ أو حذف بعض الأرباح. يميز النموذج أيضًا بين البيانات الإدارية المرتبطة بشكل صحيح ($R1$) وغير المرتبطة بشكل صحيح ($R3$)، مما يؤدي إلى إجمالي تسع فئات كامنة تعكس تركيبات مختلفة من أخطاء القياس.
تشير النتائج إلى وجود أخطاء قياس كبيرة في كل من البيانات الإدارية وبيانات الاستطلاع، مع كون احتمال أخطاء التلوث أعلى في المملكة المتحدة مقارنة بالنمسا. يشير المؤلفون إلى أن أرباح الاستطلاع النمساوية تميل إلى التقليل من تقدير الأرباح الحقيقية أكثر من أرباح الاستطلاع في المملكة المتحدة، ويلاحظون احتمالًا أكبر لحدوث خطأ قياس في الأرباح الإدارية المرتبطة في النمسا. من المهم أن الدراسة لم تجد أي دليل على العودة إلى المتوسط في أرباح الاستطلاع، مما له آثار على تحليل الأرباح. يختتم المؤلفون بالقول إنه بينما يمكن أن تقلل البيانات الإدارية من عبء المستجيبين، إلا أنها غير مثالية ويقترحون أن تستمر الاستطلاعات في جمع بيانات الأرباح لالتقاط الأرباح الكامنة بدقة أكبر.
DOI: https://doi.org/10.1016/j.econlet.2026.112901
Publication Date: 2026-02-26
Author(s): Christopher R. Bollinger et al.
Primary Topic: Labor market dynamics and wage inequality
Overview
This research provides cross-national evidence regarding measurement errors in employment earnings by analyzing harmonized earnings data from Austria and the UK. The study identifies the presence of measurement errors in administrative data, alongside linkage errors, and notes the absence of mean reversion in survey measurement errors. This finding indicates that both administrative and survey data are susceptible to inaccuracies due to the reporting processes involved, which are common across various countries.
Key findings reveal that while there are similarities in the error structures between the two countries, notable differences exist. For instance, the likelihood of contamination errors is higher in the UK, and Austrian survey data tend to underestimate true earnings more significantly than their UK counterparts. Furthermore, the probability of measurement error in linked administrative earnings is greater in Austria, suggesting a need for further scrutiny of the quality of earnings reporting by Austrian employers. The absence of mean reversion in survey earnings has implications for earnings analysis interpretation. The study concludes that while administrative data may reduce respondent burden, the imperfections in these data highlight the importance of continuing to collect earnings information through surveys to capture latent earnings more accurately.
Introduction
In this section, the authors critique the prevailing assumption in research on measurement errors in employment earnings that administrative record data are free from errors. They investigate this assumption by applying error component models to harmonized earnings data from Austria and the United Kingdom. Their key findings indicate the presence of errors in administrative earnings data for both countries and a lack of mean reversion in survey earnings, challenging the conventional wisdom that typically associates mean-reverting errors with survey data.
The authors build on the methodologies established by Kapteyn and Ypma (2007) and Abowd and Stinson (2013), focusing on the types and nature of measurement errors rather than merely describing error distributions as done by Jenkins and Rios-Avila (2023). They highlight that previous studies, which treated administrative data as error-free, consistently reported mean-reverting survey errors. However, the authors employ an ‘Extended KY’ model that accounts for both linkage errors and potential errors within administrative data, thereby providing a more comprehensive analysis of measurement errors in earnings data. This approach aims to address the critical gap left by earlier research, which largely overlooked the possibility of errors in administrative records.
Results
The results of the study present findings from the Extended KY and KY Full models, as detailed in Tables 2 and 3. Both models indicate significant measurement and linkage errors in administrative data, challenging the notion that such data represent the true values. The Extended KY model is favored based on goodness of fit statistics, revealing that the standard deviations of administrative errors ($\sigma_\nu$) are statistically significant. The linkage error probability ($1 – \pi_r$) is approximately 3% for both Austria and the UK, while measurement error probabilities in $r$ are higher in Austria (40%) compared to the UK (32%). Additionally, survey mean reversion ($\rho_s$) is close to zero and not statistically significant in both countries.
The analysis further reveals that contamination error ($\pi_\omega$) is significantly greater in the UK (11%) than in Austria (4%), with Austrian contamination errors leading to a more substantial underestimation of true log earnings ($\mu_\omega = -1.23$ for Austria versus $-0.27$ for the UK). The estimated standard deviations of contamination errors ($\sigma_\omega$) are also higher in Austria (1.63) than in the UK (1.01). Latent class probabilities indicate that the majority of observations fall into classes with minimal measurement or linkage errors, with Class 2 being the most prevalent. Overall, the findings suggest that linked administrative data are less reliable than survey data, as evidenced by the squared correlation between true and observed log earnings, and highlight notable differences in measurement errors between the two countries.
Discussion
In this section, the authors discuss the extended KY measurement error model, which addresses the mismeasurement of log earnings through two sources: administrative records ($r_i$) and survey records ($s_i$). The model categorizes observations into three types based on the presence of measurement errors: S1 (error-free), S2 (measurement error), and S3 (contamination in addition to measurement error). The authors highlight that contamination can arise from various reporting inaccuracies, such as misclassifying income periods or omitting certain earnings. The model also distinguishes between correctly linked ($R1$) and incorrectly linked ($R3$) administrative data, leading to a total of nine latent classes that reflect different combinations of measurement errors.
The findings indicate significant measurement errors in both administrative and survey data, with the probability of contamination errors being higher in the UK compared to Austria. The authors note that Austrian survey earnings tend to underestimate true earnings more than UK survey earnings, and they observe a greater likelihood of measurement error in linked administrative earnings in Austria. Importantly, the study finds no evidence of mean reversion in survey earnings, which has implications for earnings analysis. The authors conclude that while administrative data can reduce respondent burden, they are imperfect and suggest that surveys should continue to collect earnings data to capture latent earnings more accurately.