Resumé

SUMMARY: The concept of return to education is first reviewed, stressing that strong assumptions are required to interpret the coefficient to the length of education in the traditional human capital earnings function strictly as an estimate of the rate of return to education. Subsequently some problems concerning estimation is discussed, and finally the implications of these considerations are investigated empirically by comparing alternative method of estimation with the conventional approach.

1. Indledning

Begrebet uddannelsesafkast er grundlæggende relateret til human capital teorien, der efter fremkomsten for ca. 30 år siden længe har været en etableret del af økonomisk Selv om der er tale om en vidt forgrenet teoriretning med utallige dokumenterede implementeringer, kan dens grundide og særkende dog formuleres kortfattet: Folk anvender en del af deres økonomiske ressourcer på formål, som materialiseres i deres person, og hvis primære formål ikke er en umiddelbar nytte, men et forventet fremtidigt udbytte. Rationelle individer vælger at uddanne sig, hvis de ud fra anvendelse af almindelige kapitalteoretiské betragtninger vurderer, at de samlede udgifter, der er forbundet med at tage den pågældende uddannelse, herunder navnlig tabt arbejdsfortjeneste, opvejes af en forøget fremtidig indtjening som følge heraf.

Denne generelle tese om individernes adfærd er dog ikke tilstrækkeligt til at udlede egentlige sammenhænge mellem løn og uddannelsesniveau. Derfor kobles grundideen som regel med en mere eller mindre eksplicit ligevægtsmodel med fuldkommen konkurrence, human capital teoriens basale hypotese om individernes uddannelsesvalg beskrives klart og enkelt:

Additional schooling entails opportunity costs in form of foregone earnings plus direct expenses as tuition. To induce a worker to undertake additional schooling, he must be compensated by sufficiently higher lifetime earnings. To command higher earnings, more schooled workers must be sufficiently more productive than their less schooled fellow workers. the long-run competitive equilibrium, the relationship between lifetime earnings and schooling is such that (a) the supply and demand for workers of each schooling level are equated (b) no worker wishes to alter his schooling level. [Willis( 1986) s. 527].

Hvis man altså ser bort bort fra specielle individuelle evner, skulle markedskræfterne
en udjævning af de tilbagcdiskontcrede livsindkomster for de enkelte ud-

dannelser, hvor diskonteringsfaktoren kan betragtes som afkastet på uddannelse. I praksis har man sjældent data for faktiske individuelle livsindkomstforløb inden for forskellige uddannelser. De første studier af investeringer i uddannelse anvendte derfor konstruerede livsindkomster, beregnet ud fra oplysninger fra tværsnitsstudier, til at estimere for forskellige uddannelser.' Herved kunne man teste hypotesen om ens uddannelsesafkast på tværs af uddannelserne.

J. Mincers banebrydende værk: 'Schooling, Experience and Earnings' fra 1974 fik skelsættende betydning for efterfølgende human capital baserede empiriske undersøgelser. hjælp af en række forenklende antagelser, når Mincher frem til en meget enkel estimérbar relation af lønnens afhængighed af uddannelseslængden, s, og erhvervserfaringen,

(1)

hvor /3'erne er de parametre, der estimeres, og hvor /3, under de gjorte antagelser kan fortolkes direkte som afkastet på uddannelse. Den besnærende enkelhed ved metoden og den overbevisende empiriske bekræftelse i bogens empiriske del har inspireret til et enormt antal empiriske undersøgelser med denne fremgangsmåde til estimation af uddannelsesafksat stort set alle lande og alle historiske perioder med tilgængelige data ²

Et svagt punkt i Mincers udledning er imidlertid, at de antagelser, der kræves for at
ovenstående simple relation kan opfyldes, er stærkt restriktive og ikke fremgår klart af
argumentationen .3.3

I praksis er det derimod tvivlsomt om den estimerede koefficient til uddannelseslængden fortolkes strengt som et uniformt investeringsafkast på uddannelse, der kan anvendes direkte i en individuel vurdering af det fordelagtige i at tage en uddannelse.

Alternativt kan man derfor vælge en mere 'blød' fortolkning af begrebet uddannelsesafkastud den mere pragmatiske synsvinkel, at en estimeret version af relationen (1) er en repræsentation af strukturen i data, forudsat naturligvis at passende økonometriskemetoder anvendt, og at modellen ikke er fejlspecificeret. Ud fra denne betragtningkan /3, til s opfattes som et uddannelsesafkast i den forstand, at den angiver et mål for den procentvise forøgelse af den fremtidige årlige indkomst, der opnåsved investere den fornødne tid og ressourcer i at tage et ekstra års uddannelse.

---

1. For danske forhold se f. eks. Blomgren Hansen (1966).

2. En omfattende oversigt på området findes i Psacharopoulos (1981).

3. Det vil føre vidt at komme nærmere ind på disse antagelser her. I stedet henvises til Kristensen (1992) afsnit 2.1.

Det er givetvis denne mindre stringente fortolkning, der har bidraget til at udtrykket
uddannelsesafkast er blevet generelt accepteret som betegnelse for koefficienten til s.4

I praktiske implementeringer vil institutionelle forhold og andre faktorer betyde
afvigelser fra ovenstående idealsituation, således at der typisk estimeres en relation af
formen:

(2)

hvor Z, og e_i er hhv. en vektor af andre observerede baggrundsvariable, med forventet indflydelse på lønnen, og et stokastisk restled, der repræsenterer de uobserverede faktorer, kompenserende lønforskelle på grund af ikke-pekuniære fordele og ulemper de enkelte jobs i det omfang, disse ikke indgår i Z.

I tillæg til den ovennævnte problematik omkring opfyldelsen af de restriktive teoretiske er empirisk bestemmelse af uddannelsesafkast på basis af estimation af (2) endvidere forbundet med en lang række økonometriske problemer, hvoraf et af de mest behandlede er tilstedeværelsen af såkaldt 'ability bias' eller skævhed i evnefordelingen forhold til uddannelsesvalget. Hvis der findes en uobserveret variation i individernes produktive evner, og det samtidig gælder, at personer med høje evner i højere grad vælger at uddanne sig, vil det indebære positiv korrelation mellem restleddet (. og uddannelseslængden s_t og dermed give anledning til positiv bias i estimationen uddannelsesafkastet ved almindelig mindste kvadraters metode. Fortolkningen af denne skævhed er, at en del af den estimerede uddannelseskoefficient ikke skyldes den længere uddannelse som sådan, men det gennemsnitligt højere niveau for individernes

Den ovennævnte problemstilling, der altså beror på evnefordelingens indflydelse på uddannelsesvalget, er gjort til en central pointe i 'signalerings-' eller screenings'-teorien, blev introduceret af Spence (1973). I sin ekstreme version hævder teorien, at uddannelse overhovedet ikke øger produktiviteten. Uddannelse betragtes her i stedet som et signal til virksomheden om den pågældendes medfødte, eller i hvert fald ikke gennem uddannelsen erhvervede, produktive evner. En ligevægt opnås gennem en antagelse at det er forbundet med færre omkostninger for individer med høje produktive at uddanne sig.

Vurdering af, i hvilket omfang lønforskelle mellem personer med forskellige uddannelseslængderpå
af sådanne selektioner i fordelingen på uddannelserne har betydningi

---

4. Mere generelt kan det i praksis vise sig, at man for at opnå en tilfredsstillende beskrivelse af/« W må anvende en ikke-lineær funktion af uddannelseslængden. Den dominerende indflydelse fra Mincer (1974) har imidlertid bevirket, at det kun er ganske få publicerede undersøgelser, der overhovedet refererer konklusioner inddragelse af andre funktionsformer for uddannelseslængden og erhvervserfaringen end hhv. den lineære og parabel formede formulering i relation (1).

tydningiforhold til en produktivitetsforøgende effekt af uddannelsen, har været et centraltemne empiriske arbejder omkring uddannelsesafkast.⁵ En række alternative estimationsmetoder,som dog vil føre for vidt at komme ind på her, er blevet udviklet med henblik på at korrigere for denne 'ability bias'.

I det efterfølgende afsnit vil der i stedet blive set nærmere på en anden problemstilling, fokuserer på de økonomiske antagelser bag estimationen af uddannelsesafkast ud fra relationer som (2). For ikke at komplicere fremstillingen unødigt, vil der i hele det følgende blive set helt bort fra den ovenfor beskrevne type af estimationsproblemer.

2. En alternativ tilgang

I virkelighedens verden er der kvalitativt forskel på det arbejde, som eksempelvis en smed og en sygeplejerske udfører. Uddannelse er derfor ikke alene et spørgsmål om produktivitet men også om specialisering, således at individer med forskellige uddannelser er perfekte substitutter. Human capital bør derfor opfattes som et heterogent begreb med flere dimensioner svarende til en opdeling i specialiserede jobs. Man kan derfor som en rimelig approksimation tage udgangspunkt i, at arbejdsmarkedet er opdelt uddannelse i et antal (J) delmarkeder, hvor hvert enkelt individ tilhører ét og kun et delarbejdsmarked, bestemt af vedkommendes uddannelse, jvf. beskrivelsen i Willis(l9B6) afsnit 4. På lang sigt vil konkurrencen under visse antagelser bevirke at lønniveauet inden for uddanneælser af samme længde alt andet lige vil udjævnes via nettotilgangen til de enkelte delarbejdsmarkeder. Men på kort sigt, som altså her kan være adskillige år p.g.a. de lange uddannelsestider, vil blandt andet udsving i efterspørgsel teknologiske innovationer inden for de enkelte delmarkeder kunne give sig udslag i forskelle i lønniveauet for uddannelser af samme længde.

I praktisk implementering af human capitalbaserede lønrelationer kan uddannelsens indflydelse på lønnen altså ikke reduceres til alene at afhænge af uddannelsens længde men vil også afhænge af hvilken konkret uddannelse, der faktisk er tale om. Hvis ikke dette aspekt inddrages gennem yderligere forklarende uddannelsesvariable, bliver konsekvensen, udtrykt, at restleddene, e(, for individer med samme uddannelse vil være positivt korrelerede. Altså, hvis vi observerer en høj løn for en journalist i forhold lønnen for personer med denne uddannelseslængde, kan dette skyldes, at lønnen journalister generelt ligger højt i forhold til uddannelseslængden.

En måde at tage højde for dette er at inddrage en dummy variabel for hver af de J uddannelser,hvilket udelukker samtidig estimation af et uddannelsesafkast på grund af linearitet mellem s og disse dummyvariable. Som alternativ er her valgt at modellere ovennævnte aspekt via det stokastiske restleds struktur, idet e_j i stedet antagesat

---

5. There is now a sufficient number of such studies to reach some of a consensus that the effects of leftout measures biases rates of return to schooling, but the bias probably is less than 30 percent and may be substantially less than that.' [Rosen( 1977) s. 14].

gesatbestå af en fælles komponent er for individer med samme uddannelse samt en
heraf uafhængig komponent ei for hver enkelt person.6 Herved kan lønrelationen formeltudtrykkes

(3)

Den samlede effekt fra individets uddannelse j' på lønnen bliver altså /3, s. + a.. Udover uddannelsen og et mål for erhvervserfaringen indeholder det her anvendte materiale oplysninger om køn og arbejdsstedets geografiske placering, som derfor bliver de eneste variable i Z Til gengæld tillades parametrene at variere både mellem kønnene og geografisk samt over fire hovedtyper af uddannelse. Varianskomponentmodellen kan estimeres ved hjælp af en 'two step' generaliseret mindste kvadraters metode (GLS), hvor man først estimerer varianserne på a og e/, som indsættes i kovariansmatricen hvorefter /3-parametrene estimeres, som om O var kendt.

Konsekvenserne for beregning af uddannelsesafkast ved denne fremgangsmåde i forhold den traditionelle ØLS-estimation af (2) er undersøgt på basis af datamaterialer leveret af Danmarks Statistik, og Dansk Arbejdsgiverforening med oplysninger om funktionærlønninger for privatansatte funktionærer i perioden 1977 - 1986.⁷ I den leverede er funktionærerne grupperet i 'celler' baseret på en fire-dimensional kategorisering godt 100 uddannelser, 10 alderskategorier samt på køn og geografisk på Hovedstaden og Provinsen. For hver celle er opgjort 1. kvartil-, median- og 3. kvartillønnen antallet af personer i den pågældende celle. Ud fra uddannelsesoplysningen v.h.a. en uddannelsestransformation, EDU(j), dannet et mål for den normerede uddannelseslængde for hver enkelt uddannelse. De specielle økonometriske problemer, som datamaterialets særlige form har givet anledning til, skal ikke berøres her. 1 stedet henvises til Kristensen (1992) kapitel 4, hvor den anvendte estimationsmetode er udledt.

En afgjort svaghed ved den her fremførte metode er, at uddannelsesklassifikationen i praksis ikke kan foretages objektivt men altid vil indeholde et vist element af skøn. Oftest må man som her basere sig på den inddeling, der på forhånd er foretaget i materialet,der typisk er indsamlet med et andet formål. Resultaterne kan derved være influeretaf, detaljeret de forskellige hovedtyper af uddannelser er inddelt, da der i metoden ikke er taget højde for en eventuel korrelation mellem a'erne, som følge af at en del uddannelser er beslægtede. På den anden side giver den konventionelle model

---

6. Denne fremgangsmåde er parallel til en såkaldt random effect model, mens dummy tilgangen svarer til en fixed effect model, jvf. eksempelvis Hsiao (1985).

7. Materialet er analyseret for hvert år tilbage fra 1965 og frem til og med 1988. Der er dog udvalgt delperioden for at kunne sammenligne med resultater baseret på et andet datamateriale, jvf. senere.

(2) ens vægt til hvert individ uden at tage højde for, at lønnen for personer med samme
uddannelse i højere grad vil være korreleret end for personer med forskellige uddannelseraf
varighed.

3. Sammenligning af resultater

I tabel 1 er gengivet resultaterne for jS,, den estimerede koefficient til uddannelseslængden,
en række regressioner under forskellige antagelser med henblik på at vise
konsekvenserne i praksis af at anvende den her fremførte estimationsmetode (GLS).

I øverste linie i tabellen er vist resultatet fra GLS-estimationen, der giver et gennemsnitligt på 6.1% i perioden. Da datamaterialet som nævnt ikke indeholder men består af medianlønninger for grupper af funktionærer, er det ikke muligt direkte at foretage en tilsvarende ØLS-estimation af (2) til sammenligning. stedet anvendes en WLS-metoåe ('Weighted Least Squares'), hvor antallet af individer i hver celle benyttes som vægte. Herved opnås en metode, der stort set svarer til OLS på de tilsvarende individdata. Resultatet heraf er vist i anden linie i tabellen. Det ses heraf, at uddannelsesafkastet kun ændres med 0,1%-point, hvilket altså er en helt übetydelig forskel.

En umiddelbar forklaring på de sammenfaldende resultater kunne være, at de overvejelser, har ført til inddragelsen af a. ikke har nogen praktisk betydning, fordi variansen denne restledskomponent er utydelig. Dette er imidlertid ikke tilfældet, idet a_j er ansvarlig for knap halvdelen af medianlønnens variation mellem cellerne. Dette kan ses som en klar støtte til antagelsen i modellen (3) om, at uddannelsens betydning for lønnen ikke kan reduceres til alene at afhænge af uddannelseslængden.

Dette niveau for uddannelsesafkastet ligger noget højere end de resultater, der er
fundet i undersøgelser ved Aarhus Universitet og Handelshøjskolen i Aarhus. På et repræsentativtdatamateriale

præsentativtdatamaterialebaseret på udtræk af centrale registre er fundet koefficienter på 2-4%.⁸ Ingen af disse resultater er dog fundet på udsnit af arbejdsdmarkedet, der svarer helt til det her undersøgte (privatansatte funktionærer), ligesom de estimerede relationer er afvigende. Med henblik på at uddybe årsagerne til de konstaterede divergenserhar Smith og Hanne Vajhøj, Aarhus Universitet, været behjælpelige med at foretage en række ØLS-regressioner, hvor den estimerede relation så vidt muligt svarertil her anvendte, og hvor der kun er medtaget privatansatte funktionærer fra den repræsentative stikprøve ('WPCTS'') fra den database, der er anvendt i Aarhusundersøgelserne.Det uddannelsesafkast fra disse undersøgelser er beregnet til 3,4%, jvf. tredie linie i tabellen. Dette er altså i overensstemmelse med de øvrige resultaterfra materiale og ligger altså klart under det her fundne, selv om metoden stort set burde svare til ffLS-beregningerne.

Årsagen hertil skal dog efter alt at dømme findes i forskelle i de anvendte transformationer uddannelserne til et mål for uddannelseslængden. I den her anvendte, kaldet er der foretaget en vurdering for hver enkelt uddannelse af den normerede varighed målt i antal 'fuldtids'-studieår, mens der i Aarhus-undersøgelserne er anvendt en transformationsnøgle, her kaldet DUN(j), baseret på en forholdsvis grov opdeling på 7, (9), 10, 12, 14, 16 og 18 år ud fra niveauerne i D67V-klassifikationen.⁹ Et væsentligt ligger i hvilken uddannelseslængde, der skal tildeles gruppen uden formel erhvervsuddannelse, idet skolegangen for disse ligger mellem 7 og 10 år. I EDU(j) er disse tildelt værdien 9'/2 år ud fra en betragtning om, at de erhvervsgymnasiale uddannelser sat til 12 år og bør svare til tre år ud over den almindelige (lovpligtige) skolegang ¹⁰ Endvidere er det antaget, at en del af gruppen uden særlig uddannelse har taget realeksamen/10. klasse eller har arbejdsmarkedsuddannelser afkortere varighed, hvilket at give et tillæg på x_li år til ialt 9'/2 år for denne gruppe. I undersøgelserne på JfPC7 5-materialet er grundskoleoplysningerne ligeledes mangelfulde, men en stor del af disse er sat til 7 års skolegang, jvf. Westergård-Nielsen(l9BB) s. 29-30. Endelig kan det diskuteres, hvorvidt forskelle i grundskoleforløb på samme måde som for erhvervsuddannelserne kan gives en økonomisk fortolkning både i forhold til produktivitet indkomstmaksimerende valg. Hvor længe den enkelte har gået i skole er vel i højere grad bestemt af generationseffekter og social baggrund end af bevidst rationelle valg.

For at teste konsekvenserne af de ovennævnte forskelle i uddannelsesformationerne
er foretaget beregninger med WLS-metoden og Z)67V-transformationen, hvor gruppen

---

8. Smith og Westergård-Nielsen (1987), Larsen & Smith (1988), Pedersen m. fl. (1988) samt Smith (1989).

9. DUN-klassifikationen er ligeledes baseret på den normerede uddannelseslængde. Se Westergård-Nielsen (1988) samt 'Dansk Uddannelses-Nomenklatur', Danmarks Statistik & Undervisningsministeriet 1987.

10. Disse overvejelser er uddybet i Kristensen (1992) s. 103-107 samt s. 243-244.

uden særlig uddannelse er sat til hhv. 70g9 års uddannelse (kaldet DUN₇(j) og DUN₉(J)). Som det fremgår af tabel 1, fås herved uddannelsesafkast på hhv. 3,4% og 5,3%, hvilket for DUN₁ altså er sammenfaldende med ØLS-estimationerne på WPCTsmaterialet.Det heraf konkluderes, at det ved anvendelsen af WLS-metoden på de grupperede data (og derfor efter alt at dømme ligeledes ved OLS på tilsvarende individdata)er afgørende betydning, hvorledes uddannelsesniveauet for gruppen uden særlig uddannelse fastsættes.

Grunden til, at det forholder sig således, er, at uddannelsesfordelingen selv blandt funktionærer er koncentreret på de korte uddannelser med en varighed på mellem 0 og 3 år efter endt folkeskole. I både EDU- og DCW-klassifikationen er de meget tungtvejende som HK-uddannede og faglærte arbejdere sat til 9 + 3 = 12 år. Derfor vil uddannelsesforskellen mellem disse og gruppen uden særlig uddannelse være 3 eller 5 år, alt efter om endt grundskole regnes som 7 eller 9 år. Dette vil jo have afgørende indflydelse på OLS- og JfLS-estimationerne, da disse uddannelsesgrupper omfatter over tre fjerdedele af funktionærerne." GLS-estimationerne er derimod væsentligt mere over for fastsættelsen af skolegangen for gruppen uden særlig uddannelse, idet medtagelsen af det uddannelsesspecifikke restled a. bevirker, at de 'små' uddannelser færre individer tillægges en større vægt end ved OLS- og JfLS-estimationerne. fremgår også af nederste linie i tabel 1, hvor uddannelsesafkastet er beregnet GLS-metoden og DUN₁- i stedet for £Z)£/-transformationen. Herved ændres koefficienten kun fra 6,1% til 5,2%, hvilket altså er væsentligt mindre end ved de tilsvarende med JfLS'-metoden.

4. Konklusion

I det foregående er uddannelsesafkastet estimeret ved brug af forskellige metoder på et datamateriale med danske funktionærlønninger for 1977-1986. Afhængigt af den anvendte beregnes et gennemsnitligt uddannelsesafkast for perioden til mellem 3,4 og 6,2%.

Sammenfattende kan der gives fire argumenter til støtte for den her fremførte GLSestimationsmetode:For første kan der gives en teoretisk begrundelse for at betragte arbejdsmarkedet som uddannelsesopdelt, hvor uddannelsens indflydelse på lønnen, i hvert fald ikke på kort sigt, kan reduceres til alene at dreje sig om uddannelsens varighed.For andet giver den relative størrelse af den estimerede spredning på restledskomponenten _j empirisk belæg for relevansen af denne betragtning. For det tredie er estimationsmetoden robust over for den usikre måling af uddannelsen for restgruppen uden oplysninger om formel erhvervsuddannelse, ligesom den dominerende indflydelsepå

---

11. I 1982 udgjorde grupperne '990 Anden udd.' og '999 Ingen særlig udd/ 41% og 45% for hhv. mænd og kvinder, mens HK'ere og '300 Anden faglært udd.' tilsammen udgjorde 33% af mændene og 41% af kvinderne blandt samtlige privatansatte funktionærer i materialet fra Danmarks Statistik.

sepådet samlede uddannelsesafkast fra individer men ingen eller helt kort uddannelse undgås. Endelig for det fjerde, og i forlængelse heraf, er det tvivlsomt, om forskelle i varigheden af grundskoleforløbet kan tillægges samme økonomiske fortolkning i relationtil og produktivitet som de formelle erhvervsuddannelser.

Ved den traditionelle OLS-metode, og ved tilsvarende WLS-metoder, er det estimerede i høj grad følsomt over for fastsættelsen af uddannelseslængden for den i repræsentative meget store gruppe uden formel erhvervsuddannelse. Dette skyldes, at selv relativt små ændringer heri har stor betydning for varigheden af de korte som er langt de mest udbredte erhvervsuddannelser, og dermed også for uddannelsesafkastet for disse. Hvis man vælger denne mere konventionelle metode, bør der derfor i modelspecifikationen gives mulighed for afvigelser fra den traditionelt benyttede lineære sammenhæng mellem logaritmen til lønnen og uddannelseslængden. Herved vil det marginale afkast for de mellemlange og lange uddannelser ikke domineres at tyngden i uddannelsesfordelingen udpræget ligger på uddannelseslængder på op til 3 år efter grundskolen.¹²

De ovenstående resultater afspejler efter min opfattelse det frugtbare i at betragte estimation af uddannelsesafkast som en summarisk beskrivelse af relationen mellem løn og uddannelse, i stedet for at tage udgangspunkt i uddannelsesafkastet som en eller anden 'sand' strukturel parameter, som den økonometriske undersøgelse har til formål at blotlægge med størst mulig præcision. Derfor må fremgangsmåden i hvert enkelt tilfælde ud fra eksplicitte overvejelser over formålet med den pågældende analyse:

Er formålet at vurdere i hvor høj grad det på et givet tidspunkt kan betale sig ud fra en livsindkomstmaksimerende betragtning at vælge en uddannelse må egentlige intern renteberegninger for de enkelte uddannelser på basis af (prognoser for) indkomstprofiler at foretrække, jvf. fremgangsmåden for Blomgren Hansen(l966).

Ønsker man et gennemsnitligt mål for lønforskelle som følge af forskelle i uddannelsesniveauet
en gruppe af individer, giver den traditionelle ØLS-fremgangsmåde
sådant uvejet gennemsnit.

Tager man alternativt udgangspunkt i at ville beskrive de mere overordnede aspekter af lønstrukturen med fokus på forholdet mellem lønnen for de enkelte uddannelser, kan man forsøge at korrigere for kortsigtede uligevægtsfænomener, hvor delarbejdsmarkederne de enkelte uddannelser temporært kan have en relativt høj eller lav løn, f. eks. som følge af tilpasningstrægheder. I så fald er den her fremførte GLS-metode mere anvendelig.

---

12. Medtages den kvadrerede uddannelseslængde er den da også klart signifikant (positiv) ved anvendelse af ffLS-metoden men ikke for GLS-estimationerne. I overensstemmelse hermed må den lineære relation forkastes til fordel for en konveks sammenhæng i nyere lønundersøgelse på JfVCrS-materialet, jvf. Asplund, le Grand, Mastekaasa & Westergård-Nielsen (1991) s. 23.

Hvis endelig opgaven er at vurdere uddannelsessektorens samfundsmæssige værdi i forbindelse med overvejelser omkring fremtidig uddannelsespolitisk planlægning, bør en helt fjerde metode benyttes, hvor ikke kun de tabte lønindkomster men også de direkte indgår, og hvor uddannelserne vægtes i forhold til uddannelsesvalget de nye generationer og ikke blandt den erhvervsaktive befolkning helhed.

Hensigten med denne artikel har derfor, snarere end en argumentation for én bestemt som den rigtige, været at give en mere nuanceret forståelse af, hvad man egentlig måler ved estimationer af afkastet i traditionelle human capital lønrelationer, samt at påpege, at hvorvidt denne fremgangsmåde er rimelig, i høj grad afhænger af, hvad man mere konkret ønsker at undersøge.

Litteratur

Asplund, R. m. fl. 1991. Wage differentials in
the Nordic countries. Papir præsenteret på
EALE-konferencen i Madrid.

Blomgren Hansen, N. 1966. Uddannelsesinvesteringernes
Nationaløkonomisk
104:2.

Dansk Uddannelsesnomenklatur 1987. Danmarks
i samarbejde med Undervisningsministeriet.

Hsiao, C. 1985. Analysis of Panel Data. Cambridge
Press.

Kristensen, N. B. 1992. Lønstrukturens udvikling funktionærområdet i Danmark. Licentiatafhandling ved Økonomisk Institut, Universitet.

Larsen, R. & N. Smith. 1988. Løn, Garantiløn
og Ledighed. Studies in Labour Market
Dynamics mimeo 88:6, Aarhus.

Mincer, J. 1974. Schooling, Experience and
Earnings. NBER, New York.

Pedersen, m. fl. 1988. Wage Differentials Between
Public and the Private Sector.
SLA/D-mimeo 88:5, Aarhus.

Psacharopoulos, G. 1981. Returns to Education,
updated international comparison.
Journal ofComparativ Education 17:3.

Rosen, S. 1977. Human capital. A survey of
empirical research. I Research in Labor
Economics, red. T. Ehrenberg p. 3-31.

Smith, N. 1989. Wage Discrimination in the
Danish Labour Market? SLMD-mimeo
89:7, Aarhus.

Smith, N. & N. Westergård-Nielsen. 1987. Wage Differentials in Denmark in recent years. A study on longitudinal data. SLMD-mimeo 87:6, Aarhus.

Spence, M. 1973. Job market signaling. Quarterly
of Economics 87:355-374.

Westergård-Nielsen, N. 1988. Timeløn, Kompensationsgrad,
og Uddannelse.
87:6, Aarhus.

Willis, R. J. 1986. Wage determinants. A Survey Reinterpretation of Human Capital Function. I Handbook of Labor red. O. Aschenfelter & R. Layard p. 525-602.