Propensity score matching: un'applicazione per la creazione di un database integrato ISTAT-Banca d'italia

Transcript

1 Dipartimento di Politiche Pubbliche e Scelte Collettive POLIS Department of Public Policy and Public Choice POLIS Working paper n. 63 January 26 Propensity score matching: un'applicazione per la creazione di un database integrato ISTAT-Banca d'italia Andrea Sisto UNIVERSITA DEL PIEMONTE ORIENTALE Amedeo Avogadro ALESSANDRIA

2 Propensity Score Matching: un applicazione per la creazione di un database integrato ISTAT-Banca d Italia A.Sisto * ABSTRACT Il propensity score (Rosemabum e Rubin,1983) è ormai diventati l approccio predominante nella letteratura della stima dei casual treatment effect. Tuttavia, recentemente i principali istituti nazionali di statistica hanno utilizzato tale strumento per integrare informazioni provenienti da fonti differenti. Infatti, le survey attualmente disponibili spesso mancano di tutte quelle variabili necessarie per condurre una rigorosa indagine economica e gli economisti sono spessa costretti a integrare tali informazioni ricorrendo procedimenti di matching. Tra le diverse tecniche di imputazione presenti in letteratura il propensity score offre l indiscutibile vantaggio di ridurre un problema di integrazione potenzialmente multidimensionale a uno unidimensionale, riducendo il costo dell operazione. Il presente contributo valuta l efficacia di tale strumento nel generare un database integrato a partire dalla survey multiscopo ISTAT Aspetti della vita quotidiana 2 e l indagine Banca d Italia Bilanci delle famiglie Italiane 2. Keywords: propensity score, survey data fusion, integration * Università del Piemonte Orientale, Dipartimento di politiche pubbliche e scelte collettive, POLIS, Via Cavour 84, Alessandria, Italia. sistoand8@yahoo.it 2

3 1. Introduzione I procedimenti statistici di imputazione sono ormai diventati l approccio predominante in letteratura per la stima dei casual treatment effect. Le procedure di matching sono infatti utilizzate in tutte quelle situazioni in cui si voglia stimare l impatto su un determinato output derivante dall aver ricevuto un particolare trattamento. Se da una parte la natura di quest ultimo può essere estremamente differente 1, i problemi legati alla valutazione dell impatto di un trattamento attraverso l uso di strumenti microeconometrici (essenzialmente indagini a livello individuale) sono ben noti in letteratura e sono riconducibili a un problema fondamentale di misurazione. Infatti, mentre la valutazione corretta dei casual treatment effect dovrebbe essere effettuata calcolando la differenza media tra l outcome ottenuto dai partecipanti dopo il trattamento e quello potenziale che gli stessi avrebbero realizzato nel caso ipotetico in cui non fossero stati trattati, i dati reali con cui si confrontano i microeconomisti contengono esclusivamente informazioni circa l outcome degli individui trattati e quello ottenuto da un secondo gruppo di individui che non hanno ricevuto il trattamento. E dimostrato che la mancanza di un appropriato controfattuale non possa essere risolto considerando la media dell outcome dei non trattati come proxy per l outcome potenziale dei trattati, in quanto, generalmente, l outcome per i due gruppi differisce in maniera sistematica anche in assenza di trattamento. Questo è infatti dovuto alla presenza di un probabile problema di autoselezione. Un esempio classico può essere quello di un individuo che entra in un programma di formazione professionale. E probabile che questo individuo sia maggiormente motivato rispetto ad altri che non entrano nel programma e, conseguentemente, ci si aspetta che avrà anche una maggiore probabilità di trovare lavoro. Per ovviare a questo problema, una possibile soluzione è quella di utilizzare un procedimento di matching che consenta di imputare a ogni individuo trattato l outcome associato a quell individuo non trattato maggiormente somigliante in termini di determinate caratteristiche pre-trattamento. A tal fine risulta necessario il rispetto di due assunzioni. La prima è che il vettore di variabili su cui si vuole condizionare il matching (X) risulti indipendente dall essere o meno assegnato al trattamento. La seconda è che anche la distribuzione dell outcome, condizionata al set X risulti indipendente dal trattamento. In particolare, quest ultima assunzione è conosciuta in letteratura come CIA, ossia conditional independence assumption e risulta di fondamentale importanza in quanto solo se la CIA è rispettata la selezione degli individui può essere espressa in funzione delle sole caratteristiche pretrattamento (il set di covariate X perfettamente osservabile ex ante dal ricercatore). 1 Per un esaustiva letteratura si veda Caliendo e Kopeinig (25). 3

4 Tuttavia, uno dei principali problemi legati al matching consiste nel fatto che il processo di imputazione risulta spesso difficoltoso nel caso di un elevata dimensione del vettore X. Per ovviare a tale inconveniente Rosenbaum e Rubin (1983) hanno suggerito l utilizzo del balancing scores (b(x)), ossia di una funzione del set X. Infatti, se la CIA non solo il vettore X risulterà indipendente dal processo di selezione ma anche qualsiasi funzione di X possederà questa caratteristica. Tra i possibili balancing scores, Rosembaum e Rubin (1983) suggeriscono l uso del propensity score, un indice definibile come la probabilità di essere trattato dato il vettore X. Rosembaum e Rubin (1983) hanno dimostrato che se la CIA è rispettata, allora la probabilità di appartenere ad una delle due indagini, condizionata al vettore X, si configura anch essa come una variabile casuale e può essere definita come p(x) Pr (t = 1 x i = x), dove t è una variabile dicotomica che assume valore 1 se l individuo è trattato e l individuo non è trattato. Siccome la distribuzione del propensity score dipende dalla distribuzione congiunta del vettore X, il procedimento di matching può essere condizionato esclusivamente al propensity score, riducendo un problema potenzialmente multidimensionale a uno monodimensionale. Un ulteriore vantaggio legato all utilizzo di questa tecnica risiede nel fatto che viene generata una variabile continua, il che evita, di fatto, il pericolo di trovare più individui con lo stesso valore di propensity score. Sebbene la letteratura sul matching si è essenzialmente sviluppata come risposta a un problema di valutazione dell impatto di trattamenti economici, recentemente l interesse verso tali procedure statistiche è maturato anche da parte dei principali istituti nazionali di statistica che vedono in esse lo strumento per poter integrare informazioni provenienti da fonti differenti. Infatti, le survey attualmente disponibili spesso mancano di tutte quelle informazioni necessarie per condurre una rigorosa indagine economica. Si pensi, per esempio, allo studio sui comportamenti di risparmio delle famiglie o all analisi della spesa in servizi sanitari. Nelle indagini disponibili, alcune variabili come il reddito o la ricchezza immobiliare sono spesso oscurate per motivi di privacy, oppure contengono informazioni approssimative, inadeguate per l analisi del fenomeno di interesse. Per ovviare al problema molti economisti si sono concentrati sulle possibilità offerti dai procedimenti statistici di matching al fine di integrare dati provenienti da fonti diverse senza introdurre sostanziali distorsioni nell indagine. Infatti, la situazione tipica che deve affrontare un micro-economista applicato è quella nella quale date tre variabili di interesse X, Y, Z, il database utilizzato risulti mancante, in tutto o in parte, dell osservazione congiunta di tali variabili. Si supponga l esistenza di due distinti indagini, una contenete le variabili Y, X, e l altra le variabili Z, X. L unico modo per integrare i due dataset è quello di supporre che le informazioni contenute in X siano sufficienti per determinare congiuntamente Y e Z. Formalmente, un microeconomista basa il processo di integrazione sull assunzione che Y e Z siano indipendenti condizionatamente a X, i.e. P(Y,Z X) = 4

5 P(Y X)P(Z X), ipotesi del tutto equivalente alla CIA. Data l assunzione di indipendenza condizionale, il procedimento di integrazione è del tutto simile a quello incontrato nella letteratura della stima degli effetti casuali di un trattamento: si deve definire un criterio per abbinare ad ogni individuo della prima survey la variabile Z associata all individuo della seconda survey maggiormente simile condizionato a un set di variabili comuni X. Rispetto all eventualità di rilevare una nuova indagine contenete tutte le variabili del database integrato, l operazione di matching statistico offre un duplice vantaggio: la riduzione dei costi e la possibilità di ottenere una maggiore qualità nelle risposte fornite abbattendo il tasso di mancata risposta. Infatti, Vousten e de Heer (1989) hanno dimostrato come, nelle rilevazione a questionario, all aumentare del numero di domande l accuratezza e la precisione delle risposte tenda a diminuire. Scopo del presente contributo è proprio quello di valutare la possibilità della costruzione di un tale database applicando la tecnica del propensity score (Rosembaum e Rubin, 1983) all indagine multiscopo ISTAT Aspetti della vita quotidiana (2) e all indagine Banca d Italia sui Bilanci delle famiglie Italiane (2). Il lavoro è strutturato come segue: il paragrafo 2 presenta una sintetica descrizione delle due survey e delle variabili in esse contenute. Il paragrafo 3 descrive invece i principali problemi riscontrati nelle operazioni di matching mentre il paragrafo 4 conclude presentando i principali risultato ottenuti. 2. L indagine multiscopo ISTAT e l indagine Banca d Italia sui Bilanci delle famiglie Italiane a confronto L indagine Multiscopo ISTAT Aspetti della vita quotidiana (d ora in avanti MP, Multipurpose survey) è una survey a rilevazione annuale. L edizione 2 raccoglie dati di oltre 58 individui, per un totale di 2 famiglie. Le informazioni disponibili sono molto particolareggiate e svariano dalle attività del tempo libero (numero di volte in cui si è assistito a spettacoli teatrali, cinematografici, sportivi, numero di volte in cui si è visitato musei e siti archeologici, consumo musicale e partecipazione a concerti e altre manifestazioni dl vivo a carattere musicale), alle attività di ripristino e mantenimento della salute, come il corretto uso di farmaci, la frequenza con cui si pratica sport, il comportamento alimentare (regolarità dei pasti, frequenza del consumo di determinate categorie di alimenti come frutta, verdura, oli, grassi) fino al consumo di alcolici, super alcolici e tabacchi. Una parte corposa dell indagine è, inoltre, incentrata sull analisi delle condizioni di salute degli Italiani, dallo stato di salute percepito, alla presenza di malattie croniche, fino al ricorso nell anno a servizi medici, sanitari e socio-assistenziali. Tuttavia, un possibile problema legato all utilizzo della Multiscopo è la completa mancanza di informazioni circa la distribuzione 5

6 del reddito individuale sul territorio. Siccome il reddito è uno dei principali determinanti di diversi comportamenti economici, la disponibilità di tale variabile risulta di fondamentale per qualsiasi analisi empirica. Al fine di recuperare tali informazioni è quindi necessario individuare un database che contenga rilevazioni dettagliate circa la ricchezza della popolazione italiana, in modo da poter effettuare un operazione di integrazione con l indagine MP. Tra le indagini disponibili, quella condotta da Banca d Italia sui Bilanci delle famiglie Italiane (d ora in avanti SHIW, Survey on Household Income and Wealth), è certamente quella che presenta la più elevata qualità nelle informazioni relative alle disponibilità finanziarie delle famiglie italiane. L edizione 2 presenta i dati rilevati da un campione di circa 22 individui per un totale di 8 famiglie. L indagine è composta da una batteria di variabili identificative di carattere socio-demografico (sesso, stato civile, titolo di studio, composizione del nucleo familiare, professione, ecc.) e da una serie di informazioni molto dettagliate relative alle disponibilità economiche sia a livello individuale che familiare (reddito da lavoro, da capitale, ricchezze immobiliari, ecc.). 3. Il matching statistico La creazione di un dataset integrato è avvenuta attraverso la definizione di un algoritmo che ha permesso di ricreare nella MP la distribuzione dei redditi presenti nella SHIW. Tale procedimento può essere effettuato solo se si verificano le seguenti condizioni: i) le survey devono configurarsi come campioni casuali estratti a sorte dalla stessa popolazione, ii) deve esistere in entrambe le indagini un set di variabili comuni sulle quali condizionare l operazione di matching. Se la i) e la ii) sono soddisfatte allora si può procedere al matching. Nel caso in esame, la prima condizione è soddisfatta in partenza in quanto, per entrambe le indagini, il campionamento statistico è stato effettuato in modo da fornire una fotografia rappresentativa della popolazione italiana e quindi si può essere certi che i due provengano dalla stessa popolazione. Per quanto riguarda il secondo vincolo, la scelta delle variabili su cui condizionare il processo di imputazione del reddito é necessariamente caduta su quelle caratteristiche socio-demografiche che permettono di fornire una descrizione accurata delle differenti tipologie di individui intervistati, come quelle anagrafiche (sesso, età e stato civile, regione e area geografica di residenza, numerosità del nucleo familiare di appartenenza, relazione di parentela del soggetto intervistato all interno del nucleo familiare) e quelle socio-economiche (titolo di studio, tipologia di occupazione, settore di occupazione, ecc.). Tuttavia, una volta individuate le variabili di interesse si é dovuto procedere a un operazione preliminare di allineamento dei due dataset attraverso la ricodifca di quelle variabili che presentavano o una differente denominazione o una diversa metrica di classificazione. La tabella di 6

7 conversione delle variabili socio demografiche è riportata nell appendice 1, insieme con il nome e la codifica posseduta da tali variabili nelle indagini di origine. A parte alcune variabili come la classe di età (non presente nella MP e ricreata a partire dall osservazione dell età) o il titolo di studio (in cui la classificazione utilizzata nelle due survey era l esatto opposto), l allineamento delle due survey ha presentato parecchi inconvenienti, soprattutto per quel che riguarda la definizione della professione, per la quale la survey SHIW presentava una classificazione maggiormente dettagliata rispetto a quella utilizzata nella MP. Lo stesso discorso può essere effettuato per quanto riguarda il ramo di attività e la posizione nella professione. Un ultimo problema è legato alla definizione del numero di percettori di reddito, la cui variabile è disponibile solo nella SHIW ed è stata ricostruita nella MP. Una volta completato l allineamento dei due dataset si è proceduto alla comparazione della distribuzione delle variabili di interesse nella MP e nella SHIW. Come si può vedere dalle tabelle riportate in appendice 2, i test chi-quadro dimostrano come solo la composizione degli individui per sesso e classi di età risultano omogenee tra le due indagini. La composizione per area geografica, stato civile, professione e settore di professione presenta invece una differenza statisticamente significativa. Per quanto riguarda la composizione del nucleo familiare, questo è probabilmente dovuto al fatto mentre per la MP, l ISTAT, pesando le famiglie a seconda della numerosità familiare è portata a sostituire unità unipersonali non rispondenti con altrettante unità unipersonali, la Banca d Italia, non pesando le famiglie a seconda della numerosità, ha la tendenza a sostituire unità non rispondenti unipersonali con unità a uno e più componenti. Per quanto riguarda le altre variabili le differenze nella distribuzione sono probabilmente dovute alla differente classificazione originaria delle stesse e alle difficoltà incontrate nel processo di allineamento. Infine, l operazione più importante è stata quella di definire una funzione di prossimità per integrare, individuo per individuo, le informazioni provenienti da entrambe le indagini, condizionandoci al set comune di variabili. Per applicare il propensity score è stata generata una variabile di trattamento t, una dummy che assume valore 1 se l osservazione considerata appartiene alla MP e se l osservazione appartiene SHIW. Il propensity score può essere quindi definito come la probabilità di appartenere alla MP condizionata al set di variabili comuni sociodemografiche. Il propensity score é stata calcolato attraverso una regressione probit della variabile t sul set di variabili comuni X. Una volta ottenuto tale indice si è proceduto all individuazione di una corretta misura di distanza per misurare la similitudine tra i diversi soggetti presenti nelle indagini. Considerato la differente numerosità campionaria delle due indagine, si é deciso di optare per il metodo del nearest neighbour matching con possibilità di rimpiazzamento, ossia abbinando alla 7

8 Multiscopo quell individuo della survey Banca d Italia che minimizza la distanza assoluta in termini di propensity score. Tale processo offre il vantaggio di incrementare la qualità del matching a discapito, tuttavia, di una maggiore varianza dello stimatore (Caliendo e Kopeinig, 25). Tuttavia, al fine di evitare l abbinamento tra individui con caratteristiche estremamente differenti tra loro (ossia il caso in cui la distanza tra l individuo considerato e quello che minimizza la differenza tra i propensity score risulta molto elevata) si é deciso di partizionare il dataset in differenti celle, in modo da effettuare l operazione di matching non sull intero dataset ma separatamente all interno di ogni singola cella. Il dataset é stato quindi diviso in 24 celle individuate dalle cinque macro regioni (nord-ovest, nord-est, centro, sud, isole), le otto tipologie di occupazione e le sei classi di età, all interno delle quali é stata effettuata l operazione di imputazione. Inoltre, per migliorare la qualità del risultato si é deciso di settare un caliper, ossia una soglia di distanza al di sopra della quale il candidato per l abbinamento risulta scartato. Questo procedimento ha migliorato la qualità del dataset integrato riducendone per la numerosità dalle 58 unità alle Una volta completata la procedura di matching si è proceduto a valutarne la bontà in termine di sia preservazione della distribuzione del reddito tra le differenti celle individuate dal vettore X, sia in termini di mantenimento delle preesistenti relazioni tra le variabili di interesse. Si é quindi proceduto i) alla comparazione tra la distribuzione del reddito nel dataset integrato e quella preesistente Banca d Italia, ii) al calcolo delle correlazioni tra il reddito e il vettore X per verificare il mantenimento del segno registrato nel dataset originario. Le tabelle con le distribuzioni del reddito e i calcoli delle correlazioni sono riportate nell appendice 3. In generale non si é notato differenze significative nella distribuzione del reddito imputato rispetto alla fonte originaria SHIW. Le uniche differenze evidenziate sono una leggera sottostima della distribuzione per la soglia dei redditi più bassi per le categorie di professione casalinga e servizio di leva, mentre, sempre per le stesse fasce di reddito, la distribuzione del reddito imputato risulta invece sovrastimata per gli uomini (reddito minore di 3 milioni di lire). Queste differenze sono principalmente imputabili alle difficoltà riscontrate nell operazione di riclassificazione delle variabili di interesse, dovute in misura principale alla diversa metrica e classificazione impiegata. Tuttavia le correlazioni con le variabili socio-demografiche risultano identiche nei segni a quelle registrate nel campione SHIW. Quindi, indipendentemente dalle piccole differenze riscontrate in precedenza, si può concludere che l operazione di matching sia riuscita. 4. Conclusioni 8

9 Recentemente l attenzione di molti microeconomisti è stata rivolta a testare l applicabilità in economia dei metodi di imputazione statistica. Infatti, non sempre le indagini disponibili osservano congiuntamente tutte le variabili di interesse per le indagini economiche. Spesso l osservazione del reddito, della ricchezza patrimoniale e del consumo di particolari tipologie di beni sono oscurate nelle indagini ISTAT per motivi di privacy. Conseguentemente, gli economisti sono costretti a ricorrere a strumenti statistici per integrare dati provenienti da fonti diverse. Scopo del presente contributo è quello di testare la possibilità di creare un database integrato utilizzando l indagine multiscopo ISTAT Aspetti della vita quotidiana (2) e l indagine Banca d Italia sui Bilanci delle famiglie Italiane (2). A tal fine si è utilizzato la metodologia del propensity score (Rosembaum e Rubin, 1983), ossia la probabilità di appartenere a una delle due indagini condizionata a un set comune di variabili socio-demografiche, una tecnica sviluppata nella letteratura dei casual treatment effect e recentemente impiegata anche dai principali istituti di statistica per l elaborazione di database integrati. Uno dei principali vantaggi derivanti dall uso del propensity score è quello di ridurre un problema di matching potenzialmente multidimensionale a uno unidimensionale, facilitando il compito di imputazione. Dopo aver individuato il set di variabili comuni sul quale condizionare l operazione di matching, si è proceduto a una fase preliminare di assimilazione delle due indagini in modo da individuare per tali variabili una metrica e una classificazione comune. Infine si è definito un algoritmo per misurare la somiglianza tra gli individui appartenenti alle due survey. Dato la numerosità campionaria si è optato per il nearest neighbor con rimpiazzamento, tecnica che permette di aumentare la qualità del matching a discapito, però, di una maggiore varianza dello stimatore. Per migliorare la qualità dell operazione si è deciso di effettuare tale operazione dividendo i dataset per macroregioni e di utilizzare l opzione caliper che consente di individuare una soglia critica al di là della quale rifiutare l unità imputata. I risultati ottenuti, sia in termine di distribuzione del reddito imputato che in termine di correlazione tra quest ultimo e il set di variabili socio-demografiche dimostrano come, salvo qualche piccola distorsione specie per le classi di reddito più basse, il procedimento sia riuscito. 9

10 Bibliografia Caliendo, M., Kopeinig, S., 25, Some pratical guidance for the implementation of propensity score matching, IZA discussion paper n D Orazio, M, Di Zio, M e Scanu, M., 23, Statistical Matching: a tool for integrating data in national statistical institutes. Rosembaum, P. e Rubin, D., 1983, The central role of the propensity score in observational studies for casual effects, Biometrika, 7, Vousten, R., de Heer, W., 1998, Reducing non-response: the POLS fieldwork design, Netherlands official statistics, 13,

11 APPENDICE 1. Ricodifica delle variabili Variabile Denominazione Multiscopo Ampiezza survey Individui: Famiglie: Identificativo del IDFAMIG nucleo familiare ( ) Numero ordine componenti all interno del nucleo familiare Regione di residenza del soggetto intervistato Area geografica di residenza del soggetto intervistato Relazione di parentela del soggetto intervistato all interno del nucleo familiare INUM_COMP (1-12) REGIONE (1 = Piemonte, 1 = Val d Aosta, 3 = Lombardia, 4 = Trentino, 5 = Veneto, 6 = Friuli, 7 = Liguria, 8 = Emilia, 9 = Toscana, 1 = Umbria, 11 = Marche, 12 = Lazio, 13 = Abruzzo, 14 = Molise, 15 = Campania, 16 = Puglia, 17 = Basilicata, 18 = Calabria, 19 = Sicilia, 2 = Sardegna) AREAGEO (1 = Nord ovest, 2 = Nord est, 3 = Centro, 4 = Sud, 5 = Isole) N.B. Nord ovest: Piemonte, Valle d Aosta, Lombardia, Liguria Nord est: Trentino, Veneto, Friuli, Emilia; Centro: Toscana Marche, Umbria, Lazio, Sud: Abruzzo, Molise, Campania, Puglia, Calabria, Basilicata; Isole: Sicilia e Sardegna REL_PARENT (1 = Pers.Riferim, 2 = coniuge, 3 = convivente, Denominazione SHIW Individui: Famiglie: 81 NQUEST ( ) NORD (1-12) IREG (1 = Piemonte, 2 = Val d Aosta, 3 = Lombardia, 4 = Trentino, 5 = Veneto, 6 = Friuli, 7 = Liguria, 8 = Emilia, 9 = Toscana, 1 = Umbria, 11 = Marche, 12 = Lazio, 13 = Abruzzo, 14 = Molise, 15 = Camapania, 16 = Puglia, 17 = Basilicata, 18 = Calabria, 19 = Sicilia, 2 = Sardegna) AREA3 (1 = Nord, 2 = Centro, 3 = Sud) AREA5 (1 = Nord ovest, 2 = Nord est, 3 = Centro, 4 = Sud, 5 = Isole) PARENT (1 = capofamiglia, 2 = coniuge/convivente del C.F., Ri-codifica NQUEST ( ) per Istat ( ) per SHIW NORD (1-12) IREG (1 = Piemonte, 1 = Val d Aosta, 3 = Lombardia, 4 = Trentino, 5 = Veneto, 6 = Friuli, 7 = Liguria, 8 = Emilia, 9 = Toscana, 1 = Umbria, 11 = Marche, 12 = Lazio, 13 = Abruzzo, 14 = Molise, 15 = Campania, 16 = Puglia, 17 = Basilicata, 18 = Calabria, 19 = Sicilia, 2 = Sardegna) AREAGEO (1 = Nord ovest, 2 = Nord est, 3 = Centro, 4 = Sud, 5 = Isole) PARENT (1 = capofamiglia, 2 = coniuge/convivente del C.F., 11

12 Età del soggetto intervistato Classe di età del soggetto intervistato Sesso dei componenti del nucleo familiare Stato civile del soggetto intervistato Titolo di studio del soggetto intervistato Occupazione del soggetto intervistato 4 = genitore di PR, 5 = Genitore di coniuge PR, 6 = figlio di PR, 7 = figlio nato da precedente matrimonio, 8 = coniuge del figlio, 9 = convivente del figlio, 1 = nipote del figlio, 11 = nipote figlio di fratello PR, 12 = fratello 13 = fratello del coniuge 14 = coniuge del fratello del PR 15 = convivente del fratello di PR 16 = altro parente di PR, 17 = persona legata in amicizia) ETA 3 = figlio/a del C.F., 4 = genitore del C.F. 5 = altro parente/affine del C.F., 6 = altro elemento non legato da rapporto di parentela al C.F.) ETA (-15) (-15) - CLETA (1 = Fino a 3, 2 = 31-4, 3 = 41-5, 4 = 51-65, 5 = oltre 65) SESSO ( 1 = uomo, 2 = donna) STATO_CIVILE ( 1 = celibe/nub., 2 = coniugato, 3 = separato di fatto, 4 = separato legalmente, 5 = divorziato, 6 = vedovo/a) STUDIO ( 1 = dottorato/specializz. post, 2 = laurea, 3 = diploma universit., 4 = diploma superiore, 5 = diploma professionale (3 anni), 6 = licenzia media, 7 = element., 8 = nessuno (non analfab.) specializzazione post-laurea 9 = nessun analfabeta PROFESSIONE (1 = occupato, 2 = in cerca di nuova occup., 3 = in cerca di prima occupazione, 4 = in servizio di leva, 5 = casalinga, 6 = studente, SEX ( 1 = uomo, 2 = donna) STACIV ( 1 = coniugato, 2 = celibe/nub., 3 = separato/div., 4 = vedovo/a) STUDIO ( 1 = nessuno, 2 = element., 3 = media, 4 = diploma profess., 5 = diploma superiore, 6 = laurea breve, 7 = laurea, 8 = specializzazione post-laurea) APQUAL (1 = operaio, comprende apprendisti, salariati, lavoranti a domicilio e commessi, 2 = impiegato, 3 = insegnante di qualsiasi tipo di scuola, 4 = impiegato 3 = figlio/a del C.F., 4 = genitore del C.F. 5 = altro parente/affine del C.F., altro componente non legato da rapporto di parentela al C.F.) ETA (-15) CLETA (1 = Fino a 19, 2 = 2-3, 3 = 31-65, 4 = oltre 65) SEX ( 1 = uomo, 2 = donna) STACIV ( 1 = coniugato, 2 = celibe/nub., 3 = separato/div, 4 = vedovo/a) STUDIO ( 1 = nessuno, 2 = element., 3 = media, 4 = diploma profess., 5 = diploma, 6 = laurea breve, 7 = laurea, 8 = specializzazione post-laurea ) PROFESSIONE (1 = occupato, 2 = in cerca di nuova occup, 3 = in cerca di prima occupazione, 4 = in servizio di leva, 5 = casalinga, 6 = studente, 12

13 Settore di attività nel quale è occupato il soggetto intervistato 7 = inabile, 8 = ritirato dal lavoro, 9 = altra condizione) RAMO_ATTIVITA (1 = agricoltura, caccia e pesca, 2 = industria ed estrazione, 3 = costruzioni 4 = commercio, alberghi e ristoranti 5 = trasporti, magazzini e comunicazioni, 6 = intermediazioni, noleggio, altre attività professionali, 7 = pubblica amministrazione e difesa, 8 = istruzione, sanità ed altri servizi sociali, 9 = altri servizi) direttivo/quadro, 5 = dirigente, alto funzionario, preside, docente universitario, magistrato, 6 = libero professionista, 7 = imprenditore individuale, 8 = lavoratore autonomo/ artigiano, 9 = titolare/coadiuvante impresa familiare, 1 = socio/gestore di società, 2 = co.co.co 11 = in cerca prima occup., 12 = disoccupato, 13 = casalinga, 14 = benestante, 15 = pensionato da lavoro, 16 = pensionato non da lavoro, 17 = studente, 18 = bambino età presocolare, 19 = militare di leva) APSETT (1 = agricoltura, caccia, silvicoltura, pesca, piscicoltura e servizi connessi, 2 = estrazione minerali, industrie alimentari, tabacco, abbigliamento, prodotti in pelle, legno carta, chimica, metallo, attività manifatturiere, produzione energia elettrica, gas e acqua, 3 = edilizia, 4 = commercio all ingrosso e al dettaglio, riparazioni autoveicoli, alberghi, ristoranti, 5 = trasporti, magazzinaggio e comunicazioni, 6 = intermediazioni monetaria, finanziaria e assicurazioni, 7 = attività immobiliari, noleggio, informatica, ricerca, altra attività imprenditoriali e professionali, 8 = servizi domestici presso famiglie, 9 = Pubblica amministrazione, Difesa, istruzioni, sanità e altri 7 = ritirato dal lavoro, 8 = altra condizione) APSETT (1 = agricoltura, caccia e pesca, 2 = industria ed estrazione, 3 = costruzioni 4 = commercio, alberghi e ristoranti 5 = trasporti, magazzini e comunicazioni, 6 = intermediazioni, noleggio, altre attività professionali, 7 = pubblica amministrazione e difesa, istruzione, sanità ed altri servizi sociali, 8 = altri servizi) 13

14 Settore di occupazione del soggetto intervistato Status lavoraivo del soggetto intervistato Il soggetto intervistato e percettore di reddito? Titolo di possesso dell abitazione di residenza del soggetto intervistato POSIZIONE (1 = alle dipendenze come dirigente, 2 = direttivo, quadro, 3 = impiegato intermedio, 4 = capo operaio, operaio subalterno e assimilati, 5 = apprendista, 6 = lavoratore a domicilio per conto di impresa, 7 = autonomo come imprenditore, 8 = libero professionista, 9 = lavoratore in proprio, 1 = socio cooperativa Produzione beni e prestazione servizi - PERC (1 = Sì, = No) AFFITTO (1 = affitto/subaff., 2 = proprietà, 3 = usofrutto, 4 = titolo gratuito, 5 = altro) servizi pubblici, 1 = organizzazioni e organismi extraterritoriali) SETT (1 = agricoltura, 2 = industria, 3 = servizi pubblici, 4 = altri settori, 5 = nessun settore) QUAL (1 = operaio, 2 = impiegato, 3 = dirigente/dirett., 4 = imprendit./libero professionista, 5 = altro autonomo, 6 = pensionato, 7 = altri non occupati) GODABIT (1 = proprietà, 2 = affitto/subaff., 3 = a riscatto 4 = usofrutto, 5 = titolo gratuito) SETT (1 = agricoltura, 2 = industria, 3 = servizi pubblici, 4 = altri settori, 5 = nessun settore) QUAL (1 = operaio, 2 = impiegato, 3 = dirigente/dirett., 4 = imprendit./libero professionista, 5 = altro autonomo, 6 = pensionato, 7 = altri non occupati) PERC (1 = Sì, = No) AFFITTO (1 = affitto/subaff., 2 = proprietà, 3 = usofrutto, 4 = titolo gratuito, 5 = altro) 14

15 APPENDICE 2. Confronto tra le distribuzione delle variabili di interesse Tabella 2.1. Composizione dei database per area geografica di residenza Areageo SHIW MP Totale Nord-Ovest 4848 (21.77) (19.13) 1667 (19.86) Nord-Est 4286 (19.25) 1453 (23.96) (22.66) Centro 444 (19.94) 1533 (17.96) (18.5) Sud 5922 (26.59) (28.28) 2259 (27.82) Isole 2772 (12.45) 6261 (1.67) 933 (11.16) Totale (1.) (1.) 8921 (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (4): (p-value:.) Tabella 2.2. Composizione dei database per stato civile Staciv SHIW MP Totale coniugato 114 (51.19) 2978 (49.58) 4478 (5.2) celibe/nub 8755 (39.32) (39.86) (39.71) separato/divorziato 58 (2.28) 1842 (3.14) 235 (2.9) vedovo 165 (7.21) 4352 (7.42) 5957 (7.36) Totale (1.) (1.) 8921 (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (3): (p-value:.) Tabella 2.3. Composizione dei database per sesso Sex SHIW MP Totale uomo 1953 (49.19) (48.63) (19.86) donna 1453 (5.81) 4286 (51.37) (51.22) Totale (1.) (1.) 8921 (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (1): (p-value:.1587) 15

16 Tabella 2.4. Composizione dei database per classi di età Cleta SHIW MP Totale (19.85) 125 (2.47) (2.3) (15.19) 8816 (15.3) (15.7) (48.86) (48.61) (48.68) > (16.1) 9321 (15.89) 1296 (15.95) Totale (1.) (1.) 8921 (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (3): (p-value:.232) Tabella 2.5. Composizione dei database per numero componenti del nucleo familiare Ncomp SHIW MP Totale 1 componente 1479 (6.64) 4782 (8.15) 1667 (7.74) coniugi 4442 (19.95) 1126 (19.11) (19.34) Coniugi e un figlio 5334 (19.95) (25.44) (25.3) Coniugi e altri parenti 1113 (49.46) (47.31) 2259 (47.9) Totale (1.) (1.) 8921 (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (3): (p-value:.) Tabella 2.6. Composizione dei database per tipologia di occupazione Professione SHIW MP Totale occupato 7,941 (35.66) 22,156 (44.31) 3,97 (41.64) in cerca nuova occupazione 52 (2.25) 1,24 (2.4) 1,76 (2.36) in cerca prima occupazione 795 (3.57) 1,558 (3.12) 2,353 (3.26) in servizio di leva 63 (.28) 124 (.24) 187 (.26) casalinga 2,954 (13.27) 7,689 (15.38) 1,643 (14.73) studente 3,834 (17.22) 4,51 (9.1) 8,344 (11.5) ritirato dal lavoro 3,884 (17.44) 1885 (21.77) (2.43) altra condizione 2,295 (1.31) 1882 (3.76) 4177 (5.78) Totale 22,268 (1.) 58 (1.) (1.) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Chi-quadro (8): 1.e+4 (pvalue:.) 16

17 Tabella 2.7. Composizione dei database per settore di occupazione Qual SHIW MP Totale Operaio 287 (12.61) 7453 (14.9) 126 (14.2) impiegato 2716 (12.2) 7599 (15.2) 1315 (14.27) dirigente/dirett 624 (2.8) 1411 (2.82) 235 (2.22) imprendit./libero pr 699 (3.14) 839 (1.68) 1538 (2.13) altro autonomo 195 (4.92) 4854 (9.71) 5949 (8.23) pensionato (22.66) 1885 (21.77) (22.4) altri non occupati 928 (41.67) (33.93) (36.31) Totale (1.) 58 (1.) (1.) Nota: 1 la differenza tra il numero di ritirati dal lavoro e il numero di pensionati riportati in tabella e dovuta al fatto che la survey SHIW discrimina tra le persone in possesso di pensione da lavoro e quelle in possesso di altre forme di pensione. Composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi) chi quadro (6) = (p-value:.) 17

18 APPENDICE 3. Distribuzione del reddito nel database integrato Tabella 3.1. Statistiche descrittive Indagine Media Mediana Primo Terzo Dev. Min Max Obs. quartile quartile Stand. SHIW MP Tabella 3.2. Distribuzione del reddito per classi di reddito Income (1 lir) SHIW Frequenze cumulate MP <15 3, ,884 (24.89) (24.45) , ,728 (38.4) (4.53) , ,899 (25.58) (24.49) , ,593 (7.55) (7.14) (2.8) (1.84) (1.27) (1.14) (.31) (.3) (.12) (.6) (.6) (.2) > (.11) (.4) Totale 14,321 36,341 (1.) (1.) Frequenze cumulate Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). 18

19 Tabella 3.3. Distribuzione dei reddito per sesso Sex Uomo Donna Income (1 lir) SHIW MP SHIW MP <15 1,94 (13.78) 3,869 (19.21) 2,471 (38.72) 5,15 (3.96) ,882 (36.3) 8,152 (4.47) 2,565 (4.19) 6,576 (4.59) ,595 (32.69) 5,672 (28.16) 1,68 (16.73) 3,227 (19.92) (11.19) 1,637 (8.13) 193 (3.2) 956 (5.9) (3.4) 441 (2.19) 57 (.89) 226 (1.4) (2.7) 279 (1.39) 18 (.28) 134 (.83) (.38) 63 (.31) 6 (.9) 47 (.29) (.2) 14 (.7) 1 (.2) 9 (.6) (.1) 5 (.2) (.) 4 (.2) > (.16) 9 (.4) 3 (.5) 6 (.4) Totale 7,939 (55.44) 2,141 (55.42) 6,382 (44.56) 16,2 (44.58) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). Tabella 3.4. Distribuzione dei reddito per area geografica di residenza Areageo Nord-Ovest Nord-Est Centro Sud Isole Income (1 lir) SHIW MP SHIW MP SHIW MP SHIW MP SHIW MP < (18.64) 1,47 (19.12) 68 (19.57) 1,919 (2.21) 74 (23.9) 1,634 (23.54) 1,17 (32.3) 2,817 (31.9) 591 (38.1) 1,44 (33.8) ,331 (38.46) 3,183 (41.4) 1,112 (35.79) 3,657 (38.52) 1,212 (39.75) 2,822 (4.66) 1,235 (39.22) 3,86 (42.) 557 (35.82) 1,26 (39.92) (28.43) 2,79 (27.4) 899 (28.93) 2,598 (27.36) 87 (26.47) 1,757 (25.32) 669 (21.24) 1,829 (2.19) 34 (19.55) 636 (2.15) (8.96) 613 (7.97) 321 (1.33) 893 (9.4) 218 (7.15) 521 (7.51) 166 (5.27) 431 (4.76) 66 (4.24) 135 (4.28) (2.74) 184 (2.39) 87 (2.8) 212 (2.23) 6 (1.97) 116 (1.67) 37 (1.17) 112 (1.24) 19 (1.22) 43 (1.36) (2.2) 127 (1.65) 52 (1.67) 145 (1.53) 33 (1.8) 72 (1.4) 17 (.54) 42 (.43) 1 (.64) 27 (.86) (.32) 14 (.18) 15 (.48) 56 (.59) 9 (.3) 13 (.19) 15 (.16) 19 (.21) 4 (.26) 8 (.25) (.6) 1 (.1) 7 (.23) 11 (.12) 3 (.1) 3 (.4) 1 (.3) 5 (.6) 4 (.26) 3 (.1) (.14) 8 (.1) 2 (.1) 1 (.1) (.) (.) (.) (.) (.) (.) > (.23).13 (.13) 3 (.1) 3 (.3) 3 (.1) 2 (.13) 2 (.6) (.) (.) (.) Totale 3,461 (24.17) 7,689 (21.16) 3,17 (21.7) 9,495 (26.13) 3,49 (21.49) 6,94 (19.1) 3,149 (21.99) 9,61 (24.93) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). 1,555 (1.86) 3,156 (8.68) 19

20 Tabella 3.5. Distribuzione dei reddito per tipologie di occupazione Professione Occupato In cerca di nuova In cerca di prima In servizio di leva Casalinga Studente Ritirato Altra condizione occupazione occupazione Income (1 lir) SHIW MP SHIW MP SHIW MP SHIW MP SHIW MP SHIW MP SHIW MP SHIW MP <15 1,17 3, , , (12.83) (15.19) (75.1) (74.34) (89.23) (91.95) (5.) (.) (78.83) (66.67) (85.96) (85.11) (23.2) (26.26) (51.24) (49.92) ,223 9, ,585 4, (4.65) (42.94) (19.46) (18.58) (9.23) (3.45) (8.33) (.) (15.47) (23.76) (1.53) (11.44) (4.82) (41.87) (36.69) (34.93) ,499 (31.52) 5,961 (28.43) 1 (3.89) 23 (4.7) 2 (1.54) 4 (4.6) 4 (33.33) 2 (1.) 22 ( 2.99) 16 (6.26) 22 (2.63) 11 (2.93) 1,3 (25.83) 2,569 (23.71) 118 (9.75) 223 (12.29) (9.77) 1,881 (8.97) 4 (1.56) 17 (3.1) (.) (.) 1 (8.33) (.) 11 (1.49) 49 (2.9) 2 (.88) 2 (.53) 27 (6.95) 615 (5.68) 18 (1.49) 29 (1.6) (2.64) 484 (2.31) (.) (.) (.) (.) (.) (.) 4 (.54) 1 (.6) (.) (.) 77 (1.98) 16 (1.48) 8 (.66) 22 (1.21) (1.78) 326 (1.55) (.) (.) (.) (.) (.) (.) 2 (.27) 5 (.3) (.) (.) 38 (.98) 82 (.76) 1 (.8) (.) (.39) 86 (.41) (.) (.) (.) (.) (.) (.) 3 (.41) 1 (.6) (.) (.) 1 (.26) 23 (.21) (.) (.) (.18) 22 (.1) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) 2 (.5) (.) 1 (.8) (.) (.1) 9 (.4) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) 1 (.6) > (.1) 11 (.5) (.) (.) (.) (.) (.) (.) (.) (.) (.) (.) 4 (.1) 4 (.4) (.) (.) Totale 7,929 (55.37) 2,97 (57.7) 257 (1.77) 565 (1.55) 65 (.45) 87 (.24) 12 (.8) 2 (.1) 737 (5.15) 1,692 (4.66) 228 (1.59) 376 (1.3) 3,883 (27.11) 1,834 (29.81) 121 (8.45) 1,815 (4.99) Nota: composizione dei campioni SHIW e MP, frequenze assolute e relative (in parentesi). 2

21 Tabella 3.6. Correlazione tra reddito e variabili socio-economiche SHIW MP areageo -.135* * professione * -.144* apsett.127*.223* cleta.531*.256* parent * -.858* perc.1314*.1515* qual -.115* * sett * * sex -.258* -.162* staciv -.968* -.929* studio.3752*.1451* Nota: * rappresenta significatività al.1 21

22 Working Papers The full text of the working papers is downloadable at *Economics Series **Political Theory Series ε Al.Ex Series 26 n.63* Andrea Sisto: Propensity Score matching: un'applicazione per la creazione di un database integrato ISTAT-Banca d'italia 25 n.62* P. Pellegrino: La politica sanitaria in Italia: dalla riforma legislativa alla riforma costituzionale 25 n.61* Viola Compagnoni: Analisi dei criteri per la definizione di standard sanitari nazionali 25 n.6 ε Guido Ortona, Stefania Ottone and Ferruccio Ponzano: A simulative assessment of the Italian electoral system 25 n.59 ε Guido Ortona and Francesco Scacciati: Offerta di lavoro in presenza di tassazione: l'approccio sperimentale 25 n.58* Stefania Ottone and Ferruccio Ponzano, An extension of the model of Inequity Aversion by Fehr and Schmidt 25 n.57 ε Stefania Ottone, Transfers and altruistic punishment in Solomon's Game experiments 25 n. 56 ε Carla Marchese and Marcello Montefiori, Mean voting rule and strategical behavior: an experiment 25 n.55** Francesco Ingravalle, La sussidiarietà nei trattati e nelle istituzioni politiche dell'ue. 25 n. 54* Rosella Levaggi and Marcello Montefiori, It takes three to tango: soft budget constraint and cream skimming in the hospital care market 25 n.53* Ferruccio Ponzano, Competition among different levels of government: the reelection problem. 25 n.52* Andrea Sisto and Roberto Zanola, Rationally addicted to cinema and TV? An empirical investigation of Italian consumers. 25 n.51* Luigi Bernardi and Angela Fraschini, Tax system and tax reforms in India 25 n.5* Ferruccio Ponzano, Optimal provision of public goods under imperfect intergovernmental competition.

23 25 n.49* F.Amisano A.Cassone, Proprieta intellettuale e mercati: il ruolo della tecnologia e conseguenze microeconomiche 25 n.48* Tapan Mitra e Fabio Privileggi, Cantor Type Attractors in Stochastic Growth Models 25 n.47 ε Guido Ortona, Voting on the Electoral System: an Experiment 24 n.46 ε Stefania Ottone, Transfers and altruistic Punishments in Third Party Punishment Game Experiments. 24 n.45* Daniele Bondonio, Do business incentives increase employment in declining areas? Mean impacts versus impacts by degrees of economic distress. 24 n.44** Joerg Luther, La valorizzazione del Museo provinciale della battaglia di Marengo: un parere di diritto pubblico 24 n.43* Ferruccio Ponzano, The allocation of the income tax among different levels of government: a theoretical solution 24 n.42* Albert Breton e Angela Fraschini, Intergovernmental equalization grants: some fundamental principles 24 n.41* Andrea Sisto, Roberto Zanola, Rational Addiction to Cinema? A Dynamic Panel Analisis of European Countries 24 n.4** Francesco Ingravalle, Stato, groβe Politik ed Europa nel pensiero politico di F. W. Nietzsche 23 n.39 ε Marie Edith Bissey, Claudia Canegallo, Guido Ortona and Francesco Scacciati, Competition vs. cooperation. An experimental inquiry 23 n.38 ε Marie-Edith Bissey, Mauro Carini, Guido Ortona, ALEX3: a simulation program to compare electoral systems 23 n.37* Cinzia Di Novi, Regolazione dei prezzi o razionamento: l efficacia dei due sistemi di allocazione nella fornitura di risorse scarse a coloro che ne hanno maggiore necessita 23 n. 36* Marilena Localtelli, Roberto Zanola, The Market for Picasso Prints: An Hybrid Model Approach 23 n. 35* Marcello Montefiori, Hotelling competition on quality in the health care market. 23 n. 34* Michela Gobbi, A Viable Alternative: the Scandinavian Model of Social Democracy 22 n. 33* Mario Ferrero, Radicalization as a reaction to failure: an economic model of islamic extremism 22 n. 32 ε Guido Ortona, Choosing the electoral system why not simply the best one?

24 22 n. 31** Silvano Belligni, Francesco Ingravalle, Guido Ortona, Pasquale Pasquino, Michel Senellart, Trasformazioni della politica. Contributi al seminario di Teoria politica 22 n. 3* Franco Amisano, La corruzione amministrativa in una burocrazia di tipo concorrenziale: modelli di analisi economica. 22 n. 29* Marcello Montefiori, Libertà di scelta e contratti prospettici: l asimmetria informativa nel mercato delle cure sanitarie ospedaliere 22 n. 28* Daniele Bondonio, Evaluating the Employment Impact of Business Incentive Programs in EU Disadvantaged Areas. A case from Northern Italy 22 n. 27** Corrado Malandrino, Oltre il compromesso del Lussemburgo verso l Europa federale. Walter Hallstein e la crisi della sedia vuota ( ) 22 n. 26** Guido Franzinetti, Le Elezioni Galiziane al Reichsrat di Vienna, n. 25 ε Marie-Edith Bissey and Guido Ortona, A simulative frame to study the integration of defectors in a cooperative setting 21 n. 24* Ferruccio Ponzano, Efficiency wages and endogenous supervision technology 21 n. 23* Alberto Cassone and Carla Marchese, Should the death tax die? And should it leave an inheritance? 21 n. 22* Carla Marchese and Fabio Privileggi, Who participates in tax amnesties? Self-selection of risk-averse taxpayers 21 n. 21* Claudia Canegallo, Una valutazione delle carriere dei giovani lavoratori atipici: la fedeltà aziendale premia? 21 n. 2* Stefania Ottone, L'altruismo: atteggiamento irrazionale, strategia vincente o amore per il prossimo? 21 n. 19* Stefania Ravazzi, La lettura contemporanea del cosiddetto dibattito fra Hobbes e Hume 21 n. 18* Alberto Cassone e Carla Marchese, Einaudi e i servizi pubblici, ovvero come contrastare i monopolisti predoni e la burocrazia corrotta 21 n. 17* Daniele Bondonio, Evaluating Decentralized Policies: How to Compare the Performance of Economic Development Programs across Different Regions or States. 2 n. 16* Guido Ortona, On the Xenophobia of non-discriminated Ethnic Minorities 2 n. 15* Marilena Locatelli-Biey and Roberto Zanola, The Market for Sculptures: An Adjacent Year Regression Index 2 n. 14* Daniele Bondonio, Metodi per la valutazione degli aiuti alle imprse con specifico target territoriale

25 2 n. 13* Roberto Zanola, Public goods versus publicly provided private goods in a two-class economy 2 n. 12** Gabriella Silvestrini, Il concetto di «governo della legge» nella tradizione repubblicana. 2 n. 11** Silvano Belligni, Magistrati e politici nella crisi italiana. Democrazia dei guardiani e neopopulismo 2 n. 1* Rosella Levaggi and Roberto Zanola, The Flypaper Effect: Evidence from the Italian National Health System 1999 n. 9* Mario Ferrero, A model of the political enterprise 1999 n. 8* Claudia Canegallo, Funzionamento del mercato del lavoro in presenza di informazione asimmetrica 1999 n. 7** Silvano Belligni, Corruzione, malcostume amministrativo e strategie etiche. Il ruolo dei codici.

26 1999 n. 6* Carla Marchese and Fabio Privileggi, Taxpayers Attitudes Towaer Risk and Amnesty Partecipation: Economic Analysis and Evidence for the Italian Case n. 5* Luigi Montrucchio and Fabio Privileggi, On Fragility of Bubbles in Equilibrium Asset Pricing Models of Lucas-Type 1999 n. 4** Guido Ortona, A weighted-voting electoral system that performs quite well n. 3* Mario Poma, Benefici economici e ambientali dei diritti di inquinamento: il caso della riduzione dell acido cromico dai reflui industriali n. 2* Guido Ortona, Una politica di emergenza contro la disoccupazione semplice, efficace equasi efficiente n. 1* Fabio Privileggi, Carla Marchese and Alberto Cassone, Risk Attitudes and the Shift of Liability from the Principal to the Agent

27 Department of Public Policy and Public Choice Polis The Department develops and encourages research in fields such as: theory of individual and collective choice; economic approaches to political systems; theory of public policy; public policy analysis (with reference to environment, health care, work, family, culture, etc.); experiments in economics and the social sciences; quantitative methods applied to economics and the social sciences; game theory; studies on social attitudes and preferences; political philosophy and political theory; history of political thought. The Department has regular members and off-site collaborators from other private or public organizations.

28 Instructions to Authors Please ensure that the final version of your manuscript conforms to the requirements listed below: The manuscript should be typewritten single-faced and double-spaced with wide margins. Include an abstract of no more than 1 words. Classify your article according to the Journal of Economic Literature classification system. Keep footnotes to a minimum and number them consecutively throughout the manuscript with superscript Arabic numerals. Acknowledgements and information on grants received can be given in a first footnote (indicated by an asterisk, not included in the consecutive numbering). Ensure that references to publications appearing in the text are given as follows: COASE (1992a; 1992b, ch. 4) has also criticized this bias... and...the market has an even more shadowy role than the firm (COASE 1988, 7). List the complete references alphabetically as follows: Periodicals: KLEIN, B. (198), Transaction Cost Determinants of Unfair Contractual Arrangements, American Economic Review, 7(2), KLEIN, B., R. G. CRAWFORD and A. A. ALCHIAN (1978), Vertical Integration, Appropriable Rents, and the Competitive Contracting Process, Journal of Law and Economics, 21(2), Monographs: NELSON, R. R. and S. G. WINTER (1982), An Evolutionary Theory of Economic Change, 2nd ed., Harvard University Press: Cambridge, MA. Contributions to collective works: STIGLITZ, J. E. (1989), Imperfect Information in the Product Market, pp , in R. SCHMALENSEE and R. D. WILLIG (eds.), Handbook of Industrial Organization, Vol. I, North Holland: Amsterdam-London-New York-Tokyo. Working papers: WILLIAMSON, O. E. (1993), Redistribution and Efficiency: The Remediableness Standard, Working paper, Center for the Study of Law and Society, University of California, Berkeley.