CAN RISK‐TAKING PREFERENCES BE MODIFIED? SOME EXPERIMENTAL EVIDENCE Alison L. Booth Preliminary draft.       Can Risk‐taking Preferences be Modified?   1 Some Experimental Evidence             Alison L. Booth    Australian National University and University of Essex    June 2013                                                                                                                                                                                                                      1 This address was prepared for the workshop entitled, ‘The Determinants of Gender Gaps: Institutional Design and  Historical Factors ‘, at CESifo's 14th Venice Summer Institute, Venice, July 2013. It draws extensively on joint work  with  Patrick  Nolen  and  Lina  Cardona  Sosa.  (This  paper’s  file  name  is  CESifo_VeniceJune2013.docx).  For  downloadable papers, see: http://ideas.repec.org/e/pbo47.html    0 1. Introduction    Discussions of the origin of gender gaps in economic outcomes sometimes raise the issue of  whether productivity‐enhancing characteristics are gender‐specific or are instead developed by  cultural values within the community. For example, have men evolved to be innately more risk‐ taking than women or have they become that way in part through cultural pressures? In the  nature versus nurture debate about male and female preferences and outcomes, where do we  stand as economists? In my experimental work with co‐authors, we have tried to take a small  step forward in this regard, and I will talk about some of this work in my lecture today.   Women are increasingly found in employment in the market sector of the economy and  they are increasingly enrolling in degree fields that have been largely male. Yet there are still  many areas where women are under‐represented. Examples are found in the highest levels of  mathematics, the physical sciences, and engineering (NAS 2006). This is in spite the fact that, in  many countries, more women now attend university than men.2 Furthermore, in the US there is  a gender gap in standardized mathematics tests scores.3 This is especially pronounced at the  top of the distribution (Ellison and Swanson, 2010).  It has been suggested that there might be gender differences in risk aversion, feedback  preferences  or  in  liking  for  competition,  and  that  these  might  explain  explain  gender  differences  in  observed  educational  and  labour  market  outcomes.  For  example,  obtaining  promotion and pay raises often involves competition, and it may be that women do not like to  compete but men do. A relatively recent and rapidly growing literature attempts to investigate  – using either survey or experimental data ‐ if women and men differ systematically in some  psychological characteristics that might explain the fact that women are under‐represented in  high‐paying jobs and high‐level occupations. If so, then the suggestion is that ‐ once these  2 In the US in the 1960s there were 1.55 males for every female undergraduate but by 2003 there were 1.30  females for every male undergraduate (Goldin et. al. 2006). A similar ratio is found in Australia (Booth and Kee,  2011).  3 There is a gender gap in standardized mathematics tests that varies across countries (Else‐Quest et. al. 2010,  Guiso et. al 2008) and some argue it may not be large enough to be of any practical importance (Hyde et. al. 2008).   However Fryer and Levitt (2010) document a substantial gender gap in mathematics in the US. After six‐years of  education, students have a 0.2 of a standard deviation gender gap in test scores.  This gap is roughly half as large  as the black‐white test score gap.  1 differences are controlled for ‐ perhaps the gender pay gap will disappear from empirical   estimates. But is this the case?  2. Psychological factors and survey‐based evidence   What  does  survey‐based  evidence  have  to  say  about  the  role  of  psychological  factors  in  affecting gender wage gaps? Clearly the use of contemporaneous survey‐based measures of  risk‐aversion, self‐esteem and competitive or collaborative behavioural traits is dogged by  potential endogeneity. However, personality variables are incorporated into the survey‐based  analysis of, inter alia,  Goldsmith et al. (1997), Bowles et al. (2001), and Mueller and Plug  (2004).  Using NLSY data, Goldsmith et al. (1997) show that personality variables as well as  human capital are correlated with wages, but they do not investigate the gender dimension.  However,  Mueller  and  Plug  (2006)  do,  using  a  Wisconsin‐based  survey.  While  their  psychological variables are contemporaneous with measured earnings, they nonetheless find  interesting correlations between measures of personality and earnings. Manning and Swaffield  (2008) avoid the endogeneity issue by using predetermined psychological information ‐ mainly  measured at age 16 ‐ from the British Cohort Study to estimate gender wage gaps at age 30.  They find that, on labour market entry, there is no gender wage gap for otherwise identical,  fully  “work‐committed”  women  and  men  (those  with  no  children,  no  intention  of  having  children, and with continuous full‐time work experience). However, by age 30 there remains a  substantial unexplained gap: women who have continuous full‐time employment, have had no  children and express no desire to have them, earn about 8 log points less than equivalent men  after  10 years  in  the  labour  market.  Manning  and  Swaffield  then  investigate  the  role  of  psychological  variables  in  explaining  this,  focusing  on  risk  attitudes,  competitiveness,  self‐ esteem, ‘other‐regarding’, and career‐orientation.4 The psychological variables are found to  explain an ‘upper‐bound’ of 4.5 log points of the gender wage gap.  Some  of  these  survey‐based  measures  of  psychological  factors  are  rather  indirect.  Moreover  it  is  not  easy  to  find  measures  of  psychological  factors  that  are  genuinely  4 Risk attitudes are proxied by wearing a seat‐belt, completion of a first‐aid course, smoking and drinking and the  like, while competitiveness relates to sporting and game activities. The authors are disarmingly frank about the  difficulties associated with using some of these proxies and the ‘tangential’ nature of some of the variables.   2 predetermined or that do not change over time. It is therefore of great interest to see if  alternative methods of data collection can shed light on whether or not there are significant  gender  differences  in  psychological  factors  that  could  explain  gender  pay  gaps  and  glass  ceilings.     3. Experimental studies and personality differences   3.1 Overview  Women and men may differ in their propensity to choose a risky outcome because of innate  preferences or because pressure to conform to gender‐stereotypes encourages individuals to  modify  their  innate  preferences.  In  the  remainder  of  this  talk,  I  will  outline  two  sets  of  experiments that I conducted with co‐authors to investigate the extent to which environmental  factors  or  culture  might  determine  gender  differences  in  economic  preferences.5  These  experiments were, among other things, designed to elicit preferences for risk‐taking.   In these experiments, we explored the role that culture might play in affecting economic  preferences.6 Our first set of experiments used secondary school students as subjects, while the  second  set  of  experiments  used  first‐year  university  students.  It  is  well‐known  that  the  academic achievement of girls and boys responds differentially to co‐education, with boys  typically performing better and girls worse than in single‐sex environments (Kessler et al., 1985;  Brutsaert,  1999).  Moreover,  psychologists  argue  that  the  gendered  aspect  of  individuals'  behaviour is brought into play by the gender of others with whom they interact ( Maccoby,  1998).   Our main conjecture in these two sets of experiments was that a same‐sex environment  may modify preferences in an economically important way. Studies show that there may be  5 Recent laboratory‐based experiments show that, when given the choice of whether or not to enter tournaments,  women do indeed `shy away from competition' while men might choose to compete too much (see inter alia  Gneezy, Niederle and Rustichini (2003); Datta Gupta, Poulsen, and Villeval, 2005; Niederle and Vesterlund, 2007).  Understanding why women seem less inclined than men to compete may provide insight into why a gender gap  still exists in the workplace.     6 For a paper looking at the impact on competition of another cultural variable – whether a society is patriachal or  matrilineal – see Gneezy, Leonard and List (2009).  3 more pressure for girls to maintain their gender identity in schools or colleges where boys are  present  than  for  boys  when  girls  are  present  (Maccoby,  1990;  Brutsaert,  1999).  In  a  coeducational environment, girls are more explicitly confronted with adolescent subculture  (such as personal attractiveness to members of the opposite sex) than they are in a single‐sex  environment (Coleman, 1961). This may lead them to conform to boys' expectations of how  girls should behave to avoid social rejection (American Association of University Women, 1992).  If competitive behaviour or risk avoidance is viewed as being a part of female gender identity  while risk‐seeking is a part of male gender identity, then being in a coeducational school or  college environment might lead girls to make less competitive and risky choices than boys.    3.2 First experiment  3.2.1 Experimental design  I noted above that women and men may differ in their propensity to choose a risky outcome  because  of  innate  preferences  or  because  pressure  to  conform  to  gender‐stereotypes  encourages them to modify their innate preferences. Single‐sex environments are likely to  modify students’ risk‐taking preferences in economically important ways. To test this, in our  first set of controlled experiments, Booth and Nolen designed an experiment in which subjects  were given an opportunity to choose a risky outcome – a real‐stakes gamble with a higher  expected monetary value than the alternative outcome with a certain payoff – and in which the  sensitivity of observed risk choices to environmental factors could be explored.   In Booth and Nolen (2012b), we investigated if individuals’ risk preferences are affected  by (i) the gender composition of the group to which they were randomly assigned7, and (ii) the  gender  mix  of  the  school  they  attended.  The  latter  represented  longer‐run  nurturing  experiences, while the former captured short‐run environmental effects.8 Our 260 subjects,  7 While this group effect has been explored in previous work by Gneezy et. al. (2003), Niederle and Yestrumskas  (2007) and Datta Gupta et. al. (2005), those studies focused on competitive tasks. They did not investigate risk  attitudes nor did they explore how risk preferences may change over time – the main focus of our investigation.     8 In a companion paper, Booth and Nolen (2012a) investigated how competitive behaviour (including the choice  between  piece‐rates  and  tournaments)  is  affected  by  single‐sex  experimental  peer‐groups  and  single‐sex  schooling. In this talk I focus for ease of exposition only on that part of each of our experiments dealing with risk.    4 from eight publicly funded single‐sex and coeducational schools in the counties of Essex and  Suffolk in the UK, were asked to choose between a real‐stakes lottery and a sure bet.     Four of the schools were single‐sex. The students were from years 10 or 11, and their  average age was just under 15 years. After being bused to the University of Essex, students  from each school were randomly assigned into 65 groups of four. Groups were of three types:  all‐girls, all‐boys or mixed. Mixed groups had at least one student of each gender and the modal  group comprised two boys and two girls. The composition of each group – the appropriate mix  of single‐sex schools, coeducational schools and gender – was determined beforehand. Thus  only the assignment of the 260 girls and boys from a particular school to a group was random.  The school mix was two coeducational schools from Suffolk (103 students), two coeducational  schools from Essex (45 students), two all‐girl schools from Essex (66 students) and two all‐boy  schools from Essex (46 students).   The payments (both the show‐up fee of £5 plus any payment from performance in the  randomly selected round) were in cash and were hand‐delivered in sealed envelopes (clearly  labelled with each student’s name) to the schools a few days after the experiment. The average  payment was £7. In addition, immediately after completing an Exit Questionnaire (eliciting  demographic information), each student was given a bag containing a soft drink, packet of  crisps and bar of chocolate.  In the county of Suffolk, there are no single‐sex publicly funded schools. In the county of  Essex, the old ‘grammar’ schools remain, owing to an accident of political history.9 These  grammar schools are single‐sex and, like the coeducational schools, are publicly funded. It is  highly unlikely that students themselves actively choose to go to the single‐sex schools. Instead  Essex primary‐school teachers, with parental consent, choose the more able Essex children to  9 In the UK, schools are controlled by local area authorities but frequently ‘directed’ by central government.  Following the 1944 Education Act, grammar schools became part of the central government’s tripartite system of  grammar, secondary modern and technical schools (the latter never got off the ground). By the mid‐1960s, the  central Labour government put pressure on local authorities to establish ‘comprehensive’ schools in their place.  Across  England  and  Wales,  grammar  schools  survived  in  some  areas  (typically  those  with  long‐standing  Conservative boroughs) but were abolished in most others. In some counties, the grammar schools left the state  system altogether and became independent schools; these are not part of our study. However, in parts of Essex,  single‐sex grammar schools survive as publicly funded entities, whereas in Suffolk, they no longer exist.  5 sit for the Essex‐wide exam for entry into grammar schools.10 Parents must be resident in Essex  for their children to be eligible to sit the entrance examination (the 11+). However, residential  mobility across regions is very low in Britain (Boheim and Taylor, 2002). To attend a grammar  school, a student must apply and then attain above a certain score, which varies from year to  year. Therefore, students at the single‐sex schools are not a random subset of the students in  Essex, since they are selected based on measurable ability at age 11.  In that part of the experiment directed at risk, we had girls and boys chose between  Option 1 (£5 for certain) and Option 2 (flip a coin and get £11 if the coin came up heads or £2 if  the coin came up tails). Clearly the expected monetary value of the risky option, Option 2,  exceeds the certain outcome in Option 1. The dependent variable in our analysis took the value  one if the individual chose to enter the lottery and zero otherwise. The implied coefficient of  relative  risk  version  (CRRA)  was  0.8.  We  imposed  the  coefficient  of  relative  risk  aversion  because we had limited resources and a limited number of rounds. Table 1 below shows the  marginal effects of those probit regressions.    3.2.2  Results  The first column of Table 1 shows that, on average, girls choose to enter the lottery 16  percentage points less than boys. The sign and significance of this coefficient is consistent with  other work looking at gender and risk aversion and suggests that, in our sample, female  students  are  also  more  risk  averse  than  male  students.  This  provides  evidence  for  the  hypothesis that women are, on average, more risk averse than men. The reader might be  interested to know that part of observed risk differences between men and women can be  manipulated by framing operations, as shown in Booth and Nolen (2012c). However, that is not  the focus of this lecture, where we are interested in environmental factors rather than in the  way the question eliciting risk preferences is framed. 11  10 If a student achieves a high enough score on the exam, s/he can attend one of the 12 schools in the Consortium  of Selective Schools in Essex (CSSE). The vast majority of these are single‐sex. The four single‐sex schools in our  experiment are part of the CSSE.  11 Risk theories typically assume individuals make risky choices using probability weights that differ from objective  probabilities. Recent theories suggest that probability weights vary depending on which portion of a risky  environment is made salient. Booth and Nolen (2012c) used experimental data to show that salience affects young  6 Next, we wanted to investigate if the gender differences alter when environmental  factors reflecting nurture are incorporated into the probit estimation. The specification in  column  [2]  adds  controls  for  school  type  and  experimental  group  composition.  In  this  specification, the gender gap becomes even more pro‐nounced – girls in coed schools choose to  enter the lottery 36 percentage points less than boys from coeducational schools. Furthermore,  we have evidence that nurture has an effect on risk preferences. First, the coefficient for being  in an all‐girls group is statistically significant and positive: girls randomly assigned to all‐girl  groups are more likely to choose to enter the lottery. Because our estimates show that girls  assigned to single‐sex peer groups are less risk averse than those who are assigned to mixed‐ gender groups, evidence is provided in support of our hypothesis that girls in same‐gender  experimental groups are less risk averse than girls in mixed‐gender experimental groups.12  Notice  that  the  same‐gender  peer  group  is  only  affecting  girls;  the  all‐boys  coefficient  is  insignificant.   Second, the single‐sex school coefficient is statistically insignificant but the coefficient to  single‐sex  schooling  interacted  with  female  is  significant  and  positive.  Therefore  school  background only affects the risk preferences for girls at this level of risk aversion, and has no  effect on boys. The risk preferences of boys are not affected by either environmental variable,  whereas the risk preferences of girls are significantly affected by both environmental factors.  Column [3] adds in some ‘ability’ controls, namely the score students obtained in the  mandatory completion of mazes in Rounds 1 and 2 of the experiment. These rounds were paid  on the basis of piece rates in Round 1 and a tournament in Round 2. These ‘ability’ variables are  denoted as the number of mazes correctly completed in Round 1 (R1) and the difference  men and women differently. We found that men are significantly more likely than women to switch from a certain  to a risky choice once the upside of winning is made salient, even though the expected value of the choice remains  the same. Quite why this might occur remains a topic for future research. However, our finding of gender  differences in the probability of being affected by salience has an additional implication, namely part of observed  risk differences between men and women can be manipulated by framing operations.  12 The all‐girls coefficient is robust to different types of analysis. For instance, if regressions are run on sub‐  samples comprising only students from coed schools, or only students from single‐sex schools, the all‐girl  coefficient is still significant. Thus, there is a positive effect of being in an all‐girls group for each type of student.  Furthermore, if dummy variables for mixed‐gender groups with three or two boys are used as controls, the  significance of the all‐girls coefficient does not go away.  7 between the number of mazes correctly completed in Rounds 1 and 2 (R2‐R1). The estimates of  interest  ‐ gender, group‐type and single‐sex schooling and its interaction with gender ‐ are  robust to the inclusion of these variables. Column [4] adds in a number of additional controls  that are listed in the note under the table (and whose coefficients are not included in this  table). Again the results of interest are robust to this change of specification.  Table 1: Dependent Variable (0,1) If Student Chose Option 2 in the Lottery  COEFFICIENT  [1]  [2]     [3]  [4]  Female (=1)  ‐0.16***  ‐0.36***  ‐0.37***  ‐0.34***  [0.05]  [0.07]  [0.07]  [0.11]  Single‐Sex (=1)  ‐0.13  ‐0.13  ‐0.06  [0.10]  [0.10]  [0.18]  Female * Single‐Sex  0.33***  0.33***  0.30**  [0.06]  [0.06]  [0.12]  All‐Girls Group (=1)  0.12*  0.12*  0.14**  [0.06]  [0.06]  [0.06]  All‐Boys Group (=1)  ‐0.05  ‐0.04  ‐0.05  [0.10]  [0.10]  [0.11]  Maze Score R1  ‐0.01  [0.03]  Maze Score  R2 ‐ R1  0.02  [0.02]  Marginal Effect for Female =   ‐0.07  ‐0.06  ‐0.03  Single‐Sex = Female * Single‐Sex = 1  [0.05]  [0.05]  [0.06]    Observations                                                   260  260  260  260  Columns [1]‐[3]  use entire sample.  Col [4] uses only students from single‐sex schools, students who took 11+ exam, and students  from Suffolk.  Controls: Mother went to University (=1); Father went to University (=1); Number Brothers; Sisters; Student aged 14   (=1). This information was obtained from a post‐experiment questionnaire.  Robust SEs in brackets; *** p<0.01, ** p<0.05, *p<0.1.       8