1    Introduction

Motivation Introduce the general topic you will deal with this paper  and clarify to the audience why it is economically relevant.  [No more than 200 words.]

Example:   Understanding  the  importance  of the  level  of  education  in  determining  the  future  career  of  a  worker  is important because  . . .

Research question Provide details of what you want to investigate.  At this stage, the reader should be aware of the exact research question you want to answer.  [No more than 100 words.]

Example:  In  this  paper I want to  investigate  the  effect  of an  additional  year of education  on  the future  salary  of a worker . . .

Preview of the methodology Provide some details on the methodology you use to answer the research question described above. For most of you it will be Ordinary least Squares or a variant of it.  [No more than 200 words.]

Example:  I estimate  a  regression  model  using  data from XYZ cross-sectional  data  set  to  quantify  the  linear  effect of an additional year of education on the future salary of a worker.  . . .

Preview of the results Provide some details on the results you obtain by employing the methodology described above.  [No more than 150 words.]

Example:   The  estimates  reveal  that  an  additional  year  of education  has  a  significant  negative  effect  on  the future career of a worker.  In particular,  my findings  reveal that  a worker with four additional years  of education  (i.e.,  an undergraduate  degree)  has  an  annual  wage  that is  on  average  2,000   USD  lower  than  the  one  of a  worker  without any post-secondary education.  . . .

2 Empirics

Data section Describe the  data set(s) you use to answer the research question describe above. This section needs to contain the source of the data set(s), a general description of it (e.g., Is it a cross section? How many observations? In which year?  ...), and an illustration of the main variables you are going to use in the regression. Note that in practice is not simple to find a dataset to work on.  My suggestion is to explore the  “bcuse” command in Stata in which you can find a large number of data sets (follow this link for more information) and see if you can find an interesting research question from there.  Nevertheless,  feel free to use an external data set that you consider more suitable to answer your research question.  [No more than 400 words.]

Example:   I  use  a  cross-sectional  data  set  of 400  workers  available  from  Stata  using  the   bcuse  command.    Data have  been  collected  in  1976  and  contain  information  on  the  current  salary  of these  workers  (in terms  of  USD  per hour worked),  their level  of education  (in  years),  the  years  of experience,  whether  they  are  married  or  not  (binary variable),  whether they  like playing football  or not  (binary  variable),  ... The  main  variables  I mostly  interested  in is the log-transformation of the  current salary  of the workers  and their years  of education  . . .

Econometric model Describe the equation you want to estimate, the estimator you want to employ, and other relevant details (e.g., Do you need robust standard errors? Why?  ...). Also, be precise on discussing under which conditions the estimators are unbiased.  Do you have, for instance, an omitted variable bias?  If yes, it is ok, just be transparent on the potential issues and on the direction of the bias.  This is extremely important for the correct

interpretation of your results.  [No more than 400 words.]

Example:  The  objective  is to  estimate  the following  model:

log(salaryi ) = β0  + β1 educ yearsi + β2 experience yearsi + γother controlsi + ui

using Ordinary Least Squares  (OLS) with heteroskedastic robust (HR) standard errors.  I am using the HR  standard errors  because  the  Breusch-Pagan  test  is  suggesting  that  the  error  displays  heteroreskedasticity.   The  coefficient  of interest is β1  as it indicates for an additional year of education how much in percentage  terms the salary of a worker is going to increase.  To have an unbiased estimator, the data-generating process has to be such that there is a linear relation  between  log(salaryi )  and  educ  yearsi .   This  does  not  seem  to  be  a  potential  source  of concern  because  if I plot  the  observations  in  the  Cartesian  plane  it  seems  to  indicate  a  linear  relationship  between  the  two  objects.   In addition,  the  sample  has   been  randomly  collected  because  the  data  source   explains  that  . . .      The  main  source   of concern regards a potential correlation between the regressor of interest educ  yearsi  and the error ui .   Unfortunately, the error ui  contains innate ability, that it is not observed in the data.  This implies a clear violation of assumption

4,  that  requires  E(ut |educ  yearsi )  = 0 .   Thus,  we  should  approximately  expect  an  upward  bias  to  the  estimate  β(ˆ)1

because  years  of  education  are  most  likely  correlated  with  innate  ability  and  both  of them have  a  positive  effect  of the  salary.  It follows  that  when  interpreting  the  results,  I should  be  cautious  in  inferring  causality  in  the  relation  because  the  estimate  will most  like  . . .

Results Present  all  the empirical results obtained using the data and the econometric procedures described above. I suggest presenting results using tables appropriately created by Stata (see, for example,  “estout” package). Please be precise in describing the table in the note below.   In  this  section,  you  may  also  present  robustness exercises in which you assess how much stable your results are if changing some elements in the regression (e.g.,

adding/removing regressors, ...).  [No more than 400 words.]

Example:  see next page.

Please find  in  Table 1 the  main  estimation  results.    Results  seem  to  suggest  an  important  role  for  education  in explaining  the future  salary  of  a  worker.   In  particular,  all  the  estimates  have  a  positive  sign  suggesting  that  the more the years  of education, the higher the salary of a worker ....  Quantitatively speaking the  effect is  also sizable because  an  additional  year  of  education  is   associated  with   an  increase   in  salary   of  12%.    Results   are  robust  a different variety  of specifications.  In particular,  in  the first  model we  estimate  a  simple  linear  regression  of model of the  log(salaryi)  on  educ  yearsi .  In  the  second  model we  also  control  of experience  yearsi   ... In  all the  cases,  the results  confirm the  overal picture  that  education has  an  effect  on salary  . . .

Table 1: Main estimates

Notes.   Describe  (again) the dependent variable(s).  Describe (again) the regressors.  The model is estimated by Ordinary Least Squares (OLS). Standard errors (in square brackets) are clustered at the two-digits industry level. *, **, *** indicate statistical significance at the 10%, 5%, and 1% levels, respectively.

3 Concluding remarks

Summary of the results Here you can write a first (brief) paragraph in which you summarize everything you have done in this paper. It should have the same spirit of the introduction with the additional awareness that the reader now knows all the results and you can be a little bit more specific in commenting them.  [No more than 200 words.]

Example:   This  paper  examines  the  effect  of education  on  wage.   I  exploit  a  cross-sectional  data  set  that  allows  to study how the years of education affect the future salary of a group of workers  in the  United States  in  1976.  Results seem  to  point  out  an  important  role  of  education  in  determining  wages.   However,  the  fact  that  I  do  not  observe innate  ability makes  the interpretation closer to  a  correlation rather than  a  causal effect.  . . .

Policy implications You should also (if possible) write a second paragraph in which you discuss the implication of your results.  In light of your results, should some economic agents change their behavior?  Do you have any policy recommendation to the government.  [No more than 200 words.]

Example:  These results are particularly important because they directly speak to the recent policy programs in which the  Government  is  decreasing  the  cost  of tuition fees  of all  the  public  universities  in  the  country.   The  aim  of this program  is  to  provide  young  citizens  an  additional  incentive  to  complete  their  education.    Through  the  lens  of my analysis,  all these students  that will benefit from this program will enjoy higher salaries  . . .

Assessment

In the evaluation, your work is assessed on two main aspects:  “Contents” and “Presentation”.  The “Contents” cate- gory, which carries a maximum of 70 points, focuses on the depth and relevance of the information you present.  The second component, “Presentation”, accounts for 30 points and assesses how clearly and effectively you communicate your ideas. The total score you can achieve is 100.

Presentation : This aspect is subdivided into six categories: Introduction (0-5 points), Data Description (0-5 points), Data Sources (0-2 points), Econometric Estimator (0-3 points), Results (0-10 points), and Concluding Remarks (0-5 points). The total points accumulated in the “Presentation” category serve as a summary of the overall performance, categorized as follows:

❼ Unacceptable: 0-6 points. A paper in this category is virtually impossible to read and comprehend due to its severe lack of clarity in presenting content.  It fails to offer a well-structured introduction, does not adequately describe the data,  and omits mentioning sources.   The  econometric estimator is not outlined,  results are presented in an unclear way, and the concluding remarks do not provide a summary of the results and do not identify any potential implications of the findings.

❼ Very deficient: 6-12 points.  A paper in this category is challenging to read and comprehend due to significant issues with clarity in presenting its content.  It lacks a clear introduction and data description, making it challenging for readers to understand the research context.  The chosen econometric estimator needs a more explicit outline,  and the results,  currently presented unclearly,  require restructuring with a focus on key findings. The concluding remarks should succinctly summarize the results and identify potential implications, ensuring a more cohesive and impactful conclusion.

❼ Minimally acceptable:  12-18 points.  A paper in this category is readable and comprehensible, but the lack of clarity in presenting content makes comprehension challenging at times.  While it features a structured introduction and includes a description of the data and its sources, there are instances of imprecision in the exposition that may hinder natural reading.  The econometric estimator and key results are outlined, though a text restructuring could enhance overall clarity.  In the concluding remarks, while the results are summarized, there is a missed opportunity to identify potential implications of the findings, which would contribute to a more comprehensive conclusion.

❼ Good:   18-24  points.   A  paper  in  this  category  is  generally  readable  and  comprehensible.   It  exhibits  an introduction that encompasses a comprehensive description of the data and its sources.   The econometric estimator and key results are outlined, and the concluding remarks summarize the results with an attempt of identifying potential implications of the findings.  Generally, the language used is appropriate, with only occasional inconsistencies.

❼ Outstanding:  24-30.   A  paper in this category is highly readable and comprehensible.  It consistently uses appropriate and precise language without any inconsistency.  It exhibits a well-structured introduction that encompasses a competent description of the data and its sources.  The econometric estimator and key re- sults are effectively outlined, and the concluding remarks successfully summarize the results while identifying potential implications of the findings.