1. Witch‐killing in the Democratic Republic of Congo [3 points]

Please read the news article “Witch-hunt murders surge in Democratic Republic of Congo” from The Guardian news (September 28 2021), which is posted in the bCourses                      Assignments folder. Based on the article, as well as the course readings, lecture slides and   any additional materials you find relevant, briefly discuss what you think the key                    underlying causes are of witch-killing in the South Kivu province ofthe Democratic                Republic of Congo. Specifically:

■   What role do you think local insecurity and violence could be playing?

■   What role do you think local economic conditions could be playing?

■   Make sure to discuss and possibly contrast the situation described in the article to the issue of witch-killing in rural Tanzania presented in lecture.

Strictly enforced: your answer should be no more than 2 pages, with 12-point font and      double-spacing; we will not read past page 2 and you will be penalized for using different font, spacing or margins.

2. Weather and Witch Killing [7 points]

This question builds on the econometric analysis in the Tanzania poverty and witch-killing paper discussed in lecture (Miguel 2005). In particular, you will carry out some analysis      related to the analysis in that paper, and also related to the Miguel, Satyanath and Sergenti (2004) article.

As was the case for Problem Sets 1 and 2, we will examine whether you have followed best  practices in your R script. For instance, you should include detailed comments in your code for easier reproducibility. You may choose to produce an RMarkdown file that integrates      your code (set echo=TRUE), your written responses, and tables displaying your regression  results into a single PDF (please “knit to PDF” and turn in the resulting PDF file; do not          simply turn in your .rmd file). Alternatively, you may choose to write up your answers           using a word processor, include copies/screenshots of your tables (note that you may find   it helpful to use the type=”text” option of the stargazer command in this case) and attach a   copy of your R script at the end. In either case, be sure that your submission includes, in       some format, (1) your entire code/R script, (2) your written answers, and (3) your                 regression output. Please merge all documents into a single PDF before submitting.

a) [1 point] Please download the data to be used in the analysis. There are two ways to do    this. You can click on the following link to copy the dataset for this exercise into your             repository on U.C. Berkeley’s DataHub. RStudio should automatically open. You should see  a new folder in your repository called ‘ECON-172-SP22’, and within that there will be a PS3 folder:

https://datahub.berkeley.edu/hub/user-redirect/git-                                       pull?repo=https%3A%2F%2Fgithub.com%2Fds-modules%2FECON-172- SP22&branch=main&urlpath=rstudio%2F

Alternatively, you can download “Econ172_S22_PS3_data.csv” from the bCourses page.     Once you have downloaded the data using either method, use the “read.csv” command to open it in R (or RStudio), either on your local computer, or on U.C. Berkeley’s DataHub,     found on https://r.datahub.berkeley.edu/.

The dataset is a partial extract of the data from Miguel (2005), organized such that each        observation (row) contains data for a particular village (denoted by the variable “vid”) in a  particular year (denoted “year”) in Meatu district, Tanzania. In other words, this is panel      data. Variables in the dataset include: “witch_murders” (the number of witch murders that  occurred in a particular village in a particular year), “oth_murders” (the number of non-       witch murders), “any_rain” (an indicator variable for whether either a drought or flood         occurred in a particular village in a particular year), “any_disease” (an indicator for                 whether a disease outbreak occurred, e.g., measles, cholera, etc.), “famine” (an indicator for whether there was an extreme shortage of food in a particular village in a particular year),   “educat” (average years of schooling in the village), and “trad_relig” (the proportion of          households in the village practicing traditional religions).

b) [1 point] Next construct a new variable for the total number of murders in a village in a     given year, namely, witch murders plus non-witch murders. Then, create a table of                   summary statistics, including the mean, standard deviation, minimum value, maximum          value, and number of observations, using the descriptive commands in R you have learned    in section and used in previous problem sets. For example, use “mean(pset3$any_rain)” to    compute the mean ofthe “any_rain” variable. (You can also use stargazer to generate              summary statistics table; see ??stargazer for details.). Do this for all variables in the dataset, including the newly created one for total murders, and discuss any noteworthy patterns,       paying particular attention to the murder and rainfall variables.

c) [1 point] Now consider the causes of the total number of murders in the village. Using       the “felm” command from the “lfe” package in R, regress the total number of murders (in a   village in a particular year) on the indicator for whether a drought or flood occurred in that year. Interpret the relationship. Make sure that error terms are allowed to be correlated       (“clustered”) across years for the same village, as discussed in section (see ?felm for                documentation on how to input the formula for your regression and cluster your variable     of interest). Note that the resulting standard errors from the “felm” package are already        robust.

In a second regression, also include average years of schooling and the proportion of households practicing traditional religions as additional explanatory variables in the regression, and interpret the results for both regressions.

d) [1 point] Next consider the effect of disease epidemics on the total number of murders in the village. Run the same two regressions as in part “c” but replace the indicator for                 whether a drought or flood occurred with the indicator for whether a disease outbreak          occurred. Present the results, and contrast them to the results for rainfall shocks.