For More InformationVisit RAND at www.rand.org

Explore the Pardee RAND Graduate School

View document details

Support RANDBrowse Reports & Bookstore

Make a charitable contribution

Limited Electronic Distribution RightsThis document and trademark(s) contained herein are protected by law as indicated in a notice appearing later in this work. This electronic representation of RAND intellectual property is provided for non-commercial use only. Unauthorized posting of RAND electronic documents to a non-RAND website is prohibited. RAND electronic documents are protected under copyright law. Permission is required from RAND to reproduce, or reuse in another form, any of our research documents for commercial use. For information on reprint and linking permissions, please see RAND Permissions.

Skip all front matter: Jump to Page 16

The RAND Corporation is a nonprofit institution that helps improve policy and decisionmaking through research and analysis.

This electronic document was made available from www.rand.org as a public service of the RAND Corporation.

CHILDREN AND FAMILIES

EDUCATION AND THE ARTS

ENERGY AND ENVIRONMENT

HEALTH AND HEALTH CARE

INFRASTRUCTURE AND TRANSPORTATION

INTERNATIONAL AFFAIRS

LAW AND BUSINESS

NATIONAL SECURITY

POPULATION AND AGING

PUBLIC SAFETY

SCIENCE AND TECHNOLOGY

TERRORISM AND HOMELAND SECURITY

This product is part of the Pardee RAND Graduate School (PRGS) dissertation series.

PRGS dissertations are produced by graduate fellows of the Pardee RAND Graduate

School, the world’s leading producer of Ph.D.’s in policy analysis. The dissertation has

been supervised, reviewed, and approved by the graduate fellow’s faculty committee.

PARDEE RAND GRADUATE SCHOOL

Three Essays on the Labor Supply, Savings and Investment Behavior of Older Workers

Jack W. Clift

This document was submitted as a dissertation in September 2012 in partial fulfillment of the requirements of the doctoral degree in public policy analysis at the Pardee RAND Graduate School. The faculty committee that supervised and approved the dissertation consisted of Julie Zissimopoulos (Chair), Pierre-Carl Michaud, and Paul Heaton.

The RAND Corporation is a nonprofit institution that helps improve policy and decisionmaking through research and analysis. RAND’s publications do not necessarily reflect the opinions of its research clients and sponsors.

R® is a registered trademark.

All rights reserved. No part of this book may be reproduced in any form by any electronic or mechanical means (including photocopying, recording, or information storage and retrieval) without permission in writing from RAND.

Published 2012 by the RAND Corporation1776 Main Street, P.O. Box 2138, Santa Monica, CA 90407-2138

1200 South Hayes Street, Arlington, VA 22202-50504570 Fifth Avenue, Suite 600, Pittsburgh, PA 15213-2665

RAND URL: http://www.rand.orgTo order RAND documents or to obtain additional information, contact

Distribution Services: Telephone: (310) 451-7002; Fax: (310) 451-6915; Email: order@rand.org

The Pardee RAND Graduate School dissertation series reproduces dissertations that have been approved by the student’s dissertation committee.

iii  

AcknowledgementsAfter a lengthy journey, I owe a huge debt of gratitude to all the people who have helped me along the 

road. 

Julie Zissimopoulos, the chair of my dissertation committee, was incredibly supportive at all stages of 

this process, from exploring my earliest thoughts about these topics during her PRGS class through to 

suggesting final edits in response to feedback at my formal dissertation defense, and stuck with me 

through some extremely challenging times. It has been a pleasure to work for her on RAND projects and 

then with her on our collaborative work, and I am very grateful that she was willing to continue to serve 

as my chairperson even after leaving full‐time work at RAND.  

Pierre‐Carl Michaud played a significant role in all aspects of my PRGS experience, as a teacher, 

supervisor, colleague, committee member, and teammate on the PRGS softball team. I am particularly 

grateful for the extensive support on my third dissertation paper, and, along with Raquel Fonseca (and 

their cats), for welcoming me into their home in Quebec in July 2012 for a stay that was both highly 

enjoyable and very productive. Paul Heaton provided me with astute feedback and comments 

throughout my dissertation. His thoughts on what was interesting to him “from an outside perspective” 

were always extremely helpful, adding direction to the research and clarity to the narrative. His 

contributions were exactly what I hoped for when I asked him to be my third committee member. 

Collectively, my committee members are responsible for much of what is good in this dissertation, and 

blameless for what remains of the bad. 

I received financial support for my dissertation work from James & Anne Rothenberg, and Kip & Mary 

Ann Hagopian, through the PRGS Dissertation Awards that their generous gifts made possible. I received 

additional support for my work from the Roybal Center for Financial Decision Making, and from National 

Institutes of Aging Grant P01 AG022481.  

My experience at RAND has also been both financed and enriched by work on numerous projects across 

a range of units with a distinguished group of researchers. Aside from members of my committee, I 

would like to give special thanks to Joanne Yoong, Angela Hung, Dick Neu, Emmett Keeler and Stijn 

Hoorens for their mentorship and collegiality. I thank also the administration, faculty and staff of the 

Pardee RAND Graduate School for their support and patience. Particular thanks are due to Rachel 

Swanger, whose flexibility and compassion allowed me to stay, and Ira Krinsky, through whose 

dedication and backing I have a good reason to leave. 

I have received a large amount of academic, professional and social support from friends, particularly 

those within the student body at PRGS and from students, faculty and fellow alumni of the UCLA Luskin 

School of Public Affairs. I am grateful for the part they have played in my life to date and excited to have 

them as my peers, friends and colleagues as I embark on my professional career.   

Finally, I must thank the two people without whom I would literally not be here today: my parents Parry 

John Clift and Patricia Ann Clift. Their unconditional love is appreciated and reciprocated, always. 

   

v  

Introduction 

Populations across the ‘Western’ world are ageing: in the United States and EU‐15 countries, the ratio of 

those aged 20‐64 to those aged 65 and over stood at 6.43 in 1950; by 2000, this ratio had decreased to 

4.09; by 2050, this ratio is projected to decrease to 2.13.1 This shift in the age structure of societies is the 

result of demographic trends over which government policies have relatively little control, and has 

significant consequences both for the welfare of older individuals and for the sustainability of the public 

social programs that support those individuals in old age. 

As the demographic trends continue, government, business and private individuals must adapt to the 

changed circumstances. Many countries instituted their old‐age support programs at a time where the 

demographic structure allowed a large number of working‐age citizens to support a small number of 

retirees; some reforms have been forthcoming (despite political challenges), but further reforms are 

likely to be necessary. Businesses are adapting their benefit structures to take demographic changes 

into account, reducing their long‐term legacy costs by moving from Defined Benefit pension plans to 

Defined Contribution plans, and are still in the process of adapting to a labor force that contains a 

greater proportion of older workers than in previous years. Individuals in turn can no longer rely so 

heavily on their public and occupational pensions to sustain their standard of living in retirement, and 

must find ways of working more, saving more or growing their savings more rapidly if they want to enjoy 

a comfortable old age. 

In this dissertation, I provide three distinct analyses addressing labor supply, saving and investment 

behavior of (older) workers, in the context of the incentives and constraints they face due to employer 

and government policies. 

In the first paper, I examine labor supply flexibility and its effect on the labor supply decisions of older 

workers. Previous literature suggests that people would like to reduce hours of work gradually over time 

as they get older, but do not have the flexibility to do so in their job, and consequently may retire early 

rather than continue to work high hours at older ages. If greater flexibility allows individuals to stay in 

the labor force longer, this could increase total labor supply, helping to increase both private resources 

for retirement and tax revenue to support public programs. 

Following a sample of older Americans for 16 years from 1992 to 2008, I find that there are noticeable 

differences in labor outcomes between those who had flexibility over their hours in 1992 and those who 

were not able to adjust their hours: those with flexibility worked fewer hours in their 50s, but tended to 

stay in the labor force longer; the major difference between groups occurred when individuals were in 

their early‐mid 60s, at which time those who did not have flexibility in 1992 were much more likely to 

retire than those with flexibility. This work provides support for the theory that people prefer gradual 

retirement to more abrupt departures from the labor force, and indicates that flexibility around key 

retirement ages might have an impact on behavior. The overall effect on total labor supply of providing 

                                                            1 Author calculations using data from United Nations (2009). World Population Prospects: The 2008 Revision 

vi  

flexibility at all points of the lifecycle is ambiguous, as small reductions in hours earlier in life may offset 

any gains at older ages; when individuals enter our dataset, those with flexibility are already working 

slightly fewer hours than those without.   

In the second paper, we examine whether labor supply flexibility affects investment behavior. 

Individuals can receive higher returns (on average) on their investments if they are willing to bear more 

risk, which allows people to reach retirement with greater resources (on average) than if they had 

pursued low‐risk strategies; but the fear of suffering big losses discourages people from taking risks. 

Theoretical work has argued that individuals with flexibility over their labor supply over the lifecycle can 

bear more risk in their portfolio of investments, as they can increase their labor to offset any losses they 

might suffer. 

Using a new survey we fielded in the American Life Panel (ALP), we examine how different measures of 

labor supply flexibility are related to measures of risk‐taking in investments: individual participation in 

the stock market, and the percentage of an individual’s financial wealth held in stocks. We find no 

evidence that flexibility over number of hours worked per week is related to investments in stocks. We 

find weak evidence that other flexibility measures – an individual’s belief that they would be able to 

continue to work longer to make up for any negative wealth shocks, and the absence of factors that 

make it difficult to sustain a job into old age – may be related to greater risk‐taking in investments. 

These results are not robust across all specifications, and require further research for confirmation, but 

may indicate that flexibility at the extensive margin (ability to extend a career) may be more relevant to 

investment decision‐making than flexibility at the intensive margin (ability to adjust hours). 

In the third paper, I describe the construction and characteristics of a unique dataset with which I lay the 

foundations for understanding pension system incentives and how they influence work and savings 

behavior over the lifecycle. Public pension systems across the developed world are in need of reform, 

but it is important to understand how the incentives in these systems affect behavior if we are to predict 

the consequences of different possible reforms. Previous literature has argued that public pensions 

displace private savings, but with elasticity of less than 1; this suggests that possible reductions in 

pension benefits through reforms would be partially (but not fully) offset by increases in private saving. 

Using new retrospective earnings history data for five European countries, in conjunction with linked 

survey data describing household wealth, I construct a dataset that captures the heterogeneous pension 

system incentives faced, and labor supply decisions made, at each point in the lifecycle for a large group 

of European men. My exploratory analysis of this dataset is consistent with the hypotheses that more 

generous income replacement by pension plans leads to lower private wealth accumulation, and greater 

reward within the pension system for continued work leads to later retirement. However, these 

statistical associations admit of plausible alternative explanations; the work documented in this paper 

cannot provide definitive answers on the incentive effects of pension systems, but provides the 

groundwork for significant extensions of research in this field, and eventually for detailed policy 

simulation of pension reform.

1  

Paper1:LaborMarketRigiditiesandtheLaborSupplyofOlderWorkers

Introduction 

As life expectancy in the United States increases and the Baby Boomers reach normal retirement age, 

Social Security and Medicare face a serious threat of insolvency2. As with any mismatch of revenues and 

costs, there are a number of possibilities for restoring balance to the finances, but political factors make 

many of these solutions unpalatable: very few politicians wish to run on a platform of increased taxation 

and benefit cuts for the elderly, policies which place visible concentrated costs on some voting members 

of society but have only diffuse, abstract benefits. 

However, examination of lifetime work patterns suggests some policy alternatives that may be less 

contentious. It is possible that people at older ages are willing to work longer than they currently do, but 

face rigidities in the labor market that prevent them from working the amount that suits them best, and 

consequently drop out of the labor force prematurely. By dropping out, people reduce the size of the 

labor force (and, from a fiscal perspective, tax revenue), and are also more likely to require support from 

Medicare rather than from an employer‐based insurance plan. As a first step towards understanding the 

potential benefits of policies that would provide older workers with more flexibility, in this paper I 

examine what impact labor market rigidities have on the labor supply of older workers. 

 

                                                            2 Population aging is projected to play the dominant role in the growth of Federal entitlement spending in the medium term (64 % of spending growth up to 2035) and a lesser – but still significant – role in long‐term spending growth (44% of spending growth up to 2080). Looking specifically at Medicare/Medicaid, population aging is projected to cause 44% (30%) of medium‐term (long‐term) expenditure growth in health‐related entitlement programs, with excess cost growth in age‐adjusted health care expenditures responsible for a majority of spending growth in these programs.  Source: Box 1.2 of Congressional Budget Office (2009) The Long‐Term Budget Outlook, retrieved 8/15/2011 from http://www.cbo.gov/ftpdocs/102xx/doc10297/toc.html  

2  

BackgroundandLiterature  

Examination of different cohorts in the Health and Retirement Study (HRS) have shown that people in 

the younger cohorts expect to work full‐time to older ages than people in previous cohorts (Mermin, 

Johnson et al. 2006), largely due to changing retirement incentives, such as a decrease in the prevalence 

of Defined Benefit pensions and a reduction in the number of workers receiving offers of retiree health 

benefits; more recent cohorts may also be able to work to older ages in more rewarding and less 

physically demanding jobs than older cohorts, due to their higher levels of education (Goldin and Katz 

2007). At the same time as employment at older ages is increasing, a study of the changing workforce in 

the United States found that among workers over the age of 50, 65% of men and 62% of women would 

prefer to work fewer hours that they currently work (Bond, Galinsky et al. 2005). The expectation of 

longer working lives but preference for fewer work hours later in life may make ‘gradual’ or ‘phased’ 

retirement (in which workers reduce their hours of work over time but remain in the workforce longer) 

attractive to workers: researchers found that 57% of workers in the HRS want to reduce hours of work 

as they age if they can3 (Zissimopoulos and Karoly 2007). 

However, workers may vary in their ability to reduce their hours of work as they age due to an 

unwillingness of employers to accommodate this. In the most comprehensive examination of labor 

market rigidities facing older workers, Hurd provides a series of indirect evidence for employer‐imposed 

constraints on hours of work: 1) part‐time work is more common among self‐employed workers than 

among waged workers, 2) if more flexible hours are possible for the self‐employed, we expect the self‐

employed should remain in the workforce at older ages, and some waged workers should transition to 

self‐employment to obtain flexibility, 3) as expected, in cross‐section the proportion of self‐employed 

workers increases with age, 4) in panel data from the Retirement History Survey (RHS), more self‐

employed workers transition to part‐time work than waged employees (Hurd 1996). More recent work 

using the HRS and the English Longitudinal Study of Ageing (ELSA) finds evidence consistent with Hurd’s 

line of argument, showing that the increased prevalence of self‐employment with age in cross‐section is 

driven primarily by differential retirement: older workers who became self‐employed before they were 

50 years old are much less likely to withdraw fully from the labor force than wage and salary workers at 

any given age in both the United States and England (Zissimopoulos, Maestas et al. 2007). However, as 

noted by these authors, there are other differences in incentives between wage‐and‐salary workers and 

self‐employed workers. For example, the differences in types of pensions used by the two groups are 

shown to explain a considerable portion of the difference in age‐specific exit rates of the different 

worker types within each country (Zissimopoulos, Maestas et al. 2007). A multinomial logit analysis of 

the HRS suggests that self‐employed workers may be more likely to transition into partial retirement 

and less likely to transition to full retirement, even after controlling for differences in assets (Kim and 

DeVaney 2005). 

 

                                                            3 Author calculation based on Table 3.1 of the cited work 

3  

Research on ‘bridge jobs’ provides further indirect evidence that wage‐and‐salary workers are often not 

free to adjust their hours of work while retaining their hourly wage. Two influential studies in this field 

note that older workers who switch jobs and reduce their hours of work have a much lower hourly wage 

than the jobs that they leave (Gustman and Steinmeier 1985; Ruhm 1990). Theoretically, there may be 

characteristics of these new jobs that are so attractive that workers are making a tradeoff that 

compensates for the wage reduction (e.g. a worker may be moving into a lower‐paid occupation later in 

life that they enjoy more, or that is more psychologically rewarding; or a worker may be so bored with 

their previous workplace that any change is an improvement). However, the simpler conclusion that the 

authors draw is that older workers who take these jobs wanted to reduce their hours of work and 

increase their leisure time, could not do so in their career job, and so had to settle for a bundle of 

increased leisure and disproportionately decreased earnings.4  

There are a variety of reasons why wage‐and‐salary workers may face rigidities in the labor market that 

prevent them from reducing hours in the same job, and also make it difficult to garner a high wage with 

fewer hours of work with a different employer. Fixed costs of employment (such as health benefits or 

training costs) and team production requirements mean lower wages must be offered to people who 

are working part‐time: a greater percentage of the part‐time worker's product must go towards paying 

the fixed employment costs, and team members operating on different schedules may reduce team 

productivity (with variation across industry and occupation). These aspects make reduction of hours in a 

career job unlikely, and make it unlikely that a worker can move to a job with the same industry and 

occupation at a different firm with reduced hours (Hurd 1996). Some jobs, such as those with 

management functions, may not easily be filled by a part‐time worker or shared among several part‐

time workers, and some industries may require more teamwork than others. Conversely, businesses 

that already utilize large numbers of part‐time workers in their normal plan have been shown to be 

more likely to be able to accommodate phased retirement within their company (Hutchens 2007); and 

some organizations with unpredictably fluctuating labor requirements5 may benefit from maintaining a 

pool of on‐call part‐time employees (Rappaport 2009). An interesting recent paper shows that 

businesses in the United States that employ a relatively high proportion of female workers under the 

age of 30 also have lower retirement hazard rates for their older workers: the argument is that some 

firms have more flexible ‘technology’ and can accommodate workers who may wish to work non‐

standard work weeks – such as older workers who wish to reduce their work hours, or women of child‐

bearing age who may need to take a period of maternity leave and/or work part‐time at hours that can 

be scheduled around child‐rearing duties (Blau and Shvydko 2011). The importance of flexibility in work 

schedules is cited elsewhere as a reason for women and older workers to transition into self‐

employment, implicitly because this flexibility is not readily available in the wage sector (Lombard 2001; 

Zissimopoulos and Karoly 2007). 

 

                                                            4 Those with DB pensions may face an additional incentive to switch jobs rather than reducing hours in the same job, if their final pension benefits are dependent on final annual earnings 5 The cited article suggests that, e.g., major storms may lead utilities to require additional labor to restore power, insurance companies and banks to require additional labor to process claims and finance repairs, etc. 

4  

In addition to gradually reducing hours in a career job, changing jobs at older ages to reduce hours is 

also problematic for business reasons: job‐specific human capital is no longer valuable, and employers 

are unlikely to invest in training for workers with short expected service (Hurd 1996), although this may 

be becoming a less pertinent issue than previously due to the declining average tenure of workers in 

younger cohorts (Friedberg and Owyang 2004). In general, older workers may find their chances of 

finding a new job hampered by the relatively high health insurance and pension costs associated with 

older workers relative to younger workers (Scott, Berger et al. 1995). Older job‐seekers may also have to 

grapple with age discrimination: while it can be difficult to measure discrimination directly, an audit 

study found that submitting resumes of older women was more than 40% less likely to result in an 

interview request than submitting otherwise identical resumes with more recent high school graduation 

dates (Lahey 2008). 

The significant importance of employer‐based health insurance in the United States provides a unique 

challenge to achieving labor supply flexibility for older workers: the costs of providing health insurance 

make employers less likely to offer full work flexibility to employees6, and reliance on employer‐based 

health insurance can make it infeasible for a worker to reduce their labor supply below the level 

required to receive full health benefits. For an employer, health insurance (if offered) is a fixed per‐

employee cost: faced with rising health insurance costs, employers have an incentive to maintain a 

workforce with a smaller number of employees each working a larger number of hours, in order to 

minimize the fixed costs (Cutler and Madrian 1998). As health insurance is typically a lumpy benefit – 

either fully offered or not offered at all – an employer faces a disincentive to allowing workers to retain 

health benefits and reduce their hours of work. On the employee side, a significant amount of literature 

explores the “job‐lock” phenomenon, whereby workers are less likely to change jobs due to the fear of 

losing health insurance benefits, through not having continuous coverage or through insurance 

company underwriting rules concerning pre‐existing conditions (Gruber and Madrian 2002). Recent 

work extends this idea to another aspect of labor supply: workers are discouraged from 

entrepreneurship due to fear of losing health benefits, and are therefore more likely to enter into self‐

employment if they have low demand for health insurance or have coverage through their spouse 

(Fairlie, Kapur et al. 2009).  The same concept has been shown to apply to retirement decisions, with 

retiree health insurance and Medicare eligibility7 increasing retirement hazard, and working spouses 

also more likely to retire once their dependent spouse reaches Medicare eligibility (Gruber and Madrian 

2002). While most literature in this field refers to staying in or leaving a particular job (hence “job‐lock”), 

a logical extension is that workers in a particular job may face “labor‐lock”, whereby they are compelled 

to supply some baseline number of hours in order to retain full health benefits for themselves (and 

potentially for their dependents), making it infeasible to begin gradual retirement until some other 

                                                            6 Employers can choose to offer different benefits to full‐time and part‐time workers, but cannot provide benefits to young (and inexpensive) part‐time workers while systematically excluding older (and more expensive) part‐time workers. Employers are also unlikely to wish to manage fine‐grained sliding scales of health benefits to accommodate fully flexible working arrangements. The most likely scenarios appear to be that employers will offer little‐to‐no flexibility for employees with benefits, and/or allow flexibility for part‐time workers but provide them no health benefits. Employers who provide no health benefits to any of their employees likely face fewer difficulties in offering flexible working options. 7 and continuation coverage from COBRA through to Medicare eligibility age 

5  

source of health insurance (such as Medicare) is available. A recent working paper finds that married 

women who depend on their own employment for their health insurance and are diagnosed with breast 

cancer reduce their labor supply by 5.5‐7% less than those who have access to health insurance through 

their spouse’s insurance (Bradley, Neumark et al. 2012). 

It is not clear a priori what the various effects would be of increased labor supply flexibility and 

increased prevalence of gradual retirement; importantly, the effect on an individual’s total labor supply 

is ambiguous. In an atypical labor setting (the University of North Carolina system), one study found that 

workers choosing a newly offered phased retirement scheme would otherwise likely have continued in 

full‐time work rather than fully retiring, so the net effect was to decrease labor supply; however, the 

least productive professors (those who were previously receiving low or no annual pay rises) were much 

more likely to enter phased retirement, such that the phased retirement scheme may have accelerated 

the departure of less productive workers (Allen, Clark et al. 2004). In contrast to this narrow finding, a 

much more general projection exercise suggested that allowing all workers the option of working half 

time at half pay would lead to a modest increase in full time equivalent (FTE) employment, with the 

increase in labor supply from those who would be persuaded not to fully retire more than offsetting the 

decrease in labor supply from those who would take the opportunity to reduce from full‐time work to 

half‐time work (Gustman and Steinmeier 2007).  

Little work has directly addressed the effect of stated labor supply constraints on labor transitions at 

older ages. In the paper closest to our approach, Charles and DeCicca compared the retirement hazards 

of workers with different levels of flexibility over their working hours, finding that workers (aged 55‐64) 

who reported no ability to reduce their working hours in 1992 were more likely to retire by 1996 than 

workers who reported some flexibility (Charles and DeCicca 2007). However, their analysis does not 

examine relevant labor outcomes other than retirement, ignores the possibility of effects of flexibility 

that differ by age, and does not utilize the full information available to them regarding individual labor 

flexibility. In particular, Charles and DeCicca’s theoretical model contrasts workers who are fully 

constrained with those who face no constraints whatsoever regarding their personal labor supply, but 

their empirical implementation includes in the ‘unconstrained’ category a significant number of workers 

who are able to reduce their hours of work only at a lower wage, or with a reduction (or elimination) of 

their health benefits or pension eligibility. In the present paper, I distinguish between those who cannot 

reduce hours, those who can reduce hours but face some penalty for doing so, and those who are free 

to reduce hours without any penalty. Additionally, I examine not only labor force participation, but also 

hours worked, and examine the effects of labor supply constraints on hours worked at different ages. 

 

6  

DataI use data from the first nine waves of the Health and Retirement Study (HRS), a panel study of 

Americans aged 50 and over, funded by the National Institute of Aging and administered by the Institute 

for Social Research at the University of Michigan. I use a public‐use version of the data that has been 

processed and augmented by researchers at the RAND Center for the Study of Aging.8 In my main 

analyses, and descriptive statistics, I restrict the sample to include only those respondents from the 

1931‐41 birth cohort who were present in the survey for all nine waves.9 

Ability to Reduce Hours 

The main variable of interest in this study is the ability of workers to reduce their hours of work at older 

ages. For all workers, HRS has a question asking whether or not it is possible for the worker to reduce 

their hours. For people working 30 hours a week or more, additional questions are asked about whether 

the worker could reduce their work to half‐time and, if so, how this would affect their hourly wage, 

health benefits and pension eligibility. Using the answer to these questions, I separate individuals into 

three groups: 

1) No Reduce:     the individual cannot reduce their hours to half‐time (or at all) 

 

2) Constrained Reduce:   the individual can reduce their hours to half‐time, but reducing their 

hours to half‐time would result in a drop in hourly wage or a negative consequence for their 

health benefits or pension plan eligibility10 

 

3) Free Reduce:    the individual can reduce to half‐time at the same hourly wage rate 

without any negative consequences to their health benefits or pension plan eligibility 

Outcomes: hours change, retirement 

The outcomes of interest pertain to labor force participation and labor supply. I measure changes 

between waves in the hours worked by an individual, with one version of this outcome measuring 

changes in hours worked conditional on remaining in the labor force, and an unconditional version 

measuring changes in hours worked and counting people who have dropped out of the labor force 

between waves as experiencing a reduction to zero hours of work between waves.11 I also investigate 

                                                            8 See http://www.rand.org/labor/aging/dataprod.html for more details 9 At baseline, individuals present in all nine waves did not differ from those who were not present in all waves in regards their net wealth, income or age, but were more likely be female, married, better educated and in better health   10 Note that an individual must currently have health benefits or a pension plan in order to suffer negative consequences in relation to them 11 Given the very high prevalence of the 40 hour work week, I censor the hour changes at ‐40 and +40 to decrease the statistical influence of a small number of outliers 

7  

the transition to retirement, where individuals are considered retired if they both self‐report being 

retired and are not working for pay.12   

Income and wealth variables 

A priori, income and wealth are likely to affect labor supply. There are some data issues and definitional 

issues with these variables; my standard approach was to choose the definitions that provided the best 

combination of practicality and conceptual applicability, and then rerun my analyses to ensure that my 

results were not being driven by these definitional decisions. 

Given the focus on changes in weekly hours worked and constraints on those changes, the most relevant 

income measure is the marginal value (in terms of annual income) of a one hour change in weekly hours 

worked. This measure conceptually provides the annual benefit of working an extra hour per week or 

the annual cost of taking an extra hour of leisure per week, taking into account the fact that not all 

workers work the same number of weeks. It is conceptually superior to a simple annual earnings 

measure because workers who have flexibility over their working hours and have chosen to reduce 

hours are likely to have systematically lower annual earnings than workers constrained to work more 

hours, even if their hourly wage and weeks worked per year are identical. I construct this variable from 

the hourly wage reported in the RAND HRS and the number of weeks worked per year.13 

Turning to wealth, I define net wealth as the sum of primary residence wealth (net of mortgage owed), 

financial wealth, retirement account wealth, business wealth, and other real estate wealth. This 

measure does not include wealth associated with a secondary residence due to a data problem in wave 

3 of the original HRS data that prevents consistent calculation of second home equity across waves. 14 

                                                            12 The focus in this paper is on the constraints a worker faces in managing the transition to full retirement, and the consequences of these constraints; individuals who report being retired but are nonetheless working for pay are not ‘fully’ retired in the sense most relevant to this paper 13 It is also possible to calculate this by dividing Annual Earnings by Weekly Hours, but there are data differences that lead me to prefer the formulation above. The Annual Earnings variable is retrospective, asking about the previous year’s earnings, whereas the Weekly Hours, Hourly Wage and Annual Weeks variables refer to the current job. In dual‐earner households, each spouse/partner answers questions from which the Hourly Wage and Weekly Hours variables are created, but the Annual Earnings for each spouse/partner are reported by whichever is considered the ‘financial respondent’ at the household level. The Annual Earnings / Weekly Hours calculation produces fewer missing values than the Hourly Wage * Annual Weeks calculation. Looking within individuals over time, all variables appear to have some suspicious values, but there does not appear to be an advantage of one over another. Overall, because the Annual Earnings variable does not necessarily reflect the respondent’s current job, and other issues appear not to favor either measure strongly, I choose the Hourly Wage * Annual Weeks option. For all the analyses presented later in this paper, I verified that the choice of income variable does not materially influence the main results for the key variables of interest 14An alternative would be to use more full wealth measures but omit individuals in wave 3; this results in estimates that are less precise but not qualitatively different. I also rerun the analysis on the smaller sample, splitting out the 2nd home wealth / mortgage variables from net wealth to see if the omission of these 2nd home variables is likely to have an effect on the results; the coefficients on these variables were small and insignificant (implying they are conditionally unrelated to the main outcomes of interest), and the omission of these variables have virtually no effect on the coefficients on the other variables. 

8  

Other explanatory variables 

I use various categorical variables for demographics and job characteristics. Health is self‐reported on a 

5‐point Likert scale from Excellent to Fair; Education is constructed from various survey responses into 5 

categories: Less than High School, GED holder, High School graduate, Some College, and College and 

above. Race is defined as White/Caucasian, Black/African American, and Other. I code people as 

‘married’ if they self‐report being married or partnered; I code people as ‘not married’ if they self‐report 

being separated, divorced, widowed or never married. 

Current jobs are coded into 13 industries and 17 occupations based on standard categorizations from 

the 1980 census. Individuals report how often their job requires ‘lots of physical effort’ on a 4‐point 

scale from Always/Almost Always to None/Almost None of the Time. I code people into four different 

pension categories based on their description of their main pension plan on their current job: No 

Pension, Defined Benefit pension, Defined Contribution pension, or Defined Benefit + Defined 

Contribution pension. 

DescriptiveStatisticsTable 1, Table 2 and Table 3 show descriptive statistics for the sample in Wave 1. The sample here is 

restricted to age‐eligible members of the original HRS cohort, who work at least 30 hours per week in 

Wave 1 and are present in each of the first nine waves of the survey. The statistics are broken out by the 

worker’s ability to reduce hours in their current job; p‐values for adjusted Wald tests (in the case of the 

continuous variables) and Chi‐squared tests (for discrete variables) are presented, testing the hypothesis 

that these characteristics are the same across flexibility groups. 

While the flexibility groups appear to be similar in many characteristics – a hypothesis of no difference 

across groups cannot be rejected for age, race, education, marital status, health or wealth – they are 

significantly different in several respects.  

In Table 1, we see that the ‘no reduce’ and ‘constrained reduce’ group have higher hours worked and 

more income per weekly hours worked than the ‘free reduce’ group. In Table 2, we see that there is a 

significant gender difference, with females much more likely to be in the ‘constrained reduce’ or ‘free 

reduce’ group than males; but other demographics appear similar. 

Turning to job characteristics, there is a very dramatic difference in pension coverage across groups, 

with the ‘free reduce’ group much less likely to have a pension than the other groups. There is also a 

difference in types of plan: people in the ‘no reduce’ group are very likely to have a Defined Benefit 

pension, while Defined Contribution plans are relatively more prevalent in the ‘constrained reduce’ 

group. Differences in the physical effort required on the job are not significant. 

Given the possible occupation‐ and industry‐specific reasons for employer constraints on hours flexibility 

mentioned in the background section, it is not surprising that people in different jobs have different 

levels of flexibility. In Table 3 we see that people with occupations in the managerial specialty 

operations category are particularly likely to be in the ‘no reduce’ group, and that people working in 

sales are particularly likely to be in the ‘free reduce’ group. Various service occupations tend towards 

the ‘free reduce’ group, while a broad range of mechanical/production/operator occupations tend 

9  

towards the ‘no reduce’ group. The ‘constrained reduce’ group has a notable spike in the health services 

occupation. These occupational differences are mirrored in the industry distribution, where 

manufacturing, transportation and public administration appear to be low‐flexibility industries, while 

retail, business & repair services, and personal services appear to be high‐flexibility industries. People in 

the ‘constrained reduce’ group appear relatively more likely to be in the professional & related services 

industry.  

To provide a crude summary: it appears that people in the ‘free reduce’ category are more likely to be 

female, with jobs that are lower paying with very low pension coverage, often in sales or services. 

Members of the ‘no reduce’ group tend to be more concentrated in production industries and 

operational occupations, and are likely to have Defined Benefit pensions. Those in the ‘constrained 

reduce’ group tend to work more in technical service roles, often with a Defined Contribution pension. 

The groups do not differ on health, wealth or the physical requirements of their jobs, nor on age, race, 

education and marital status. The differences in benefits across groups are potentially problematic and 

require careful examination of controls: with a larger sample, it would be ideal to compare outcomes 

based on flexibility among those with good health and pension benefits; with only a small percentage of 

the small ‘free reduce’ group having good benefits, including controls for health and pension benefits 

and seeing how these affect the models is the more feasible approach.  

 

 

Theoret

In a typica

Consumpt

exogenou

The single

Max U(C(h

UC and UL

Standard 

interior so

for consu

the utility

of a const

ln L.  

 

 

Figure 1: Sty

 

ical model 

al model of th

tion (C) and L

us wage rate W

e‐period labo

hW), L(l))  

 may be assu

manipulation

olution for th

mption equa

y function is ta

trained optim

ylized constrain

h*(t) 

he individual’

Leisure (L), an

W and leisure

r supply utilit

subject to t

med to be po

n of the utility

e optimal cho

ls the wage ra

angential to t

mization of a s

ed optimization

s labor supply

nd are endow

e time (l).   

ty maximizati

the constraint

ositive, and U

y function and

oice of hours 

ate, or, in gra

the budget co

simple Cobb‐D

n 

l*(t) 

10 

y decision, in

wed with Time

on is then 

t   T = h

UCC and ULL ma

d budget con

occurs where

aphical terms,

onstraint. Figu

Douglas utility

dividual work

e (T) to allocat

h + l 

ay be assume

straint yield t

e the margina

, where the in

ure 1 below r

y function of 

kers receive u

te across paid

ed to be negat

the familiar r

al rate of sub

ndifference c

represents th

the form U(C

utility from 

d work (h) – a

tive. 

esult that the

stitution of le

urve represe

e solution (h*

C,L) =  ln C +

 

at 

e 

eisure 

nting 

*, l*) 

 (1‐) 

 

Over time

may place

observed 

gradually 

older ages

in Figure 2

paramete

 

 

Figure 2: Co

 

However,

complex. 

hours at a

discontinu

preferenc

available 

discontinu

show how

produce d

e, individual p

e greater valu

reduction in 

over time as 

s, individuals 

2 below, whic

er ‘‘ in the ut

onstrained optim

 when worke

Employers ra

all, others allo

uous constrai

ces may not le

with their em

uous change,

w different dis

different resu

h*(t+1) 

preferences re

ue on leisure t

the hours pe

they age. If u

should rebal

ch maintains 

tility function

mization with ad

ers are not off

arely allow a f

ow workers to

ints on their l

ead to a mod

mployer, a wo

 or may drop

scontinuous c

ults; in all case

egarding leisu

time and less

ople work as 

utility function

ance their tim

the same bud

n. 

djusted utility pa

fered a smoo

free choice of

o reduce hou

eisure/consu

erate change

orker may not

 out of the la

choice sets av

es, the worke

11 

ure and consu

s value on con

they age, an

ns change ov

me budget tow

dget constrai

arameter 

th budget co

f hours at a g

rs only with a

umption decis

e in hours of la

t adjust their 

bor force alto

vailable to wo

er is worse off

umption may

nsumption go

d stated pref

er time and r

wards more l

nt as the prev

nstraint, the 

iven wage rat

a penalty in in

sion, a slight c

abor supplied

labor supply 

ogether. The 

orkers interac

f (on a lower 

l*(t+1) 

y change: at o

oods. This is c

ferences for r

real wages re

leisure and le

vious graph b

situation bec

te; some offe

ncome or ben

change in an 

d: depending 

at all, may m

graphical dep

ct with their p

indifference 

older ages, pe

consistent wit

educing hour

main consiste

ess work, as s

but changes t

 

comes more 

er no flexibilit

nefits. Facing 

individual’s 

on the optio

ake a 

pictions below

preferences t

curve) than t

eople 

th the 

rs 

ent at 

hown 

he 

ty in 

ns 

w 

o 

hey 

 

would be 

lead to dr

 

Figure 3: Un

 

given a smoo

ramatically di

nderemploymen

oth budget co

fferent labor 

nt: offered only 

onstraint, and

outcomes. 

one option, wo

12 

d slight differe

orker works less 

ences in the c

than if offered 

constraints/p

a smooth budge

preferences w

 

et set 

would 

 

Figure 4: Ov

 

veremploymentt: offered only oone option, work

13 

ker works more  than if offered a smooth budg

 

et set 

 

Figure 5: Undrop in labo

 

The implic

more like

more like

observe t

prima fac

trajectorie

In theory,

collective

preferenc

is true tha

collective

switching 

in a new j

generally 

preferenc

discontinu

nstable equilibrior supply 

cation of thes

ly to stay wor

ly to drop out

his directly – 

ie evidence th

es. 

, discontinuiti

ly employers 

ces of individu

at different em

ly match the 

costs can be 

ob, who may

may face age

ces tend to sh

uous choice s

ium – offered tw

se stylized mo

rking full‐time

t of the work

is that discon

hat discontin

ies in the cho

offer a wide 

uals, and c) it 

mployers ma

individual pre

very high for

y have difficul

e discriminati

hift at older ag

sets offered b

wo choices, sligh

odels is that w

e than worke

force altoget

ntinuous choi

uous choice s

oice sets offer

range of cho

is costless fo

y offer differe

eferences of w

r older worke

ties finding a

on in the labo

ges towards w

by their own e

14 

ht changes in pr

workers who 

rs with contin

her. A furthe

ce sets reduc

sets of worke

red by individ

ices, b) collec

or employees 

ent choices, it

workers. How

ers, whose job

 new employ

or market. If s

working fewe

employers wi

references could

face disconti

nuous budget

r implication 

ce utility. In th

ers do affect l

dual employer

ctively the cho

to switch em

t is difficult to

wever, as disc

b‐specific hum

yer due to hig

switching cos

er hours, the c

ll be at least 

d lead to a disco

nuous choice

t constraints,

– though it is

he next subse

ifetime labor

rs need not m

oices offered

mployers at ol

o assess whet

cussed in the 

man capital m

gh costs of frin

sts are high a

constraints p

partially bind

 

ontinuous increa

e sets may be

, but may also

s difficult to 

ection, I show

 supply 

matter if: a) 

d match the 

der ages. Wh

ther they ma

literature sec

may be less va

nge benefits, 

nd worker 

osed by 

ding. 

ase or 

e 

o be 

w 

hile it 

tch 

ction, 

alued 

and 

15  

  

LaborSupplyTrajectories 

Before providing a quantitative empirical analysis of the effect of hours flexibility on individual labor 

supply, it is helpful to show graphically how the labor supply decisions of the three groups vary over 

time. In the graphical analysis, I limit the sample to those who were age 50‐57 in Wave 1 of HRS, but it is 

otherwise the same sample described in the Data section above. I code individuals into groups based on 

their Wave 1 ability to reduce hours, and then follow these groups as they age. I do not allow people to 

switch between groups for two reasons: first, when people drop under 30 hours of work, they are no 

longer asked the detailed questions that allow categorization into the three groups; second, while in the 

earliest waves there is no statistically significant difference across the groups in the desire to reduce 

hours gradually over time15, this does not hold true in later waves, suggesting non‐random switching 

between groups at older ages and potentially conflating the effects of constraints on labor supply 

trajectory with differences in desired labor supply trajectory. 

In Figure 6, we see how average hours worked changed in the three groups, averaging across those in 

each group who were still in the labor force in later waves and collaping individuals into 2‐year age 

bands. As suggested by Table 1, the groups start off with different average hours worked, with the ‘no 

reduce’ group somewhat higher than the other two groups. Each group has a mostly similar pattern, 

with average hours decline moderately in the 50s and more steeply in the 60s. The difference in average 

hours between the ‘free reduce’ and ‘no reduce’ groups widens in the early‐mid 50s, but narrows again 

by age 62. The constrained group fluctuates more, with the smallest decrease in hours between 50 and 

60, but the largest decrease between 60 and 68.   

In Figure 7, the same graph is plotted for median hours; unsurprisingly, 40 hours remains the focal point 

for each group up to age 58; the ‘free reduce’ group median drops below 40 from age 60 onwards, the 

‘constrained reduce’ group median drops below 40 at age 62, and the ‘no reduce’ group median does 

not drop below 40 until age 66. 

                                                            15 See the Empirical Model section for further discussion of this issue and Table 4 for the statistics 

16  

 

Figure 6: Change in Average Hours of Work with Age, conditional on remaining in the labor force 

 

2025

3035

4045

Ave

rage

Hou

rs w

orke

d pe

r W

OR

KE

R

50 52 54 56 58 60 62 64 66 68 70Age

Reduce Status: No reduceConstrained reduce Free reduce

17  

 

Figure 7: Change in Median Hours of Work with Age, conditional on remaining in the labor force 

 

Turning to labor force participation in Figure 8, there is a steady decline in the proportion of people 

working for pay in each group between age 50 and 58, with each group dropping 17‐18% in that time. 

However, the groups begin to diverge at age 60 as the ‘no reduce’ and ‘constrained reduce’ groups drop 

out of the much faster than the ‘free reduce’ group. The gap in participation is widest at age 62 and 

mostly sustained through age 66 before narrowing significantly at age 68.  

Combining these two effects – at the extensive and intensive margins – the mean hours of work 

averaged across all members of each group are plotted in Figure 9. The ‘free reduce’ and ‘constrained 

reduce’ group begin working fewer hours than the ‘no reduce’ group, and continue to work fewer hours 

through age 58 as all three groups see a modest decline. However, while the ‘free reduce’ group 

continues to follow a similar trend of moderate decline through their 60s, the ‘no reduce’ group and 

‘constrained reduce’ groups experience accelerated decline in their early 60s, so that by age 62 the ‘free 

reduce’ group  is actually working more hours (25.0) on average than the ‘constrained reduce’ (19.4) and 

‘no reduce’ (20.0) groups. This substantial gap persists until age 66, before narrowing at age 68. 

Overall, the pattern seems to suggest that while those with the ability to reduce hours do take 

advantage of this in their 50s and work less than those without the ability to reduce hours, this is offset 

by their reduced retirement hazard in their 60s, particularly around key Social Security eligibility ages. 

Or, stated another way, those with less flexibility over their working hours tend to work more in their 

2530

3540

Med

ian

Ho

urs

wo

rked

per

WO

RK

ER

50 52 54 56 58 60 62 64 66 68 70Age

Reduce Status: No reduceConstrained reduce Free reduce

18  

50s , but then drop out of the labor force in large numbers as soon as they become eligible for Social 

Security.  

The relatively abrupt drops in labor supply from the ‘no reduce’ and ‘constrained reduce’ groups, 

compared with a fairly smooth smooth labor supply path for the ‘free reduce’ group, provide prima facie 

evidence of some workers being “over‐employed” in their 50s due to employer‐imposed constraints, 

and then choosing “under‐employment” when they have access to pension income in their 60s. Looking 

over the whole period, it is possible that total labor supply for a given individual might work out to be 

the same whether he faces constraints or has a free choice of hours16, but the distribution of these 

hours when constrained – too many in his 50s and too few in his 60s – could be associated with 

significant loss of utility.17  

 

 

Figure 8: Change in Labor Force Participation with Age 

 

                                                            16 Over the age range studied, from 50‐51 to 68‐69, the ‘no reduce’ and ‘free reduce’ groups average 21.5 and 21.3 hours per person respectively. However, I do not capture work before age 50 (where it is possible the ‘free reduce’ group may already have been working less) or after 70 (where we might expect the ‘free reduce’ to continue the later trend of working more than the ‘no reduce’ group) 17 Nevertheless, this distribution of hours may have positive aspects for employers, who may prefer to employ a smaller number of people for a larger number of hours when there are fixed costs per employee rather than per employee‐hour 

.2.4

.6.8

1P

rop

ortio

n w

ork

ing

for

pay

50 52 54 56 58 60 62 64 66 68 70Age

Reduce Status: No reduceConstrained reduce Free reduce

19  

 

Figure 9: Change in Average Hours of Work with Age, averaged across all individuals  

EmpiricalModel 

Unconditional on any other factors, it appears that demand‐side constraints on hours of work have a 

noticeable effect on individual labor supply. However, it is possible that the difference in labor supply 

trajectories between the groups are due to the influence of observed differences in characteristics 

between the groups. In order to isolate the effect of demand‐side constraints, I estimate a series of 

multivariate regressions, controlling for a wide range of observable characteristics. As my base models I 

use pooled Ordinary Least Squares estimation18, and then examine the sensitivity of my results to 

alternative estimation assumptions. 

The basic models I estimate take the form: 

 

                                                            18 With pooled OLS, it is important to consider possible autocorrelation in the error terms within individuals over time. In non‐survey‐weighted data, it is possible to create robust standard errors in Stata using clustering estimation subcommands. Using this method, it appears that there is negative autocorrelation in the within‐person error terms: the cluster standard errors are smaller than the normal standard errors. While Stata does not offer options to deal with the negative autocorrelation in pooled OLS with complex survey data, the standard errors I estimate may be considered to be conservatively large.    

1020

3040

50A

vera

ge H

ours

wor

ked

per

PE

RS

ON

50 52 54 56 58 60 62 64 66 68 70Age

Reduce Status: No reduceConstrained reduce Free reduce

20  

 

 

Where   is the individual’s ability to reduce hours of work (no reduce, constrained reduce, free 

reduce) in wave 1,   is a vector of demographic variables including age, race, gender, education and 

marital status at time t,   is a self‐reported assessment of health at time t,   represents net worth at 

time t, and   is a vector of job characteristics at time t including industry, occupation, physical demands 

and a standardized measure of income. 

A few variables warrant further description. The labor change outcomes I estimate are change in weekly 

working hours conditional on remaining in the labor force, change in retirement status, and a composite 

measure of change in weekly working hours where retirees are treated as having working hours of zero. 

Insofar as policy‐makers may be most interested in aggregate labor supply, the last outcome provides 

the net effect of changes in labor participation and changes of working hours for those who remain 

working. All changes are 1‐wave (2‐year) changes. 

The standardized measure of income I use is the hourly wage multiplied by weeks worked per year: this 

variable is the marginal change in annual income accompanying a one hour change in weekly working 

hours, and thus is more closely related to the outcome variables than a simple measure of annual 

income or hourly wage. 

The ability to reduce hours of work variable is assigned to individuals in Wave 1 of the survey, and I then 

keep this fixed for individuals throughout the nine waves over which I observe them. As mentioned 

briefly in the Labor Supply Trajectory section, there are two reasons for making this choice, compared 

with allowing this variable to change over time. First, the questions that allow me to distinguish 

between my preferred categorization are only asked to people working more than 30 hours per week, 

so people dropping below 30 hours can no longer be categorized contemporaneously. Second, the 

identification of the model relies on the premise that – conditional on the rich set of covariates – there 

are no relevant underlying differences between those who face constraints on their labor and those who 

do not. However, if people select into these categories, that assumption may not hold, and this is likely 

to be increasingly problematic as people approach retirement. In Wave 2, people across the three 

groups express similar preferences when asked whether they would prefer to gradually reduce their 

hours of work over time as they age19; but by Wave 3, there are statistically significant preference 

differences, suggesting that some selection has taken place through job switching or (potentially) 

negotiation of job characteristics with the employer. The ability of workers to reduce hours in Wave 1 

thus allows me to follow labor trajectories when people dip below 30 hours per week, and also provide 

the most plausible conditionally‐random assignment of demand‐side constraints on working hours. 

 

                                                            19 See Table 4 

21  

Results

BaselineresultsGiven the labor supply trajectories seen in Figure 9, I separate individuals by age, to examine the effects 

of the ability‐to‐reduce variables at different stages in the transition to retirement. The results from OLS 

regressions are presented in Table 8, for change in hours worked (conditional on remaining in the labor 

force), likelihood of retirement, and unconditional change in hours worked.  

The ‘ability to reduce’ variables do not have much effect on hours changed for workers who continue to 

work. The coefficients for both the ‘constrained reduce’ and ‘free reduce’ group are insignificant in all 

three age categories, though some of these coefficients are substantively large. 

Consistent with the labor supply trajectories seen in Figure 8, the OLS regression results for retirement 

in Table 8 highlight that the main effects of the ‘ability to reduce’ variables are felt by those aged 60‐64, 

who reach age 62‐66 by the following wave. At those ages, the ‘free reduce’ group were more than 7 

percentage points less likely to retire than the ‘no reduce’ group. With an average 2‐year retirement 

hazard of 0.25, this represents an effect size of 30%. There were no significant differences across groups 

at either the younger (50‐59) or older (65 and over) ages. 

The retirement results are mirrored in the unconditional hours‐change results – no difference across 

groups at the younger or older ages, but for the people aged 60‐64 the hours change was more positive 

(or , less negative) for the ‘free reduce’ group than for the no reduce baseline group. When the changes 

in labor force participation and changes in average hours per worker are combined, the OLS estimates 

suggest that the ‘no reduce’ group has a decline in hours per person that is 2.6 hours larger than the 

‘free reduce’ group. With an average decline of 11.9 hours, 2.6 hours represents an effect size of 22%.   

Turning to other variables: in Table 8, I do not report coefficients for model control dummy variables for 

age, gender, race, marital status, education, industry, occupation, and physical effort required on the 

job.20 The other variable coefficients reported suggest the expected health gradient, with less healthy 

people more likely to retire, particularly at older ages. Wealth does not appear to affect hours of work 

but may affect participation at older ages; the marginal income for an hour worked per week does not 

affect the participation decision, but does seem to increase hours worked, particularly at older ages. 

Having a Defined Benefit pension appeared to strongly increase the likelihood of retiring in the next 2 

years, with a particularly strong effect at ages 60‐64; those with Defined Benefit pensions did not 

decrease average hours per person significantly more than the no‐pension group prior to age 60, but did 

reduce hours significantly more from 60 onwards. Those with Defined Contribution pensions were 

neither more nor less likely to continue participating in the labor market than those without a pension 

on their current job, at any age. However, at older ages, people with Defined Contribution pension plans 

did reduce their average hours of work significantly more than the no‐pension group. 

                                                            20 Gender, race, marital status, education and physical effort required on the job are insignificant for the most part. Unsurprisingly, older people were significantly more likely to retire across the whole age distribution, and tended to reduce their hours more than younger people. Industry/occupation variables appear to have more effect on hours changed and less effect on retirement. 

22  

AlternativespecificationsThe OLS baseline models described in the section above provide a simple model with intuitive 

coefficients. In this section, I report the results of some alternative specifications suggested by the 

nature of the data21, and examine alternative ways of capturing the ‘ability to reduce hours’. 

Given that retirement is a binary outcome by my definition, I provide a comparison of OLS and probit 

specifications in Table 9. The results are quite consistent between the two models, with nearly all 

coefficients of interest maintaining the same sign and significance level. The main result of interest – the 

statistically significant negative coefficient on ‘free reduce’ for 60‐64 year olds – is consistent across 

models, with the Probit estimate of ‐0.278 implying a marginal effect of ‐0.078, compared with ‐0.075 in 

the OLS model. 

Turning to the hours‐change model, the outcome in this case is a continuous variable, but subject to 

censoring. In particular, regardless of one’s disutility for work, it is impossible to drop below zero hours 

of work, which places a bound on the maximum size of hours change for an individual depending on 

their hours in the previous wave. Overall, left‐censored observations make up 12% of the 50‐59 year old 

group, 28% of the 60‐64 year old group, and 27% of the 65+ year old group. I fit an interval regression 

model taking into account individual‐level censoring, and present the results in Table 10.  

In general, we see that point estimates are generally larger in absolute value but are less precisely 

estimated. This is understandable, as the latent values of preferred changes in hours of work take on a 

wider range than the observed changes, but we do not have data in that range. Nevertheless, it is worth 

noting that a coefficient of particular interest – the effect on hours‐change of the ‘free reduce’ category 

for 60‐64 year olds – is quite substantially larger for the interval regression (3.975) than for OLS (2.557). 

Given that the outcome is censored on an individual basis depending on the initial hours of work, it is 

unlikely that the assumption of normally distributed error terms on the latent variable is correct, and 

therefore is not clearly an improvement on the original OLS model; but the interval regression results 

make us more confident that the significant OLS coefficients are not an artifact of the way the data are 

constructed. 

Finally, Table 11 and Table 12 provide alternative versions of the key explanatory variable, ability to 

reduce hours. For each age group, I compare the base model (3 categories set in Wave 1) with two 

versions of an alternative binary model, combining the ‘constrained reduce’ and ‘free reduce’ groups to 

form one ‘any reduce’ group and treating this either as fixed in Wave 1, or as changing over time. 

For the most part, the ‘any reduce’ results fixed in Wave 1 are similar to the base models, with point 

estimates for the ‘any reduce’ group falling between the point estimates for the ‘constrained reduce’ 

and ‘free reduce’ groups in the base models. The most notable difference between the base model and 

the third model, where individuals are categorized as ‘no reduce’ or ‘any reduce’ based on their 

contemporaneous employment, comes in the 65+ age group. Here we see the contemporaneous ‘any 

                                                            21 As the ‘hours change [workers]’ and ‘hours change [all people]’ outcomes are similar in nature, I omit alternative specifications for the former 

23  

reduce’ variable seems to have a marginally negative effect on retirement (p‐value <0.1), and has a 

statistically significant (and substantively large) positive effect on hours worked.  

This difference in results is consistent with the concerns expressed earlier in the paper, that workers 

with more flexible jobs at older ages are more likely to have selected into those jobs precisely because 

of the flexibility to adjust hours of work. An alternative interpretation might be that workers intending 

to work for many years to come are more willing to incur switching costs to a job that better suits their 

preferences, while workers planning on complete retirement in the near future are more likely to just 

put up with their (inflexible) job for a short period and then quit the workforce altogether. Thus, the 

difference we see between the Wave‐1‐fixed and contemporaneous results, attributable to people 

switching groups after Wave 1, may reflect differences in unobservable preferences or differences in 

work horizon between those who switch groups and those who keep the same classification from Wave 

1 onwards. Either way, these results reinforce the advantage of retaining the Wave 1 classifications as 

the least likely to be subject to non‐random selection.    

 

24  

ConclusionIn this paper, I have demonstrated that people without constraints on their flexibility to reduce working 

hours are likely to remain in the labor force longer, and consequently tend to provide greater aggregate 

labor supply at older ages. The effect of flexibility is felt most strongly around key ages connected to 

Social Security benefit eligibility: when workers reach the Social Security early retirement age of 62, 

those with the least flexibility over their hours begin to drop out of the labor force more precipitously 

than those who are free to adjust their hours. 

However, the implications for total labor supply over the lifecycle are unclear: workers who had the 

flexibility to reduce their hours were, on average, working fewer hours in their 50s than the workers 

who did not have flexibility. We do not have information on hours of work prior to people entering the 

HRS dataset, so we do not know if the initial difference in hours is the result of flexible workers 

beginning to taper down their work output at some point earlier in life than the less flexible workers, or 

reflects a persistently lower output over the lifecycle.  

The results suggest that policies aimed at improving the part‐time work options for older workers over 

the age of 60 might allow workers to stay in the labor force for longer. This may be of interest for both 

employers and government (and government employers). Employers who wish to retain human capital, 

in the form of experienced workers who can share knowledge with (and perhaps provide an example to) 

younger workers, may find that they get more out of their older workers by allowing them to reduce 

hours prior to normal retirement age. Government may be interested in increasing total labor supply for 

fiscal reasons and reducing the reliance of older people on public programs, and may be generally 

interested in enabling people to make their preferred ‘optimal’ choices rather than choosing between 

suboptimal alternatives. While more research is required on the underlying causes of constraints on 

hours of work, some areas of public policy seem particularly relevant: for example, employers may be 

reluctant to allow workers to reduce their hours and maintain their health benefits, due to the fixed per‐

person costs involved; providing subsidies for health insurance for older part‐time workers, or allowing 

Medicare to be the primary insurance for individuals over the age of 6522, could alleviate this barrier to 

flexibility. Similarly, rules surrounding public and private pension systems should be examined to make 

sure that people planning to slowly reduce their hours of work at older ages are not disadvantaged 

compared with their colleagues who might work full‐time to a certain age and then retire completely.  

Finally, while I have demonstrated a quantifiable effect of hours flexibility on labor output, I have not 

estimated the utility lost by individuals when they are forced to choose between a limited set of 

suboptimal alternatives, nor have I examined in this paper any other individual‐level consequences of 

labor supply flexibility. In theory, the ability to adjust individual labor supply could affect a range of 

other factors, such as: physical, mental or psychosocial health; savings and investment behavior; 

                                                            22 In some cases, individuals ‘retire’ from their job on reaching Medicare eligibility, and then are re‐hired by the same employer  into a position with a slightly different job description that doesn’t provide health benefits, because current law requires employer insurance to be the primary insurance plan, and employers are not allowed to discriminate in their benefit packages on the basis of age (i.e. for 2 people in identical jobs, it is not permitted to provide the 50‐year‐old with health insurance and deny health insurance to someone who happens to have reached Medicare eligibility age) 

25  

caregiving to a spouse or parent; or even the propensity to start a business. One might expect that 

increased control of one’s labor options could only be beneficial, but testing this hypothesis, and 

quantifying the size of any effects, fall beyond the scope of this paper and are left for future research.  

 

26  

Bibliography 

Allen, S. G., R. L. Clark, et al. (2004). "Phasing into Retirement." Industrial & Labor Relations Review 

58(1): 112‐127. 

Blau, D. and T. Shvydko (2011). "Labor Market Rigidities and the Employment Behavior of Older 

Workers." Industrial & Labor Relations Review 64(3). 

Bond, J. T., E. M. Galinsky, et al. (2005). "The Diverse Employment Experiences of Older Men and 

Women in the Workforce." Boston: The Center on Aging & Work/Workplace Flexibility. New 

York: Families and Work Institute. 

Bradley, C. J., D. Neumark, et al. (2012). Does Employer‐Provided Health Insurance Constrain Labor 

Supply Adjustments to Health Shocks? New Evidence on Women Diagnosed with Breast Cancer, 

National Bureau of Economic Research. 

Charles, K. K. and P. DeCicca (2007). "Hours flexibility and retirement." Economic Inquiry 45(2): 251‐267. 

Cutler, D. M. and B. C. Madrian (1998). "Labor market responses to rising health insurance costs: 

evidence on hours worked." RAND Journal of Economics 29(3): 509‐530. 

Fairlie, R. W., K. Kapur, et al. (2009). "Is employer‐based health insurance a barrier to 

entrepreneurship?" UCD Centre for Economic Research Working Paper WP09/03. 

Friedberg, L. and M. Owyang (2004). "Explaining the evolution of pension structure and job tenure." 

NBER Working Paper. 

Goldin, C. and L. F. Katz (2007). "Long‐run changes in the wage structure: Narrowing, widening, 

polarizing." Brookings Papers on Economic Activity 2: 135. 

Gruber, J. and B. C. Madrian (2002). Health Insurance, Labor Supply, and Job Mobility: A critical review 

of the literature. NBER Working Paper w8817. 

Gustman, A. L. and T. L. Steinmeier (1985). "The Effect of Partial Retirement on the Wage Profiles of 

Older Workers." Industrial Relations 24(2): 257‐265. 

Gustman, A. L. and T. L. Steinmeier (2007). "Projecting Behavioral Responses to the Next Generation of 

Retirement Policies." NBER Working Paper 12958. 

Hurd, M. D. (1996). "The Effect of Labor Market Rigidities on the Labor Force Behavior of Older 

Workers." Advances in the Economics of Aging. 

Hutchens, R. (2007). "Phased Retirement: Problems and Prospects." Work Opportunities for Older 

Americans Series. 

27  

Kim, H. and S. A. DeVaney (2005). "The selection of partial or full retirement by older workers." Journal 

of Family and Economic Issues 26(3): 371‐394. 

Lahey, J. N. (2008). "Age, Women, and Hiring: An Experimental Study." J. Human Resources 43(1): 30‐56. 

Lombard, K. V. (2001). "Female self‐employment and demand for flexible, nonstandard work schedules." 

Economic Inquiry 39(2): 214‐237. 

Mermin, G. B. T., R. W. Johnson, et al. (2006). "Why Do Boomers Plan to Work So Long?" The Retirement 

Project: Discussion Paper 6(04). 

Rappaport, A. (2009). "Phased Retirement ‐ An Important Part of the Evolving Retirement Scene." 

Benefits Quarterly 25(2): 38‐50. 

Ruhm, C. J. (1990). "Bridge Jobs and Partial Retirement." Journal of Labor Economics 8(4): 482‐501. 

Scott, F. A., M. C. Berger, et al. (1995). "Do Health Insurance and Pension Costs Reduce the Job 

Opportunities of Older Workers?" Industrial and Labor Relations Review 48(4): 775‐791. 

Zissimopoulos, J. and L. A. Karoly (2007). "Work and well‐being among the self‐employed at older ages." 

Research Study. AARP Public Policy Institute. 

Zissimopoulos, J., N. Maestas, et al. (2007). The Effect of Retirement Incentives on Retirement Behavior: 

Evidence from the Self‐Employed In the United States and England. RAND Working Paper Series, 

RAND Corporation. 

Zissimopoulos, J. M. and L. A. Karoly (2007). "Transitions to self‐employment at older ages: The role of 

wealth, health, health insurance and other factors." Labour Economics 14(2): 269‐295. 

 

 

 

28  

Tables 

   Ability to reduce hours on Wave 1 job    

  

No reduce Constrained 

reduce Free reduce 

p‐value of 

difference 

test 

Wave 1 Observations  2353 133 153    

Continuous variable means           

Age  55.08 55.03 55.42  0.57 

Hours worked  43.09 42.42 39.83  0.00 

Income  745.5 675.5 560.8  0.00 

Net Wealth  191850 200490 202410  0.91 

Table 1 

Note: Income is calculated as hourly wage * weeks worked per year, to give annual income per hour in a normal work week (or, the opportunity cost in annual income of reducing a normal work week by one hour)  

 

   

29  

   Ability to reduce hours on Wave 1 job    

  

No reduce Constrained 

reduce Free reduce 

p‐value of 

difference 

test 

Discrete variable proportion distribution           

Individual Characteristics           

Gender           

Male  54.72 31.27 35.01    

Female  45.28 68.73 64.99  0.00 

Race           

White/Caucasian  88.49 89.58 87.77    

Black/African American  8.30 7.73 7.88    

Other  3.22 2.69 4.34  0.85 

Education           

Less than high school  15.22 16.33 15.93    

GED  5.78 3.31 5.40    

High school graduate  32.36 33.37 39.20    

Some college  20.66 18.94 20.52    

College plus  25.98 28.05 18.96  0.54 

Marital Status           

Married/Partnered  77.32 76.02 71.84    

Single  22.68 23.98 28.16  0.33 

Health           

Excellent  30.59 27.39 33.90    

Very good  35.68 34.64 32.30    

Good  25.70 29.49 22.66    

Fair  6.50 7.50 8.65    

30  

Poor  1.52 0.98 2.49  0.75 

Job Characteristics           

Pension plan on current job           

No pension  22.86 26.98 72.35    

DB pension  48.75 39.48 14.97    

DC pension  25.40 31.21 11.70    

DB+DC pension  2.98 2.32 0.99  0.00 

Source of Health Insurance           

None  6.12 5.71 17.20    

Employer  80.00 77.17 48.25    

Spouse  10.77 13.18 24.84    

Government  1.28 1.21 1.60    

Other  1.82 2.73 8.11  0.00 

Job requires physical effort           

All/almost all the time  18.56 27.22 16.68    

Most of the time  16.43 18.98 16.25    

Some of the time  31.06 23.38 31.54    

None/almost none of time  33.94 30.41 35.54  0.16 

Table 2   

31  

   Ability to reduce hours on Wave 1 job    

  

No reduce Constrained 

reduce Free reduce 

p‐value of 

difference 

test 

Occupation          

Managerial specialty oper  19.00 7.91 12.40   

Prof specialty opr/tech sup  19.85 22.98 15.57   

Sales  5.65 14.26 18.77   

Clerical/admin supp  17.84 16.16 17.54   

Svc prv hhld/clean/bldg svc  0.35 0.29 2.25   

Svc protection  1.91 1.08 1.93   

Svc food prep  1.94 7.50 4.31   

Health svc  1.06 10.96 5.31   

Personal svc  4.24 5.63 6.85   

Farming/forestry/fishing  1.20 0.00 1.77   

Mechanics/repair  4.49 2.22 1.50   

Constr trade/extractors  2.52 2.31 1.25   

Precision production  4.20 2.06 0.71   

Operators machine  8.31 1.91 2.29   

Operators transport etc  4.84 1.93 4.48   

Operators handlers etc  2.37 2.81 3.06   

Member of armed forces  0.22 0.00 0.00  0.00

Industry          

Agric/forest/fish  1.28 0.00 2.50   

Mining and constr  5.37 3.77 3.47   

Mnfg non‐durable  10.23 2.92 1.90   

Mnfg durable  14.68 3.88 4.85   

32  

Transportation  8.33 6.66 1.71   

Wholesale  3.83 4.44 4.96   

Retail  7.25 19.23 20.64   

Finan/ins/realest  5.90 7.99 9.61   

Busns/repair svcs  2.82 5.32 10.07   

Personal services  1.48 2.11 6.63   

Entertn/recreatn  1.13 0.00 2.24   

Prof/related svcs  30.06 43.24 28.06   

Public administration  7.64 0.45 3.37  0.00

Table 3 

   Ability to reduce hours on Wave 1 job    

  

No reduce Constrained 

reduce Free reduce 

p‐value of 

difference 

test 

Prefer to reduce hours gradually           

Strongly Agree  12.27 18.11 13.72    

Agree  40.88 43.92 51.55    

Disagree  41.48 35.98 31.88    

Strongly Disagree  4.75 1.99 1.93  0.10 

Table 4 

33  

 

   age 51‐59 at t  age 60‐64 at t age 65+ at t

   Outcome: Hours Change [workers]   Mean: ‐1.14Outcome: Hours Change [workers]   Mean: ‐2.91Outcome: Hours Change [workers]   Mean: ‐2.14

Reduce  1  2  3  4 5 6 7 8 9  10 11 12 13 14 15

Constrain  ‐0.405  ‐0.320  ‐0.328  ‐0.360 ‐0.199 ‐0.954 ‐0.788 ‐0.848 ‐0.759  ‐0.969 0.427 ‐0.593 ‐0.720 ‐0.550 ‐0.658

   (0.432)  (0.452)  (0.450)  (0.456) (0.499) (0.889) (0.800) (0.809) (0.814)  (0.921) (1.111) (1.426) (1.410) (1.420) (1.438)

Free  ‐0.0993  0.0910  0.149  0.161 0.226 0.134 0.235 0.00241 ‐0.150  ‐0.322 ‐0.692 ‐1.542 ‐1.646 ‐1.610 ‐1.603

   (0.269)  (0.371)  (0.381)  (0.388) (0.425) (0.680) (0.719) (0.710) (0.694)  (0.777) (0.724) (0.961) (0.949) (0.994) (1.178)

Health                

Very Good    0.0788  0.0913  0.111 0.0782 ‐0.684 ‐0.663 ‐0.582  ‐0.471 2.161 2.016 2.034 2.189

      (0.329)  (0.337)  (0.343) (0.351) (0.561) (0.574) (0.567)  (0.555) (1.136) (1.098) (1.084) (1.146)

Good     0.482  0.500  0.516 0.404 ‐1.526* ‐1.546* ‐1.543*  ‐1.484* 2.484* 2.347 2.468* 2.639*

      (0.290)  (0.291)  (0.295) (0.311) (0.584) (0.578) (0.581)  (0.573) (1.227) (1.212) (1.207) (1.158)

Fair     ‐0.890  ‐0.914  ‐0.931 ‐1.040 0.0683 0.178 0.0616  0.189 1.840 1.652 1.742 2.222

      (0.534)  (0.561)  (0.554) (0.537) (0.923) (0.923) (0.908)  (0.949) (1.388) (1.398) (1.424) (1.502)

Poor     ‐0.393  ‐0.415  ‐0.482 ‐0.502 2.455 2.434 2.185  2.466 2.973 3.546 3.839 3.482

      (1.460)  (1.577)  (1.555) (1.615) (2.889) (2.856) (2.882)  (2.901) (1.919) (2.288) (2.130) (2.060)

                 

Net    ‐3.564  ‐3.476  ‐3.455 ‐3.316 ‐2.405 ‐2.383 ‐2.353  ‐2.308 2.871 2.618 2.364 3.750

34  

Wealth 

      (2.056)  (1.992)  (1.961) (1.859) (2.810) (2.757) (2.731)  (3.105) (4.340) (4.385) (4.498) (4.854)

Income     0.468*** 0.474*** 0.461*** 0.518*** 0.171 0.211 0.217  0.559 1.127** 1.316** 1.281** 1.085**

      (0.130)  (0.131)  (0.132) (0.143) (0.200) (0.202) (0.198)  (0.311) (0.405) (0.392) (0.374) (0.333)

Pension                

DB Pen        0.264  0.278 0.275 ‐0.986* ‐0.573  ‐0.825 ‐2.905** ‐2.252* ‐2.443*

         (0.308)  (0.348) (0.359) (0.474) (0.482)  (0.524) (0.896) (0.981) (1.130)

DC Pen        ‐0.372  ‐0.352  ‐0.293        ‐0.604  ‐0.198  ‐0.410       

‐

2.915*** ‐2.351** ‐2.289**

         (0.344)  (0.355) (0.377) (0.500) (0.531)  (0.585) (0.720) (0.812) (0.821)

DB+DC 

Pen        ‐0.609  ‐0.585  ‐0.571        ‐2.572  ‐2.197  ‐1.567        ‐2.193  ‐1.376  ‐1.472 

         (0.743)  (0.758) (0.767) (1.636) (1.637)  (1.604) (3.063) (3.181) (2.863)

Health Ins.               

Employer           ‐0.849 ‐1.014 ‐2.482**  ‐2.586** 11.42 12.82

            (0.720) (0.741) (0.889)  (0.903) (8.623) (7.922)

Spouse           ‐1.301 ‐1.478 ‐2.434*  ‐2.310 12.26 13.77

            (0.777) (0.776) (1.188)  (1.179) (8.454) (7.850)

Gov.plan           ‐0.601 ‐0.275 ‐0.619  ‐1.279 12.74 13.74

35  

            (0.896) (1.017) (1.408)  (1.453) (8.568) (7.840)

Other           ‐1.635 ‐1.668 ‐1.400  ‐1.519 16.07 16.91*

            (1.163) (1.171) (1.358)  (1.376) (8.740) (8.245)

Obs.  5855  5461  5391  5391 5350 2992 2712 2663 2663  2620 1695 1451 1432 1432 1318

R‐squared 0.005  0.011  0.013  0.014 0.020 0.010 0.014 0.016 0.019  0.031 0.013 0.036 0.049 0.061 0.084

Notes:  

all models include sex, education, race and marital status; models 5, 10, 15 include additional job dummies for industry/occupation/physical effort 

required 

omitted categories:   Reduce ‐ None ; Health ‐ Excellent ; Pension ‐ None ; Health Insurance ‐ None.  Income is $000s p.a. / hrs per wk.   Net Wealth is 

in $million 

Table 5   

36  

   age 51‐59 at t age 60‐64 at t  age 65+ at t

   Outcome: Retire by t+2   Mean: 0.12 Outcome: Retire by t+2   Mean: 0.42 Outcome: Retire by t+2   Mean: 0.64 

Reduce  1  2  3  4 5 6 7 8  9 10 11 12 13 14 15 

Constrain  ‐0.00277  ‐0.0119  ‐0.000478 0.00004960.000612 ‐0.0832 ‐0.0884* ‐0.0307  ‐0.0297 ‐0.0382 ‐0.107* ‐0.0766 0.0379 0.0380 0.0515 

   (0.029)  (0.031)  (0.019)  (0.019) (0.020) (0.044) (0.043) (0.031)  (0.031) (0.033) (0.052) (0.050) (0.052) (0.051) (0.050) 

Free 

‐

0.0604** ‐0.0665**  ‐0.0279*  ‐0.0314*  ‐0.0274  ‐0.160***‐0.139***  ‐0.0829**  ‐0.0835** ‐0.0737* ‐0.108*  ‐0.0820*  ‐0.0274  ‐0.0245  0.00314 

   (0.019)  (0.020)  (0.012)  (0.012) (0.014) (0.031) (0.031) (0.027)  (0.027) (0.030) (0.041) (0.039) (0.031) (0.032) (0.035) 

Health                

Very Good     ‐0.00530  ‐0.0171  ‐0.0177* ‐0.0185 0.0400* 0.0426*  0.0428* 0.0462* 0.0129 0.0435 0.0470 0.0567 

      (0.014)  (0.009)  (0.009) (0.009) (0.018) (0.018)  (0.018) (0.019) (0.024) (0.029) (0.030) (0.030) 

Good     0.0128  0.00287 0.00152 0.000155 0.0638*** 0.0513*  0.0511* 0.0479* 0.0485* 0.0746* 0.0791* 0.0832* 

      (0.015)  (0.010)  (0.010) (0.010) (0.017) (0.021)  (0.021) (0.022) (0.024) (0.034) (0.035) (0.034) 

Fair     0.0922***  0.0360* 0.0357* 0.0332 0.115*** 0.0876**  0.0877** 0.0876** 0.0937*** 0.0519 0.0565 0.0624 

      (0.020)  (0.017)  (0.018) (0.019) (0.023) (0.026)  (0.026) (0.026) (0.025) (0.041) (0.042) (0.049) 

Poor     0.191***  0.0775* 0.0753* 0.0750* 0.178*** 0.0791  0.0737 0.0486 0.151*** 0.0611 0.0641 0.0879 

      (0.038)  (0.036)  (0.036) (0.037) (0.039) (0.071)  (0.072) (0.076) (0.037) (0.095) (0.095) (0.102) 

                 

Net Wealth    0.300  0.106  0.112 0.113 0.173 ‐0.0341  ‐0.0323 ‐0.0398 0.433*** 0.0919* 0.0902* 0.114** 

37  

      (0.261)  (0.125)  (0.128) (0.121) (0.179) (0.038)  (0.038) (0.038) (0.101) (0.042) (0.042) (0.041) 

Income     ‐0.0340*** ‐0.000761 ‐0.000583 ‐0.000884 ‐0.0957***‐0.00329  ‐0.00366 ‐0.00116 ‐0.188*** ‐0.0121* ‐0.0122*  ‐0.0116 

      (0.010)  (0.003)  (0.003) (0.003) (0.019) (0.007)  (0.007) (0.009) (0.042) (0.006) (0.006) (0.007) 

Pension                

DB Pen        0.0519***0.0618***0.0576*** 0.128***  0.130*** 0.127*** 0.0463 0.0389 0.0459 

         (0.009)  (0.009) (0.009) (0.017)  (0.019) (0.020) (0.039) (0.037) (0.038) 

DC Pen        ‐0.00707 0.00190 0.00305 0.00627  0.00790 0.00402 ‐0.0134 ‐0.0212 ‐0.00268 

         (0.009)  (0.010) (0.010) (0.017)  (0.017) (0.019) (0.027) (0.026) (0.025) 

DB+DC Pen        0.0417  0.0517* 0.0458* 0.0437  0.0442 0.0245 0.00351 ‐0.00349  0.00758 

         (0.021)  (0.021) (0.020) (0.038)  (0.039) (0.039) (0.071) (0.075) (0.080) 

Health Ins.                

Employer           ‐0.0162 ‐0.0209 ‐0.00245 ‐0.00153 0.152 0.0912 

            (0.015) (0.016) (0.027) (0.029) (0.078) (0.081) 

Spouse           0.0241 0.0200 ‐0.000341 0.0115 0.0858 0.00874 

            (0.018) (0.019) (0.034) (0.036) (0.087) (0.093) 

Gov.plan           0.0498 0.0247 0.0697 0.0897 0.141 0.0918 

            (0.052) (0.053) (0.068) (0.072) (0.077) (0.078) 

Other           ‐0.00286 ‐0.00612 ‐0.0102 0.00843 0.00808 ‐0.0575 

            (0.020) (0.020) (0.045) (0.045) (0.135) (0.137) 

38  

Obs.  7400  6895  6103  6103 6051 6632 6161 3749 3749 3683 7068 6604 2020 2020 1816 

R‐squared  0.049  0.076  0.036  0.039 0.046 0.039 0.093 0.034 0.035 0.053 0.032 0.146 0.028 0.031 0.052 

Notes:   all models include sex, education, race and marital status; models 5, 10, 15 include additional job dummies for industry/occupation/physical effort required 

omitted categories:   Reduce ‐ None ; Health ‐ Excellent ; Pension ‐ None ; Health Insurance ‐ None.  Income is hrly wage *wks per year.   Net Wealth is in $million 

Table 6 

 

   age 51‐59 at t age 60‐64 at t  age 65+ at t

   Outcome: Hours Change [all people]   Mean: ‐3.88 Outcome: Hours Change [all people]   Mean: ‐6.24 Outcome: Hours Change [all people]   Mean: ‐2.20 

Reduce  1  2  3  4 5 6 7 8  9 10 11 12 13 14 15 

Constrain  0.267  0.318  ‐0.218  ‐0.202 ‐0.151 0.0266 0.526 0.571 0.651 0.363 ‐0.366 ‐0.403 ‐0.0156 0.119 ‐0.194 

   (0.579)  (0.710)  (0.902)  (0.874) (0.898) (0.736) (0.765) (1.015)  (1.021) (1.145) (0.608) (0.606) (1.856) (1.840) (1.737) 

Free  1.162*  1.315*  1.224  1.396 1.066 1.725* 2.322* 3.159**  2.967** 2.454* ‐1.030* ‐1.211* ‐0.416 ‐0.454 ‐0.914 

   (0.479)  (0.532)  (0.758)  (0.773) (0.782) (0.725) (0.872) (1.075)  (1.095) (1.178) (0.400) (0.466) (1.054) (1.075) (1.232) 

Health                

Very Good     0.643  0.745  0.769 0.791 ‐1.589* ‐1.968**  ‐1.905** ‐1.978** ‐0.265 0.399 0.354 0.206 

      (0.479)  (0.539)  (0.540) (0.575) (0.698) (0.706)  (0.706) (0.702) (0.553) (1.208) (1.238) (1.235) 

Good     ‐0.0387  ‐0.0826  ‐0.0188 0.0148 ‐1.951** ‐3.062***  ‐3.076*** ‐3.092*** 0.0240 ‐0.238 ‐0.214 ‐0.143 

      (0.534)  (0.579)  (0.581) (0.590) (0.660) (0.826)  (0.823) (0.864) (0.537) (1.061) (1.050) (1.110) 

Fair     ‐1.997*  ‐3.246** ‐3.211** ‐3.282** ‐0.978 ‐3.297**  ‐3.393*** ‐3.381** ‐0.160 ‐1.277 ‐1.371 ‐0.654 

39  

      (0.838)  (1.062)  (1.073) (1.092) (0.844) (0.977)  (0.971) (1.035) (0.558) (1.537) (1.575) (1.714) 

Poor     0.751  ‐5.190*  ‐5.092* ‐5.153* 2.185 ‐1.561  ‐1.754 ‐0.737 0.524 0.563 0.478 ‐1.006 

      (1.213)  (1.956)  (1.998) (2.060) (1.322) (3.606)  (3.613) (3.635) (0.577) (3.255) (3.361) (3.277) 

                 

Net Wealth    ‐2.612  ‐5.739  ‐6.078 ‐6.160 4.710 0.304 0.384 0.763 5.139* ‐1.363 ‐1.343 ‐1.147 

      (2.945)  (5.476)  (5.639) (5.141) (2.412) (2.096)  (2.075) (2.323) (2.454) (1.759) (1.787) (1.924) 

Income     ‐0.485  0.439*  0.433* 0.492** ‐2.361*** 0.422*  0.436* 0.740* ‐1.788* 1.396*** 1.361*** 1.301*** 

      (0.271)  (0.166)  (0.167) (0.173) (0.557) (0.197)  (0.194) (0.280) (0.855) (0.341) (0.325) (0.351) 

Pension                

DB Pen        ‐1.079*  ‐1.618** ‐1.660** ‐7.549***  ‐6.958*** ‐6.874*** ‐5.208*** ‐3.893** ‐4.108* 

         (0.483)  (0.494) (0.530) (0.675)  (0.766) (0.701) (1.370) (1.415) (1.557) 

DC Pen        0.530  0.0322 ‐0.0598 ‐2.775***  ‐2.217** ‐2.096** ‐4.055*** ‐2.948** ‐3.150** 

         (0.508)  (0.500) (0.534) (0.712)  (0.739) (0.729) (1.030) (1.080) (1.045) 

DB+DC Pen        ‐1.186  ‐1.732 ‐1.552 ‐5.465**  ‐4.962* ‐3.577 ‐4.099 ‐2.821 ‐2.620 

         (1.038)  (1.036) (0.992) (1.937)  (1.967) (1.871) (3.311) (3.293) (3.364) 

Health Ins.                

Employer           1.515 1.556 ‐2.636* ‐2.895* 2.519 5.152 

            (1.077) (1.101) (1.068) (1.244) (6.368) (5.796) 

Spouse           ‐0.414 ‐0.519 ‐1.721 ‐2.196 5.794 9.322 

40  

            (1.191) (1.203) (1.301) (1.490) (6.538) (6.101) 

Gov.plan           ‐1.655 ‐0.972 ‐1.033 ‐2.302 5.215 7.529 

            (2.198) (2.290) (2.354) (2.531) (6.366) (5.775) 

Other           1.447 1.666 ‐1.057 ‐1.720 10.96 12.65 

            (1.452) (1.512) (1.615) (1.655) (7.639) (7.276) 

Obs.  7328  6858  6075  6075 6023 6512 6099 3707 3707 3642 6896 6535 1976 1976 1786 

R‐squared  0.007  0.011  0.025  0.027 0.033 0.014 0.040 0.046 0.047 0.065 0.004 0.020 0.037 0.043 0.067 

Notes:   all models include sex, education, race and marital status; models 5, 10, 15 include additional job dummies for industry/occupation/physical effort required 

omitted categories:   Reduce ‐ None ; Health ‐ Excellent ; Pension ‐ None ; Health Insurance ‐ None.  Income is hrly wage *wks per year.   Net Wealth is in $million 

Table 7 

  

  Hours Change [workers]  Retire by t+2  Hours Change [all people] 

   Age groups Age groups Age groups

   51‐59 at t 60‐64 at t 65+ at t 51‐59 at t 60‐64 at t  65+ at t 51‐59 at t 60‐64 at t 65+ at t

Ability to reduce (omitted: None)    

Constrained Reduce  ‐0.794 ‐1.202 ‐0.738 ‐0.00174 ‐0.0404  0.0536 ‐0.612 0.0882 ‐0.372

   (0.586) (0.992) (1.489) (0.021) (0.031)  (0.052) (0.997) (1.078) (1.780)

Free Reduce  ‐0.235 ‐0.282 ‐1.329 ‐0.0194 ‐0.0749*  0.00834 0.278 2.557* ‐0.943

   (0.581) (0.831) (1.105) (0.015) (0.033)  (0.036) (0.901) (1.250) (1.273)

41  

Health (omitted: Excellent)    

Very Good  ‐0.314 ‐0.668 2.099 ‐0.0193* 0.0532**  0.0487 0.348 ‐1.841* 0.385

   (0.438) (0.671) (1.156) (0.009) (0.019)  (0.029) (0.593) (0.750) (1.209)

Good   0.00960 ‐1.693* 2.540* 0.0122 0.0760**  0.0743* ‐0.692 ‐3.701*** 0.0487

   (0.362) (0.805) (1.174) (0.011) (0.023)  (0.034) (0.675) (0.983) (1.151)

Fair  ‐0.916 0.195 1.952 0.0406* 0.0869**  0.0567 ‐3.685*** ‐2.798* ‐0.548

   (0.554) (1.177) (1.475) (0.018) (0.029)  (0.047) (0.996) (1.280) (1.649)

Poor  ‐0.0133 4.273 3.378 0.103* 0.127  0.0870 ‐5.815* ‐2.300 ‐0.896

   (1.871) (3.717) (2.273) (0.041) (0.084)  (0.102) (2.341) (4.274) (3.242)

Wealth/Income    

Net Wealth [$million]  ‐2.525 ‐1.914 4.037 0.0768 ‐0.0405  0.114** ‐4.001 0.973 ‐1.046

   (1.305) (3.079) (4.398) (0.100) (0.033)  (0.042) (3.766) (2.304) (1.935)

Income [$000s p.a. / hrs per wk]  0.476  0.606 1.132** 0.00276 ‐0.00526  ‐0.0117 0.256 0.743* 1.348***

   (0.247) (0.330) (0.332) (0.005) (0.007)  (0.007) (0.253) (0.308) (0.357)

Pension on job (omitted: None)    

DB Pension  0.405  ‐1.491* ‐2.876** 0.0383*** 0.111***  0.0505 ‐0.767 ‐7.100*** ‐5.214**

   (0.383) (0.560) (1.028) (0.010) (0.019)  (0.040) (0.584) (0.720) (1.548)

DC Pension  ‐0.137 ‐1.097 ‐2.491** ‐0.0127 ‐0.000875  0.00164 0.740 ‐2.681** ‐4.013***

   (0.439) (0.617) (0.723) (0.011) (0.021)  (0.026) (0.608) (0.815) (1.019)

42  

DB+DC Pension  0.729  ‐2.763 ‐1.818 0.0242 ‐0.0210  ‐0.00740 0.460 ‐3.022 ‐2.854

   (0.533) (2.004) (2.696) (0.026) (0.041)  (0.072) (1.094) (2.131) (3.099)

Observations  4295  2196 1287 4864 3072  1776 4841 3045 1746

R‐squared  0.021  0.038 0.072 0.050 0.056  0.048 0.035 0.067 0.059

Table 8 

   

43  

  Outcome: Retire by t+2  OLS  Probit 

   51‐59 at t  60‐64 at t  65+ at t  51‐59 at t  60‐64 at t  65+ at t 

Ability to reduce (omitted: None)                   

Constrained Reduce  ‐0.00174  ‐0.0404  0.0536  0.0025  ‐0.0374  0.0514 

   (0.021)  (0.031)  (0.052)  (0.0178)  (0.0337)  (0.053) 

Free Reduce  ‐0.0194  ‐0.0749*  0.00834  ‐0.0260  ‐0.0760*  0.0032 

   (0.015)  (0.033)  (0.036)  (0.0122)  (0.0315)  (0.0378) 

Health (omitted: Excellent)                   

Very Good  ‐0.0193*  0.0532**  0.0487  ‐0.0148  0.0506*  0.0597 

   (0.009)  (0.019)  (0.029)  (0.0085)  (0.0202)  (0.0343) 

Good   0.0122  0.0760**  0.0743*  0.0003  0.0517*  0.0907* 

   (0.011)  (0.023)  (0.034)  (0.0086)  (0.0239)  (0.0403) 

Fair  0.0406*  0.0869**  0.0567  0.0311  0.0964**  0.0690 

   (0.018)  (0.029)  (0.047)  (0.0188)  (0.0305)  (0.0587) 

Poor  0.103*  0.127  0.0870  0.0771*  0.0603  0.0955 

   (0.041)  (0.084)  (0.102)  (0.0387)  (0.0841)  (0.1153) 

Wealth/Income                   

Net Wealth [$million]  0.0768  ‐0.0405  0.114**  0.0732  ‐0.0698  0.1273** 

44  

   (0.100)  (0.033)  (0.042)  (0.0558)  (0.083)  (0.049) 

Income [$000s p.a. / hrs per wk]  0.00276  ‐0.00526  ‐0.0117  ‐0.0008  ‐0.0019  ‐0.0205 

   (0.005)  (0.007)  (0.007)  (0.0029)  (0.0109)  (0.0151) 

Pension on job (omitted: No 

pension)                   

DB Pension  0.0383***  0.111***  0.0505  0.0550***  0.1303***  0.0462 

   (0.010)  (0.019)  (0.040)  (0.01)  (0.0216)  (0.0404) 

DC Pension  ‐0.0127  ‐0.000875  0.00164  0.0027  0.0063  ‐0.0047 

   (0.011)  (0.021)  (0.026)  (0.0111)  (0.0215)  (0.0273) 

DB+DC Pension  0.0242  ‐0.0210  ‐0.00740  0.0520  0.0260  0.0055 

   (0.026)  (0.041)  (0.072)  (0.0244)  (0.042)  (0.084) 

Table 9 

   

45  

 Hours change, all people: [t+2] ‐ t  OLS  Int Reg 

   51‐59 at t  60‐64 at t  65+ at t  51‐59 at t  60‐64 at t  65+ at t 

Ability to reduce (omitted: None)                   

Constrained Reduce  ‐0.612  0.0882  ‐0.372  ‐0.508  0.664  ‐1.344 

   (0.997)  (1.078)  (1.780)  (1.134)  (1.496)  (2.440) 

Free Reduce  0.278  2.557*  ‐0.943  0.570  3.975*  ‐0.845 

   (0.901)  (1.250)  (1.273)  (1.021)  (1.703)  (1.674) 

Health (omitted: Excellent)                   

Very Good  0.348  ‐1.841*  0.385  0.446  ‐2.508*  0.000359 

   (0.593)  (0.750)  (1.209)  (0.658)  (0.986)  (1.672) 

Good   ‐0.692  ‐3.701***  0.0487  ‐0.864  ‐5.007***  ‐0.920 

   (0.675)  (0.983)  (1.151)  (0.763)  (1.329)  (1.579) 

Fair  ‐3.685***  ‐2.798*  ‐0.548  ‐4.349***  ‐3.995*  ‐1.063 

   (0.996)  (1.280)  (1.649)  (1.174)  (1.737)  (2.236) 

Poor  ‐5.815*  ‐2.300  ‐0.896  ‐7.143*  ‐5.141  ‐1.887 

   (2.341)  (4.274)  (3.242)  (2.777)  (6.138)  (4.339) 

Wealth/Income                   

Net Wealth [$million]  ‐4.001  0.973  ‐1.046  ‐4.573  1.341  ‐2.888 

46  

   (3.766)  (2.304)  (1.935)  (4.310)  (2.766)  (3.432) 

Income [$000s p.a. / hrs per wk]  0.256  0.743*  1.348***  0.277  0.889*  1.567*** 

   (0.253)  (0.308)  (0.357)  (0.278)  (0.377)  (0.427) 

Pension on job (omitted: No 

pension)                   

DB Pension  ‐0.767  ‐7.100***  ‐5.214**  ‐0.720  ‐8.685***  ‐5.480* 

   (0.584)  (0.720)  (1.548)  (0.667)  (1.077)  (2.089) 

DC Pension  0.740  ‐2.681**  ‐4.013***  1.119  ‐2.252*  ‐3.817** 

   (0.608)  (0.815)  (1.019)  (0.685)  (1.110)  (1.309) 

DB+DC Pension  0.460  ‐3.022  ‐2.854  0.632  ‐2.449  ‐2.913 

   (1.094)  (2.131)  (3.099)  (1.268)  (2.883)  (3.954) 

Table 10 

   

47  

 Outcome: Retire by t+2  51‐59 at t 60‐64 at t 65+ at t

Ability to reduce (omitted: None)    

Constrained Reduce [Wave 1]  ‐0.00174 ‐0.0404 0.0536

   (0.021) (0.031) (0.052)

Free Reduce [Wave1]  ‐0.0194 ‐0.0749* 0.00834

   (0.015) (0.033) (0.036)

Any Reduce [Wave 1]     ‐0.00635 ‐0.0773*** ‐0.000607

      (0.012) (0.018)  (0.025)

Any Reduce [Contemp.]     0.00170 ‐0.0249 ‐0.0448

      (0.010) (0.015) (0.026)

Health (omitted: Excellent)    

Very Good  ‐0.0193* ‐0.0196* ‐0.0193* 0.0532** 0.0505**  0.0560*** 0.0487 0.0538 0.0730*

   (0.009) (0.009) (0.009) (0.019) (0.018)  (0.016) (0.029) (0.029) (0.030)

Good   0.0122 0.0125 0.0101 0.0760** 0.0762**  0.0719** 0.0743* 0.0829* 0.0847*

   (0.011) (0.011) (0.010) (0.023) (0.022)  (0.021) (0.034) (0.034) (0.039)

Fair  0.0406* 0.0395* 0.0352* 0.0869** 0.0866**  0.0829** 0.0567 0.0606 0.0995*

   (0.018) (0.017) (0.015) (0.029) (0.029)  (0.026) (0.047) (0.046) (0.041)

Poor  0.103* 0.102* 0.105* 0.127 0.117  0.145 0.0870 0.0931 0.100

   (0.041) (0.041) (0.040) (0.084) (0.077)  (0.091) (0.102) (0.101) (0.100)

48  

Wealth/Income    

Net Wealth [$million]  0.0768 0.0698 0.0539 ‐0.0405 ‐0.0266  ‐0.0177 0.114** 0.105* 0.151

   (0.100) (0.092) (0.086) (0.033) (0.037)  (0.041) (0.042) (0.044) (0.175)

Income [$000s p.a. / hrs per wk]  0.00276 0.00290 0.000825 ‐0.00526 ‐0.00454  ‐0.0130 ‐0.0117 ‐0.0112 ‐0.00787

   (0.005) (0.005) (0.001) (0.007) (0.007)  (0.009) (0.007) (0.007) (0.005)

Pension on job (omitted: No pension)    

DB Pension  0.0383*** 0.0404*** 0.0439*** 0.111*** 0.108***  0.123*** 0.0505 0.0489 0.0428

   (0.010) (0.010) (0.010) (0.019) (0.018)  (0.019) (0.040) (0.041) (0.041)

DC Pension  ‐0.0127 ‐0.0116 ‐0.00673 ‐0.000875 0.00482  0.0125 0.00164 ‐0.000164 ‐0.0254

   (0.011) (0.011) (0.010) (0.021) (0.020)  (0.019) (0.026) (0.026) (0.023)

DB+DC Pension  0.0242 0.0249 0.0299 ‐0.0210 ‐0.00613  ‐0.00713 ‐0.00740 ‐0.00280 ‐0.0377

   (0.026) (0.026) (0.024) (0.041) (0.040)  (0.040) (0.072) (0.071) (0.070)

Table 11 

   

49  

 Hours change, all people: [t+2] ‐ t  51‐59 at t 60‐64 at t 65+ at t

Ability to reduce (omitted: None)    

Constrained Reduce [Wave 1]  ‐0.612 0.0882 ‐0.372

   (0.997) (1.078) (1.780)

Free Reduce [Wave1]  0.278 2.557* ‐0.943

   (0.901) (1.250) (1.273)

Any Reduce [Wave 1]     ‐0.187 1.931**  ‐0.420

      (0.512) (0.675)  (0.817)

Any Reduce [Contemp.]     ‐0.196 2.157** 1.645*

      (0.450) (0.660) (0.795)

Health (omitted: Excellent)    

Very Good  0.348 0.386 0.225 ‐1.841* ‐1.792*  ‐1.860* 0.385 0.196 ‐0.480

   (0.593) (0.594) (0.570) (0.750) (0.752)  (0.704) (1.209) (1.178) (1.216)

Good   ‐0.692 ‐0.656 ‐0.690 ‐3.701*** ‐3.582*** ‐2.789** 0.0487 ‐0.332 ‐0.703

   (0.675) (0.677) (0.588) (0.983) (0.966)  (0.871) (1.151) (1.170) (1.191)

Fair  ‐3.685*** ‐3.635*** ‐3.349*** ‐2.798* ‐2.759*  ‐2.408 ‐0.548 ‐1.024 ‐1.008

   (0.996) (0.973) (0.941) (1.280) (1.288)  (1.248) (1.649) (1.675) (1.668)

Poor  ‐5.815* ‐5.820* ‐5.788** ‐2.300 ‐1.433  ‐3.546 ‐0.896 ‐0.997 ‐2.241

   (2.341) (2.332) (2.147) (4.274) (4.021)  (4.646) (3.242) (3.239) (3.728)

50  

Wealth/Income    

Net Wealth [$million]  ‐4.001 ‐3.857 ‐3.444 0.973 0.888  0.315 ‐1.046 ‐0.765 ‐7.625

   (3.766) (3.615) (3.717) (2.304) (2.077)  (2.872) (1.935) (1.998) (7.533)

Income [$000s p.a. / hrs per wk]  0.256 0.263 0.0750 0.743* 0.727*  1.087* 1.348*** 1.325*** 1.103*

   (0.253) (0.253) (0.060) (0.308) (0.310)  (0.521) (0.357) (0.370) (0.460)

Pension on job (omitted: No pension)    

DB Pension  ‐0.767 ‐0.906 ‐1.088 ‐7.100*** ‐7.034*** ‐6.495*** ‐5.214** ‐5.251** ‐5.406***

   (0.584) (0.562) (0.573) (0.720) (0.680)  (0.719) (1.548) (1.579) (1.545)

DC Pension  0.740 0.634 0.378 ‐2.681** ‐2.875*** ‐2.383** ‐4.013*** ‐3.858*** ‐3.206**

   (0.608) (0.588) (0.579) (0.815) (0.807)  (0.860) (1.019) (0.963) (1.001)

DB+DC Pension  0.460 0.327 0.0272 ‐3.022 ‐3.545  ‐2.563 ‐2.854 ‐2.816 ‐0.450

   (1.094) (1.090) (1.085) (2.131) (2.127)  (2.043) (3.099) (3.086) (2.989)

Table 12 

 

 

51  

Paper2:Laborsupplyflexibilityandportfoliochoice

Introduction23Life expectancy in the United States continues to increase (Miniño, Murphy et al. 2011), Defined Benefit 

pensions are declining in prevalence (Poterba, Venti et al. 2009), and Social Security provides a lower 

income replacement rate now than in previous generations (Butrica, Iams et al. 2004) . In order to 

sustain their high standard of living at older ages, Americans need to accumulate significant wealth over 

their lifetime by working, saving and investing. If opportunities exist, they may also wish to delay 

retirement or supplement their retirement income with post‐retirement part‐time employment.  

This paper provides new insights into three aspects of this lifetime work/save/invest decision process. At 

older ages, workers may find it difficult to sustain the same workload as at younger ages; this paper 

provides evidence on job stressors over time and the flexibility workers have to adjust their workload. At 

older ages, a negative shock to an individual’s savings through unexpected costs or poor investment 

performance can be very damaging; this paper provides new evidence on the extent to which workers 

expect to be able to compensate for such shocks with increased work. Finally, most individuals make a 

series of investment decisions over their lifetime, and these decisions may be related to their labor 

behavior and expectations; this paper provides an empirical exploration of the relatively under‐

researched link between labor behavior and portfolio choice.  

More specifically, our empirical work investigates how an individual’s ability to adjust their lifetime labor 

supply affects their stock holding behavior. Building on a limited existing literature, we examine the 

impact of labor supply flexibility at the intensive margin (the ability to adjust hours of work within a 

career) on an individual’s investment in the stock market. Going beyond previous research, we also 

examine how factors that affect labor supply at the extensive margin (job characteristics and demands 

that make it easier or more difficult to continue a career at older ages) are related to stock investment 

behavior. In contrast with previous work, we find little evidence of any impact from intensive margin 

flexibility. However, we do find suggestive evidence supporting a link between extensive margin 

flexibility and investment behavior. 

 

BackgroundandPreviousLiterature

Theexistenceof‘rigidities’inthelabormarket,andtheireffectsonlaboroutcomesWhile the simplest lifecycle models of labor supply assume that workers are free to adjust their personal 

labor supply over time, many workers face labor market rigidities: their employer offers a limited choice 

                                                            23 Thanks are due to the Roybal Center for Financial Decision Making, which provided funding for our survey through a pilot project, and to Joanne Yoong and Angela Hung for providing access to data from their asset allocation survey 

52  

of work options, and switching employers can be prohibitively costly (particularly at older ages)24. 

Several papers find indirect evidence of constraints on labor supply by examining work transitions at 

older ages. Comparisons between the labor supply of employees and the self‐employed show that 

employees do not transition from full‐time work to part‐time work at the same rates as the self‐

employed, implying that there are constraints preventing them from doing so (Hurd 1996). Similarly, 

employees have been shown to be more likely to withdraw fully from the labor market than the self‐

employed, perhaps due in part to a lack of suitable part‐time work options25 (Zissimopoulos, Maestas et 

al. 2007).  

Research on ‘bridge jobs’ – part‐time employment taken as a bridge to retirement after leaving a ‘career 

job’ – finds that workers who switch employers at older ages receive significantly lower hourly wages 

than at their previous employer, and argues that these workers must therefore not have had the option 

available to continue to work for their previous employer on a part‐time basis (Gustman and Steinmeier 

1985; Ruhm 1990). Switching jobs at older ages may be difficult for several reasons: job‐specific human 

capital is no longer valuable (Hurd 1996), relatively high health insurance and pension costs may 

dissuade employers from hiring older workers (Scott, Berger et al. 1995), and older job‐seekers may face 

discrimination (Lahey 2008). Thus, older workers may face real constraints on their labor supply 

decision: their employer may not allow them to adjust their labor in their current job, and it may not be 

feasible to effect an adjustment by switching to a new job.    

The effect of labor supply constraints on overall labor supply is theoretically ambiguous: some 

individuals might prefer to work part‐time, but due to constraints choose to work full time; other 

individuals might most prefer to work part‐time, but prefer retirement to full‐time work; the net result 

of these two effects is theoretically ambiguous. A study of the University of North Carolina system found 

that allowing the flexibility of a phased retirement plan had the net effect of reducing an individual’s 

labor supply (Allen, Clark et al. 2004). In contrast, a more general projection exercise suggested that 

allowing workers to work half‐time at half‐pay would increase net labor supply (Gustman and 

Steinmeier 2007).  

Two papers examine longitudinal effects of labor supply constraints using the Health and Retirement 

Study, in which workers are asked directly whether or not they are able to reduce their hours of work in 

their main job. Charles and DeCicca found that older workers who faced a strong constraint on labor 

supply in 1992 had increased an likelihood of retiring by 1996 (Charles and DeCicca 2007). Clift confirms 

that older workers with greater flexibility tend to have lower retirement hazard (particularly around 

Social Security’s early retirement age), but finds that by reducing their hours of work in their 50s, more 

flexible workers may simply be smoothing labor supply over time; thus, labor supply constraints may 

affect when an individual supplies labor without having much effect (negative or positive) on how much 

labor an individual supplies (Clift 2012).  

                                                            24 For more detailed discussion of literature on labor supply flexibility and its effect on labor outcomes, see discussion by Clift (Clift 2012) 25 Although (as the authors note) a large part of the observed difference in labor supply behavior can be explained by reference to pension differences and other factors 

53  

PortfoliochoiceandtheroleoflaborsupplyOver the life cycle, individuals decide not only how much to work and how much to save, but also how 

to allocate those savings across a portfolio of assets that vary in their risk and return. Simple economic 

models of asset allocation between a ‘safe’ and ‘risky’ asset – assuming stochastic asset returns and 

constant relative risk aversion (CRRA) – predict that individuals should keep the same balance between 

safe and risky assets throughout the lifecycle; but this conflicts with the typical advice of financial 

professionals, that individuals should reduce their exposure to risk as they age (Samuelson 1969; Gollier 

2005). 

However, various extensions of the standard CRRA lifecycle model can produce this type of time‐varying 

investment strategy. For example, an intuitive explanation for having higher risk tolerance in investment 

early in the life‐cycle is that if pension contributions can be adjusted over time, then an early wealth 

shock can be smoothed through adjustments to savings and consumption over a long period, while later 

wealth shocks require abrupt adjustments and steep declines in utility (Gollier 2005). 

A potentially more interesting and nuanced explanation for time‐varying investment strategies is 

examined in a number of papers examining the role of future labor income in determining optimal 

portfolio allocation strategy. Future income represents a large portion of a young person’s wealth, but it 

is not clear how it should be regarded in terms of expectations and risks. If future income is considered 

to be a ‘safe’ asset with finite horizon, and this wealth diminishes over time as the individual approaches 

retirement, then CRRA models suggest that the reduction in the riskless labor income asset over time 

should be met with a rebalancing of financial wealth away from risky assets towards riskless assets, in 

order to maintain the same balance of risk in the total wealth portfolio (Jagannathan and Kocherlakota 

1996).   

However, treating future labor income in this way may be too simplistic – a number of different 

assumptions may be made to bring the modeling closer to reality. One modeling exercise shows that if 

future income has a great deal of prospective uncertainty early in a career, but becomes revealed over 

the course of a career, this might combine with the long‐term smoothing justification above to produce 

an investment trajectory that is conservative when future income is uncertain, rises as future income 

becomes more certain, and falls again as the ability to smooth future consumption and savings 

decreases (Gollier 2005). 

In addition to uncertainty, there may also be uninsurable risk involved in future labor income, and this 

risk may be heterogeneously distributed across individuals. One study uses the 1979‐1990 Panel of 

Individual Tax Returns to document significant heterogeneity in wage income and proprietary income 

streams, and combines this with prior research on the holding of employer stocks by employees in order 

to show differences in ‘background risk’ that might explain differences in portfolio behavior across 

different people (Heaton and Lucas 2000). A further issue with future labor income risk is the extent to 

which it is correlated with stock market risk, such that investments in stocks do not provide a diversified 

risk portfolio: if future labor income is highly correlated with the performance of the stock market, this 

will tend to reduce the optimal portfolio share invested in stocks. On the one hand, research to date 

suggests that labor income is not strongly tied to stock market performance for most people 

54  

(Jagannathan and Kocherlakota 1996; Cocco, Gomes et al. 2005); on the other hand, other research has 

found that modeling labor income and asset returns as jointly related to the business cycle leads to an 

improved match of simulated asset profiles over the life‐cycle with those empirically observed (Lynch 

and Tan 2011).  

TheeffectoflaborsupplyconstraintsonportfoliochoiceOne other aspect of lifecycle labor income may affect portfolio allocation behavior: the degree to which 

people have an ability to adjust their labor supply (and thus labor income) over time in response to 

shocks. In the earliest full examination of the topic from a theoretical standpoint, researchers showed 

that in a continuous‐time consumption and portfolio allocation model, optimal portfolio allocation rules 

vary when labor supply is flexible, rather than predetermined over the lifecycle (Bodie, Merton et al. 

1992). Specifically, a worker with flexibility over future labor supply should be able to bear more risk in 

their investments than people with fixed labor supply, because in the event of a shock a flexible worker 

can adjust not only their consumption/savings tradeoff, but also their leisure/consumption tradeoff – a 

worker can work more hours to make up for poor performance in their investments, rather than just 

cutting back on consumption.26 Additionally, the investment effect of labor flexibility may vary by age: 

earlier in life, a worker has a long period over which work hours can be increased very slightly to make 

up for a negative wealth shock; later in life, workers have a shorter period over which to adjust their 

labor supply and may also have less flexibility to do so.  

A subsequent theoretical paper confirms that workers with labor flexibility should be able to invest 

more riskily at all ages (until retirement) than workers without labor flexibility. Furthermore, an 

additional relevant source of labor supply flexibility is the ability to choose when to retire: flexibility to 

choose timing of retirement or partial retirement allows more risky assets to be held at older ages than 

otherwise would be advisable (Gollier 2005).  

From the literature discussed thus far, simple CRRA models of savings and investment behavior can be 

extended in various ways to justify the time‐varying portfolio allocation strategies typically proposed by 

financial advisors.27  The most important extensions focus on the role that future labor income plays as 

an asset, and the varying ability of workers to smooth past and present consumption and leisure in 

response shocks. The ability to adjust labor supply is a potentially important smoothing mechanism, 

reducing the lifetime utility losses associated with negative investment shocks (while also increasing the 

lifetime utility gains associated with positive investment shocks).  

To date, very little empirical work has addressed the relationship between labor supply flexibility and 

portfolio allocation. In an unpublished working paper, Benitez‐Silva conducts an empirical analysis of the 

                                                            26 Recent work on the effects of the financial crisis find that households near retirement reacted by reducing consumption, working longer, and reducing bequests (Hurd and Rohwedder 2010) 27 Although it is beyond the scope of this paper, risk tolerance in investment behavior is also likely to be affected by other sources of background risk, such as medical expenditures. International differences in the medical expenditure risks over the life cycle have been cited as a reason for international differences in life cycle investments in risky assets (Kapteyn and Panis 2005); heterogeneity in the supplemental coverage held by Medicare recipients has been shown to be related to differences in risky asset holdings among older Americans (Goldman and Maestas 2012). 

55  

relationship between labor supply flexibility and portfolio decisions using panel data from HRS, 

alternately using self‐employment status and self‐reported ability to increase28 working hours as 

measures of labor supply flexibility for individuals aged 51 and over (Benitez‐Silva 2006). He chooses as 

his outcome of interest the logarithm of an individual’s wealth held in stocks, while attempting to 

control carefully for the individual’s level of wealth held in non‐risky assets. He finds that labor supply 

flexibility increases wealth held in stocks by 12‐14%.   

In contrast to Benitez‐Silva, we do not have the benefit of repeated observations over time for 

individuals in our dataset. However, our dataset is unique in containing information on both labor 

supply constraints and portfolio allocation for people aged 25‐67; as previously discussed, the effects of 

labor supply flexibility on portfolio choices are predicted to be larger earlier in the lifecycle29. We also 

attempt to control for heterogeneity in intrinsic risk‐aversion (potentially important for explaining 

variation in portfolio risk exposure).  

Finally, we use broader concepts of labor supply flexibility than Benitez‐Silva, examining flexibility on 

both the intensive and extensive margin. While the discussion to this point has focused on the ability of 

individuals to make small adjustments to the number of hours worked in a given period, an alternative 

paradigm involves workers with relatively fixed weekly work hours over their working life but with 

flexibility on the length of their career. While the results are open to interpretation30, we find that the 

variables pertaining to labor supply flexibility on the extensive margin have a stronger relationship to 

portfolio choice than the intensive margin flexibility variables.   

We now go on to present a description of our data sources and sample characteristics. There follows an 

array of descriptive statistics of interest; a section discussing the logic behind our choices in the 

empirical modeling; a section detailing our empirical results; and a section discussing our findings. We 

conclude with a conclusion. 

 

 

                                                            28 He argues that the ability to reduce hours is less important for the interaction between labor supply and portfolio decisions, citing as supporting evidence that individuals did not react to the 2001 economic upturn with a reduction in hours worked 29 However, other factors (such as uncertainty about future income) may also be stronger earlier in the lifecycle 30 We do not have plausibly exogenous variation in job characteristics, reducing the level of causal inference we can draw; and the pathways through which our independent variables may affect investment behavior are also subject to alternative interpretations 

56  

DataDescriptionandSampleCharacteristics

TheAmericanLifePanelFor this research, we fielded a new survey31  in RAND’s American Life Panel (ALP)32, and combined this 

data with previous ALP surveys answered by the same group of respondents.  

The ALP is a large‐scale internet panel survey administered by RAND, fielded to approximately 5,000 

participants aged 18 and above. The initial cohort of survey participants was recruited from the 

University of Michigan Survey Research Center’s random digit dial Monthly Survey, and has been 

supplemented with members of the Stanford / Abt SRBI National Survey Panel. In order to avoid a 

common sample bias issue for internet surveys, RAND provides internet access and an internet browsing 

device33 to the relatively small number of households that do not have their own access. Respondents 

are compensated approximately $40 per hour of survey‐taking. 

The ALP asks a detailed set of demographic questions each quarter, and these are used to construct 

sampling weights to align the ALP sample with the larger benchmark Current Population Survey (CPS). 

Efficient sampling weights require a parsimonious set of matching variables/categories. Given our 

particular interest in job characteristics and their relationship to portfolio choice, we include among our 

matching variables a parsimonious occupation variable, in addition to gender, age group, educational 

level and income level. After weighting, the basic descriptive statistics for our dataset are generally as 

expected, although our sample appears to be slightly more 

educated than the CPS (the difference in the 

Married/Partnered variable is likely to be definitional in 

nature, with unmarried cohabiting partners included in the 

definition in ALP). 

 

 

 

 

 

 

                                                            

31 The full survey protocol for the new survey we fielded is reproduced in Appendices 

AppendixA 32 For full information on the American Life Panel, see https://mmicdata.rand.org/alp/  33 Laptop or Microsoft TV2 

  ALP  CPS 

Male  0.51  0.53       

White  0.79  0.80       

Married/Partnered  0.70  0.64       

Age      

25‐40   0.41  0.41 

41‐50   0.26  0.27 

51‐60   0.25  0.24 

61‐67   0.08  0.08       

Education      

High School or Less   0.34  0.40 

Some College but no BA   0.31  0.27 

Bachelor’s Degree   0.22  0.21 

Higher Degree   0.14  0.11      

N  1341  83,402 

57  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   

Table 13: Demographics

Occupation   ALP  CPS 

Management   0.12  0.11 

Business and Financial Operations   0.06  0.05 

Computer and Mathematical   0.03  0.03 

Architecture and Engineering   0.02  0.02 

Life, Physical, and Social Science   0.01  0.01 

Community and Social Services   0.02  0.02 

Legal   0.01  0.01 

Education, Training, and Library   0.07  0.07 

Arts, Design, Entertainment, Sports, and Media   0.02  0.02 

Healthcare Practitioner and Technical   0.06  0.06 

Healthcare Support   0.04  0.02 

Protective Service   0.02  0.02 

Food Preparation and Serving Related   0.03  0.04 

Building and Grounds Cleaning and Maintenance   0.02  0.04 

Personal Care and Service   0.02  0.03 

Sales and Related   0.10  0.10 

Office and Administrative Support   0.13  0.13 

Farming, Fishing, and Forestry   0.01  0.01 

Construction and Extraction   0.03  0.06 

Installation, Maintenance, and Repair   0.04  0.04 

Production   0.08  0.06 

Transportation and Material Moving   0.05  0.06  

N 1341 83,402

Table 14: Occupations

58  

OursurveyIn August 2011, we fielded a new survey in the ALP focusing on labor supply flexibility, and combined 

the data with data from a previously fielded survey that focused on detailed asset holdings.  

The survey was fielded to 1527 individuals who had responded to the previous asset survey and were 

aged between 25 and 67 inclusively. Our survey received 1498 responses. Of these, 157 were dropped 

because they indicated that they were not currently working. This gives a base sample of 1341 for 

examining questions about labor supply flexibility and other job characteristics. 

Of this 1341, 102 had not given complete information in the asset holding survey to determine their 

complete wealth measure. Of the remaining 1239, a further 43 did not provide sufficient information to 

determine whether they held stocks, so cannot be used for determining stock holdings. An additional 

126 do not provide enough information to calculate their full financial holdings, with one respondent 

providing enough information for gross wealth but not enough for net wealth. With the most restrictive 

sample selection, the sample characteristics were very similar to those in tables 1 and 2; however, the 

selected sample included a larger proportion of White respondents. 

Our new survey included several variables that also appear for the age 51+ population in the Health and 

Retirement Study. Of these, the key variables we will explore are: whether the individual can increase 

hours of work in their current job; whether the individual can reduce hours of work in their current job; 

how often the individual’s job requires lots of physical effort; how often the individual’s job requires 

intense concentration.  

We also included in the survey several new variables relating to labor supply flexibility, and the ability to 

adjust labor supply in response to negative wealth shocks: whether the individual can “buy” additional 

vacation days from their employer; whether the individual can “sell” surplus vacation days back to their 

employer; how far the individual agrees that, in their current job, it is difficult to keep up with changes in 

technology;  how far the individual agrees with the statement “If I lost some of my savings, I would just 

have to make do with less when I retired”; and how far the individual agrees with the statement “If I lost 

some of my savings, I could always work longer to make up for it”.34 The first two are an extension of 

being able to increase or reduce hours of paid work, looking at being able to increase or reduce days of 

paid work. The third variable explores one of the ways in which workers may not be able to continue to 

work indefinitely: obsolescence of technology‐specific skills. The last two variables are novel, and 

attempt to understand whether people expect to be willing and able to work more intensely (or retire 

later) if they had a negative wealth shock, or whether they would mostly have to cut back on 

consumption. The logic expressed in the literature previously discussed is that individuals may 

consciously choose to invest in more risky assets precisely because they believe that they can mitigate 

potential negative consequences; these new variables attempt to capture that sentiment. 

                                                            

34ExactquestionphrasingisavailableinAppendicesAppendix A 

59  

OutcomemeasuresThere are several potential measures that could be used to summarize portfolio choice. The most basic 

measure we will use is a simple binary outcome for whether or not an individual owns any stocks. We 

can also examine the intensity of stock holdings: in their seminal theoretical paper, Bodie et al. mention 

the proportion of financial wealth held in risky assets as one standard measure, and the proportion of 

‘total’ wealth held in risky assets as the more relevant measure35 (where total wealth includes not only 

financial and real assets but also an estimation of the asset equivalent of future labor income) (Bodie, 

Merton et al. 1992).  

While seemingly straightforward, the measures above pose some questions for implementation. In 

order to focus on ‘active’ investment choices in liquid assets, we do not include assets held within 

Defined Contribution (DC) plans in the calculation of financial wealth held in risky assets; this prevents 

us from conflating employer‐driven pension effects with more active portfolio risk‐taking. Additionally, 

the   measures of DC wealth and allocation across asset classes in our dataset contain a significant 

number of clear reporting errors; using measures of DC allocation and excluding the known errors would 

reduce our sample without producing measures in which we have confidence. Nonetheless, in sensitivity 

analysis we rerun our models incorporating DC assets on the reduced sample. For our main analyses, we 

define financial wealth as the sum of stocks, bonds, certificates of deposit, checking and savings account 

balances.  

Creating a variable describing the proportion of ‘total’ wealth held in risky assets poses additional 

challenges. Bodie et al.’s measure is imagined to be bounded by 0 and 1, but given debts and liabilities 

(particularly after the housing crash left some individuals with mortgage debt exceeding their home 

values), it is possible for individuals to have net asset wealth that is less than their stock holdings, or 

even to have negative net wealth; this would cause the ratio of stocks to net wealth to exceed 1 or be 

less than 0. This particular challenge could be overcome by focusing on gross wealth, rather than net 

wealth, ignoring debts and mortgages, but this would misrepresent an individual’s total wealth. 

Furthermore, we lack sufficient data to judge the asset‐equivalent value of future labor income, and 

therefore our ‘total’ wealth measure options fall far short of those suggested by Bodie et al.. We do not 

believe that the potential ‘total’ wealth measures are a sufficient theoretical improvement to justify the 

increased complexity described above.   

   

                                                            35 Their concept of ‘total’ wealth includes a ‘human capital’ value placed on the potential future labor income in their theoretical model, divided into a ‘risk‐free’ and ‘risky’ portion to reflect the equivalent asset characteristics. Any attempt for us to do this in an empirical setting would be highly speculative. Nonetheless, our results relating portfolio choice to job characteristics can be interpreted in this spirit. 

60  

DescriptiveStatistics:ByGender,AgeandEducationLevel

HoursandvacationflexibilityBetween the ages of 25 and 60, there seems to be little change in the hours flexibility for men, hovering 

around 20% who can reduce weekly work hours and around 30% who can increase work hours. Women 

tend to have more flexibility to reduce hours than men at all ages, but women in the 51‐60 age group 

have less flexibility than those in the 25‐40 range, for both increasing or reducing hours. This may reflect 

women in the younger age group working more part‐time jobs in combination with raising children. An 

alternative explanation is that there are differences between cohorts, such that older cohorts have been 

subject to different opportunities throughout their lives and been placed in different types of work (or 

different labor force statuses) from younger cohorts.36  

Women in the oldest age category (61‐67) seem to have the most flexibility, but it is not clear whether 

this reflects women switching to more flexible jobs at older ages, or that differences in retirement 

hazard by flexibility status (as seen in Clift(2012)) lead to a biased sample in this age category. Buying 

and selling of vacation days is not a common option for men or women, though it appears that the 

option to sell vacation days may be more prevalent than the option to buy. 

Male  Female 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

Can reduce weekly work hours  0.15  0.14  0.23  0.25  0.34  0.30  0.25  0.38 

Can increase weekly work hours  0.26  0.28  0.31  0.19  0.34  0.37  0.25  0.37 

Can 'buy' extra vacation days  0.06  0.03  0.03  0.04  0.04  0.07  0.02  0.02 

Can 'sell' back vacation days  0.11  0.15  0.06  0.12  0.05  0.10  0.07  0.10 Table 15: Hours and vacation flexibility by sex and age. All figures are survey weighted proportions. [N=1072] 

Male  Female 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

Chances of having a flexible job when approaching retirement    

0: 0‐49%  0.45  0.60  0.55  0.57  0.41  0.41  0.58  0.52 

1: 50%  0.26  0.17  0.14  0.18  0.34  0.27  0.19  0.10 

2: 51‐100%  0.29  0.23  0.31  0.24  0.26  0.32  0.23  0.38 Table 16: Expected future hours flexibility by sex and age. All figures are survey weighted proportions. [N=1072] 

In general, it appears that people with higher levels of education may work in less flexible jobs than 

those with lower education  ‐ men with higher education are less likely to be allowed to increase their 

work hours, while women with higher education are less likely to be allowed to reduce their work hours. 

                                                            36 Although the descriptive tables we present segmented by age groups generally seem to reflect plausible differences in work conditions, expectations and sorting over the lifecycle, all ‘age differences’ in our cross‐sectional data admit of cohort‐difference explanations. This may be particularly relevant for women, given the significant rise in female labor force participation: in 1970, when the oldest of our sample were in their early 20s, the female labor force participation rate was 43.3%; in 2006, when the youngest of our sample were in their early 20s, the rate was 59.4%. (US Bureau of Labor Statistics 2011) 

61  

This may reflect a preponderance of hourly sales and service jobs among the lower educated, with more 

highly educated workers in more formal salaried positions. 

 

Male  Female 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

Can reduce weekly work hours  0.21  0.12  0.21  0.15  0.34  0.35  0.27  0.17 

Can increase weekly work hours  0.33  0.30  0.21  0.17  0.26  0.38  0.31  0.30 

Can 'buy' extra vacation days  0.02  0.04  0.06  0.06  0.04  0.04  0.04  0.03 

Can 'sell' back vacation days  0.13  0.07  0.10  0.14  0.07  0.09  0.07  0.04 Table 17: Hours and vacation flexibility by sex and education. All figures are survey weighted proportions. [N=1072]

Male  Female 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

Chances of having a flexible job when approaching retirement    

0: 0‐49%  0.56  0.52  0.44  0.58  0.64  0.37  0.39  0.47 

1: 50%  0.15  0.25  0.24  0.17  0.21  0.32  0.26  0.23 

2: 51‐100%  0.29  0.23  0.32  0.24  0.16  0.32  0.34  0.30 Table 18: Expected future hours flexibility by sex and education. All figures are survey weighted proportions. [N=1072]

 

62  

JobstressorsOf the job stressors, it appears that older men may have jobs that require intense concentration less 

often than younger men, while older women may have less physically demanding jobs than younger 

women. We see the expected negative education / physical effort gradient across both sexes. Men with 

high school education only may face more retirement pressure than those in other groups. 

Male  Female 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

Coworkers make people feel they should retire by 65    

Agree  0.16  0.13  0.13  0.23  0.12  0.16  0.13  0.05 

Disagree  0.69  0.78  0.82  0.67  0.72  0.76  0.78  0.88 

DNA37  0.15  0.09  0.05  0.10  0.16  0.08  0.09  0.07 

My job requires lots of physical effort    

All or Most time  0.32  0.28  0.34  0.14  0.28  0.18  0.21  0.17 

Some time  0.25  0.31  0.27  0.28  0.23  0.35  0.23  0.27 

No time or DNA  0.42  0.41  0.39  0.58  0.49  0.46  0.56  0.56 

My job requires intense concentration or attention    

All or Most time  0.91  0.79  0.76  0.79  0.79  0.81  0.79  0.82 

Some time  0.06  0.21  0.21  0.16  0.16  0.19  0.19  0.15 

No time or DNA  0.03  0.00  0.03  0.05  0.04  0.00  0.01  0.04 Table 19: Job stressors by sex and age. All figures are survey weighted proportions. [N=1072] 

Male  Female 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

Coworkers make people feel they should retire by 65    

Agree  0.24  0.16  0.11  0.16  0.12  0.15  0.15  0.14 

Disagree  0.65  0.71  0.78  0.73  0.73  0.76  0.73  0.81 

DNA  0.11  0.14  0.11  0.12  0.15  0.09  0.12  0.05 

My job requires lots of physical effort 

All or Most time  0.53  0.37  0.13  0.08  0.37  0.29  0.16  0.11 

Some time  0.29  0.31  0.27  0.21  0.26  0.31  0.25  0.22 

No time or DNA  0.18  0.31  0.60  0.70  0.37  0.40  0.59  0.67 

My job requires intense concentration or attention 

All or Most time  0.83  0.83  0.81  0.86  0.77  0.79  0.83  0.87 

Some time  0.11  0.16  0.16  0.13  0.20  0.17  0.15  0.13 

No time or DNA  0.06  0.01  0.03  0.01  0.04  0.05  0.02  0.00 Table 20: Job stressors by sex and education. All figures are survey weighted proportions. [N=1072] 

 

                                                            37 Unless otherwise noted, all Agree/Disagree answers are recoded from a five point scale (Strong Agree, Agree, Disagree, Strong Disagree, Does Not Apply), and all ‘time’ answers are also recoded from a five point scale (All of the Time, Most of the Time, Some of the Time, None of the Time, Does Not Apply). We believe that for ‘time’ questions ‘Does Not Apply’ should be considered conceptually similar to a very strong negative (equivalent to ‘No time’, but the same cannot be said for Agree/Disagree questions    

63  

JobrequirementbeliefsWith the job requirement beliefs, the physical fitness variable mirrors the physical demand variable 

from the previous section: higher importance for men, not much age gradient, and a negative 

relationship between education level and the importance of physical fitness. The importance of learning 

new skills tends to decline with age and increase with education, across both sexes. Men appear to find 

it increasingly difficult to keep up with changes in technology at older ages, and, interestingly, find it 

more difficult to keep up with changes in technology if they are more highly educated (perhaps because 

they are in jobs that involve more quickly changing technology). 

Male  Female 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

Have to keep physically fit if you want to keep up    

Agree  0.43  0.49  0.48  0.40  0.24  0.27  0.31  0.38 

Disagree  0.52  0.40  0.46  0.45  0.59  0.56  0.51  0.35 

DNA  0.05  0.11  0.06  0.15  0.18  0.16  0.18  0.26 

Have to keep learning new skills if you want to keep up 

Agree  0.82  0.85  0.74  0.80  0.78  0.74  0.72  0.86 

Disagree  0.16  0.14  0.24  0.17  0.15  0.25  0.22  0.05 

DNA  0.02  0.02  0.02  0.02  0.06  0.02  0.06  0.09 

Difficult to keep up with changes in technology 

Agree  0.17  0.22  0.32  0.38  0.20  0.24  0.21  0.29 

Disagree  0.78  0.76  0.64  0.58  0.72  0.74  0.74  0.67 

DNA  0.04  0.02  0.04  0.04  0.09  0.02  0.06  0.04 Table 21: Job requirement beliefs by sex and age. All figures are survey weighted proportions. [N=1072] 

Male  Female 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

Have to keep physically fit if you want to keep up    

Agree  0.63  0.55  0.26  0.22  0.36  0.33  0.21  0.22 

Disagree  0.31  0.35  0.63  0.66  0.49  0.53  0.54  0.63 

DNA  0.06  0.10  0.11  0.11  0.15  0.14  0.24  0.15 

Have to keep learning new skills if you want to keep up           

Agree  0.73  0.79  0.89  0.92  0.71  0.75  0.76  0.87 

Disagree  0.22  0.17  0.10  0.07  0.22  0.22  0.18  0.10 

DNA  0.05  0.04  0.02  0.00  0.07  0.03  0.07  0.04 

Difficult to keep up with changes in technology             

Agree  0.21  0.22  0.31  0.40  0.21  0.20  0.26  0.24 

Disagree  0.74  0.74  0.67  0.59  0.70  0.74  0.70  0.74 

DNA  0.05  0.04  0.02  0.01  0.09  0.06  0.04  0.02 Table 22: Job requirement beliefs by sex and education. All figures are survey weighted proportions. [N=1072]

 

64  

LikelyresponsetosavingsshockUnsurprisingly, older workers are more likely to agree that they would have to ‘make do with less’ in the 

event of a negative wealth shock, and less likely to agree that they could ‘work more to make up for it’. 

Education patterns are less clear‐cut, and could be presented different ways by different groupings of 

education or agreement categories: males with high education tend to be more likely to disagree that 

they would have to ‘make do’, and more likely to agree that they could ‘work more’; highly educated 

females, somewhat paradoxically, agree more with both statements more than less educated females, 

agreeing that they would have to work more and that they would have to make do with less. For both 

statements, the ‘5’ category is a major focal point, representing 1 out of 11 possible categories but being 

selected roughly 20% of the time.  

Male  Female 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

If I lost some savings, would just have to make do with less 

0‐4: Disagree  0.26  0.16  0.14  0.11  0.30  0.26  0.18  0.10 

5  0.25  0.22  0.23  0.22  0.25  0.23  0.18  0.15 

6‐10: Agree  0.49  0.62  0.63  0.67  0.45  0.51  0.64  0.75 

If I lost some savings, could always work more to make up for it         

0‐4: Disagree  0.15  0.19  0.13  0.26  0.13  0.17  0.17  0.25 

5  0.19  0.11  0.25  0.27  0.16  0.22  0.17  0.24 

6‐10: Agree  0.66  0.71  0.62  0.47  0.72  0.61  0.66  0.51 Table 23: Expected response to savings shock by sex and age. 10 point scale recoded to 0, 1‐9, 10. All figures are survey weighted proportions. [N=1072]

Male  Female 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

If I lost some savings, would just have to make do with less 

0‐4: Disagree  0.18  0.17  0.21  0.27  0.30  0.20  0.27  0.16 

5  0.29  0.20  0.19  0.23  0.22  0.26  0.15  0.20 

6‐10: Agree  0.54  0.64  0.60  0.50  0.48  0.54  0.57  0.64 

If I lost some savings, could always work more to make up for it         

0‐4: Disagree  0.18  0.18  0.11  0.16  0.16  0.21  0.10  0.09 

5  0.27  0.18  0.12  0.14  0.22  0.20  0.14  0.10 

6‐10: Agree  0.55  0.64  0.77  0.70  0.62  0.58  0.76  0.80 Table 24: Expected response to savings shock by sex and education. 10 point scale recoded to 0, 1‐9, 10. All figures are survey weighted proportions. [N=1072] 

65  

DistributionofportfolioallocationvariablesIn this section we report the distribution of several portfolio allocation variables: our main outcomes 

(owns stocks, and the proportion of financial assets held in stocks); and three additional outcomes 

(owns stocks as personal assets or within Defined Contribution (DC) employer‐based pension plans; and 

the proportion of gross or net wealth held in stocks). 

 

A consistent story appears across variables and sexes: stocks are more widely held and more important 

the older and more educated a person is. This almost certainly reflects the positive relationship between 

age/education and wealth, and the positive relationship between wealth and stock ownership, rather 

than a rising preference for risk at older ages. 

 

Male  Female  N 

25‐40  41‐50  51‐60  61‐67  25‐40  41‐50  51‐60  61‐67 

Owns Stocks  0.29  0.43  0.45  0.56  0.20  0.31  0.35  0.46  1196 

Owns Stocks or DC Stocks  0.49  0.63  0.63  0.77  0.31  0.41  0.51  0.61  1196 

Stocks / Financial Assets  0.17  0.31  0.29  0.35  0.15  0.20  0.21  0.29  1072 

Stocks / Gross Wealth  0.12  0.15  0.17  0.20  0.08  0.10  0.11  0.18  1070 

Stocks / Net Wealth  0.23  0.26  0.24  0.28  0.19  0.21  0.18  0.21  1069 Table 25: Distribution of portfolio allocation by sex and age 

Male  Female  N 

HS  Coll  BA  MA+  HS  Coll  BA  MA+ 

Owns Stocks  0.29  0.33  0.52  0.52  0.20  0.23  0.43  0.47  1196 

Owns Stocks or DC Stocks  0.47  0.54  0.73  0.73  0.22  0.39  0.59  0.68  1196 

Stocks / Financial Assets  0.23  0.22  0.29  0.32  0.13  0.19  0.24  0.27  1072 

Stocks / Gross Wealth  0.10  0.14  0.17  0.21  0.05  0.11  0.13  0.15  1070 

Stocks / Net Wealth  0.16  0.25  0.32  0.34  0.08  0.22  0.25  0.32  1069 Table 26: Distribution of portfolio allocation by sex and education 

Finally, we present some differences by level of risk aversion. Using wealth‐gamble hypothetical 

questions fielded in a previous survey, we can divide our sample into people with more or less risk‐

averse preferences.38 As we would hope to find if our measures are meaningful, the more risk‐averse 

                                                            38 People were asked a series of three hypothetical questions designed to elicit risk preferences. Each 

question was in the same format, presenting a hypothetical ‘risky investment’ that succeeds with 

probability p % of the time, increasing the total value to X, and fails with probability (1‐p), decreasing the 

value to Y. An example is presented in 

Appendix B. In the series of questions, different values of p, X and Y, representing riskier or less risky investments, were presented to individuals based on their initial response, and allowing us to distinguish several categories of people, from those who were willing to accept very risky investments to those who were unwilling to accept any of the risky investments presented to them. The measure we use here is the simplest available, dividing the sample into two categories of roughly equal size, with the ‘less risk‐averse’ being those whose answers indicated willingness to accept more risky investments than those in the ‘more risk‐averse’ group. 

66  

individuals are less likely to own stocks, and stocks make up a relatively smaller proportion of their 

wealth. 

 

Male  Female  N 

Less RA  More RA  Less RA  More RA    

Owns Stocks  0.43  0.32  0.35  0.23  1192

Owns Stocks or DC Stocks  0.62  0.52  0.51  0.32  1192

Stocks / Financial Assets  0.26  0.24  0.24  0.15  1068

Stocks / Gross Wealth  0.16  0.12  0.13  0.07  1067

Stocks / Net Wealth  0.27  0.21  0.24  0.15  1066Table 27: Distribution of portfolio allocation variables by sex and risk aversion 

Methodology:Empiricallinksbetween‘flexibility’andportfoliochoice

ConceptionsofflexibilityandtheirrelationshiptoeachotherAs discussed previously, Bodie et al. consider a model with a fixed working lifetime, within which 

individuals can choose to work more or fewer hours, and can make small adjustments for all future 

periods in response to shocks in the present (Bodie, Merton et al. 1992). The most relevant empirical 

variables we have to address this logic are what we might call ‘instantaneous hour flexibility’ variables – 

whether people can increase or reduce hours in their current job. This is the type of variable Benitez‐

Silva uses to examine the relationship between labor supply flexibility and portfolio choice (Benitez‐Silva 

2006). A more full version of this would include whether an individual has that flexibility at all relevant 

points in the lifecycle; while this is impossible to determine fully, we do have a “future hour flexibility” 

variable, which may also be the more relevant concept if we expect that the main response individuals 

will have to savings shocks will be towards the tail end of their working life. 

On the other hand, Gollier recognizes that the ability to prolong work life (i.e. delay retirement) may be 

an important form of flexibility (Gollier 2005). Empirically speaking, most workers do not rebalance their 

401(k) portfolios regularly39, so it is possible that the flexibility to make small adjustments to work over 

the course of the working life is not as relevant to investment decisions as the ability to prolong the 

working life if necessary.  As mandatory retirement ages are now prohibited in most walks of life, and 

age discrimination law offers further protections to older workers, workers now have more 

opportunities to continue to work than previous generations; but the physical, mental and psychological 

demands of work may prevent people from continuing to work indefinitely. To explore these issues, we 

have ‘job sustainability’ variables, regarding the demands of work and the difficulty of meeting those 

demands. In the analysis that follows, we focus on (a) the amount of time that a job involves lots of 

                                                            39 Using a dataset featuring 1.2 million workers, Mitchell et al find that 80% of 401(k) participants did not make a single trade over a two‐year period (Mitchell, Mottola et al. 2008) 

67  

physical effort, (b) how often a job involves intense concentration and (c) how difficult it is to keep up 

with technology on a job.40  

Related to these variables we have two variables that directly ask individuals about their likely reaction 

to negative savings shock: one asks the individual how far they agree with the statement “If I lost some 

of my savings, I could always work more to make up for it”, the other asks how far they agree with the 

statement “If I lost some of my savings, I would just have to make do with less”. While we might expect 

those two variables to be mirror images of each other and thus provide no additional information, in 

fact some people agreed (or disagreed) strongly with both statements, apparently suggesting that they 

would engage in both (neither) courses of action in the event of a negative wealth shock. As they are 

apparently distinct, we explore both variables. 

ExploratoryRegressionModelWhile we do not have adequate multi‐period data to estimate a full dynamic model linking lifecycle 

labor and portfolio allocation decisions, the theoretical models discussed in the background literature 

sections of this paper suggest that greater flexibility over labor supply should enable individuals to take 

on more risk in their investments. The intuition for this result is that in the event of a negative wealth 

shock, individuals with fixed labor supply can only adjust their (current and future) consumption, while 

individuals with flexible labor can adjust both their consumption and their leisure, working slightly more 

in order to face a less drastic reduction in consumption.  

In order to test whether this intuition is borne out in a statistically significant association, we fit an 

exploratory regression model relating portfolio allocation to labor flexibility. This takes the basic form: 

 

where Di is a vector of demographic characteristics including age, age2, education, race, partnership 

status; Ri is a binary measure of risk aversion taken from a previous ALP survey; Wi is an indicator for net 

wealth decile (including all financial wealth, business wealth, vehicles and housing); Ji is a vector of job 

characteristics including detailed occupation information and income quintile; 0 is a common constant 

term and  is a stochastic error term. 

As discussed previously, the ‘allocation’ outcome is either an indicator for stock ownership or a measure 

of the percentage of financial assets held in stocks. For the ‘flexibility’ variables, we report results for 

separate models with these variables entered in conceptual groups and individually. 

For this exploratory work, we report results for simple OLS models (with Huber‐White robust standard 

errors) for ease of interpretation. However, the direction and statistical significance of our results are 

broadly robust to different model specifications (e.g. probit and logit for binary choice, tobit with two 

censoring points for a continuous variable bounded by 0 and 1). 

                                                            40 These variables were chosen because they address the different types of demand placed on a worker by a job, are not strongly correlated with each other, and (as demonstrated in the descriptive statistics) differ in their gender/age/education trends 

68  

ResultsIn this section, we report simple OLS results relating various labor supply flexibility variables to asset 

allocation outcome variables. All regressions control for age, age2, race, partnership status (single or in a 

marriage / long‐term partnership), education (four categories), risk aversion (a binary measure), wealth 

decile, income quintile, and occupation (22 detailed categories).  

First, we focus on labor flexibility at the intensive margin (flexibility over hours of labor supply). Second, 

we examine variables pertaining to labor flexibility at the extensive margin (factors affecting the 

sustainability of a career at older ages). Finally, we investigate the impact of intentions at the extensive 

margin, and whether the intent to compensate for any negative savings shocks in the future by working 

longer affects investment behavior in the present. 

Currentandfuturehoursflexibility:intensivemarginoflaboradjustmentExamining the relationship between hours flexibility and portfolio outcomes, we do not find any 

statistically significant relationships. In contrast to Benitez‐Silva (2006), who found a strong positive 

relationship between the ability to increase hours and wealth held in stocks, we find a mixed set of 

results for this variable, with none close to being statistically distinguishable from zero.41 The current 

ability to reduce hours, and the prospective future ability to have hours flexibility, are similarly mixed 

and insignificant. Results do not change much whether these flexibility variables are entered jointly or 

separately into the models. 

Outcome: Hold any stocks? [mean: 0.35] 

Female  Male 

Can increase hours  ‐0.00670  0.00262     ‐0.0594  ‐0.0380 

(0.0356)  (0.0349)     (0.0564)  (0.0545) 

Can reduce hours  ‐0.00206  0.00587     ‐0.0341  ‐0.0229 

(0.0358)  (0.0363)     (0.0652)  (0.0617) 

Chances (0‐100) of having flexible job in future       

0  ‐0.0574  ‐0.0567  0.00750  0.0166 

(0.0488)  (0.0492)  (0.0664)  (0.0662) 

1‐49  ‐  ‐  ‐  ‐ 

50  ‐0.0145  ‐0.0152  0.0406  0.0367 

(0.0451)  (0.0448)  (0.0654)  (0.0652) 

51‐99  ‐0.0180  ‐0.0196  0.0890  0.0720 

(0.0508)  (0.0499)  (0.0717)  (0.0710) 

100  0.0871  0.0845  0.138  0.104 

(0.0783)  (0.0780)  (0.102)  (0.0968) Table 28: Effect of hours flexibility on holding stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

   

                                                            41 However, there are various differences between our data and model from that of Benitez‐Silva that may explain differences in outcome: see Discussion section. 

69  

 

Outcome: % of Fin. Wealth held in stocks [mean: 0.22, median: 0] 

Female  Male 

Can increase hours  0.0171  0.0270     ‐0.0272  ‐0.0196 

(0.0312)  (0.0312)     (0.0438)  (0.0455) 

Can reduce hours  0.000317  0.0162     ‐0.00608  ‐0.00431 

(0.0310)  (0.0324)     (0.0511)  (0.0491) 

Chances (0‐100) of having flexible job in future    

0  ‐0.0503  ‐0.0531  0.0348  0.0383 

(0.0422)  (0.0432)  (0.0568)  (0.0579) 

1‐49  ‐  ‐  ‐  ‐ 

50  ‐0.0494  ‐0.0481  0.0250  0.0246 

(0.0394)  (0.0392)  (0.0509)  (0.0506) 

51‐99  ‐0.0272  ‐0.0241  0.0519  0.0454 

(0.0456)  (0.0438)  (0.0529)  (0.0512) 

100  0.113  0.118  0.0598  0.0474 

(0.0781)  (0.0779)  (0.0849)  (0.0807) Table 29: Effect of hours flexibility on percentage of financial wealth held in stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

 

 

70  

Jobsustainability:extensivemarginoflaboradjustmentIn contrast to the hours flexibility variables which deal with flexibility on the intensive margin, we see 

statistically stronger effects of several variables relating to job characteristics and demands which affect 

an individual’s ability to have flexibility over their career length. In particular, working in a job where it is 

difficult to keep up with technology is associated with lower propensity to own stocks for both men and 

women, and is associated with lower percentages of financial wealth held in stocks for women. The 

effect sizes for women are particularly large. In addition, working in the most physically demanding jobs 

is associated with lower propensity to hold stock for men, and a lower percentage of financial wealth 

held in stocks for women. However, differences in the intensity of concentration required are not 

associated with portfolio differences. 

Outcome: Hold any stocks? [mean: 0.35] 

Female  Male 

Difficult to keep up with technology in job    

Strong Agree  ‐0.236***  ‐0.242***     ‐0.0780  ‐0.0876 

(0.0543)  (0.0502)     (0.0955)  (0.0902) 

Agree  0.0226  0.0205     ‐0.122*  ‐0.123* 

(0.0542)  (0.0539)     (0.0578)  (0.0568) 

Disagree  ‐  ‐     ‐  ‐ 

Strong Disagree  ‐0.0711  ‐0.0677     ‐0.107  ‐0.112 

(0.0412)  (0.0414)     (0.0590)  (0.0610) 

DNA  ‐0.0397  ‐0.0638     ‐0.165  ‐0.214* 

(0.0497)  (0.0460)     (0.0936)  (0.0894) 

Job requires intense concentration    

All Time  ‐  ‐     ‐  ‐ 

Most Time  ‐0.0348  ‐0.00267     ‐0.0233  0.00657 

(0.0414)  (0.0406)     (0.0543)  (0.0538) 

Some/No Time  0.00349  0.0340     0.0261  0.0611 

(0.0495)  (0.0475)     (0.0710)  (0.0698) 

DNA  ‐0.0711  ‐0.0702     ‐0.187  ‐0.260* 

(0.113)  (0.0904)     (0.153)  (0.109) 

Job requires lots of physical effort    

All Time  ‐0.0762  ‐0.0843  ‐0.190*  ‐0.188* 

(0.0602)  (0.0573)  (0.0951)  (0.0949) 

Most Time  0.0427  0.0406  ‐0.129  ‐0.114 

(0.0593)  (0.0610)  (0.0861)  (0.0871) 

Some Time  ‐0.0378  ‐0.0353  ‐0.106  ‐0.0899 

(0.0462)  (0.0456)  (0.0674)  (0.0672) 

No Time  ‐  ‐  ‐  ‐ 

DNA  ‐0.0436  ‐0.0644  ‐0.138  ‐0.185* 

(0.0680)  (0.0650)  (0.0866)  (0.0826) Table 30: Effect of job sustainability on holding stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

71  

 

Outcome: % of Fin. Wealth held in stocks [mean: 0.22, median: 0] 

Female  Male 

Difficult to keep up with technology in job    

Strong Agree  ‐0.137**  ‐0.168***     ‐0.0403  ‐0.0599 

(0.0485)  (0.0477)     (0.0711)  (0.0687) 

Agree  0.0420  0.0369     ‐0.0819  ‐0.0883 

(0.0472)  (0.0482)     (0.0467)  (0.0475) 

Disagree  ‐  ‐     ‐  ‐ 

Strong Disagree  ‐0.0427  ‐0.0396     ‐0.0651  ‐0.0711 

(0.0333)  (0.0339)     (0.0500)  (0.0505) 

DNA  ‐0.00641  ‐0.0520     ‐0.0714  ‐0.121 

(0.0499)  (0.0461)     (0.0912)  (0.0903) 

Job requires intense concentration    

All Time  ‐  ‐     ‐  ‐ 

Most Time  0.00764  0.0247     0.0249  0.0480 

(0.0351)  (0.0353)     (0.0451)  (0.0431) 

Some/No Time  0.0302  0.0482     0.0448  0.0747 

(0.0437)  (0.0415)     (0.0596)  (0.0595) 

DNA  ‐0.0360  ‐0.0772     ‐0.221  ‐0.220** 

(0.102)  (0.0914)     (0.129)  (0.0818) 

Job requires lots of physical effort    

All Time  ‐0.0950  ‐0.106*  ‐0.127  ‐0.129 

(0.0512)  (0.0477)  (0.0717)  (0.0702) 

Most Time  0.00729  0.00534  ‐0.00280  0.0000815 

(0.0540)  (0.0549)  (0.0719)  (0.0728) 

Some Time  ‐0.0282  ‐0.0303  ‐0.00684  0.00344 

(0.0387)  (0.0383)  (0.0525)  (0.0524) 

No Time  ‐  ‐  ‐  ‐ 

DNA  ‐0.0852  ‐0.101*  ‐0.0804  ‐0.108 

(0.0478)  (0.0444)  (0.0645)  (0.0624) Table 31: Effect of job sustainability on percentage of financial wealth held in stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

We present the most detailed coding of the relevant variables here in order to provide more 

information rather than less. However, some of the statistically significant results might be thought to 

be driven by relatively small categories or the choice of reference category. The results are not fully 

robust to collapsing the categories into their simplest versions; alternative versions of these tables using 

categories that have been further collapsed are available in the appendices.  

 

72  

Expectedreactiontosavingsshock:intenttoadjustlabor,consumption,orbothIn our final set of regressions, we examine the relationship between how individuals believe they would 

react to negative wealth shocks in the future, and their current portfolio choices. While the previous 

questions provide evidence on how having the ability to adjust labor affects investment behavior, these 

questions directly address how the intent to adjust labor/consumption in the event of a negative savings 

shock relates to investment behavior.  

Here, we do not find any statistically significant results for women over any outcome or variable of 

interest, but there are several interesting results for men. When we examine agreement with the 

statement “If I lost some of my savings, I would just have to make do with less when I retired”, 

controlling for the normal controls, men who disagree that they would have to ‘make do with less’ in the 

event of negative wealth shocks are more likely to hold stocks, with statistical significance at the 5% 

level when this variable is included without the ‘work longer’ variable, or at the 10% level when both 

variables are included.  

Table 32: Effect of expected reaction to savings shock on stock holding. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

 

Turning to our other outcome of interest, for men, expecting to work longer in the event of a future 

negative wealth shock is associated with a greater percentage of financial wealth being held in stocks. 

These results are slightly weaker but still statistically significant at the 5% level when controlling for 

expectations about ‘making do with less’.  

 

 

  Outcome:  Hold any stocks? [mean: 0.35] 

Female  Male 

If I lost some of my savings, I could always work longer to make up for it 

0‐4: Disagree  ‐0.0334  ‐0.0187  0.0684  0.0984 

(0.0600)  (0.0560)  (0.0795)  (0.0755) 

5  ‐  ‐  ‐  ‐ 

6‐10: Agree   ‐0.0000214  0.0152  0.0920  0.126 

(0.0464)  (0.0426)  (0.0678)  (0.0658) If I lost some of my savings, I would just have to make do with less when I retired 

0‐4: Disagree  0.0625  0.0575  0.122  0.156* 

(0.0553)  (0.0524)  (0.0704)  (0.0695) 

5  ‐  ‐  ‐  ‐ 

6‐10: Agree   0.00781  0.00256  0.0621  0.0875 

(0.0453)  (0.0415)  (0.0616)  (0.0590) 

73  

 

Outcome: % of Fin. Wealth held in stocks [mean: 0.22, median: 0] 

Female  Male 

If I lost some of my savings, I could always work longer to make up for it    

0‐4: Disagree  0.0505  0.0557  0.0356  0.0642 

(0.0581)  (0.0561)  (0.0559)  (0.0536) 

5 

6‐10: Agree   0.0128  0.0227  0.0986*  0.114* 

(0.0431)  (0.0413)  (0.0461)  (0.0443) If I lost some of my savings, I would just have to make do with less when I retired    

0‐4: Disagree  0.0442  0.0512  0.0282  0.0649 

(0.0482)  (0.0473)  (0.0588)  (0.0563) 

5  ‐  ‐  ‐  ‐ 

6‐10: Agree   0.00411  0.0141  0.0652  0.0841 

(0.0387)  (0.0364)  (0.0497)  (0.0484) Table 33: Effect of expected reaction to savings shock on percentage of financial wealth held in stocks. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

As with the analysis in the preceding section, we present our preferred coding of variables in the 

specifications above, but have run additional analyses. With the ‘5’ category being a focal point, we 

prefer not to combine it with responses above it or below it. Nevertheless, while the main focus is on 

statistically significant results, it may be noted that the statistically insignificant results do not 

consistently have the sign that is expected under the hypotheses. For robustness, we provide alternative 

analyses in the appendices folding the ‘5’ category into the 0‐4 category; the statistically significant 

results are consistent with those above, fewer results are significant, but a greater proportion of non‐

significant results demonstrate the expected sign. 

AdditionalAnalysesAs noted in the text, some additional analyses were conducted after the main analyses. One set of 

analyses collapsed the ‘sustainability’ categorical independent variables into their simplest forms 

(typically 3 categories including ‘does not apply’) in order to increase power. These analyses showed 

generally slight improvements in precision, but led generally to smaller, statistically insignificant results. 

We choose to present the more detailed results in the main text, but the less detailed results are 

available in Appendix C. Also in Appendix C, we present the simplified version of the ‘expected reaction 

to savings shock’ variables which, as noted above, also reduces the number of statistically significant 

findings.  

On a restricted sample, we also ran analyses incorporating information concerning DC pension plans. 

One set of analyses incorporated the stocks held in DC plans into the outcome measures; another set of 

analyses reran the original models but with a dummy controlling for an individual holding some stocks in 

a DC plan. The results from these analyses were broadly consistent with the results presented in the 

main analysis, with most differences largely attributable to sample selection effects when excluding 

74  

individuals with low quality data on their DC plan wealth and asset allocations. An additional finding 

from these analyses is that holding stock in a DC plan is highly correlated with holding stocks outside DC 

plans; insofar as both types of stock holding might be influenced by work factors, including DC stock 

holdings as a control may have the effect of controlling for the outcome.42 These results are available on 

request. 

DiscussionIn our empirical work, we examined factors affecting individual labor supply flexibility and their 

relationship to portfolio choice. We distinguished between two broad types of flexibility that might be 

used to adjust to wealth shocks: the flexibility to increase or reduce hours within a career (intensive 

margin), and the flexibility to extend a career (extensive margin). In theory, both of these types of 

flexibility could affect the degree of risk an individual might be willing to accept in their investment 

portfolio.  

While our results are open to wide interpretation (and are not fully robust to alternative specification), 

and are best thought of as descriptive rather than causal, they provide more support for the importance 

of extensive margin flexibility than intensive margin flexibility. Men who believe that they would be able 

to work longer in order to make up for negative wealth shocks are more likely to hold stocks and likely 

to hold a larger proportion of their financial wealth in the stock market. Men and women who struggle 

to keep up with technological change in their jobs ‐ and who may therefore be less able to sustain their 

career as they age – are shown to be less likely to hold stocks. Individuals with very physically 

demanding jobs may expect that the natural processes of aging may prevent them from continuing this 

type of work indefinitely; we find that men with the most physically demanding jobs are less likely to 

own stock than other men, and women with the most physically demanding jobs are likely to have a 

lower percentage of their financial wealth held in stocks than other women.  

In contrast, we do not find any evidence that differences at the intensive margin ‐ in the current or 

future ability to adjust hours of work within a career – have any relationship whatsoever with portfolio 

choice. Generally speaking, our results for those variables are mixed and fall far short of standard 

thresholds for statistical significance. 

In some ways, our intensive margin results are unsurprising: empirically speaking, work hours tend to be 

lumpy rather than continuous, with extreme clumping at focal values such as 40 hours per week, with 

little evidence that people are making adjustments; and making small marginal adjustments to labor 

over the lifecycle in response to changing portfolio performance seems an unlikely behavioral model 

given how little attention individuals tend to give to their portfolio on a monthly (or even yearly) basis.  

                                                            42 It is beyond the scope of this paper to investigate the relationship between holdings inside and outside DC plans. The limited evidence in this paper might suggest that individuals do not look to balance very risky DC plans by taking less risky investment positions outside their DC plan, or vice versa (as might be the case if individuals were constrained in the choices available to them within their DC plans); rather, more risk‐tolerant individuals tend to tolerate more risk in all forms of their investments.  

75  

However, our results are surprising insofar as they run counter to the findings of previous empirical 

work by Benitez‐Silva, who did not examine the extensive margin but found large and statistically 

significant effects of intensive margin flexibility on the amount of stock wealth an individual had 

(Benitez‐Silva 2006). There are several potential explanations for the discrepancy. The first possible 

explanation is that we use different outcome measures and (additional / more detailed) control 

variables from Benitez‐Silva, but our (non‐)findings here are robust to using the same outcome measure 

and similar control variables as he did in his paper. A second possibility is that his dataset focuses on 

workers over the age of 50, while ours includes workers as young as 25, and effects may be 

concentrated in older workers. This explanation runs counter to the logic expressed by Bodie et al., who 

anticipate smaller effects among older workers who have fewer remaining work years over which to 

adjust their labor supply43 (Bodie, Merton et al. 1992), but might be correct if the uncertainty about 

future labor income faced by younger workers dominates any effects of labor supply flexibility. 

Moreover, when we run the intensive margin models on a sample restricted to older ages, we do not 

see any evidence in support of this contention.44 

A third possibility is that individuals in the Health and Retirement Study used by Benitez‐Silva differ in 

other ways from the individuals in the American Life Panel; the waves of HRS used in his paper cover 

people from 1992 to 2000, a period of rapidly rising stock values due to the dot‐com bubble; our ALP 

data were collected in 2011, in the middle of the recession brought about by the sub‐prime mortgage 

crisis. Finally, it is possible that the panel data techniques employed by Benitez‐Silva provide a better 

control for unobserved heterogeneity than the cross‐sectional approach used in this paper; however, 

the cross‐sectional results he reports are consistent with his panel results and inconsistent with our 

results.  

Before concluding, it is also worth taking a moment to discuss the interpretation of the effects seen for 

women vs. men. Given that wealth is a household variable, and male labor supply has traditionally 

played the larger role in household income, it is worth considering whether the effects seen for women 

might be driven by their spouses. In sensitivity analysis of the significant effects seen for women, we 

reran the models separately for single and partnered women.45 While the smaller sample sizes reduced 

precision significantly, it appears that the variable concerning difficulty keeping up with technology has a 

roughly similar effect for single and partnered women, while the variable concerning physical demands 

of the job may have had a larger effect for single women. In neither case does it appear that the result is 

driven by spousal effects. 

 

 

                                                            43 Indeed, Benitez‐Silva uses this logic to assert that his own findings should be considered a lower bound estimate 44 Results available on request; the reduction in sample leads to imprecise estimates opposite in sign to those of Benitez‐Silva 45 Results available on request  

76  

ConclusionIn this research, we described a novel data set and a range of variables pertaining to labor supply 

flexibility, broadly interpreted. Some of these questions are common to the Health and Retirement 

Study, but are being applied to a broader age spectrum of respondents; others are completely novel. 

We have documented how these various types of labor supply flexibility differ across sex, age and 

education groups. 

In our empirical work, we explored the relationship between labor supply flexibility and portfolio 

allocation decisions, and found that the ability to prolong a career at older ages (extensive margin) may 

be more important than the ability to adjust the intensity of work through a career (intensive margin). 

These results contribute to a sparse empirical literature which has investigated the intensive margin 

flexibility effects for older workers, but has not addressed the intensive margin effects for younger 

workers or the extensive margin effects at all. 

In general, the policy environment has changed over time – and continues to change ‐ in ways that can 

increase labor supply flexibility at both the intensive and extensive margins. Legislation making 

mandatory retirement ages illegal and prohibiting age‐based discrimination have helped to increase 

employment opportunities at older ages and flexible working practices are more prevalent now than in 

previous decades. In the future, the Patient Protection and Affordable Care Act may lead to decreased 

reliance on employer‐based healthcare, which would in turn remove one of the barriers to flexible 

working practices for pre‐Medicare‐age workers. It is unclear whether broader changes in the economy, 

such as the move towards more highly educated workers and technology intensive industries, will allow 

people to prolong their careers: although physically demanding work may be difficult to sustain at older 

ages, in a knowledge‐based economy the mental demands and the pace of technological change may 

also prove challenging at older ages. 

Our work suggests that increases in the ability to prolong a career may result in individuals making 

increased investment in risky assets, which on average in the long‐run is likely to lead to increased 

wealth at retirement. Individuals with the flexibility to prolong their career thus have a double benefit: 

they are likely to be financially better off at retirement age than people with fixed labor supply, and in 

the event of other shocks (such as medical bills for a family member) would also be able to continue to 

work. Workers without the ability to prolong their working life are faced with a challenge: they must 

accumulate significant wealth over their fixed working life, but can ill‐afford to take on high‐risk, high‐

reward investments because they have limited ability to cope if the risks do not work out. 

However, it is important to note two major limitations to the work. The first is the instability of our 

results: given that several results are not robust to relatively small differences in specification, our work 

may provide more value in highlighting under‐researched areas into which future research can delve 

further, than in providing definitive answers to the questions we pose. The second major limitation is 

common to nearly all work dealing with labor supply flexibility: despite using a rich set of covariates to 

control for observed differences, we cannot rule out possible selection effects; as individuals sort into 

jobs, there may be unobserved heterogeneity that leads to a spurious correlation between job 

characteristics and investment behavior. Given the importance of ‘extensive margin’ flexibility suggested 

77  

by our work, it is possible that future research may be able to exploit quasi‐exogenous variation in 

career extendibility due to legal changes (e.g. the abolition of mandatory retirement ages in most 

professions, or the removal of disincentives to work after normal retirement age) in order to shed 

further light on the impact of labor supply flexibility on investment behavior. 

   

78  

Bibliography 

Allen,S.G.,R.L.Clark,etal.(2004)."PhasingintoRetirement."Industrial&LaborRelationsReview58(1):112‐127.

Benitez‐Silva(2006).LaborSupplyFlexibilityandPortfolioDecisions:AnEmpiricalAnalysis,(ReviseandResubmitatJournalofAppliedEconometrics,downloadedon8/13/2001fromhttp://ms.cc.sunysb.edu/~hbenitezsilv/portfhbs.pdf).

Bodie,Z.,R.C.Merton,etal.(1992)."Laborsupplyflexibilityandportfoliochoiceinalifecyclemodel."JournalofEconomicDynamicsandControl16(3‐4):427‐449.

Butrica,B.A.,H.M.Iams,etal.(2004)."ThechangingimpactofSocialSecurityonretirementincomeintheUnitedStates."SOCIALSECURITYBULLETIN‐WASHINGTON‐65(3):1.

Charles,K.K.andP.DeCicca(2007)."Hoursflexibilityandretirement."EconomicInquiry45(2):251‐267.

Clift,J.(2012).LaborMarketRigiditiesandtheLaborSupplyofOlderWorkers,PardeeRANDGraduateSchool.

Cocco,J.F.,J.G.Gomes,etal.(2005)."ConsumptionandPortfolioChoiceovertheLifeCycle."TheReviewofFinancialStudies18(2).

Goldman,D.andN.Maestas(2012)."MEDICALEXPENDITURERISKANDHOUSEHOLDPORTFOLIOCHOICE."JournalofAppliedEconometrics.

Gollier,C.(2005).Optimalportfoliomanagementforindividualpensionplans,Citeseer.

Gustman,A.L.andT.L.Steinmeier(1985)."TheEffectofPartialRetirementontheWageProfilesofOlderWorkers."IndustrialRelations24(2):257‐265.

Gustman,A.L.andT.L.Steinmeier(2007)."ProjectingBehavioralResponsestotheNextGenerationofRetirementPolicies."NBERWorkingPaper12958.

Heaton,J.andD.Lucas(2000)."Portfoliochoiceinthepresenceofbackgroundrisk."TheEconomicJournal110(460):1‐26.

Hurd,M.D.(1996)."TheEffectofLaborMarketRigiditiesontheLaborForceBehaviorofOlderWorkers."AdvancesintheEconomicsofAging.

Hurd,M.D.andS.Rohwedder(2010)."TheEffectsoftheEconomicCrisisontheOlderPopulation."MichiganRetirementResearchCenterWorkingPaper231.

Jagannathan,R.andN.Kocherlakota(1996)."Whyshouldolderpeopleinvestlessinstocksthanyoungerpeople?"FederalReserveBankofMinneapolisQuarterlyReview20(3).

Kapteyn,A.andC.Panis(2005)."InstitutionsandSavingforRetirement."Analysesintheeconomicsofaging:281.

Lahey,J.N.(2008)."Age,Women,andHiring:AnExperimentalStudy."J.HumanResources43(1):30‐56.

79  

Lynch,A.W.andS.Tan(2011)."Laborincomedynamicsatbusiness‐cyclefrequencies:Implicationsforportfoliochoice."JournalofFinancialEconomics.

Miniño,A.M.,S.L.Murphy,etal.(2011)."Deaths:finaldatafor2008."Nationalvitalstatisticsreports:fromtheCentersforDiseaseControlandPrevention,NationalCenterforHealthStatistics,NationalVitalStatisticsSystem59(10):1.

Mitchell,O.,G.Mottola,etal.(2008)."Theinattentiveparticipant:Portfoliotradingbehaviorin401(k)plans."

Poterba,J.M.,S.F.Venti,etal.(2009).Thedeclineofdefinedbenefitretirementplansandassetflows.SocialSecurityPolicyinaChangingEnvironment.J.Brown,J.LiebmanandD.A.Wise,UniversityofChicagoPress.

Ruhm,C.J.(1990)."BridgeJobsandPartialRetirement."JournalofLaborEconomics8(4):482‐501.

Samuelson,P.A.(1969)."LifetimePortfolioSelectionByDynamicStochasticProgramming."TheReviewofEconomicsandStatistics51(3):239‐246.

Scott,F.A.,M.C.Berger,etal.(1995)."DoHealthInsuranceandPensionCostsReducetheJobOpportunitiesofOlderWorkers?"IndustrialandLaborRelationsReview48(4):775‐791.

USBureauofLaborStatistics(2011).Womeninthelaborforce:Adatabook.USBureauofLaborStatistics.1034:1‐98.

Zissimopoulos,J.,N.Maestas,etal.(2007).TheEffectofRetirementIncentivesonRetirementBehavior:EvidencefromtheSelf‐EmployedIntheUnitedStatesandEngland.RANDWorkingPaperSeries,RANDCorporation.

 

   

80  

Appendices

AppendixA:SurveyProtocol  intro intro We would like to ask you a few questions about your current work, the flexibility you have in your current job, and your plans and expectations for the future. In previous surveys, you may already have answered some similar questions. Though you may have seen some of these questions before, we are still interested in your answers today, particularly as some circumstances may have changed. Q1 reduce paid hours in regular work schedule First we would like to ask some questions about job flexibility: Can you reduce the number of paid hours in your regular work schedule? 1 Yes 2 No Q2 increase paid hours in regular work schedule Can you increase the number of paid hours in your regular work schedule? 1 Yes 2 No Q3 employer allow buy or sell vacation days Some employers allow their employees to "buy" extra vacation days (work fewer days in the year but with a lower annual salary) or "sell" vacation days back to the employer (take less vacation but get a higher annual salary). Does your employer allow you to "buy" or "sell" vacation days? 1 Can neither "buy" nor "sell" 2 Can "buy" but cannot "sell" 3 Can "sell" but cannot "buy" 4 Can both "buy" and "sell" Q4 chances approach retirement job able to increase or decrease paid work hours Please answer the next two questions on a scale from 0 to 100, where 0 equals absolutely no chance and 100 equals absolutely certain: On a scale from 0 to 100, when you are approaching retirement, what are the chances you will have a job where you will be able to increase or decrease the number of paid hours in your regular work schedule? (please use whole numbers only and no %) Range: 0..100 Q5 chances lose job during next 3 years Sometimes people are permanently laid off from jobs that they want to keep. On a scale from 0 to 100, what are the chances that you will lose your job during the next three years? (please use whole numbers only and no %) Range: 0..100 [The following questions are displayed as a table] Q6_intro intro Now we would like to ask about the demands and characteristics of your current job: How often are these statements true? Q6 My job requires lots of physical effort

81  

My job requires lots of physical effort 1 All or almost all of the time 2 Most of the time 3 Some of the time 4 None or almost none of the time 5 Does not apply Q7 My job requires intense concentration or attention My job requires intense concentration or attention 1 All or almost all of the time 2 Most of the time 3 Some of the time 4 None or almost none of the time 5 Does not apply [End of table display] [The following questions are displayed as a table] Q8_intro intro How strongly do you agree or disagree with the following statements? Q8 In my job, you have to keep learning new skills if you want to keep up with other workers In my job, you have to keep learning new skills if you want to keep up with other workers 1 Strongly agree 2 Agree 3 Disagree 4 Strongly disagree 5 Does not apply Q9 In my job, you have to keep physically fit if you want to keep up with other workers In my job, you have to keep physically fit if you want to keep up with other workers 1 Strongly agree 2 Agree 3 Disagree 4 Strongly disagree 5 Does not apply Q10 In my job, it is difficult to keep up with changes in technology In my job, it is difficult to keep up with changes in technology 1 Strongly agree 2 Agree 3 Disagree 4 Strongly disagree 5 Does not apply Q11 My co-workers make older workers feel that they ought to retire before age 65 My co-workers make older workers feel that they ought to retire before age 65 1 Strongly agree 2 Agree 3 Disagree 4 Strongly disagree 5 Does not apply

82  

[End of table display] Q12 impairment or health problem Now we would like to know how your health affects your work: Do you have any impairment or health problem that limits the kind or amount of paid work you can do? 1 Yes 2 No Q13 chances health limit work next 10 years On a scale from 0 to 100 where 0 equals absolutely no chance and 100 equals absolutely certain, what are the chances that your health will limit your work activity during the next 10 years? (please use whole numbers only and no %) Range: 0..100 [The following questions are displayed as a table] Q14_intro intro As people grow older, they sometimes have to pay for unexpected costs out of their savings, and sometimes their investments or retirement pension plans lose value. For example, people sometimes face unexpected medical bills at older ages, or lose money when there is a stock market crash. On a scale from 0 to 10 where 0 equals very strongly disagree and 10 equals very strongly agree, to what extent do you agree with the following statements? Q14 If I lost some of my savings, I would just have to make do with less when I retired If I lost some of my savings, I would just have to make do with less when I retired Range: 0..10 Q15 If I lost some of my savings, I could always work longer to make up for it If I lost some of my savings, I could always work longer to make up for it Range: 0..10 [End of table display] CS_001 HOW PLEASANT INTERVIEW Could you tell us how interesting or uninteresting you found the questions in this interview? 1 Very interesting 2 Interesting 3 Neither interesting nor uninteresting 4 Uninteresting 5 Very uninteresting 

 

83  

AppendixB:RiskAversionWealthGamble 

Wealth Gamble hypothetical questions: initial question 

 

Suppose that you unexpectedly inherited 1 million dollars.   You have the chance to take a risky but possibly rewarding investment option that has a 50‐50 chance of doubling the money to 2 million dollars in a month, and a 50‐50 chance of reducing the money by one third, to 667 thousand dollars in a month.   In other words, you could keep $1,000,000 or invest in a risky asset that has an equal chance of doubling your money to $2,000,000 or reducing it to $667,000.  

Would you choose to invest in the risky asset? 

 

 

84  

AppendixC:AlternativeAnalyses 

Outcome: Hold any stocks? [mean: 0.35] 

Female  Male 

Difficult to keep up with technology in job    

Agree  0.00324  ‐0.00281     ‐0.0745  ‐0.0722 

(0.0455)  (0.0450)     (0.0484)  (0.0471) 

Disagree  ‐  ‐     ‐  ‐ 

[DNA]  ‐0.00962  ‐0.0263     ‐0.142  ‐0.175* 

(0.0442)  (0.0404)     (0.0892)  (0.0760) 

Job requires intense concentration    

All Time  ‐  ‐     ‐  ‐ 

Not All Time  ‐0.0188  ‐0.0226     ‐0.00748  ‐0.0192 

(0.0352)  (0.0349)     (0.0484)  (0.0488) 

[DNA]  ‐0.0283  ‐0.0543     ‐0.0807  ‐0.203 

(0.0916)  (0.0744)     (0.164)  (0.105) 

Job requires lots of physical effort    

No Time  0.0371  0.0394  0.132*  0.126* 

(0.0434)  (0.0422)  (0.0624)  (0.0625) 

Not No Time  ‐  ‐  ‐  ‐ 

[DNA]  ‐0.00989  ‐0.0134  0.00336  ‐0.0403 

(0.0660)  (0.0621)  (0.0890)  (0.0781) Table 34: Effect of job sustainability on holding stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

 

Outcome: % of Fin. Wealth held in stocks [mean: 0.22, median: 0] 

Female  Male 

Difficult to keep up with technology in job    

Agree  0.0394  0.0285     ‐0.0404  ‐0.0440 

(0.0397)  (0.0404)     (0.0398)  (0.0394) 

Disagree  ‐  ‐     ‐  ‐ 

[DNA]  0.00611  ‐0.0220     ‐0.0878  ‐0.125 

(0.0454)  (0.0406)     (0.0913)  (0.0831) 

Job requires intense concentration    

All Time  ‐  ‐     ‐  ‐ 

Not All Time  ‐0.0367  ‐0.0389     ‐0.0498  ‐0.0567 

(0.0301)  (0.0298)     (0.0399)  (0.0395) 

[DNA]  ‐0.0265  ‐0.0789     ‐0.188  ‐0.255** 

(0.0713)  (0.0564)     (0.123)  (0.0806) 

85  

Job requires lots of physical effort    

No Time  0.0434  0.0451  0.0338  0.0302 

(0.0366)  (0.0355)  (0.0464)  (0.0465) 

Not No Time  ‐  ‐  ‐  ‐ 

[DNA]  ‐0.0446  ‐0.0484  ‐0.0360  ‐0.0680 

(0.0448)  (0.0420)  (0.0650)  (0.0627) Table 35: Effect of job sustainability on percentage of financial wealth held in stock. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

Table 36: Effect of expected reaction to savings shock on stock holding. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

Outcome: % of Fin. Wealth held in stocks [mean: 0.22, median: 0] 

Female  Male 

If I lost some of my savings, I could always work longer to make up for it    

0‐5: Disagree/Neutral  ‐  ‐  ‐  ‐ 

6‐10: Agree   ‐0.00238  ‐0.00248  0.0871*  0.0842* 

(0.0358)  (0.0357)  (0.0360)  (0.0357) If I lost some of my savings, I would just have to make do with less when I retired    

0‐5: Disagree/Neutral  ‐  ‐  ‐  ‐ 

6‐10: Agree   ‐0.0114  ‐0.0114  0.0573  0.0533 

(0.0311)  (0.0310)  (0.0386)  (0.0390) Table 37: Effect of expected reaction to savings shock on percentage of financial wealth held in stocks. OLS with controls: age, age2, race, partnership status, education, risk aversion, wealth decile, income quintile, and occupation 

 

 

 

  Outcome:  Hold any stocks? [mean: 0.35] 

Female  Male 

If I lost some of my savings, I could always work longer to make up for it 

0‐5: Disagree/Neutral  ‐  ‐     ‐  ‐ 

6‐10: Agree   0.0255  0.0238  0.0817  0.0813 

(0.0369)  (0.0364)  (0.0527)  (0.0526) If I lost some of my savings, I would just have to make do with less when I retired 

0‐5: Disagree/Neutral  ‐  ‐  ‐  ‐ 

6‐10: Agree   ‐0.0288  ‐0.0272  0.0162  0.0155 

(0.0360)  (0.0355)  (0.0492)  (0.0494) 

86  

Introduction46Public pension systems around the world play a vital part in providing retirement income security for the 

elderly, and in most Western countries comprise a significant portion of government spending. As 

populations age, many countries will have (or have had) to reform unsustainable pension systems, 

expecting individuals to take on greater responsibility for their income in retirement by saving and 

investing during their working life. To understand the consequences of current and future pension 

reforms, it is important to understand how individuals will change their behavior in response to any 

changes in incentives; but this is generally difficult to predict.  

In this paper, we lay the foundations for significant extensions to research in this field to date, 

constructing a multi‐country quasi‐panel of individual‐level lifetime earnings histories, along with 

detailed modeling of the different incentives created by institutional differences in pension systems 

between countries. This dataset features a combination of individual‐level detail and national‐level 

structures that provides unique opportunities to exploit cross‐national variation in order to identify 

models of individual behavior, which can provide crucial insights into the likely effects of pension 

reforms. While standardized cross‐national measures of pension system generosity and progressivity 

have been produced by other researchers, these have typically been based on stylized hypothetical 

workers with simple (often, flat) earnings trajectories over the lifecycle (OECD 2011); in contrast, we are 

able to generate pensions for real individuals and their reported earnings, and, importantly can capture 

for each individual at every age the marginal effect on pension income of working for an additional year, 

including both accrual and deferral effects. The interaction of real earnings trajectories with pension 

systems produces effects that might not be seen in in stylized models: two individuals with the same 

total lifetime earnings may be entitled to very different pensions if they have different trajectories, if 

(for example) the pension system emphasizes earnings at older ages, or has a binding cap on 

pensionable earnings. 

In our use of data on real individuals across several countries, our work is closest in spirit to the series of 

parallel analyses described in Gruber and Wise’s seminal volume (Gruber and Wise 1999). In that work, 

national research teams produced standardized analyses using the most appropriate data available to 

them. In our work, we are able to construct a single dataset with data that are harmonized across 

countries and earnings information for specific individuals over their whole life, which is better suited 

for exploiting cross‐national variation in institutional structures and lifecycle behavior.    

After documenting the construction and describing the characteristics of this unique dataset, we 

demonstrate the clear relationships between measures of realized replacement rates from pensions and 

the financial wealth individuals accumulate, and between pension accrual incentives and the age at 

which individuals choose to retire, which confirm the pivotal role that the institutional environment 

plays in determining individual work, savings and retirement decisions.   

 

                                                            46 This work was supported by a grant from the National Institutes of Aging (NIA P01 AG022481). Thanks are also due to Alessandro Malchiodi and Jose Castillo for their assistance with national websites.  

87  

ModelTo help motivate the usefulness of this dataset, and foreshadow the exploratory analysis we conduct in 

the closing sections of this paper, we here present the simple lifecycle model that underpins this paper. 

The model is similar to that discussed by Hurd et al., to be applied to observed lifetime earnings 

histories rather than the synthetic earnings histories used in that paper (Hurd, Michaud et al. 2012); we 

draw heavily on their discussion in our presentation here. 

We assume an individual optimizing labor and consumption decisions over a lifecycle from time t=0 to 

their death at t=T. Individuals are assumed to be rational and to have perfect information over their 

future potential earnings and potential pension income, and do not face any uncertainty about 

mortality, asset returns or any other potential shock. The individual works from time t=0 until retiring at 

time t=R, earning income yt when working and receiving pension benefit bt in retirement, where bt  is a 

function of prior income and retirement age R. The individual makes a decision about when to retire, 

and how much to consume in each period, in order to maximize lifetime utility. 

Assume that the individual derives utility from consumption prior to retirement, and from consumption 

and leisure after retirement, such that 

1 

is utility while working and  

 

is utility once retired. The individual discounts future utility with discount rate ρ . Preference parameters 

in this model are therefore γ which determines the marginal utility of consumption; Γ , which determines the marginal utility of leisure from retiring (or, the marginal disutility of work from delaying 

retirement), and the time preference ρ which determines consumption growth over the life‐cycle. 

Assume also that the individual has no bequest motive but must die with non‐negative assets a, and starts with no assets. Assets (and liabilities) grow with at a certain real interest rate of r; in this set‐up, the individual does not face liquidity constraints. 

The individual then solves the following optimization, selecting the retirement time R that maximizes 

utility given optimal consumption over the lifecycle, subject to the inter‐temporal constraint on assets:  

max ,  

s.t. 

, 0, 0 

 

 

88  

The solution for optimal consumption given retirement age R is then: 

1 ,  

where Y(R) and B(R) are the discounted present value of lifetime income from earnings and retirement 

benefits respectively;   / 1  and  .  

Thus the initial consumption given any retirement age is a fraction of total lifetime income, determined 

by the asset growth rate r and the preference parameters ρ and γ. Consumption changes by a fixed 

factor from period to period, rising over time if the real interest rate is greater than the discount rate, or 

remaining flat if r= ρ. The rate of change in consumption in inversely related to the parameter γ that 

defines the curvature of the utility function. When γ approaches zero, the utility function approaches a 

linear function of consumption, leading to extreme distributions of optimal consumption (either 

consuming a very high proportion of lifetime wealth early if ρ> r, or consuming very little and allowing 

assets to build for very high later consumption if ρ<r). Conversely, when γ is large, there are sharply 

diminishing marginal returns to consumption and consumption will tend to be spread more evenly 

across the life cycle. 

Turning to the decision variable R, the first order condition can be written as 

 

where B’(R) represents the marginal change in pension wealth for a change in R.   

This yields the familiar intuition equating marginal utilities: at the optimal value of R, the consumption 

utility to be gained by additional work (due to both an additional year of income, and a larger pension in 

retirement) is equal to the leisure utility lost. This leads to some additional insights: when the marginal 

benefit of additional consumption is relatively low, the individual is likely to retire earlier; if the 

individual will earn a large amount in the marginal year relative to his lifetime earnings, they are more 

likely to delay retirement; and if the increase in pension wealth for an additional year of work is 

relatively large, retirement is more likely to be delayed.  

This last point is relevant for comparisons across countries, comparisons within countries over time, and 

between individuals with different earnings profiles. In countries with stiff penalties for early retirement, 

for example, the increase in pension for an additional year of work may be larger than for countries with 

lesser penalties. In countries with pensions calculated based on the basis of some number of last or best 

years of earnings, a high earning year at the end of a career may significantly increase pension benefits 

in retirement; the magnitude of this effect, in turn, will be strongly affected by whether a worker has 

had a steep earning profile over time or has had flat earnings for a large number of years. Under certain 

circumstances, a low earning year may have a minimal or even negative effect on pension benefits. 

Capturing these differences between individuals within and across countries at different ages is one of 

the key motivations and contributions of this paper. 

 

89  

Data

IntroductiontoSHAREandSHARELIFEThe Survey of Health, Ageing and Retirement in Europe (SHARE) is a large panel survey of the 50+ 

population in Europe, modeled after the US Health and Retirement Study (HRS) and the English 

Longitudinal Study of Ageing (ELSA). The first wave was fielded in 2004; the second wave was fielded in 

2006 with a broadly similar survey. 

The survey covers a wide range of important topics for understanding the behavior of the older 

population across Europe: demographics, health, economic status, family and social networks, and other 

topics. Full details of the survey construction and implementation, including imputation of missing 

values, are available in the SHARE methodology book (Borsch‐Supan and Jurges 2005). Particularly 

valuable for our work are the detailed income, wealth, and standardized cross‐national educational 

attainment variables, which we employ directly or indirectly in constructing our analytic dataset. 

In 2008, the third wave of the SHARE project, dubbed ‘SHARELIFE’, was fielded. In contrast with the first 

two waves, which dealt primarily with the contemporaneous condition of older people at the time the 

survey was fielded, SHARELIFE focused on retrospective life histories, eliciting details on key life events 

from childhood to the present day. The survey was designed to allow analysis of the European welfare 

state by providing information on a range of life decisions that could then be placed in a national 

institutional context. For our purpose, the most useful variables are those dealing with employment 

status and earnings at different times in the individual’s life: these allow us to construct full earnings 

histories for retirees, and partial earnings histories for those still in the work force. 

There are many practical benefits to the retrospective life history method47, and it provides access to a 

great deal of information that cannot be obtained in the present by other means48. However, there are 

some clear difficulties with using retrospective life history as a substitute for a panel survey conducted 

at regular intervals over an individual’s life. The most problematic is data quality: when asking older 

individuals to recall events from 50 years ago, an element of error is expected, some of which may be 

systematic rather than random.  

To minimize the potential problems with dating specific events, SHARELIFE implemented a state‐of‐the‐

art event history calendar structure based on an earlier ELSA survey. This survey technique begins with 

the interviewer asking questions about highly salient life events (the birth (and, if applicable, death) of 

children, the beginning and ending of cohabiting relationships, places of living), and placing these events 

on a computerized calendar grid that both the interviewer and respondent can see. The interviewer 

goes on to other survey modules, where events might be subject to greater error, using the calendar of 

life events to help enhance recall by relating these other life events (such as the start of a particular job) 

to the salient life events (e.g. prompting recall by asking “Did you start that job before or after your 

                                                            47 The SHARELIFE team cite speed and cost as important benefits  48 In some cases, it may be possible to link survey data to national administrative data (such as tax returns) to obtain information on certain aspects of life, but this is often difficult and the scope of administrative data is often narrowly focused around the purpose for which the data is being collected 

90  

wedding?”). The SHARELIFE interface also allowed interviewers to relate the date of an individual’s life 

events to notable country or world events, providing the interviewer with a searchable database of 

relevant events that the interviewer could use to anchor an event date (e.g. a respondent might indicate 

that an event took place a few months after the first moon landing; the SHARELIFE survey interface 

would allow the interviewer to search for that date. Alternatively, the respondent might indicate with 

uncertainty that a life event took place in 1969 or 1970, and the interviewer can then find salient public 

events from those years and ask (e.g.) whether the life event took place before or after the moon 

landing). A full discussion of the challenges of retrospective lifecycle data collection, and the means by 

which the event history calendar seeks to mitigate these challenges, is available in the SHARELIFE 

methodology book (Schröder 2011). While the SHARELIFE data undergoes a meticulous data cleaning 

process before being released, it is important to note that the cleaning team takes a conservative 

approach to altering original responses and does not make edits to the data based purely on grounds of 

subjective implausibility. In the next sub‐section, we describe the variables we use and the additional 

processing that we conduct.  

CleaningandProcessingtheSHARELIFEEarningsDataIn this section we describe our processing of the SHARELIFE earnings data to produce lifetime earnings 

profiles for each individual in our final dataset, the validation of the data, and sample trimming to 

remove low quality data. 

To provide structure for the following section, the basic building blocks of our dataset are questions that 

cover for each individual: 

a) the start year of each job 

b) the starting monthly salary of each job, net of taxes 

c) (for those still working) the net monthly salary on the current job 

d) (for those who are retired) the end net monthly salary on the ‘main’ job of the career 

Our basic strategy is to take these known salary points (every starting salary and one current/end 

salary), and impute the salary for the intervening years.  

Cleaningthedata:initialsampleselection;ambiguous,misrememberedandforgottendataThe initial selection criteria restricted the sample to individuals who were male; still alive; and aged 50‐

75 at the time of the SHARELIFE survey, and for whom it was possible to obtain education level data 

from SHARE Wave 1 or 2.  

We then conducted a number of internal quality checks on the data, and removed individuals from the 

data who exhibited clear errors of coding or recall.  

We removed individuals who claim to finish a job before starting it (Nth job end year < Nth job start year) 

or who claim to start one job before starting a preceding job ((N+1)th job start year < Nth job start year). 

To simplify the eventual imputation, we also drop individuals who report starting a new job before 

ending a previous job ((N+1)th job start year < Nth job end year). Note that in the questionnaire, 

91  

individuals are asked to combine series of small part‐time jobs into a single reported ‘job’, so this last 

restriction only excludes a small number of people who report substantial overlapping jobs.  

For each salary point, the individual was asked in which currency the salary was denominated. In some 

cases this currency was not codable, and the individual was removed. In other cases, the currency was 

ambiguous (e.g. the generic “Francs” could theoretically refer to French, Belgian, Swiss, or some other 

currency); when choosing among possible currencies, we assumed that the currency was the national 

currency of the individual wherever possible, and otherwise excluded the individual.  

We also took the simplifying step of excluding the relatively small number of individuals who reported a 

currency that was not the currency of their home country. We believe these currency reports are 

subject to above average degrees of error, but the exclusion also dramatically simplifies pension 

modeling by not requiring that we calculate partial pensions based on work across different countries.  

Finally on currency, we assumed that individuals who reported an amount in a currency that does not fit 

the timing of the introduction of the Euro (i.e. reporting in Euros prior to its launch, or in national 

currencies after they had been replaced by the Euro) were nonetheless representing a correct ‘value’. By 

inspection of countries with large fixed exchange rates against the Euro, it appeared clear that the 

majority of these temporal currency discrepancies represented people reporting a national‐currency‐

equivalent amount in national currency, rather than reporting a Euro amount and misreporting the 

name of the currency (and, vice versa for the corollary discrepancy of reporting values in Euros prior to 

the introduction). Moreover, survey respondents were permitted to give answers in whichever currency 

they felt they could give the most accurate answer, and so we would expect these apparent 

discrepancies. Based on this decision, we convert all these amounts into their temporally correct 

currency via the fixed exchange rates. 

In some cases individuals reported that they did not remember the starting salary on one or more jobs. 

We excluded individuals who started their career with 2 or more jobs for which they forgot the salary, 

who began their career with more than 5 years of jobs with forgotten wages, or have more than 10 

years of forgotten wages. 

ProcessingtheData:RealGrossValues,PlausibilityChecksandInterpolationWe converted all known income values to real PPP‐adjusted 2009 German Euros, using standardized 

national CPI values and PPP conversions from the OECD where possible, and extending the date range 

using national websites where possible.49 Where values were not available for the earliest years of the 

dataset, we imputed values backwards using an average of the 10 earliest years available. 

After converting all values to real income, we made some additional trims to the data before imputing 

values. First, we remove anyone who claims (after conversion to real currency) to earn a net income of 

more than 40,000 Euros per month. These people most likely represent data errors, and even if correct 

are extreme earnings outliers. We also remove individuals whose real income values show a drop of 

                                                            49 For a starting point, several useful suggestions and sources are provided in a SHARE working paper (Trevisan, Pasini et al. 2011) 

92  

more than 10% on their main or current job (the only jobs for which we have both a reported start and a 

reported end/current value). While it is possible for wages to decrease in real terms, a large number of 

these cases appear likely to be memory recall errors, most likely underestimating how currency has 

changed over time with inflation: these cases typically report modest nominal increases over time that 

are overwhelmed by compounded inflation. 

SHARELIFE income values are reported as net income rather than gross income, but gross income is used 

for calculating pensions. We therefore used OECD taxation programs to create conversion factors for net 

income to gross income. For years prior to the collection of OECD taxation program data, we used the 

same tax brackets (in real terms) and tax levels as the earliest year of data. 

After converting to gross income, we interpolated between known income points. Several combinations 

of known income points were possible: 

1) Known start and end salary of main or last job: we interpolate between the two points log‐

linearly 

2) Known start salary of one job and start of a following higher salary job: as above, we interpolate 

log‐linearly 

3) Known start salary of one job and start of a following lower salary job: as we generally believe 

wages are sticky, and it is more likely to be a step down to a lower salary than a gradual process 

over the course of the previous job, we keep real salary flat on the original job 

4) Known start salary of one job followed by a known period of zero earnings: as with point (3), we 

hold real earnings flat 

After this imputation, we convert these calendar‐year income histories into age‐year income histories 

using the individual’s birth year and compared the resulting data with income values from SHARE Waves 

1 and 2. In general our constructed dataset seemed to be of high quality. One possible source of error in 

the SHARELIFE responses was giving annual income responses to questions about monthly income: 

when an individual in our dataset had income values that differed from observed values in SHARE Waves 

1 and 2 by a factor of 10, we flagged these observations as suspicious and excluded them from our final 

analyses. Finally, because we need an estimate of a person’s potential earnings at a given age even if 

they have retired, we create a version of our earnings variable which imputes salaries for individuals up 

to age 70 on a flat real trajectory, assuming that wage increases at this age will tend to be in line with 

increases in the cost of living.  

CountryselectionSHARELIFE includes 13 countries. From this 13, we dropped the Czech Republic and Poland at the outset, 

as their earnings histories would include periods of communist rule during which real earnings would be 

difficult to calculate and non‐comparable to Western European countries. We also dropped Denmark 

due to difficulties modeling the overall retirement structure: despite a normal retirement age of 67, 

many Danes effectively retire as early as 60 with unemployment benefits that may be larger than future 

pension benefits, but vary with income and contributions to unemployment insurance funds over their 

lifetime. Other countries were dropped from the analysis for this paper after the cleaning process due to 

93  

small country‐education cell sizes, excessively high prevalence of suspicious values after cross‐validation 

with other sources, or both.   

 

DescripAfter sign

that there

individual

off. In our

tend to le

 

Figure 10: M

 

ptionofEaificant proces

e is a fairly co

ls in their 20s

r dataset, Ger

evel off earlier

Median Annual E

arningsTrssing, our bas

mmon patter

s and then gro

rmans consist

r and have lo

Earnings by Cou

 

rajectoriessic earnings d

rn across cou

owing more s

tently have th

wer earnings

untry 

sbyCountdata are depic

ntries, with m

lowly throug

he highest ea

 than the oth

tryandEdcted in the Fig

median earnin

h the rest of t

rnings, follow

her countries 

ducationgures 1 and 2

ngs rising sha

the working l

wed by the Be

from their 50

2. First, we se

arply in a 

life before lev

elgians; Italian

0s onwards.

94 

e 

veling 

ns 

 

 

After the 

is within c

trajectorie

with ISCE

“tertiary e

at the me

they are t

However,

Netherlan

three edu

does not g

in the larg

Figure 11: M

These ear

trajectorie

last or bes

pension t

On the ot

comparison o

countries. Wit

es, which in t

D definitions 

education”. A

edian at age 2

the highest ea

 the differenc

nds, the two l

ucation group

grow much a

gest income d

Median Annual E

rnings trajecto

es in differen

st earning yea

han a person

her hand, pe

of countries i

thin countrie

urn affect pe

correspondin

As is to be exp

20 (as most w

arners in all c

ces between 

ower educati

ps seem more

fter age 30, b

disparity by ed

Earnings by Edu

ories are imp

t ways. For ex

ars, a person 

with the iden

nsion system

n the previou

s, different g

nsions and sa

ng to “less tha

pected, in all c

ill not have co

ountries.   

education gr

ion groups ha

e distinct. In m

but in France 

ducational st

cation within co

ortant, becau

xample, in pe

with a steep

ntical lifetime

s with caps o

us graph, in th

roups have d

avings. We ch

an secondary

countries the

ompleted edu

oups vary acr

ave fairly simi

most countrie

the gap conti

atus of any o

ountries 

use different 

ension system

ly increasing 

e earnings spr

on pensionabl

he set of grap

ifferent lifeti

hoose to disag

y education”, 

e tertiary edu

ucation), but 

ross countries

ilar earnings, 

es, the gap be

inues to wide

f the countrie

pension syste

ms based on t

earnings traje

read more ev

le earnings te

phs below the

me earnings 

ggregate by e

“secondary e

cated group h

rise sharply s

s: in Germany

 while in Italy

etween high a

en until the la

es.  

ems interact 

he average o

ectory will re

venly across t

end to give hig

e main compa

and earning 

education gro

education” an

have zero ear

so that by age

y, France and

y and Belgium

and low educa

ate 50s, result

with real ear

of some numb

ceive a highe

their working 

gher pension

95 

arison 

oup, 

nd 

rnings 

e 30 

d the 

m the 

ated 

ting 

 

nings 

ber of 

er 

life. 

s to 

96  

those who earn at the capped amount every year than those who earn the same total amount with 

some years below the cap and some above the cap. 

InstitutionalDetailsonPensionsIn this section we describe institutional differences across countries regarding the calculation of 

pensions. In gathering this information we found the OECD’s ‘Pensions at a Glance’ series particularly 

helpful, along with chapters from the NBER volume on Social Security programs and retirement around 

the world and the European edition of the International Social Security Association’s review of Social 

Security programs around the world (Gruber and Wise 2007; OECD 2011; International Social Security 

Association 2012). Where relevant, we also consulted websites of the relevant national governmental 

departments, particularly in order to understand how reforms enacted during the lifetime of our sample 

are applied.   

GermanyIn Germany, the main pension system is a points‐based scheme, in which workers earn ‘points’ based on 

their earnings each year, and the pension received on retirement is calculated by multiplying the sum of 

accumulated points by the redemption value of the points. The ‘cost’ of a point varies year to year, and 

is equal to the average earnings of all the contributors in a given calendar year. Pensionable earnings are 

also subject to a cap, slightly more than 200% of average earnings. 

In 2008, the cost of a pension point was 30,625 Euros, with a redemption value of 317 Euros. This 

implies that an individual working at the average level for 44 years from 21 to 65 would receive a 

pension that replaced approximately 46% of earnings. Given the accrual structure, there is no 

progressivity in the pension system at lower levels: low earners and average earners receive the same 

replacement rate. High earners are subject to the earnings cap on pensionable earnings, and so receive 

a lower replacement rate than low and average earners. Two workers with the same average earnings 

may earn different pension amounts if one has a steeper earnings trajectory, as they will be more 

affected by the earnings cap.  

Normal retirement age for members of our sample50 is 65. Early retirement age is 63; there are no 

actuarial penalties for retiring early if the individual has an earnings history with at least 35 years of 

contributions, otherwise the adjustment is a 3.6% reduction for each year early. Late retirement is 

rewarded with a 6% increase in pension for each year the pension is deferred. Overall, the pension rules 

increase the pension by approximately 1% for each year worked at average earnings, and then by 6% for 

each year of deferral.  

FranceIn contrast with Germany, France has a complex pension system, made more complicated to model by 

the changes in policy that have been enacted during the working lives of our analytic sample members. 

We model two overarching tiers: the public earnings‐based contributory pension, and the mandatory 

occupational pension. 

                                                            50 At the time of writing, pension reform in Germany is set to increase the retirement age incrementally up to 67 for the cohort born in 1964  

97  

The public earnings‐based pension is a defined benefit pension, calculated as 50% of the average 

earnings over some number of ‘best years’, subject to reduction factors. The number of ‘best years’ was 

25 in 2008, having incrementally increased from a base of only 10 years in 1993. For given individuals 

with similar average earnings over their entire careers, this pension may therefore be very different 

depending on the earnings trajectory and cohort: ceteris paribus, steeper earnings trajectories lead to 

higher pensions, particularly for those retiring in 1993 or earlier. The pensionable earnings are subject to 

a cap, which is approximately equal to national average earnings, which reduces the effective 

replacement rate received by higher earners from this pension. Reduction factors depend on both the 

age at which the individual retires and the number of quarters of contribution required for a full career; 

this latter number incrementally increased from the 150 (37.5 years) to 160 (40 years) between 1993 

and 2003. Normal retirement age for this tier is 60. Deferral is rewarded with a 5% increase per year. If 

an individual works a full career but still generates a very low pension, the pension value is raised to the 

‘minimum contributif’ level, but this mostly applies to those with very low wages and/or significant 

amounts of part‐time work. 

France has several occupational pension systems. We model the ARRCO system which covers the 

majority of private sector workers. This scheme is a points‐based system, with contributions made each 

year divided by the cost of a pension point, and the final pension depending on the redemption value of 

the total number of points accrued. Benefits are earned on 6% of earnings under the public sector 

earnings cap, and on 16% of earnings between the public sector earnings cap and three times that cap. 

Earnings higher than three times the public sector earnings cap earn no additional points. However, this 

upper threshold affects only very high earners (approximately: those earning more than 100,000 Euros 

per year). As with the public pension, any reductions for early retirement depend on age and number of 

years of contribution. Late retirement does not lead to actuarial adjustment, but the worker continues 

to accrue ARRCO points. 

ItalyWhile the Italian pension system has undergone several reforms in the past 20 years, nearly all the 

individuals in our sample are grandfathered under the old pre‐reform system, so it is this that we 

describe here.

The Italian pension system (as modeled) has one main component: a public defined benefit pension. The 

pension aims to provide a replacement rate of 80% of the last 5 years of earnings, accruing at a rate of 

2% per year for a maximum of 40 years of work, with no cap on earnings. A relatively low minimum 

pension (around 6300 Euros) provides a floor on pensions for those with extremely low pension 

entitlements. The system is only slightly progressive (few full‐career workers fall under the minimum 

pension), and the focus on just five years of earnings for calculating the base amount means that 

workers with fairly high average earnings can receive a lower pension than workers who had lower 

earnings on average over their career but received a high wage in the last five years of their career. 

Normal retirement age is 60 (with at least 15 years of work), though it is possible at a younger age after 

35 years of work; there are no actuarial adjustments made for deferred pensions, though an individual 

may wish to prolong their career if this will significantly raise the average of their final five years of 

earnings. 

98  

BelgiumThe main pension provision in Belgium is a public defined benefit system. This system aims to replace 

60% of average lifetime income (or 75% if the individual has a dependent spouse), with a cap on 

pensionable earnings in a given year of roughly 47,000 Euros (around 120% of average earnings in 

Belgium); earnings less than roughly 19,000 Euros are credited with this value through the minimum 

annual credit for low earners. A minimum pension of roughly 12,000 Euros is available to those who 

have worked full careers but have not earned enough to qualify for a higher pension. The system is 

therefore progressive for low earners and capped for high earners.  

The full pension requires 45 years of work, and is reduced proportionally for shorter careers. Normal 

retirement age is 65, but retirement is possible from 60 after 35 years of work. No actuarial adjustments 

are made for earlier retirement, but most early retirees will face reduced pension due to not having 

contributed a full 45 years. No actuarial adjustment is made for deferring retirement, but delaying may 

allow an individual to increase their pension by filling in gaps in their contributions to reach 45 years, or 

allow the base amount to increase (the pension is based on the last 45 years of earnings, so an 

additional year of high earnings at the end of the career may displace a year of low earnings at the start 

of the career in the pension calculation); but for most individuals, there is little to gain from additional 

years of work at older ages. 

NetherlandsThe pension system in the Netherlands consists of two main components: a basic fixed pension that 

does not depend on earnings, and an array of occupational pensions that cover the vast majority of 

Dutch workers. For a single person, the basic pension amount is roughly 13,000 Euros (around 30% of 

average earnings), accrues at 2% for each year of living or working in the Netherlands, and is payable 

from age 65 with no early receipt or deferral possible. 

The occupational schemes have significant heterogeneity, with hundreds of significant pension funds 

and the option for employers to offer their own schemes. A large majority of these plans are defined 

benefit plans, and a large majority of defined benefit plans are based on lifetime average earnings. A 

typical plan provides an accrual rate of 2% of pensionable earnings per year of work; pensionable 

earnings are not subject to any maximum cap, but a ‘franchise’ amount (typically: 10/7 of the public 

pension amount) is subtracted from the raw earnings. Thus, an individual who earns exactly this 

franchise amount every year over the course of their working life would receive no occupational 

pension, but the public pension would be sufficient to replace 70% of the individual’s average earnings. 

An individual with lower earnings would receive a greater replacement rate; the overall system is very 

progressive for low earners, but individuals with high earnings receive similar replacement rates to 

those with average earnings.   

Normal age of pension receipt is 65. Different occupational pension plans vary in their rules on pension 

deferral; based on a sampling of large firm plans, we assume that deferral of an occupational pension 

leads to an 8.5% increase per year of deferral. 

   

99  

PENSIONCALCULATIONIn this section, we provide more detail on the assumptions and modeling we used for each country, and 

demonstrate graphically the generosity, progressivity, and accrual properties of the modeled pension 

systems. 

GermanyPublic pension: 

The pension calculation in Germany is a simple multiplication of total ‘points’ accrued by the 

redemption value of a point: 

∗ , /  

where ycap is the maximum pensionable earnings in a given year, pcost is the cost of a pension point in 

a given year, and pvalue is the value of a pension point in the year it is drawn. 

Normal retirement age is 65. Early retirement results in a reduction of 3.6% for each year. Delayed 

retirement results in an increase of 6% for each year. 

FrancePublic pension: 

The French public pension is a defined benefit based on a number of years of salary, with a replacement 

factor that varies with age and years of contribution, calculated as: 

Z ∗ min 1, ∗ ,

/  

where q is the number of years of work, qreq is the number of years required for a full pension (which 

ranges from 40 to 42 for people for our sample based on cohort), X is the number of ‘best years’ over 

which the pension is calculated (which ranges from 10 to 25 for people in our sample), and  Z  is a 

replacement factor, calculated as  

0.50 0.05 ∗ 0, 65 ,  

Deferred retirement provides a gain of 5% per year of deferral. 

The value is raised to the ‘minimum contributif’ pension value if an individual has a full career but still 

generates a pension below this floor. 

Mandatory occupational pension: 

The mandatory occupational pension is a points‐based system, with the total points accrued multiplied 

by the redemption value, calculated as: 

100  

∗ /  

pvalue is the value of a pension point, and pcost is the cost of a pension point in a given year. 

ypens is the pensionable earnings in a given year, equal to the sum of: 

6% of earnings below threshold  k ; and  

16% of earnings between threshold  k and the earnings cap of 3k. 

 

Early retirement from occupational plans is possible, subject to a similarly structured penalty as in the 

reduction of the replacement factor in the public pension: the occupational pension is reduced by 

approximately 4% for each year of age/work the individual is short from the normal retirement age or 

the required number of years of work, whichever results in the smaller deduction. 

BelgiumPublic pension: 

The Belgian public pension is a defined benefit, based on 45 years of pensionable earnings (subject to a 

cap and floor), calculated as: 

∗ min45

, 1 ∗ ⟨ , , ⟩ /  

where Targ is the target rate of 0.6 for independent individuals or 0.75 for individuals with a dependent 

spouse, ycap is the limit on pensionable earnings, yfloor is the minimum entitlement to which very low 

earnings are raised, and q is the number of years worked.  

If this pension calculated does not meet the minimum pension level, it is replaced by the minimum 

pension at public retirement age. 

ItalyPublic pension: 

The Italian public pension modeled is a simple defined benefit based on the last 5 years of salary, 

calculated as: 

40, ∗ 0.02 ∗ /5 

where q is the number of years worked. 

  

101  

NetherlandsPublic pension:  

The basic public pension in the Netherlands is assumed to be flat amount for all people who have lived 

in the Netherlands for at least 50 years; it is received at age 65, with no early receipt or deferral 

possible. 

Quasi‐mandatory occupational pension: 

The typical occupational pension in the Netherlands is a defined benefit, based on average lifetime 

pensionable earnings (earnings over a threshold tied to the public pension), calculated as  

∗ 0.02 ∗ max 0,107

/  

where q is the number of years worked, and frch is the ‘franchise’ deduction equal in size to the public 

pension. The actuarial adjustment for deferral is assumed to be 8.5% per year. 

   

 

PensionThe simpl

the figure

earnings f

amount a

divided by

various pe

highest in

salary of t

lifetime g

cost of pe

   

Figure 12: G

However,

the progr

                  51 The rankmodeling ograndfathe

SystemChaest comparis

e below, we s

for each coun

n individual w

y their averag

ension charac

n Italy, where 

the last 5 yea

iven the earn

ension points 

Generosity of Pe

 these countr

essivity of pe

                       k order is the sof the new Italered – places It

aracteristicson to be mad

ummarize the

ntry in the dat

would receive

ge lifetime ea

cteristics, it d

under the old

rs of their car

nings trajecto

and redeema

ensions 

ry‐level medi

nsions. Figure

                   ame as that caian pension sytaly as the seco

sAcrossCoude across cou

e median rep

taset, as accr

e on reaching

arnings up to 

oes demonst

d system it w

reer, which m

ries shown pr

able value of 

ans obscure s

e 4 is not sca

alculated for ststem – rather ond most gene

untriesntries is a ver

placement rat

ued by age 60

g retirement a

age 60. While

trate a basic le

was typically p

might easily tr

reviously. It is

pension poin

several impor

led to empha

tylized individuthan the pensierous rather th

ry basic meas

te from pensi

0. This is calc

age if they cea

e this measur

evel of gener

possible to rec

ranslate to 10

s lowest in Ge

nts keep repla

rtant features

asize the diffe

uals by OECD (Oion system intohan the most g

sure of pensio

ons of averag

culated as the

ased working

re is not perfe

rosity across c

ceive 80% of 

00% of averag

ermany, whe

acement rates

s of pensions

erent pension

OECD 2011), exo which our sagenerous.  

on generosity

ge lifetime 

e annual pens

g at age 60, 

ect and confla

countries. Th

their average

ge salary over

re the relativ

s low.51 

s. Next we tur

n levels across

xcept that theiample was 

102 

y.  In 

sion 

ates 

is is 

e 

r the 

e 

 

rn to 

s 

ir 

 

countries,

on the ave

Here we s

due to the

standard 

demonstr

built into 

earnings –

calculate 

will receiv

Figure 13: P

The progr

need very

systems m

for low‐m

accumula

, but to demo

erage lifetime

see sharply pr

e relatively hi

of living, but 

rate steadily d

the pension s

– vary widely,

pensions. Ita

ve a very low 

Pension Replace

ressive pensio

y little financi

may replace m

mid earners in 

tion as indivi

onstrate with

e earnings.  

rogressive pe

igh minimum

becoming les

downwards s

system, and t

, due to the s

lians with hig

pension relat

ment Rates by C

on systems in

al wealth at r

more than 100

Belgium and

duals move f

in countries h

ension system

 pensions off

ss progressive

loping relatio

the replacem

small number

gh earning job

tive to lifetim

Country and Me

 most countr

retirement wi

0% for these 

 the Netherla

rom low earn

how the repla

ms in Belgium 

fered in those

e for mid‐to‐h

onships in the

ent rates – as

r of years at th

bs early in the

me earnings. 

ean Lifetime Ear

ries suggest th

ith which to s

people; and t

ands might le

nings to slight

acement rate

and the Neth

e countries to

high earners. 

ese graphs. Ita

s measured c

he end of the

eir career who

rnings 

hat individua

sustain their s

the precipito

ad to particu

tly higher ear

es differ for in

herlands for v

o guarantee a

France and G

aly has very li

ompared wit

e career that a

o take lower 

ls with very lo

standard of li

us drops in re

lar difference

nings. 

ndividuals bas

very low earn

 minimum 

Germany both

ittle progress

h average life

are used to 

earning jobs 

ow earnings m

ving, as pens

eplacement r

es in wealth 

103 

sed 

ers, 

h 

sivity 

etime 

later 

 

may 

ion 

ate 

 

An alterna

(accrued b

pensionab

flattening

wide disp

across the

that come

earnings t

system, a

relatively 

scatterplo

Figure 14: P

 

ative way of p

by age 60) on

ble earnings: 

g of the pensio

ersion in Ger

eir lifetime w

es into play at

trajectories a

nd the overa

generous mi

ots at low ear

Pension Entitlem

portraying th

n the y‐axis. H

Germany has

on when mea

many, reflect

ill be more or

t higher earn

nd the cap. F

ll effect of the

nimum pensi

rnings, and Ita

ments by Countr

 

e same inform

Here we get a 

s the most bin

an lifetime ea

ting the fact t

r less affected

ings, and aga

rance has dif

ese is not obv

ons in Belgiu

aly displays lit

ry and Mean Life

mation is give

better sense

nding earning

arnings appro

that individua

d by the earn

in there is dis

ferent earnin

vious in the g

m and the Ne

ttle progressi

etime Earnings

en below, wit

e of the impac

gs cap in our 

oach 40,000 E

als with differ

ings cap. Belg

spersion caus

ngs caps for d

graph. As in th

etherlands af

ivity and a lot

th pension en

ct of the earn

dataset, refle

uros. There is

ring distributi

gium also has

sed by the int

ifferent pillar

he previous se

ffect the patte

t of dispersion

ntitlements 

nings caps on 

ected in the se

s also reason

ion of income

s an earnings 

teraction betw

rs in the pens

et of graphs, 

ern of the 

n.  

104 

evere 

ably 

e 

cap 

ween 

sion 

the 

 

 

The third 

the effect

additiona

years of c

amount is

dependin

calculatio

(particula

if pension

Figure 15: A

There are

Netherlan

retiremen

in pension

60 years o

Netherlan

dramatic 

systems fa

to continu

key characte

tive rate of ac

l year of work

ontributions 

s increased – 

g on the earn

n of the base

rly Germany 

ns are deferre

Accrual of Annua

e clear differe

nds have big k

nt age is reach

n values repre

old to 70 year

nds, but only 

difference in 

acing relative

ue, and worke

ristic of pens

ccrual and adj

k. Prior to no

(up to a limit

for example, 

nings trajecto

e amount. Aft

and the Neth

ed, while othe

al Pension by Co

nces across c

kinks in the m

hed, significa

esented by th

rs old leads to

a moderate i

incentives ac

ely little incen

ers in German

ion systems t

justment in p

rmal retireme

t), along with 

in Germany, 

ry, it may inv

er normal ret

herlands) mak

ers do not. Th

ountry and Educ

countries in th

marginal pens

ntly changing

he slopes of t

o extremely la

ncrease in Be

cross countrie

ntive to contin

ny and the Ne

that affect the

pensions: how

ent age, this t

country‐spec

it is simply a

volve increasin

tirement age,

ke significant 

hese effects le

cation Group 

he way pensio

ion increase f

g the incentiv

hese lines dif

arge increase

elgium and vir

es, with work

nue, workers 

etherlands fa

e marginal de

w much the pe

typically invo

cific ways in w

n accrual of p

ng the averag

, pension syst

actuarial adj

ead to the pa

ons increase 

for an additio

e to stay in th

ffers greatly a

es in pension 

rtually no inc

kers under the

in France fac

cing moderat

ecisions of ind

ension increa

olves increasin

which the prim

points; in Fran

ge of the sala

tems in some

ustments to p

tterns seen b

over time. Ge

onal year of w

he labor force

across countr

in Germany, 

rease in Italy

e Belgian and

cing a relative

te incentives 

dividual work

ases for each 

ng a number 

mary pension

nce and Italy,

ry years used

e countries 

pension amo

below.  

ermany and t

work when no

e. Also, the ch

ies: working f

France and th

. This leads to

d Italian pensi

ely high incen

for a time 

105 

kers is 

of 

n 

, 

d for 

unts 

 

the 

ormal 

hange 

from 

he 

o 

on 

tive 

 

followed 

impact on

Recasting

payable c

the next y

Figure 16: Pby mortality

  

Here we s

the multip

pension a

some fina

decreases

Belgium a

account. T

expect to 

by stronger in

n retirement d

g the same da

hanges from 

year.  

Percentage Chany risk and 2% di

see that Frenc

ple ways early

mount possib

al years of ear

s prior to norm

are fairly cons

These effects

influence ret

ncentives at o

decisions. 

ta in a differe

year to year,

nge in Pension Ascount factor. 

ch pensions i

y retirement 

ble by workin

rnings. The sy

mal retireme

sistently nega

 influence the

tirement beha

older ages. W

ent way, the g

 assuming a d

Accrued by Coun

ncrease more

and receipt o

ng a few more

ystems for Ge

nt age but pr

ative once dis

e retirement 

avior.

We expect that

graph below s

discount rate 

ntry and Educati

e than other p

of pensions ar

e high earning

ermany and th

rovide an incr

counting and

date that ma

t these differ

shows how m

of 2% and co

ion. Pension acc

pensions in th

re penalized a

g years in a p

he Netherlan

rease after no

d survival pro

aximizes pens

rences should

much the ann

ountry‐specifi

crued by followi

he years up to

and the large

ension system

ds generally 

ormal retirem

babilities are 

sion wealth, w

d have a signif

ual pension 

ic survival rat

ing year discoun

o age 60, due

e increase in b

m that focuse

produce sma

ment age. Italy

taken into 

which in turn 

106 

ficant 

te to 

 

nted 

e to 

base 

es on 

ll 

y and 

we 

107  

EffectofPensionsonRetirementandSavingsDecisionsHaving documented the significant differences across countries in the functioning of their pension 

systems, we now relate these differences to variation in observed behavior across and within countries. 

We restrict our sample to individuals who had retired by the time of SHARE Wave 2, to ensure our 

wealth measures do not reflect people who are still in the wealth acquisition phase of life and to allow 

us to use a consistent sample for both our wealth analysis and retirement age analysis. 

In the graph below, we relate pension replacement rates for individuals in our dataset (as calculated 

using SHARELIFE earnings histories and our own country‐specific pension calculators) to a standardized 

measure of financial wealth derived from SHARE Wave 2. Each data point represents a country‐

education cell, as previously defined. 52  Our wealth measure is the financial wealth (checking accounts, 

stocks, bonds and balances held in Individual Retirement Accounts) held by the individual in SHARE 

Wave 2, divided by the mean lifetime earnings of the individual between age 20 and age 60. On the x‐

axis, we have the average income replacement rate accrued by age 60, calculated as the pension 

entitlement accrued by age 60 divided by mean lifetime earnings of the individual. This replacement 

rate reflects a combination of the generosity and progressivity of the pension systems, as applied to the 

real life earnings histories in our dataset. 

                                                            52 With the exception of Germany, for whom we omit the less‐than‐secondary education cell due to insufficient sample size after restricting to those who had retired by SHARE Wave 2 

 

Figure 17: Rlevel indicat

It appears

accumula

rates, the

it is very p

financial w

average li

accumula

with varia

other cou

Our prefe

typically m

total wea

sources o

undeniab

                  53 And, ind

Replacement Rated by parenthe

s that there is

ted wealth in

re is low accu

plausible to b

wealth: indivi

fetime level c

ted savings a

ation both bet

untry‐specific 

erred measure

most liquid an

lth, including

f heterogene

le that some 

                       eed, differenti

tes and Accumueses: (1) less tha

s a clear nega

n the graph ab

umulation of 

elieve that hi

duals who ca

can maintain 

nd investmen

tween and w

factors that w

e of wealth a

nd most easily

 housing and 

ity in housing

people may f

                   ial access to th

ulated Financial an secondary; (2

tive relations

bove. For cou

financial wea

igh replaceme

an rely on the

their average

nts. It is also i

ithin countrie

we are not m

bove is a mea

y used to fina

other assets,

g markets acr

finance consu

he housing mar

Wealth. Cells co2) secondary; (3)

ship between

untry‐educatio

alth. While th

ent rates from

eir pensions m

e lifetime stan

interesting to

es, decreasing

odeling. 

asure of finan

ance consump

, as an altern

ross countries

umption in re

rket for differe

ollapsed at the c) tertiary 

n pension rep

on cells with 

e result admi

m pensions d

maintaining th

ndard of livin

o note that th

g the likelihoo

ncial wealth, t

ption. We can

ative; althoug

s53 and the w

etirement par

ent socio‐econo

country‐educat

lacement rate

high median 

its of alternat

iscourage acc

heir income a

ng without rel

his relationshi

od that this is

the type of w

n also look at

gh there are 

ealth may be

rtly by downs

omic groups ac

ion level. Educa

es and 

replacement

tive explanati

cumulation o

around their 

lying on 

ip is borne ou

s driven by so

wealth that is 

t a measure o

likely major 

e less liquid, it

izing their 

cross countries

108 

 

ation 

t 

ions, 

f 

ut 

ome 

of 

t is 

s 

 

housing, e

wealth.  In

/ equity re

schemes a

omitting h

similar an

relationsh

Next we t

represent

measure i

individual

 

Figure 18: Mlevel indicat

Here, as w

additiona

actuarial a

adjustme

entering into 

n general, the

elease schem

are more pre

housing wealt

nalysis using a

hip driven by 

turn to the im

ts a country‐e

is the margin

ls and collaps

Marginal Pensioted by parenthe

we might exp

l year and the

adjustment te

nt tend to ha

reverse mort

e countries in

mes, as compa

valent (Clerc‐

th dramatica

a net wealth m

cross‐country

mpact of accru

education gro

al increase in

sed at the me

n Accrual and Meses: (1) less tha

ect, we see a

e age at whic

end to have h

ve lower reti

tgages, or usi

n our sample a

ared to the En

‐Renaud, Pére

lly misstates 

measure (see 

y variation. 

ual incentives

oup. The y‐axi

n pension for w

dian.  

Mean Retiremenan secondary; (2

 strong positi

h people cho

higher retirem

rement ages.

ng some othe

are not count

nglish‐speakin

ez‐Carillo et a

retirement re

Appendix). T

s on retiremen

is is the mean

working an a

nt Age. Cells coll2) secondary; (3)

ive relationsh

oose to retire.

ment ages; co

 This again is 

er method fo

tries who hav

ng countries o

al. 2010). This

esources, but

The result is a

nt age. Again

n retirement a

dditional yea

apsed at the co) tertiary. 

hip between t

. Countries w

ountries with 

 a very plausi

r realizing the

ve embraced 

of the OECD w

s reduces our

t nonetheless

a marginally s

, each cell in 

age within th

ar at age 65, c

untry‐education

the benefit of

here pension

little to no ac

ible result; ho

e value of ho

reverse mort

where these 

r concern tha

 we perform 

ignificant neg

the graph be

e cell. The x‐a

calculated for

n level. Educatio

f working an 

ns receive a st

ctuarial 

owever, in thi

109 

using 

tgage 

t 

a 

gative 

elow 

axis 

r 

 

on 

trong 

is 

 

case the r

countries 

countries

Next, we 

one year a

given age

schedule 

pension in

the accrua

 

Figure 19: Dindicated by

In Figure 1

increased

appears t

support fr

the lowes

appears t

result is less p

to drive the r

. 

look at longe

at a specific a

must take in

of benefit inc

ncentives invo

al kinks in Ge

Decade Pension y parentheses: (

10 we see a s

 benefits from

o be mostly d

rom the with

st median gain

o have the op

persuasive tha

relationship, 

r term incent

age; but the k

to account no

creases. In the

olved with wo

rmany and th

Deferral and Re(1) less than sec

similar relatio

m working to 

driven by diffe

in‐country va

n also has the

pposite relati

an the previo

without such

tives. The prio

kinked accrua

ot only the m

e graph below

orking a deca

he Netherland

etirement Age. Ccondary; (2) seco

onship betwee

older ages as

erences betw

ariation – in th

e lowest mea

onship betwe

ous graph due

h a clear corol

or graph deal

l curves mea

marginal benef

w, we examin

ade from age 

ds).  

Cells collapsed aondary; (3) terti

en gains from

ssociated wit

ween countrie

hree countrie

n retirement 

een pension g

e to the relian

llary between

t with the ca

n that individ

fit of a single

ne how retire

60 to age 70 

at the country‐eiary. 

m pension def

th increased r

es; but here w

es (Belgium, It

 age, and it is

gain and retir

nce on differe

n education g

pacity to incr

duals making 

 year, but als

ment ages ar

(a period tha

education level. 

ferral and reti

retirement ag

we perhaps se

taly, German

s only the Net

rement age. 

ences betwee

groups within 

rease pension

a decision at 

o the future 

re related to t

at averages ou

Education level

irement age, 

ges. Again, thi

ee a little mor

y), the group

therlands wh

110 

en 

ns in 

a 

the 

ut 

 

l 

with 

is 

re 

 with 

ich 

 

Finally in t

Here, we 

income st

rates. The

maximize

which like

but does 

systems. 

In the gra

the year a

relationsh

country d

the earlie

Figure 20: Plevel indicat

Clearly, pe

wealth, as

additiona

this section, w

estimate the 

treams into p

e resulting ne

s pension we

ely causes peo

provide an al

ph below, we

at which the p

hip between t

ifferences, w

st date at wh

Pension Benefit ted by parenthe

eople do not 

s the best fit 

l years involv

we adapt a co

value of pen

resent value 

t present valu

ealth. This doe

ople to retire

ternative me

e again plot m

present value

the pension b

which reflect a

hich people ca

Peak Year and Meses: (1) less tha

choose retire

line does not

ves a loss of le

oncept from t

sion wealth a

using a perso

ues of pensio

es not take in

 earlier than t

asure of the p

mean retireme

e of pension b

benefit peak y

a combination

an begin rece

Mean Retiremenan secondary; (2

ement purely

 have a slope

eisure utility (

the “peak val

at each possib

onal discount 

on wealth allo

nto account th

the date at w

purely financ

ent age on th

benefits are m

year and retir

n of the accru

iving a pensio

nt Age. Cells col2) secondary; (3)

y to maximize

e of exactly 1.

(and may also

ue” literature

ble retiremen

rate of 2% an

ow us to estim

he disutility o

which pension

cial incentives

he y‐axis, and 

maximized. W

rement age, a

ual difference

on.   

llapsed at the co) tertiary. 

 discounted p

 This is unsur

o displace oth

e (Coile and G

nt age, discou

nd country‐sp

mate the age 

of work / utilit

n wealth wou

s built into the

 on the x‐axis

We see a signif

again mostly d

es seen in prev

ountry‐educatio

present value

rprising, given

her productiv

Gruber 2007)

unting future 

pecific morta

of retirement

ty of leisure, 

ld be maximi

e pension 

s take the me

ficant positive

driven by cro

vious graphs 

on level. Educati

e of retiremen

n that workin

e activity). A 

111 

. 

lity 

t that 

zed, 

ean of 

e 

ss‐

and 

 

ion 

nt 

g 

112  

further step to take would be to use an “option value” framework to capture the value of consumption 

and leisure at each age more explicitly (Stock and Wise 1990). This approach requires explicit 

specification of utility functions and parameters (as in the model that motivates this paper), is sensitive 

to parameter values that must be chosen, and would benefit from work that has yet to be done 

estimating these parameters. Therefore, this is left for future research. 

Overall, these analyses of pension institutions taken together  provide prima facie evidence that pension 

incentives influence work, saving and retirement decisions. Using a unique dataset to capture the real 

pension environment unique to each real individual, we were able to show that groups with high 

replacement rates tend to accumulate less financial wealth and groups with low accrual/adjustment 

rates tend to retire earlier. Helpfully, our set of countries include at least one in each quadrant of the set 

[High Replacement Rates, Low Replacement Rates],[Strong Accrual Incentive, Weak Accrual Incentive], 

which means these two effects are unlikely to be conflating each other. Nonetheless, these basic 

patterns at the aggregate level could certainly be explained by other factors at the country level, with 

national pension systems designed to reflect national preferences in the balance between private and 

public retirement provision. The analyses presented here are best seen as a first step in describing broad 

correlations in our dataset between wealth accumulation and labor supply outcomes at the individual 

level and the incentives created by institutional pension structures. The next section describes future 

directions for research.   

113  

Futureresearch:fromaggregateanalysistotheestimationoflife‐cyclemodelsFinally, we turn to future directions for research using this unique dataset with dynamic programming 

models, which can more completely model individual behavior and provide a better basis for policy 

simulation than the aggregate analyses we have performed in this paper. 

The dataset we have constructed includes for the first time the lifetime earnings histories of a large 

number of people across several countries, together with a detailed modeling of the pension incentives 

faced by each individual at each stage of their working lives, the age at which the individual retired, and 

a measure of their accumulated wealth. This provides unique opportunities for the type of lifecycle 

model discussed at the beginning of this paper, which in turn can provide useful insights into the likely 

reaction of individuals to different types of pension reform. 

More sophisticated models can be applied to this data in the future, utilizing a range of additional 

information to help capture individual circumstances more precisely, and relaxing assumptions that 

allowed for exploratory analysis but which may be unrealistic. On the informational side: as an adjunct 

to the main thrust of our work, we imputed spousal income for each person in our dataset at each age 

of life, using regression coefficients derived from the larger European Community Household Panel 

(ECHP) dataset. Household income measures can therefore be constructed and analyzed. Similarly, we 

have processed the SHARELIFE family variables to ascertain household size at each age: variations in 

family size may have a significant impact on consumption over the lifecycle, and likely are related to 

country and education level. Real asset returns have been treated as common to all individuals, but data 

on historic asset returns across countries could be easily incorporated. 

The model can also be extended in a number of ways. As a consequence of the decision rule driving the 

program, consumption is a given fraction of a known discounted lifetime income. We found in 

exploratory modeling that this decision rule often led those in countries with high pension replacement 

rates to get into very large amounts of debt in young and middle age, which might not be feasible in the 

real world, as it is not easy to borrow against future income and pension entitlements. So, liquidity 

constraints may be a sensible extension, particularly for modeling the generous replacement rate 

countries.   

As mentioned, individuals are treated in the model as having perfect information on lifetime income, 

and also on asset returns. Relaxing these assumptions to allow for uncertainty and concern about 

possible shocks may bring the model closer to reality. In addition, our modeling of the utility of 

retirement leisure / disutility of work as an age‐independent parameter could be adjusted simply to 

allow tastes for leisure to depend on age.  

Finally, the model as constructed focuses exclusively on individual decision‐making, but other research 

has developed concepts of joint decision‐making for couples and noted its importance for understanding 

labor force behavior (Hurd 1990; Blau 1998; Gustman and Steinmeier 2000). While data limitations do 

not allow us to construct lifetime labor histories for a full set of matched husband‐wife pairs, a range of 

spousal characteristics are available through SHARE and could be incorporated into further extensions of 

this work.      

114  

ConclusionIn this paper, we describe the construction, characteristics and value of a novel dataset that combines 

lifetime earnings histories with a detailed modeling of national pension institutions, uniquely capturing 

the interaction between lifetime earnings levels and trajectories with the rules of pension systems in a 

way that allows us to understand the pension incentives and decisions faced by individuals in each year 

of their working lives. With a large quasi‐panel of respondents with comparable data across multiple 

countries, this dataset provides new opportunities to exploit cross‐national institutional variation for 

research purposes without resorting to stylized assumptions about individual income over the lifecycle.  

In addition, we have provided additional support to two hypotheses: pension systems that provide more 

generous replacement rates are associated with lower accumulation of wealth to finance retirement; 

and sharper incentives to continue working at older ages are associated with later retirement. The 

former effect receives stronger support from our analysis, with both within‐ and between‐country 

variation showing a negative relationship between replacement rates and wealth, while the retirement 

age effect is mostly driven by between‐country variation.  

The main findings in this paper are based on an aggregation of individual pension situations up to the 

country‐education cell level, but the greatest value in our dataset lies in future work that can calibrate 

lifecycle models to explain individual behavior as a function of the incentives facing them. In turn, this 

will allow more accurate policy simulations to address the likely consequences of (necessary) future 

pension reforms both at an aggregate and an individual level. These important modeling tasks are far 

from straightforward, but our work has provided a solid foundation on which they can be built. 

  

 

   

115  

Bibliography 

Blau, D. M. (1998). "Labor force dynamics of older married couples." Journal of Labor Economics 16(3): 595. 

Borsch‐Supan, A. and H. Jurges, Eds. (2005). The Survey of Health, Aging, and Retirement in Europe – Methodology, Mannheim Research Institute for the Economics of Aging (MEA). 

Clerc‐Renaud, S., E. Pérez‐Carillo, et al. (2010). Equity Release Schemes in the European Union, European Commission. 

Coile, C. and J. Gruber (2007). "Future social security entitlements and the retirement decision." The Review of Economics and Statistics 89(2): 234‐246. 

Gruber, J. and D. A. Wise, Eds. (1999). Social Security and Retirement around the World, University of Chicago Press. 

Gruber, J. and D. A. Wise, Eds. (2007). Social security programs and retirement around the world: Fiscal implications of reform, University of Chicago Press. 

Gustman, A. L. and T. L. Steinmeier (2000). "Retirement in dual‐career families: a structural model." Journal of Labor Economics 18(3): 503‐545. 

Hurd, M., P. C. Michaud, et al. (2012). "The Displacement Effect of Public Pensions on the Accumulation of Financial Assets." Fiscal Studies 33(1): 107‐128. 

Hurd, M. D. (1990). The joint retirement decision of husbands and wives. Issues in the Economics of Aging. D. A. Wise, University of Chicago Press, 1990. 

International Social Security Association (2012). Social Security Programs Throughout the World: Europe, 2012, United States Social Security Adminstration. 

OECD (2011). Pensions at a Glance 2011: Retirement‐income Systems in OECD and G20 Countries, OECD Publishing. 

Schröder, M., Ed. (2011). Retrospective Data Collection in the Survey of Health, Ageing and Retirement in Europe. SHARELIFE Methodology. Mannheim Research Institute for the Economics of Aging (MEA). 

Stock, J. H. and D. A. Wise (1990). "Pensions, the Option Value of Work, and Retirement." Econometrica 58(5): 1151‐1180. 

Trevisan, E., G. Pasini, et al. (2011). Cross‐country comparison of monetary values from SHARELIFE, SHARE Working Paper Series 02‐2011, Survey of Health, Ageing and Retirement in Europe. 

 

 

   

 

Append

Figure 21: Rindicated by

 

dix

Replacement Ray parentheses: (

tes and Accumu(1) less than sec

ulated Net Wealcondary; (2) seco

lth. Cells collapsondary; (3) terti

sed at the countiary 

try‐education leevel. Education l

116 

 

level