R EGRESSIONSANALYS

Inför analysen förväntades att en positiv bytesbalans skulle ha en positiv inverkan på utveckling av BNP per capita då exporten är en inkomstkälla för en statsbudget, vilket i sin tur kan ge en positiv inverkan på den ekonomiska utvecklingen. Variabeln lnTB anses därför ha en positiv inverkan på den beroende variabeln BNP per capita.

Utländska direktinvesteringar har enligt tidigare studier visat sig ha en generellt positiv effekt på ekonomisk tillväxt med undantag då mottagarlandet har en låg nivå av humankapital och infrastruktur. Variabeln lnFDI antas därför ha en positiv effekt på BNP per capita för Japan och en negativ effekt för Kina.

Teknologi ämnar att förklara den del av produktionen som inte kan förklaras av andra insatsfaktorer såsom kapital och arbete. En högre teknologisk nivå borde resultera i en effektivare produktion. Variabeln lnTechGap förutspås därför att ha en positiv effekt för båda ländernas BNP per capita dock en större effekt för Japan än för Kina, då i datamaterialet har Japan ett avsevärt mycket högre värde på lnTechGap över åren än vad Kina har.

Enligt Solow-Swan modellen innebär en större kapitalstock en högre nivå av produktion, givet att en del sparas för att underhålla deprecieringen. En väl utbyggd infrastruktur i form av järnvägar, bilvägar och tillgång till maskiner är en förutsättning för att locka till sig utländska direktinvesteringar vilket kan bidra positivt till den ekonomiska utvecklingen. Variabeln lnGCF förutspås därför ha en positiv inverkan på BNP per capita för både Japan och Kina.

En ökad befolkningstillväxt anses ha en negativ effekt på BNP per capita enligt Solow-Swan modellen. En större population kommer att innebära fler arbetare, och således mindre kapital för arbetare. Variabeln lnPopG förutspås därför ha ett negativt värde på BNP per capita för både Japan och Kina.

En negativ inflation, eller deflation kan innebära en negativ utveckling på ekonomin då konsumtionen tenderar att minska men någon ekonomisk teori mellan inflation och ekonomisk tillväxt är svår att fastställa. Eftersom Japan har haft avsevärt större problem med deflation än vad Kina haft förutspås variabeln lnInf därför att kunna påverka BNP per capita negativt för Japan och positivt för Kina.

Under 1990-talet drabbades framförallt Japan av en lågkonjunktur vilket historiskt sett brukar stagnera utvecklingen av ekonomin. Kina uppvisade inte några tydliga tecken på BNP-utvecklingen under denna period. Dummyvariabeln Recession förutspås därför att endast vara signifikant för Japan.

VARIABLER MODELL 1 MODELL 2 MODELL 3 MODELL 4 MODELL 5

Tabell 6.1 Resultat från de fem regresionsmodellerna

Signifikansnivå benämns med stjärnor (𝑝 ≤ 0.10 ⇒∗, 𝑝 ≤ 0.05 ⇒∗∗, 𝑝 ≤ 0.01 ⇒∗∗∗)

Modell 1 för Kina och Japan är regressionen med samtliga variabler inkluderade samt korrigerade till första differensen. För Kina kan det observeras att variabeln lnFDI uppvisar en koefficient med en signifikansnivå på 1%; inga andra variabler visade sig vara signifikanta.

Koefficient för lnFDI har ett värde på -0,027 vilket betyder att en ökning med 1% i variabeln resulterar i en minskning med -0,027% i den beroende variabeln. Resterande av de förklarande variablerna för Kina kunde inte statistiskt säkerställas med en signifikansnivå på 5%.

I Japans fall kunde ingen av de förklarande variablerna statistiskt säkerställas med en signifikansnivå på 5% förutom konstanten och variabeln för logaritmerade bytesbalansen, som hade en negativ koefficient och ett P-värde på 0.01. Enligt den ekonomiska teorin som var utgångspunkten för variabeln ska en större bytesbalans innebära större tillväxt, vilket gör resultatet suspekt.

I modell 2 inkluderades en dummyvariabel, ämnad att försöka fånga den finanskris Japan gick igenom på 90-talet. För Kina hade variabeln Recession endast en marginell påverkan på de andra förklarande variablerna och ingen ändrades till att bli signifikant. Dummyvariabeln Recession visade sig ha en negativ effekt på BNP per capita i Kina, vilket också kunde statistiskt säkerställas till en signifikansnivå på 5%. För Japan innebar inkluderingen av dummyvariabeln Recession ungefär samma som för Kina. Inga nya variabler blev signifikanta för att förklara BNP per capita, och konstanten ändrades till att inte längre vara relevant. Dummyvariabeln Recession hade inte heller en signifikant effekt på den beroende variabeln, vilket inte kunde förutspås.

I modell 3 avlägsnas variabler med avsevärt höga P-värden för att undersöka hur resterande variablers P-värden ändras. De variabler som plockas bort är lnInf, lnPopg, och lnGCF. För Kina innebar detta att variabeln lnTechGap blev statistiskt säkerställd på en 5% signifikansnivå.

Koefficienten visar ett värde på 0,852 vilket betyder att en ökning med 1% i variabeln

0,027 vilket genererar en negativ effekt i den beroende variabeln på -0,027% då lnFDI ökar med 1%. Situationen för Japan i modell 3 var snarlik. Till följd av att variabler avlägsnades blev P-värdet för resterande variabler lägre, bortsett från dummyvariabeln som blev högre och osignifikant. Noterbart var att variabeln lnTechGap nu kunde statistiskt säkerställas på 5%

signifikansnvå. Variabelns koefficient indikerar ett värde på 2,217 vilket betyder att en ökning med 1% i variabeln skulle ge en ökning på 2,217% i den beroende variabeln. Koefficientens effekt på den beroende variabeln går därför i linje med den ekonomisk teori som var utgångspunkten, då teknologisk utveckling ofta leder till en kostnadseffektiv produktion. Dock borde resultatet tolkas med en nypa salt eftersom koefficientens påverkan på den beroende variabeln upplevs onaturligt stor. Variabeln lnTB kan statistiskt säkerställas med en signifikansnivå på 1% och koefficienten visar ett negativt värde på -0.048 vilket betyder att en ökning med 1% i variabeln skulle leda till en minskning med -0.048% i den beroende variabeln.

Likt studien av Marelli och Signorelli (2011) visar resultatet att den ekonomiska interaktionen med omvärlden har påverkat den ekonomiska utvecklingen. Dock visar koefficienter på variablerna lnFDI och lnTB upp negativa värden vilket inte ligger i linje med den ekonomiska teori som nämns tidigare i studien.

Eftersom dummyvariabeln endast visade sig vara signifikant för Kina, men inte för Japan, avlägsnades den i modell 4. För Kina innebar det endast att P-värdena för de resterande variablerna endast ökade. För Japan innebar det också endast marginella skillnader, bortsett från konstanten som nu återgick från ett P-värde på 0,864 till ett värde mindre än 0,00.

I den sista regressionen modell 5 inkluderas samma variabler som i modell 3, alltså de som var signifikanta, men samtliga variabler har laggats med ett år. Laggningen av variabler innebär ett högre P-värde för samtliga variabler, förutom variabeln lnTechGap som nu visar sig vara statistiskt säkerställd på 1% signifikansnivå. Koefficientens värde på 1,124 innebär att en ökning med 1% i variabeln leder till en ökning på 1,124% i den beroende variabeln. Noterbart är att variabelns effekt onaturligt hög utifrån ekonomisk teori och bör därför tolkas med försiktighet. Variabeln lnFDI kunde inte längre statistiskt säkerställas. För Japan innebar laggningen att samtliga variabler fick höga P-värden och kunde inte längre statistiskt säkerställas. Variabeln lnTechGap visar dock ett mycket lägre värde på sin koefficient gentemot tidigare modeller vilket kan tolkas som ett resultat utav laggningen. Dock är den inte statistiskt säkerställd på någon signifikansnivå vilket leder till att resultatet tolkas med försiktighet.

Den modell som lyckas beskriva sambandet mellan de oberoende och den beroende variabeln lämpligast är modell 3 för båda länderna. Utöver låga P-värden visar den även upp lägst värde på AIC och BIC samt högst värde på den justerade förklaringsgraden. Efter utfört Durbin-Watson test kan det inte fastställas att regressionerna har en seriell korrelation då testet återkommer resultatlöst för båda länderna.