Tabell 4. Resultat från regression med mean imputation. Den beroende
variabeln är antalet patentansökningar per miljon invånare. Källa: egna beräkningar i R.
Val av imputationsteknik beror delvis på anledningen till varför det saknas värden för variabeln i fråga samt hur många procent de saknade värdena uppgår till. Enligt dessa krav ska det i denna studie användas en multipel imputation istället för en mean imputation. Vi kan observera att alla värden är annorlunda. En viktig observation är att standardfel har ändrats och detta är ett förväntat resultat enligt Lodder (2013). Mean Imputation Dependent variable: ICT Import 0.948 (0.771) R&D Expenditure 37.823*** (11.595) Researcher in R&D 0.009 (0.006)
School Enrollment Tertiary 0.693***
(0.170) Government Expenditure on Education Total 0.401
(0.839)
29 I de fall man observerar data visuellt har Government Expenditure on Education Total och R&D
Expenditure samma statistiska signifikansnivå. Researchers in R&D och School Enrollment Tertiary
har ändrade signifikansnivåer. Anledningen till att School Enrollment Tertiary har fått högre statistisk signifikans med mean imputation kan förklaras med att saknade värden för den variabeln var 12,92% och enligt litteraturen kan mean imputation vara användbar när saknade värden uppgår till 10% (Lodder, P., 2013). Researchers in R&D har 52,33% saknade värden vilket medför att mean imputation har problem med att hantera detta. Vi kan observera att den statistiska signifikansnivån har minskat med användningen av mean imputation och även detta kan förklaras med att när saknade värden är över 10 % blir det problematiskt att hantera med mean imputation.
Med multipel imputation får vi ett resultat som överensstämmer någorlunda med tidigare forskning inom det begränsade området. Det vi kan avläsa från vårt resultat är att de andra metoder som vi genomfört är bristfälliga. Användningen av mean imputation leder dock till ett resultat någorlunda likt tidigare forskning. Anledningen till att mean imputation inte används är för att den inte passar in med majoriteten av våra variabler samt att vi får snedvridna feltermer. Andra metoder som pairwise
deletion fungerar inte för vårt dataset på grund av samtliga krav, t.ex. mängden saknade värden.
Användningen av MICE leder till att i vissa fall av observationerna antar variablerna negativa värden. Detta sker antagligen på grund av att ekvationen som MICE använder sig av tolkar variationen på variablerna mellan årtal som negativa värden. Detta är dock inte något vi kan ändra då vår imputation skulle förlora trovärdigheten eftersom MICE stoppar in de värden som passar bäst enligt regressionen.
30
9 Slutsats
Vår frågeställning är ”Hur påverkas innovationer av Humankapital, Handel med IKT och FoU i EU?”.
Resultatet vi har fått är i enlighet med tidigare forskning. Även vi har fått positiva korrelationer mellan humankapitalvariabler och innovation Resultatet visar på att alla våra variabler påverkar innovationer positivt förutom School Enrollment. Det som har störst påverkan på innovationer är investeringar i FoU. Detta innebär att 1 % ökning i statliga utgifter som spenderas för FoU ger 56,805 fler patentansökningar per miljon invånare. Det som är avvikande från tidigare studier är att vi har fått en högre effekt från FoU på patentansökningar. Den variabeln som har minst effekt är Researcher in
R&D som har koefficienten 0,013. Dock kan vi observera att vissa variabler avviker från tidigare
forskning, t.ex. antal nya studenter på högskolan. Tidigare studier har kommit fram till att det finns ett positivt samband mellan antal nya studenter på högskolan och antal patentansökningar. Det som skiljer vårt resultat från tidigare forskning är att vi fått en svag negativ korrelation medan andra studier visar på en svag positiv korrelation mellan dessa två variabler. En förklaring till detta är att vår imputation har gett skeva feltermer för variabeln som inte är verklighetsförankrad vilket inte överensstämmer med underliggande data.
Vår databas innehöll en stor mängd saknade värden vilket bidrog till att vi fick skeva resultat från regressionerna. För att lösa detta problem använder vi oss utav multipel imputation. Utifrån det resultat vi fått från de olika imputationsmodellerna kan man se att den multipla imputationen resulterar i mest jämlika resultat med tidigare forskning. Den multipla imputationsmodellen består av åtta imputerade dataset som är komprimerad till ett dataset. Resultat från de andra använda modellerna har fler nackdelar än den multipla imputationsmodellen. Den multipla imputationsmodellen som vi har som huvudmodell passar bäst utifrån vårt dataset. I det fall man arbetar med dataset som innehåller saknade värden, vilket är ett obalanserat dataset, fungerar multipel imputation för att få resultat som är verklighetsförankrade. Dataset med liknande förutsättningar som vårt dataset passar det att använda sig av multipel imputation.
31
10 Vidare forskning
Ett förslag på vidare forskning är att undersöka hur nedgångar samt uppgångar i konjunkturen påverkar innovationer. Kommer det fler patent ur en högkonjunktur eller en lågkonjunktur? Det går även att studera ett bredare område än bara EU. Blir det annorlunda resultat om det geografiskt undersökta området består av länder med sämre infrastruktur samt lägre kvalité på skolorna.
32
Källförteckning
Abramovitz, M. (1986). Catching up, forging ahead, and falling behind. The Journal of Economic History, 46(2), 385-406.
Alexandra, C. D., Ana-Maria, P., Cristina, C., & Nelu, A. S. A. (2010). Some aspects concerning the correlation between IKT and innovation in Europe. Annals of the University of Oradea, Economic Science Series, 19(2). Andersson, M., & Ejermo, O. (2005). How does accessibility to knowledge sources affect the innovativeness of corporations?—evidence from Sweden. The annals of regional science, 39(4), 741-765.
Andersson, M., & Karlsson, C. (2004). Regional innovation systems in small and medium-sized regions. In The emerging digital economy (pp. 55-81). Springer, Berlin, Heidelberg.
Andersson, M., Gråsjö, U., & Karlsson, C. (2007). Human capital and productivity in a spatial economic system. Annales d'Economie et de Statistique, 125-143.
Becker, G. S. (1994). Human capital revisited. In Human Capital: A Theoretical and Empirical Analysis with Special Reference to Education (3rd Edition) (pp. 15-28). The university of Chicago press.
Benhabib, J., & Spiegel, M. M. (1994). The role of human capital in economic development evidence from aggregate cross-country data. Journal of Monetary economics, 34(2), 143-173.
Benos, N., & Zotou, S. (2014). Education and economic growth: A meta-regression analysis. World Development, 64, 669-689.
Boccanfuso, D., Savard, L., & Savy, B. E. (2013). Human capital and growth: new evidences from African data. International Economic Journal, 27(1), 55-77.
Bodman, P., & Le, T. (2013). Assessing the roles that absorptive capacity and economic distance play in the foreign direct investment-productivity growth nexus. Applied Economics, 45(8), 1027-1039.
Bogliacino, F., & Pianta, M. (2012). Profits, R&D, and innovation—a model and a test. Industrial and Corporate Change, 22(3), 649-678.
Bosetti, V., Cattaneo, C., & Verdolini, E. (2015). Migration of skilled workers and innovation: A European perspective. Journal of International Economics, 96(2), 311-322.
Buendía Azorín, J. D., & Sánchez de la Vega, M. D. M. (2015). Human capital effects on labour productivity in EU regions. Applied Economics, 47(45), 4814-4828
Crépon, B., Duguet, E., & Mairessec, J. (1998). Research, Innovation And Productivity: An Econometric Analysis At The Firm Level. Economics of Innovation and new Technology, 7(2), 115-158.
Diebolt, C., & Hippe, R. (2018). The long-run impact of human capital on innovation and economic development in the regions of Europe. Applied Economics, 1-22.
33 Ejermo, O., & Kander, A. (2011). Swedish business research productivity. Industrial and Corporate Change, 20(4),
1081-1118.
García-Muñiz, A. S., & Vicente, M. R. (2014). IKT technologies in Europe: A study of technological diffusion and economic growth under network theory. Telecommunications Policy, 38(4), 360-370.
Grossmann, V., & Stadelmann, D. (2013). Wage effects of high-skilled migration: international evidence. The World Bank Economic Review, 27(2), 297-319.
Hall, R. E., & Jones, C. I. (1999). Why do some countries produce so much more output per worker than others?. The quarterly journal of economics, 114(1), 83-116.
Higón, D. A. (2012). The impact of IKT on innovation activities: Evidence for UK SMEs. International Small Business Journal, 30(6), 684-699.
Josan, I. J. (2012). Human capital investment. Manager (University of Bucharest, Faculty of Business & Administration), (15).
Jung, T., & Ejermo, O. (2014). Demographic patterns and trends in patenting: Gender, age, and education of inventors. Technological Forecasting and Social Change, 86, 110-124.
Koellinger, P. (2008). The relationship between technology, innovation, and firm performance—Empirical evidence from e-business in Europe. Research policy, 37(8), 1317-1328.
Koellinger, P. (2008). The relationship between technology, innovation, and firm performance—Empirical evidence from e-business in Europe. Research policy, 37(8), 1317-1328.
Krishna, P., & Levchenko, A. A. (2009). Comparative advantage, complexity and volatility (No. w14965). National Bureau of Economic Research.
Kwon, D. B. (2009, October). Human capital and its measurement. In The 3rd OECD World Forum on “Statistics, Knowledge and Policy” Charting Progress, Building Visions, Improving Life (pp. 27-30).
Li, C., Lian, X., & Zhang, Z. (2018). Public education expenditure, institution development, and regional innovations: An empirical evidence from China (No. 2018-23). Economics Discussion Papers.
Lodder, P. (2013). To impute or not impute: That’s the question. Advising on research methods: Selected topics. Huizen: Johannes van Kessel Publishing.
Marginson, S. (2017). Limitations of human capital theory. Studies in Higher Education, 1-15.
Niebuhr, A. (2010). Migration and innovation: Does cultural diversity matter for regional R&D activity?. Papers in Regional Science, 89(3), 563-585.
Romer, P. M. (1990). Endogenous technological change. Journal of political Economy, 98(5, Part 2), S71-S102. Sianesi, B., & Reenen, J. V. (2003). The returns to education: Macroeconomics. Journal of economic surveys, 17(2), 157-200.
34 Tan, E. (2014). Human capital theory: A holistic criticism. Review of Educational Research, 84(3), 411-445.
Teece, D. J. (1986). Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy. Research policy, 15(6), 285-305.
Teixeira, A. A., & Fortuna, N. (2010). Human capital, R&D, trade, and long-run productivity. Testing the technological absorption hypothesis for the Portuguese economy, 1960–2001. Research Policy, 39(3), 335-350.
Teixeira, A. A., & Queirós, A. S. (2016). Economic growth, human capital and structural change: A dynamic panel data analysis. Research policy, 45(8), 1636-1648.
Unger, J. M., Rauch, A., Frese, M., & Rosenbusch, N. (2011). Human capital and entrepreneurial success: A meta-analytical review. Journal of business venturing, 26(3), 341-358.
Westmore, B. (2013). R&D, patenting and growth.
Wilson, R. A., & Briscoe, G. (2004). The impact of human capital on economic growth: a review. Impact of education and training. Third report on vocational training research in Europe: background report. Luxembourg: EUR-OP. Mansfield, E. (1984). R&D and innovation: some empirical findings. In R&D, patents, and productivity (pp. 127-154). University of Chicago Press.
Curran, C. S., & Leker, J. (2011). Patent indicators for monitoring convergence–examples from NFF and ICT. Technological Forecasting and Social Change, 78(2), 256-273.
Caballero, R.J. and Jaffe, A.B., 1993. How high are the giants' shoulders: An empirical assessment of knowledge spillovers and creative destruction in a model of economic growth. NBER macroeconomics annual, 8, pp.15-74.
Webbsidor
OECD Data Bank. (27 maj 2019). Hämtad 23 mars 2019 från: https://data.oecd.org/https://data.oecd.org/
OECD glossary of statistical terms. (27 maj 2019) Hämtad 27 maj 2019 från:
https://stats.oecd.org/glossary/detail.asp?ID=2023
Eurostat Data Bank. (29 maj 2019) Hämtad 23 mars 2019 från:
35
Bilagor
Bilaga A: Regression med Pairwise Deletion.
Bilaga B: Regression med droppade värden Pairwise Deletion Dependent variable: ICT Import -0.365 (0.612) R&D Expenditure -13.181 (12.647) Researcher in R&D 0.013* (0.007)
School Enrollment Tertiary -0.161
(0.201) Government Expenditure on Education Total -0.345
(0.833)
Note: *p**p***p<0.01
Regression droppade variabler
Dependent variable:
R&D Expenditure -12.658
(10.667) Government Expenditure on Education Total 0.920
(0.971)
Researcher in R&D 0.017***
(0.006)
School Enrollment Tertiary 0.088
(0.104)
36
Bilaga C: Regression med Multipel Imputation ej justerat för heteroskedasticitet Multiple imputation Dependent variable: Fixed Effects ICT Import 0.573*** (0.162) R&D Expenditure 56.805*** (2.858) Researcher in R&D 0.013*** (0.002)
School Enrollment Tertiary -0.325***
(0.057) Government Expenditure on Education Total 1.245***
(0.321) Observations 1,053 R2 0.693 Adjusted R2 0.684 F Statistic 461.911*** (df = 5; 1021) Note: *p**p***p<0.01
37
Bilaga D: Regression utan imputation ej justerat för heteroskedasticitet Utan imputation Dependent variable: Fixed Effects ICT Import -0.365 (0.288) R&D Expenditure -13.181** (5.184) Researcher in R&D 0.013*** (0.002)
School Enrollment Tertiary -0.161
(0.116) Government Expenditure on Education Total -0.345
(0.728) Observations 303 R2 0.145 Adjusted R2 0.058 F Statistic 9.287*** (df = 5; 274) Note: *p**p***p<0.01
38 Bilaga E: Medlemsländer Belgien Nederländerna Bulgarien Polen Cypern Portugal Danmark Rumänien Estland Slovakien Finland Slovenien Frankrike Spanien Grekland Storbritannien Irland Sverige Italien Tjeckien Lettland Tyskland Litauen Ungern Luxemburg Österrike Malta
Bilaga F: Breusch-Pagan test