I datasetet fanns det en del tomma luckor, en del utelämnade variabler. I de fall då det funnits flera på varandra utlämnade observationer, alltså en variabel med
observationer för flera på varandra följande år, har inga skattningar gjorts och observationerna har lämnats utan värde. Om det förekommit att en variabel för ett specifikt årtal saknat värde har en skattning gjorts. Då har jag antagit samma värde som för året innan. Detta är lika med ingen förändring från år 1 till år 2.
Tidigare nämndes att datasetet är hämtat från The quality of government institute. Det här datasetet var inte uppdaterat med värden för samtliga variabler från år 2013. Jag har då istället lagt in värdena från år 2013 från World Bank. Utöver de tillagda värdena för år 2013 har även utelämnade observationer vid enstaka fall fyllts i genom att använda motsvarande data från World Bank. Exempelvis hade inte QOG fångat upp att Eritrea blev självständigt från Etiopien 1993. I datasetet fanns således inga värden mellan åren 1990-1992 för Eritrea men dessa värden lades alltså till från World Banks uppdaterade version av motsvarande variabel.
4.5. Paneldata
Paneldata anses ofta vara en effektiv metod att använda när man arbetar med
ekonometrisk data. Fördelen med paneldata är att det inkluderar data från en mängd olika variabler (exempelvis länder, företag eller individer) och en mängd olika tidsperioder (exempelvis år, månader eller veckor). Ett dataset som enbart består av olika variablers värden under samma tidsperiod kallas för tvärsnittsdata. En del dataset med tvärsnittsdata existerar också över tid. Dessa dataset utgör dock inte ett dataset med paneldata eftersom det vanligtvis är omöjligt att mäta samma individ över tid. Exempel på sådana dataset är upprepade hushållsundersökningar där olika hushåll gör enkätundersökningen varje år. Då är det omöjligt att följa samma hushåll under en längre tid. Ett riktigt dataset med paneldata möjliggör för varje individ i datasetet att bli iakttagen under ett antal tidsperioder. (Asteriou & G. Hall, 2011)
Om panelen har lika många tidsobservationer för varje variabel och individ har vi en balanserad panel. Forskare arbetar ofta med obalanserade paneler där det är olika antal tidsobservationer för olika variabler och individer i datasetet. När en panel är obalanserad uppstår inga stora märkbara problem, men datahantering ur datorns synvinkel kan bli något mer komplicerad. Den grundläggande tanken bakom paneldata utgår från uppfattningen att enskilda relationer ska alla ha samma
parametrar. Det här kallas ibland antagande om sammanslagning, som i själva verket är att alla individer slås samman i en datauppsättning och en gemensam uppsättning parametrar tas ut över dem. Om antagandet om sammanslagning är korrekt kan vi se två stora fördelar. För det första är det möjligt att utöka stickprovet avsevärt genom att använda en panel, vilket leder till att bättre estimeringar kan göras. Den andra
fördelen är att problemet med utelämnade variabler, som kan orsaka felaktig
uppfattning i enkel regression, inte uppstår i sammanhang med paneldata på samma sätt. Nackdelen är, om antagandet om sammanslagning inte stämmer, att det kan uppstå problem som ofta härleds till en så kallad heterogen panel (eftersom parametrarna skiljer sig mellan individer). (Asteriou & G. Hall, 2011)
Det finns en rad sätt att handskas med sammanslagen paneldata. Den modell som används i den här regressionsstudien är den som inkluderar fixa effekter. Det betyder att man kontrollerar bort saker som är fasta genom tidsspannet för ett visst land. Modeller för fixa effekter kontrollerar för alla tids-konstanta skillnader mellan länderna. På detta sätt kan de beräknade koefficienterna inte bli felaktiga på grund av utelämnade tids-konstanta egenskaper (såsom till exempel kultur, religion och kön). (Asteriou & G. Hall, 2011)
I en panel som består av länder skulle de fixa effekterna ta full hänsyn till saker som geografiska faktorer, naturtillgångar och andra av de många grundläggande faktorer som varierar mellan olika länder, men inte över tid. Naturligtvis innebär detta att vi inte kan lägga till extra variabler som även inte varierar med tiden, såsom länders storlek exempelvis, eftersom denna variabel antar samma värde och då inte fungerar med modellen för fixa effekter. (Asteriou & G. Hall, 2011)
Det gjordes ett Hausman test för att fastställa att fixa effekter ska inkluderas i regressionen. Hausman testet avgör om fixa effekter ska inkluderas i modellen eller inte. Om testet visar ett signifikant resultat förkastar vi nollhypotesen, att modellen med slumpmässiga effekter är konsekvent, till förmån för modellen med fixa effekter. Testet gav ett signifikant resultat (Tabell 4, Appendix 2) och således förkastas
nollhypotesen. (Asteriou & G. Hall, 2011)
4.6. Regressionsanalys
Tabell 3. Regressionsanalys sammanfattning Ber. var. lnBNPperCAP 1990-2013
Modeller 1 2 3 4 5
Oberoende variabler
Estimerat värde Estimerat värde
Estimerat värde Estimerat värde Estimerat värde
Konstant 6,471102*** (0,015615) 4,336039*** (0,1196936) 4,247195*** (0,1183444) 0,1431924** (0,0639586) 0,1080086* (0,0573824) HIVAIDS 0,017059*** (0,0028113) 0,0374752*** (0,0027168) 0,0362113*** (0,0026725) 0,0045305*** (0,0010053) 0,0049306*** (0,0009932) LIVSLÄNGD 0,0375067*** (0,0020889) 0,0414136*** (0,0021298) 0,0038239*** (0,0008385) 0,004428*** (0,0008035) INFLATION 4,57e-06 (8,00e-06) -4,07e-06 (2,49e-06) BEFOLKNINGST 0,0121015*** (0,0024307) 0,0108745*** (0,0023955) INTERNET 0,0003617 (0,000345) INVEST 0,0009648*** (0,0002422) 0,0009599*** (0,0002418) lnBNPperCAP!!! 0,9402821*** (0,0103025) 0,9408002*** (0,0099059) R2 0,0330 0,2558 0,2865 0,9303 0,9297 F-värde 415,05 339,86 343,99 2,43 2,49 p-värde 0,0000 0,0000 0,0000 0,0000 0,0000 n = 47
standardavvikelser inom parentes *** signifikansnivå 1 %
** signifikansnivå 5 % * signifikansnivå 10 %
Figur 3. Modell 4
Tabell 4. Korrelationskarta
I Tabell 3 ovan återfinns resultaten från de fem olika modellerna i
regressionsanalysen. De kompletta modellerna från Stata finns i Appendix 3. Här
F test that all u_i=0: F(46, 1002) = 2.43 Prob > F = 0.0000
rho .44746479 (fraction of variance due to u_i) sigma_e .06678828 sigma_u .0601035 _cons .1431924 .0639586 2.24 0.025 .0176843 .2687005 laglnBNPperCAP .9402821 .0103025 91.27 0.000 .9200652 .960499 INVEST .0009648 .0002422 3.98 0.000 .0004896 .0014401 INTERNET .0003617 .000345 1.05 0.295 -.0003152 .0010387 BEFOLKNINGST .0121015 .0024307 4.98 0.000 .0073317 .0168713 INFLATION -4.07e-06 2.49e-06 -1.64 0.102 -8.94e-06 8.10e-07 LIVSLÄNGD .0038239 .0008385 4.56 0.000 .0021785 .0054694 HIVAIDS .0045305 .0010053 4.51 0.000 .0025577 .0065033 lnBNPperCAP Coef. Std. Err. t P>|t| [95% Conf. Interval] corr(u_i, Xb) = 0.8382 Prob > F = 0.0000
F(7,1002) = 1911.85
overall = 0.9955 max = 23 between = 0.9992 avg = 22.5 R-sq: within = 0.9303 Obs per group: min = 14 Group variable: ccode Number of groups = 47 Fixed-effects (within) regression Number of obs = 1056
laglnBNPpe~P 0.8375 0.1818 0.3088 -0.0301 -0.1943 0.2794 0.0162 1.0000 INVEST 0.0304 -0.0017 -0.0286 0.0058 0.1188 -0.0148 1.0000 INTERNET 0.3668 0.0119 0.4284 -0.0289 -0.2374 1.0000 BEFOLKNINGST -0.2934 -0.2470 -0.1153 0.0726 1.0000 INFLATION -0.0554 -0.0333 -0.0589 1.0000 LIVSLÄNGD 0.4896 -0.3295 1.0000 HIVAIDS 0.1990 1.0000 lnBNPperCAP 1.0000 lnBNPp~P HIVAIDS LIVSLÄ~D INFLAT~N BEFOLK~T INTERNET INVEST laglnB~P (obs=1056)
ovan finns även en korrelationskarta för samtliga variabler. Dessutom finns i Appendix 2 en tabell över deskriptiv statistik från Stata.
Från resultattabellen kan man utläsa att HIV/AIDS har en signifikant inverkan på variation i BNP/capita. Resultatet är dock förvånande eftersom HIV/AIDS verkar ha en positiv inverkan på den ekonomiska tillväxten, vilket talar emot teorier på området. Enligt förväntat utfall och tidigare studier bör en högre andel smittade i HIV/AIDS dra ner arbetskraften i landet och därmed dra ner på produktion. Det verkar dock inte som den förväntade negativa effekt av HIV-epidemin fångats upp i modellerna.Man skulle istället kunna tolka resultatet som att mer resurser läggs på att hjälpa de sjuka när de blir fler och detta kan även skapa arbete åt fler inom vård och omsorg. HIV/AIDS är dessutom signifikant på 1 % -nivån i alla modeller.I modell 1, med endast HIV/AIDS som variabel är det dock tydligt att modellen inte förklarar mycket av variationen i den beroende variabeln då förklaringsgraden är omkring 3 procent. Det förväntade utfallet var direkt negativ effekt men istället ser vi en positiv effekt. Troligtvis är denna positiva effekt indirekt och härleds via ökad efterfrågan på
sjukvårdspersonal och annat arbete som täcker upp för de sjuka. Då BNP/capita ökat i Afrika ser vi inget tydligt mönster på hur HIV/AIDS ser ut (Figur 8, Appendix 4). Det positiva resultatet i de här modellerna kan vara i linje med vad Whiteside pekar på i sin rapport från 2002, att ekonomisk tillväxt i vissa fall kan uppmuntra
HIV-spridningen (Whiteside, 2002).
I modell 2, 3, 4 och 5 har livslängden en signifikant positiv inverkan på ekonomisk tillväxt. Detta resultat är i linje med förväntat utfall då människor som lever längre bör rimligtvis kunna bidra till BNP under en längre tid. Längre liv och bättre levnadsstandard hänger ihop med en ökad BNP/capita. (Weil, 2013)
Inflationen i modell 3 ger ett svagt positivt resultat vilket är i linje med vad som är förväntat. I modell 4 är effekten dock negativ istället. I båda fallen är resultaten inte signifikanta vilket pekar på att variabeln i fråga inte är tillräckligt bra. Några större slutsatser kan man då inte dra av dessa värden.P-värden på 0,568 och 0,102 i modell 3 och 4 indikerar att inflationen inte förklarar något av variationen i den förklarade variabeln.
Befolkningstillväxt visar sig vara signifikant på 1 % -nivån men åt motsatt håll mot vad det förväntat utfallet var. Givet allting annat bör BNP/capita-utvecklingen minska då befolkningen ökar då fler måste dela på samma resurser. I modell 4 och 5 är det möjligt att effekten av en ökad befolkning blir mer arbete och mer pengar i rörelse vilket ökar tillväxten av landets ekonomi.
I modell 4 visar sig internetanvändare vara en svag variabel med ingen som helst signifikans.
Utländska investeringar inkluderas i modell 4 och 5 visar i båda fallen signifikant positiv effekt på den ekonomiska tillväxten vilket är i linje med tidigare studier och förväntat utfall i studien. (Al-Sadig, 2009)
Till sist ser vi att variabeln släpande BNP visar ett signifikant positivt resultat i både modell 4 och 5.Att sambandet är positivt är i linje med förväntat utfall i studien. Förklaringsgraderna för de här modellerna är dessutom väldigt höga vilket indikerar att modell 4 och 5, med den här variabeln, är bra modeller. T-värdena i Figur 3 och i
Figur 7, Appendix 3, visar även att den här variabeln är starkast.
Modell 4, där samtliga variabler är inkluderade visar upp en förklaringsgrad på 93,03 procent.Således förklarar modellen 93,03 procent av variationen i ett lands
ekonomiska tillväxt.Detta är en väldigt hög förklaringsgrad och visar att modellen passa bra.
Man ser i Figur 8 i Appendix 5 att HIV-epidemin inte har ett linjärt samband, varken negativt eller positivt.I Figur 9 i Appendix 5 bekräftas det med att vi inte ser någon tydlig gemensam utveckling av HIV/AIDS med tiden. I några länder ökar andelen smittade och i några länder minskar andelen smittade. Dock är det många länder som håller en jämn smittonivå. I några länder kan man dock se att HIV blir ett större problem. I Lesotho, Mocambique, Namibia, Sydafrika, Swaziland, Ekvatorialguinea och till viss del Botswana har HIV blivit ett större problem med tiden, vilket bör leda till att ekonomisk utveckling hämmas.
Till viss del stämmer riktningarna på variablerna men en del av dem går motsatt håll med vad teorier och det logiska resonemanget säger. Huvudvariabeln HIVAIDS visar sig vara positivt trots att den antogs ge negativ effekt på den beroende variabeln. Även befolkningstillväxten samt inflation i ena modell 3 ger motsatta resultat mot vad de förväntade utfallen säger.
Korrelationskarten, Tabell 4, indikerar att valet av variabler är bra eftersom samtliga variabler inte är för korrelerade. Det är endast variablerna lnBNPperCAP och
lnBNPperCAP!!! som uppmäter en relativt hög korrelation. Det betyder att vi undviker problemet med multikollinearitet, att de oberoende variablerna korrelerar med varandra. I Tabell 4 kan man också se att HIV-förekomsten har en negativ korrelation med förväntad livslängd och befolkningstillväxt. Dessa resultat är
intressanta att beakta. Resultatet i regressionsutskrifterna säger att HIV-epidemin haft positiv inverkan på BNP/capita-utvecklingen. Hur det kommer sig är svårt att sia om. Korrelationskartan ger lite mer nyans till det hela då det framkommer att
HIV-epidemin försämrar livslängd och befolkningstillväxt, vilket försämrar levnadsvillkoren på sikt.
I Figur 10 (Appendix 4) kan man även utläsa att de länderna med en hög grad av HIV-förekomst har haft något sämre BNP/capita-utveckling än länderna som inte haft hög HIV-förekomst.
Det är möjligt att resultaten i studien hade varit annorlunda eller mer trovärdiga om jag exempelvis använt mig utav en tidigare tidsperiod men data för fler länder före 1990 har varit svårt att hitta.Ett annat exempel på när resultatet eventuellt hade kunnat bil bättre är om jag hade valt att till exempel endast undersöka de afrikanska länderna söder om Sahara där problemen med HIV/AIDS är större än länderna norr om Sahara. I den här undersökningen kan det ha varit så att de länderna norrut där spridningen inte är så stor bidragit till att problemet ser mindre ut än vad det egentligen är i de södra regionerna. Att resultatet inte till fullo blev som jag trodde från början kan också bero på tillgången till data, att jag valt de variabler där mycket data fanns. Andra variabler, med en mindre mängd data, skulle eventuellt ha kunnat säga mer om länders tillväxt.
5. SAMMANFATTNING
Resultatet att HIV/AIDS har en positiv inverkan på den ekonomiska utvecklingen i Afrika är inte i linje med vad de flesta tidigare studier säger och resultatet är svårtolkat. Det verkar som om en högre andel smittade personer ger upphov till ett större behov av arbetskraft och produktion inom vårdsektorn vilket skulle kunna öka BNP/capita.
Man ska ta även ta in i tankarna att siffrorna för HIV i den här studien är just HIV-förekomsten. Det betyder att den troligtvis inte hunnit bli AIDS än. Det är alltså inte omöjligt att resultatet blivit annorlunda om siffrorna gällt AIDS istället.
Slutligen skall sägas att resultatet hade kunnat bli tydligare eller pekat på HIV/AIDS som ett stort problem om endast länderna söder om Sahara hade varit inkluderade i undersökningen.Även en tidigare tidsperiod hade möjligtvis kunnat ge ett annat resultat då sjukdomen ansågs som ett större problem under 1980- och 1990-talen än på senare tid. Resultatet skulle också kunna tolkas som att vi är på väg åt rätt håll med sjukdomen. Om den här studiens resultat skulle vara den allmänna tron har vi
bevisligen arbetat så pass bra med sjukdomen att den inte längre ses en ett stort problem.
Att resultatet inte blev som jag förutspådde pekar på att det är svårt att göra en så pass omfattande undersökning av länder vars data och statistik delvis är svår att få tag på. Det är mycket möjligt att resultatet hade blivit mer i linje med vad de flesta tidigare studier säger om jag haft tillgång till bättre och mer data.
Referenser
Al-Sadig, A., 2009. The Effect of Corruption on FDI Inflows. Cato Journal, VOLUME NUMBER.
Asteriou, D., Hall, S.G., 2011. Applied Econometrics. 2nd ed. London: PALGRAVE MACMILLAN.
Barro, R.J., 1996. Determinants of economic growth: a cross-country empirical study.
NATIONAL BUREAU OF ECONOMIC RESEARCH.
Barro, R.J., 2006. Barro on Growth, ECONTALK. Library of Economics and Liberty. [podcast]. Tillgänglig från:
<http://www.econtalk.org/archives/2006/07/an_interview_wi_1.html> [Hämtad 2015-05-05].
Bonnel, R., 2009. HIV/AIDS: Does it increase or decrease growth in Africa? World
Bank, VOLUME NUMBER.
Commission on growth and development., 2008. The growth report. Tillgänglig från: <https://openknowledge.worldbank.org/handle/10986/6507> [Hämtad 2015-04-18]. Lucas, R.E., 1988. On the mechanics of economic development. Journal of Monetary
Economics, 22(1), s. 3-42.
Mankiw, G., Romer, D. and Weil, D., 1992. A contribution on the Empirics of Economic Growth. Quarterly Journal of Economics.
Nelson, R.R., Phelps, E.S., 1966. Investment in humans, technological diffusion, and economic growth. American Economic Association Papers and Proceedings, 56(1-2), s. 69-75.
Papageorgiou, C., Stoytcheva, P., 2004. What do we know about the impact of AIDS on cross-country income so far? Louisiana State University.
Population Division, 2003. The HIV/AIDS epidemic and it’s social and economic implications. Tillgänglig från:
<www.un.org/esa/population/publications/adultmort/Popdiv12.pdf> [Hämtad 2015-04-23].
Romer, P.M., 1990. Endogenous technological change. Journal of Political Economy, 98(5), s. 71-102.
The World Bank, 2015. Rule of Law. [online] Tillgänglig från:
<http://info.worldbank.org/governance/wgi/index.aspx#home> [Hämtad 2015-05-20]. UNICEF, 2013. Barn och aids. [online] Tillgänglig från: < https://unicef.se/fakta/barn-och-aids> [Hämtad 2015-05-04].
Vårdguiden, 2015. HIV och aids. [online] Tillgänglig från:
<http://www.1177.se/Uppsala-lan/Fakta-och-rad/Sjukdomar/Hiv-och-aids/> [Hämtad 2015-05-02].
Weil, D.N., 2013. Economic growth. 3. ed. Harlow: Pearson Education Limited. Whiteside, A., 2002. Poverty and HIV/AIDS in Africa. Third World Quarterly. [online] Tillgänglig från: <http://dx.doi.org/10.1080/01436590220126667> [Hämtad 2015-05-17].
World Health Organization, 2015. HIV/AIDS. [online] Tillgänglig från: <http://www.who.int/gho/hiv/en/> [Hämtad 2015-05-18].
Data
The Quality of Government Institute, 2015. QoG Standard Data. [online] Tillgänglig från: <http://qog.pol.gu.se/data/datadownloads/qogstandarddata> [Hämtad 2015-04-28].
The World Bank, 2015. Prevalence of HIV, total (% of population ages 15-49). [online] Tillgänglig från: <http://data.worldbank.org/indicator/SH.DYN.AIDS.ZS>
[Hämtad 2015-04-28].
The World Bank, 2015. Life expectancy at birth, total (years). [online] Tillgänglig från: <http://data.worldbank.org/indicator/SP.DYN.LE00.IN> [Hämtad 2015-04-29].
The World Bank, 2015. Inflation, GDP deflator (annual %). [online] Tillgänglig från: <http://data.worldbank.org/indicator/NY.GDP.DEFL.KD.ZG> [Hämtad 2015-04-29]. The World Bank, 2015. Population growth (annual %). [online] Tillgänglig från: <http://data.worldbank.org/indicator/SP.POP.GROW> [Hämtad 2015-04-29]. The World Bank, 2015. Internet users (per 100 people). [online] Tillgänglig från: <http://data.worldbank.org/indicator/IT.NET.USER.P2> [Hämtad 2015-04-29]. The World Bank, 2015. Foreign direct investment, net inflows (% of GDP). [online] Tillgänglig från: <http://data.worldbank.org/indicator/BX.KLT.DINV.WD.GD.ZS>
[Hämtad 2015-04-29].
The World Bank, 2015. GDP per capita (constant 2005 US$). [online] Tillgänglig från: <http://data.worldbank.org/indicator/NY.GDP.PCAP.KD> [Hämtad 2015-05-15].
Appendix 1
Tabell 5. Länder i studien