Euron och export:
En empirisk studie av eurons genomsnittliga effekt på exporten.
Författare: Bojan Biscevic & Mathilda Norström Handledare: Michael Lundholm
EC6902 Kandidatuppsats i nationalekonomi VT2018
Innehållsförteckning
1.Inledning ……… ………. 3
2.Teoretisk bakgrund ……… ………. 6
3.Tidigare forskning ……… ……….. 7
4.Data och empirisk metod ... …………....……… ………….... 9
4.1.Data ……….……… ………. 9
4.2 Empirisk metod ………....……… .…. 1 1 4.3 Utförande ……….……….… ...…. 1 5 5.Resultat ……….... .……….... 1 7 5.1 First Difference ……….……….………. 1 7 5.2Fixed Effects …….………...……... . . 1 9 5.3 Parallella Trender ………...…...…….… .. 20
6.Analys ……….……….…….... ....…… 2 4 7. Slutsats ……….………….... ....………… 2 6 8.Referenser ……….…...….... .……… 29
Abstract
Since its introduction in 1999, the question whether the Euro has contributed to an increase in trade is controversial. In this paper, the impact of the adoption of the euro on export is studied. For this purpose, a staggered DifferenceInDifference design was used to estimate the average treatment effect on the treated countries in the presence of nonrandom treatment assignment. The panel data set used includes export information for 30 European nations between the years 1993 to 2016, during which 18 nations formally entered the Economic and Monetary Union. Although no significant estimates were found when controlling for countryspecific linear trends and time fixed effects, there are some indications that propose a decrease in total export for the treated euro countries.
Key words: Economic integration, Dynamic panel data, European Union, Export, DifferenceinDifference, Currency unions, Exchange rate, International Economics
1. Inledning
Forskning kring valutaunioners påverkan på internationell handel har under de senaste åren diskuterats flitigt (t.ex. Rose, 1999; De Nardis & Vicarelli, 2003;
Micco, Stein & Ordoñez, 2003). De Nardis och Vicarelli (2003) argumenterar för att ett medlemskap i en valutaunion kan medföra både för och nackdelar då länder ger upp sin autonoma penningpolitik; detta kan i sin tur även bero på karaktären i medlemsländernas struktur. Huvudsakligen handlar det om den potentiella ekonomiska effektiviteten som uppstår då handelsbarriärer upphör, till exempel transaktionskostnader vid valutaomvandling och genom att de riskerna kopplade till volatila fluktueringar i växelkurser minimeras. Däremot försvinner möjligheten att med penningpolitiska åtgärder justera för eventuella chocker i ekonomin. Den allmänna uppfattningen är dock att volymerna inom internhandeln har ökat för medlemsländerna i valutaunioner (De Nardis & Vicarelli, 2003 s. 626). Men trots resonemangen om fördelar med en gemensam valuta existerar det fortfarande en viss oenighet. Länder som inom en grupp beslutar att ingå i ett valutasamarbete kommer att minska sina transaktionskostnader och öka handel, men det råder ingen konsensus om hur mycket. Dessutom har volatiliteten i växelkurser även innan samarbeten inom valutaunioner genom tiderna varit relativt låg, där tidigare studier tyder på att ovissheten kring den nominella samt reala växelkursen har en väldigt liten effekt på handel eftersom att man med olika derivat har kunnat minimera kvarvarande risk (t.ex. McKenzie 1999, se Flam & Nordström 2007; Rose, 2000).
Vidare har man samtidigt kunnat påpeka, att även om möjligheten att delvis skydda sig mot eventuella framtida risker existerar, gör man det ofta till ett högt pris. Bland annat eftersom att det på längre tidshorisonter är väldigt svårt för många producenter att räkna ut vilka priser som sätts, t.ex. på framtida försäljning då man har växelkurser under ständig förändring; men utöver det har de inte heller någon vetskap om huruvida likartade volymer efterfrågas i framtiden. Därmed påverkar det beslutsfattandet på handel och utländska direktinvesteringar (Micco, et al, 2003;
Flam & Nordström, 2007).
Den monetära unionen (EMU) som trädde i kraft 1999 har sitt ursprung i den tidigare Europeiska ekonomiska gemenskapen (EEG) , vars syfte var att upprätthålla stabilitet och ekonomisk integration bland medlemsländerna. I juni 1988 bekräftade det Europeiska rådet sina planer att realisera EMU och tillsatte därefter en kommitté med uppgift att ta fram en strategi för hur EMU skulle implementeras, vilket resulterade i Maastrichtfördraget 1993. Fördraget skrevs på av representanter från tolv länder, och officiellt bildades därmed den Europeiska Unionen (European Central Bank, 2018).
I Maastrichtfördraget fastslogs grundläggande principer som exempelvis; europeiskt medborgarskap där fri rörlighet skall råda mellan medlemsstaterna, vilket också inkluderar bosättning; en gemensam utrikes och säkerhetspolitik; ett mer integrerat samarbete vad gäller polis och rättsväsende. Men vad som Maastrichtfördraget framför allt fastställde förutom tidsbestämmelser, var de så kallade konvergenskriterierna. De bestämde på vilket sätt man i praktiken skulle införa den gemensamma valutan, huvudsakligen hur man på basis av kriterierna bedömer huruvida ett land är lämpligt att gå med i valutasamarbetet (European Central Bank, 2018).
För att ett land ska kunna beviljas att gå med i valutasamarbetet måste det uppfylla kriteriet om en hållbar prisstabilitet, vilket innebär att man skall kunna uppvisa en (HIKP) , som inte överskrider en och en halv procent högre än genomsnittet av de1 medlemsländerna med den högsta graden av prisstabilitet. Landet får inte fortgå med ett budgetunderskott som överskrider tre procent av BNP med vissa undantag samt inneha en statsskuld på mer än 60% av BNP såvida den inte minskar i en stabil takt och närmar sig referensskulden. Landet måste ha deltagit i Europeiska växelkursmekanisme n (ERM II) i minst två år, för att sedan hålla en stabil växelkurs mot euron, utan att devalvera landets valuta. Den långa nominella räntan får heller inte överskrida mer än två procent jämfört med dem tre mest stabila länderna, baserat på långsiktiga statsobligationer (European Central Bank, 2018).
1 I euroområdet mäts konsumentprisinflationen med det harmoniserade konsumentprisindexet (HIKP). Det mäter prisförändringen i konsumtionsvaror och tjänster som införskaffas, används eller betalas av hushållen i euroområdet över tid ( European Central Bank 2018).
Den Europeiska Centralbanken (ECB) bildades den första juni 1998 och strax efteråt den första januari 1999 låstes växelkursen permanent till 11 medlemsländer som uppfyllde kriterierna, varav Grekland gick med 2001. Den första januari 2002 introducerades den fysiska valutan och sattes i omlopp. (European Commission, 2018; European Central Bank, 2018).
Uppsatsens övergripande syfte är att undersöka eurons genomsnittliga effekt på exporten, mer specifikt huruvida exporten har ökat respektive minskat sedan medlemsländerna införde euron. Tidigare studier tyder på att exportvolymer har ökat som resultat av ett medlemskap i en valutaunion, men det råder ingen konsensus kring hur mycket. Därför är det av intresse att göra en jämförelse av hur exporten har förändrats för medlemsländerna efter EMU kontra ett antal europeiska länder som förvisso ingår i samma eller liknande handelsavtal, men som inte har implementerat euron. Frågan är intressant för länder som ännu inte ingått i valutaunionen. Om ett medlemskap innebär ökad volym i export kan det vara goda skäl att ansluta sig till gemenskapen. Majoriteten av de tidigare studierna använder sig av en så kallad gravitationsmodell för bilateral handel med syfte att undersöka handelsvolymer, medan andra metoder inte har använts i samma utsträckning. I denna rapport kommer en så kallad DifferenceInDifference metod (DID) att användas för att söka estimera den kausala effekten av euron på export. Denna metod används vanligtvis vid policyanalys då man vill undersöka effekter av olika policybeslut genom att studera skillnader innan och efter en behandling. I detta fall är det lämpligt att använda sig av en “staggered treatment” (gradvis behandling), av DID eftersom att medlemsländerna gått med i EMU vid olika år. Därefter kommer den genomsnittliga skillnaden i testgruppen med länder som gått med i EMU jämföras med en kontrollgrupp vars länder inte gått med. Modellen kommer även att differentieras (FD) och estimaten jämföras med en modell i nivå som hädanefter benämns (FE) i vilken “fixed effects” inkluderas, exklusive regression ett i Tabell 3.
Resultatet av denna uppsats ger inte några tydliga svar på hur exporten har påverkats för de länderna som valt att gå med i EMU. Det finns en antydan om en minskad effekt men resultaten bör beaktas med försiktighet. Den resterande delen av uppsatsen kommer att disponeras som följer: Avsnitt två presenterar en teoretisk beskrivning av Mundells valutaunionteori. Avsnitt tre tar upp tidigare forskning på valutaunioner följt av avsnitt fyra som presenterar det metodologiska tillvägagångssätt och data som används. Avsnitt fem redovisar de empiriska resultaten som sedan analyseras i avsnitt sex. Slutligen kommer avsnitt sju med slutsats och avsnitt åtta med referenser.
2. Teoretisk bakgrund
Mundell (1961) är en av de ekonomer som lagt grunden till teorier om valutaunioner. I hans arbete undersöker han under vilka ekonomiska förutsättningar som en region bestående av olika stater skulle acceptera en gemensam valuta och därmed ge upp sin autonoma penningpolitik. I termer av regioner snarare än specifika länder diskuterar han det optimala området som en valutaunion skulle bestå av. Mundell skapar ett scenario med två regioner, region A och B som specialiserar sig inom två olika typer av industrier. Exemplet följer att det blir ett skifte i konsumentpreferenser från produkter i region B till produkter i region A. I region B blir det ett överskott i utbud på produkter och i region A blir det ett överskott i efterfrågan på produkter vilket även i sin tur leder till arbetslöshet i region B och ökad inflation i region A ( Mundell, 1961 s. 658).
Förutsatt att båda regionerna har autonom penningpolitik med olika valutor, kan centralbanken i region A öka den inhemska räntan för att bekämpa inflationen medan centralbanken i region B kan sänka den inhemska räntan för att bekämpa arbetslösheten ( Mundell, 1961 s. 658). Dock menar Mundell att om centralbanken deprecierar sin valuta i syfte att bekämpa en ökad arbetslöshet blir priset på varor dyrare i allmänhet, där framförallt importvaror blir relativt dyrare mot inhemska varor. Om den nominella lönen inte ökar i samband med detta kommer en prisuppgång göra att reallönen sjunker, vilket innebär att det enda sättet för att undvika arbetslöshet vid en depreciering av växelkursen är att gå ner i reallön
( Mundell, 1961 s. 663) . Det andra alternativet innebär att regionerna delar en gemensam valuta. I detta fall måste centralbanken göra ett val mellan att lindra arbetslösheten i region B och öka den nationella penningmängden eller förhindra inflationen i region A genom att minska den nationella penningmängden.
Centralbanken kan inte både bekämpa inflation och arbetslöshet utan måste göra ett val. Mundell menar dock att om kapital och arbetskraft kan förflyttas från den drabbade industrin som har ett överskott i kapital och arbetskraft till den industrin som har ett underskott kan dilemmat med inflation och arbetslöshet lösas ( Mundell, 1961 s. 658) . Mundell diskuterar vilka regioner som bör ha en flexibel växelkurs kontra regioner som bör använda gemensam. Enligt Mundell bör en region uppfylla vissa kriterier för att det ska vara fördelaktigt att dela en gemensam valuta. Regionen bör ha hög faktorrörlighet och svara relativt lika på makroekonomiska chocker. Om en region uppfyller dessa kriterier är det till och med onödigt för länder att ha autonom penningpolitik då kostnader uppstår i form av handelsbarriärer som transaktionskostnader vid valutaomvandling och risker kopplade till volatila fluktueringar i växelkurserna ( Mundell, 1961 s. 664) .
3. Tidigare forskning
Rose (1999) undersöker hur valutaunioner påverkar internationell handel och inkluderar bilaterala observationer för 186 länder med ett intervall på fem år mellan åren 1970 till 1990 genom ett paneldata set. Genom att använda sig av en gravitationsmodell drar han slutsatsen att två länder som delar samma valuta utbyter varor upp till tre gånger mer än två länder med olika valutor efter att ha kontrollerat för andra faktorer som till exempel gemensam landgräns, distans, real BNP och gemensamt språk. Rose menar att valutaunioner som EMU kan leda till en ökad internationell handel. Dessutom visar Rose resultat en mindre negativ effekt av växelkursvolatilitet (Rose, 1999 s. 1) .
I “ Currency Unions and Trade: The Special Case of EMU ” undersöker De Nardis och Vicarelli (2003) effekten av euron i EMU handeln genom ett paneldataset på 43 länder från år 1980 till år 2000. Mer specifikt består data av 11 exportländer inom EMU och 32 importländer varav 11 är EMU länder. Till att börja med beräknar de
variationen av EMU handeln och tar hänsyn till handeln med länder som inte har euro samt till den inre EMU handeln innan euron introducerades, där resultaten visar på att EMUhandeln ökar med 8,9 procent. Vidare undersöker de samma fråga men kontrollerar för potentiellt “bias” skapat av endogenitetsproblem mellan homogena länder och får fram små men signifikanta värden som kan påverka estimaten.
Slutsatsen är att euron har haft en positiv effekt på den inre EMU handeln, dock inte i samma utsträckning som tidigare forskning inom ämnet har kommit fram till (De Nardis & Vicarelli, 2003 s. 646) .
Flam och Nordström (2007) undersöker via en gravitationsmodell i vilken utsträckning som den europeiska valutaunionen har påverkat handeln endast mellan EMU länderna samt eurons påverkan på den sammanlagda handeln mellan och utanför EMU länder. De använder sig av två perioder, en övergångsperiod från nationell valuta till euro som sträcker sig från år 1999–2001 och jämför med perioden 2001–2006. Flam och Norström hittar en positiv ökning på 28 procent för handel mellan EMU länderna respektive en ökning på 12–14 procent för EMU och resterande handel mellan de olika tidsperioderna. Dessutom undersöker de om euron har haft en påverkan på utländska direktinvesteringar, där de inte hittar någon effekt men däremot har den inre marknaden haft en stor inverkan (Flam & Nordström, 2007 s. 1).
I “ The Currency Union Effect on Trade: Early Evidence from EMU” undersöker Micco, Stein och Ordoñez (2003) genom paneldata EMU:s effekt på bilateral handel för 22 länder mellan åren 1992 och 2002. De tar hänsyn till andra faktorer som kan tänkas påverka handeln och kontrollerar för bland annat EUmedlemskap, storlek och distans och finner slutligen att handel mellan medlemsländer är fyra till tio procent högre jämfört med övriga länder. Dessutom finner de att övrig bilateral handel ligger mellan åtta och 16 procent högre för länder utanför EMU.
Sammanfattningsvis kommer de fram till att den europeiska valutaunionen har en positiv påverkan på handel för EMU länder emellan men även för resten av världen (Micco, Stein & Ordoñez, 2003 s. 3)
4. Data och empirisk metod
4.1 Data
Inledningsvis användes data från AMECO:s databas men i och med att variablerna endast finns i nominella värden eller i inhemsk valuta, används istället data från Världsbanken . Databasen anses trovärdig då Världsbanken samarbetar med länder över hela världen och kontinuerligt samlar data från olika länder (World Bank, 2018). Data består av real BNP , real export av varor och tjänster samt real BNP per capita , uttryckta i konstant US dollar , referensår 2010. Samtliga data för de olika variablerna är årsdata som sträcker sig från år 1993 till och med år 2016 för 30 länder, samtliga specificerade i Tabell 1 . Val av årsspann motiveras med att det i en DifferenceinDifference modell, bör finnas ett antal år före och efter en behandling.
Året för det land som implementerade euron sist i denna uppsättning är 2014, därför väljs 2016 som slutår för att få max antal observationer efter implementationen. 2 Eftersom att Slovakien blev ett självständigt land först år 1993 börjar tidsspannet från detta år (Utrikespolitiska institutet, 2017). Basspecifikationen av modellen som används för att undersöka eurons effekt är följande:
(Euro ) X
Yct = β0+ β1Euroc+ β2Ef tert + β3 c× Eftert + β4 ct+ γt+ αc+ βc× t + εct
Där Yct är den beroende variabeln real export av varor och tjänster i land c för tidpunkt t . β0är ett intercept , Euroc är en binär dummyvariabel som antar värdet ett när ett land c går med i EMU och Eftert är en binär dummyvariabel som antar värdet ett vid tidpunkt t ≥ Behandlingsår . Euro( c× Eftert) är en interaktionsterm varav β3 är DifferenceinDifference estimatorn i land c vid tidpunkt t och Xct är en vektor för kontrollvariablerna real BNP och real BNP per capita i land c vid tidpunkt t. γt representerar “time fixed effects” som varierar över t och αcär “fixed effects” som varierar över c. βc× t är linjära landstrender i land c gånger ett tidsindex t och εct är feltermen i land c vid tidpunkt t. Det kommer även att inkluderas en modell i första differensen vilket innebär att parametrarna Yct och
2 Data för år 2017 är inte tillgänglig på Världsbanken.
differentieras, parametern försvinner, tas bort (se utförande ), samt att
Xct αc βc× t
feltermen εctinnehåller andra residualer.
Beroende variabel:
Real Export ( Exports of goods and services, constant 2010 US$) Variabeln export är summan av alla varor och tjänster som ett land säljer till övriga delen av världen.
Export inkluderar värdet av varor, frakt, försäkring, transport, resor, rikedomar, licensavgifter och andra tjänster, såsom kommunikation, byggande, ekonomi, information, företag, personliga och offentliga tjänster. Variabeln är uttryckt i konstanta priser för år 2010 US dollar (World Bank).
Kontrollvariabler:
I detta avsnitt beskrivs de kontrollvariabler som kommer att användas i modellen samt motivering om samtligas relevans. Kontrollvariabler inkluderas för att hålla konstant faktorer som annars kan orsaka så kallad “omitted variable bias, som diskuteras längre fram.
Real BNP ( GDP, constant 2010 US$) Denna variabel står för bruttonationalprodukt och är summan av b ruttovärdet på all inhemsk produktion i ekonomin inklusive eventuella produktskatter och exklusive eventuella subventioner som inte ingår i värdet av produkterna. Variabeln är uttryckt i konstant 2010 US dollar (World Bank).
I denna analys används BNP som kontrollvariabel därför att den kan fungera som en indikator på hur pass stor resurskapacitet ett land har. Om landet har en hög BNP ökar landets produktionsförmåga. Ett land med fler resurser har ett större inflytande och kan exportera mer. Denna variabel läggs även till eftersom att den fungerar som en kontrollvariabel för finanskrisen som skedde 2008. Man skulle kunna resonera att BNP för europas länder dalade efter denna period, mer för vissa än för andra och därför stabiliseras en del av denna effekt genom att kontrollera för BNP.
Real BNP/capita ( GDP per capita, constant 2010 US$ ) Variabeln definieras som bruttonationalprodukt dividerat med populationen i ett land uttryckt i konstant 2010 US dollar (World Bank) . BNP/capita fungerar som en indikator på en persons genomsnittliga välstånd och produktivitet. Om ett land har en hög BNP/capita indikerar det att den enskilda individen i en stat har möjlighet att producera fler varor som sedan kan exporteras. Hädanefter redovisas variabler i reala termer som Export, BNP, BNP/CAP .
Dataöversikt Obs Medelvärde Min Max
Export 711 179 2 1780
BNP 711 558 4.95 3780
BNP/CAP 711 28414 1148 119225
EURO 711 0.326 0 1
Export och BNP (Konstant 2010$) uttryckt i miljarder. BNP/CAP (konstant 2010$) uttryckt i tusental.
4.2 Empirisk metod
I rapporten används metoden DifferenceinDifference som generellt bygger på att man jämför utfallet av en kontrollgrupp respektive en testgrupp före och efter en behandling. Testgruppen får en behandling medan kontrollgruppen inte får någon behandling. Idén är att kontrollgruppen visar vad som skulle ha hänt om testgruppen inte hade behandlats (Wooldridge, 2010 s. 148). Den generella ekvationen för DifferenceinDifference som ut som följande:
︿β1DID = (YT est, Ef ter ) Y )
− YT est, F öre
− ( Kontroll, Ef ter
− Y Kontroll, F öre
Där Y T est, Ef ter representerar den genomsnittliga skillnaden i utfall efter
− YT est, F öre
och före behandlingen för testgruppen och Y Kontroll, Ef ter
− Y Kontroll, F öre
representerar den genomsnittliga skillnaden i utfall före och efter behandlingen för kontrollgruppen. Den intressanta estimatorn är β︿1DID(differenceindifference estimatorn), som visar den genomsnittliga förändringen i Y för testgruppen minus
den genomsnittliga förändringen i Y för kontrollgruppen (Stock & Watson 2015, s.
542). En förutsättning för att modellen ska fungera är att antagandet om parallella trender mellan grupperna bör vara uppfyllt. Om testgruppen inte hade fått någon behandling, skulle den ha följt samma trend som kontrollgruppen (Angrist &
Pischke 2014, s. 184). I detta fall är behandlingen medlemskapet i EMU och avsikten är att se skillnaden i kontroll och testgrupp för ett antal länder.
I denna rapport appliceras metoden på följande sätt, kontrollgruppen utgörs av tolv länder varav nio är medlemmar i den Europeiska Unionen . Resterande tre är 3 medlemmar av den europeiska frihandelssammanslutningen (EFTA). Enligt en rapport från Europaparlamentet där man belyser skillnaderna i handelsavtal mellan EU och EFTA har EFTA:s handelsavtal främst fokus på handel och att efterlikna EU:s samarbeten samt intressen med utvecklingsländer (European parliament, 2016 s. 9). Därför anses det lämpligt att inkludera EFTA:s medlemsländer i kontrollgruppen då unionerna följer liknande regelverk med undantag för Liechtenstein eftersom att data för export inte hittades. Skillnaderna i handelsavtalen mellan de två olika unionerna är att EU fokuserar mer på geopolitik, geoekonomiska och utrikespolitiska intressen. Dessutom är marknadstillgänglighet inom jordbruk mer begränsat samt att både jordbruksfrågor och investeringsfrågor förhandlas fram separat av varje medlem i EFTA (European parliament, 2016 s. 6).
Dessa olikheter bör tas i åtanke då en DIDmodell inte tar hänsyn till skillnaderna i avtalen. Vissa av länderna har i kontrollgruppen även knutit sina valutor mot euron eller ingår i ERM II. Dock kvarstår kostnaderna vid valutaomvandling (European 4 Commission, 2016). Samtliga länder i kontrollgruppen har sina egna valutor och har inte övergått till euro.
Testgruppen består av 18 medlemsländer från den Europeiska unionen, det är samtliga länder som idag har euro med ett undantag. Litauen började använda euro år 2015 ( European Union, 2018) vilket gör att det bara finns en observation för
3 Storbritannien är inräknad i kontrollgruppen men kommer att lämna EU år 2019 (The government of United Kingdom, 2017)
4 Danmark är medlem i ERM II (European Commission, 2018). Ungern knöt sin valuta mot euro mellan år 20012008 med upp emot avvikande värden på ±15% för att sedan gå över till flytande växelkurs. Bulgarien har peggat sin valuta mot euron (European Commission, 2016) .
effekten av euron på handeln efter implementationen. En observation anses inte vara tillräckligt för att få en rättvis bild av eurons effekt på Litauens handel och exkluderas därför ur datasetet. I denna rapport görs antagandet att i frånvaro av implementationen av euron i testgruppen, hade dessa länder följt samma trend som kontrollgruppen. Detta argument styrks av att länderna geografiskt ligger i samma område, de har liknande historia och kultur samt majoriteten av de ingår i den Europeiska unionen ( European Union, 2018). Det finns flera regelverk som en stat måste uppfylla för att bli en medlem i EU. Medlemsländerna i EU måste uppfylla Köpenhamnskriterierna vilket kortfattat innebär fri marknadsekonomi, en stabil demokrati, rättsstatsprincipen samt accepterandet av all EUlagstiftning (European Commission, 2018). En annan överenskommelse som skapats för medlemsstaterna som gör de mer sammanbundna och enhetliga är Maastrichtfördraget (se inledning).
Tre av EFTA:s medlemmar ingår i europeiska ekonomiska samarbetsområdet (EES) där EUs medlemsstater och Norge, Liechtenstein samt Island samarbetar i frågor gällande institutionella, ekonomiska och lagstiftande aspekter (EFTA, 2018).
Schweiz ingår i egna avtal med EU som sträcker sig över bland annat områdena handel, offentliga upphandlingar, jordbruk och transport (European Commision, 2017). Då länderna i både kontrollgrupp och testgrupp i många aspekter följer samma regelverk samt samarbetar finns det motiv att tro att liknande trender finns.
Den positiva aspekten med att använda sig av en DID metod är dess enkelhet och att den är rättfram. Den negativa aspekten är att det är svårt att försäkra sig om att de två grupperna följer samma trend, någonting som annars kan påverka utfallet och ge missvisande estimat (Angrist & Pischke, 2014 s. 185). I det ideala fallet hade man jämfört kontrollgruppens resultat med resultatet av en ickebehandlad testgrupp för att se om det fanns någon skillnad. Då detta inte är möjligt finns det alltid en risk att göra en felaktig slutsats. För att undvika detta misstag kan man kontrollera för parallella trender innan behandlingen och därför kommer ett antal år innan euron infördes att inkluderas i datasetet.
Det bör poängteras att vissa av EU:s medlemsländer blev medlemmar på 00talet ( European Union , 2018). Det kommer alltså att inkluderas år då vissa av länderna i datasetet ännu inte var medlemmar i EU vilket innebär att dessa länder inte behövde följa EU:s regelverk. Motargumentet är att det är en omfattande process att bli en medlemsstat i EU och tar flera år innan kriterierna är uppfyllda. Därför kan ett argument vara att även om länderna inte var medlemsstater för vissa av de inkluderade åren i datasetet, strävade samtliga efter att implementera EU standarder.
Dock bör man vara medveten om potentiella skillnader mellan länderna av denna orsak. Tabell 1 specificerar de länder som tillhör kontrollgruppen och de länder för testgruppen, samt det år som euron implementeras i respektive land.
Tabell 1, Källa: Europeiska unionen 2018
Kontrollgrupp.
Länder med egen valuta
Testgrupp. * År för behandling Länder med euro (Införande av EUR) Danmark
Norge ( EFTA) Schweiz ( EFTA) Storbritannien Sverige Tjeckien Bulgarien Island (EFTA) Kroatien Polen Rumänien Ungern
Belgien 2002
Finland 2002
Frankrike 2002
Irland 2002
Italien 2002
Luxemburg 2002
Nederländerna 2002
Österrike 2002
Portugal 2002
Spanien 2002
Tyskland 2002
Grekland 2002
Estland 2004
Slovenien 2007
Cypern 2008
Malta 2008
Slovakien 2009
Lettland 2014
*Behandlingsår 2002 med anledning av fysiska valutan i cirkulation.
Som Tabell 1 visar är implemtationsåren av euron olika för varje land, därför kommer metoden för denna rapport bli en så kallad “staggered treatment” som är en variant av DID metoden då en behandling sker vid olika tidpunkter istället för vid ett och samma tillfälle (Angrist & Pischke, 2015 s. 193). Denna rapport baseras på paneldata, generellt innebär det att datasetet består av flera entiteter som studeras vid ett flertal upprepade tillfällen över tid (Wooldridge, 2010 s. 6). Paneldata består av 30 länder eller enheter som för varje land har en observation för varje år mellan 1993–2016. Mer specifikt används en “obalanserad panel” vilket innebär att det
fattas observationer för vissa tidsperioder i enheterna (Stock & Watson, 2015 s.
397). I och med att paneldata används bör man klustra standardfelen vilket gör att heteroskedasticitet och slumpmässig autokorrelation tillåts i enheterna men standardfel förblir okorrelerade (Stock & Watson, 2015 s. 413). Den negativa konsekvensen av att klustra standardfel är att de kan bli stora vilket betyder att enheterna i observationerna kan vara korrelerade på ett sätt som inte går att observera (Angrist & Pischke, 2015 s. 208). I denna rapport kontrolleras det för tidstrender som även kallas “time fixed effects”, detta är förändringar som inte varierar över enheterna men som utvecklas över tid (Stock & Watson, 2015 s. 407).
Det skulle till exempel kunna vara den ökade globaliseringen som gör att handel blir mer vanligt samt teknologisk utveckling som förenklar handeln. En annan aspekt som tidstrender skulle kunna täcka är bland annat finanskrisen som drabbade länderna i Europa. Det bör även kontrolleras för fixerade egenskaper som varje enhet konstant bibehåller över tid men som varierar mellan enheterna, även kallat
“fixed effects” (Stock & Watson, 2015 s. 403). När man kontrollerar för “fixed effects” kan skillnader länderna emellan som påverkar handeln, men dock inte är intressanta i denna rapport kontrolleras för. Det kan till exempel vara om två länder delar samma landgräns eller talar samma språk. I FE modellen kommer även linjära landstrender att inkluderas; till följd av att “fixed effects” endast tar hänsyn till skillnader mellan länder initialt, men de tar inte hänsyn till den enskilda enhetens effekt av exempelvis ett extra år av erfarenhet, som därav inte kan särskiljas från de aggregerade tidstrender (Wooldridge, 2012, s. 487).
4.3 Utförande
Det finns en skillnad i asymptotisk teori mellan paneldata och tidsserieanalys. I en paneldataanalys är det asymptotiska att tvärsnittsdimensionen N går mot oändlighet, medan tidsseriedimensionen T är fast och vice versa i tidsserieanalys. När man använder sig av mer än två tidsperioder, måste man anta att uitär okorrelerade över tid för att standardfel och teststatistika ska vara tillförlitliga. I de fallen när uitföljer en “random walk” har man hög korrelation i feltermen, därav är det bättre att använda sig av Δuiti samtliga fall, eftersom att de idiosynkratiska innovationerna är okorrelerade och har en konstant varians (Wooldridge,
{eit ≡ Δu , tit = 2 . T, .., }
2010 s. 316). Om orr(u ,C t ut−1)> 0 och feltermen lider av autokorrelation, kan modellen inkorporera persistenta chocker när t > 0 , och därmed riskera att ge upphov till spuriösa samband. Med anledning av detta gjordes ett Augmented DickeyFuller test på samtliga variabler; slutsatsen är att alla variabler är integrerade av ordning I(1) utan deterministisk trend (Wooldridge, 2012 s. 641). Som ett resultat av detta kommer linjäralandstrender inte att inkluderas i FD modellen. Enligt diskussionen i Wooldridge (2010, kap.10) så föredras FE modellen när kontemporär exogenitet håller, även när {yit}och vissa element av {xit}innehar enhetsrot. Dock förutsätter det att Tväljs så att uit är integrerade av ordning I(0), vilket kan vara tämligen problematiskt. Men i en klassisk DID design är det mest centrala att jämföra punktestimat och framför allt gemensamma trender (Angrist & Pischke, 2015 s. 184). Det kan i många avseenden vara komplicerat att välja mellan FE och FD när man använder sig av paneldata över en längre tidsperiod. Får man estimat som i hög grad skiljer sig mellan FE och FD, kan det vara lämpligt att redovisa resultaten från båda modellerna (Wooldridge, 2012 s. 491).
Till följd av tidigare diskussion kommer totalt elva regressioner att genomföras; fyra regressioner i första differensen och sju regressioner i nivåer. Samtliga kommer bestå av regressioner med och utan kontrollvariabler samt att det i FE modellen kontrolleras för linjära landstrender. Med tanke på att estimaten för både FE och FD modellen redovisas, kommer regressionerna utföras i samma ordning; inledningsvis utan kontrollvariabler för att se den förklarade variationen av euron på export och att sedan sätta in kontrollvariabler då eurons effekt med stor sannolikhet är överskattad.
Kontrollvariablerna inkluderas för att konstanthålla för all annan variation i export som inte förklaras av implementeringen av euron. Trots dessa antaganden finns det alltid faktorer som av olika skäl inte tas med i modellen, korrelerar med de oberoende variablerna och därmed bryter mot (u|x ,E 1 x2 …, )xk = 0(Wooldridge, 2012 s. 86). Vid inferens utgår man istället alltid utifrån att man ska hamna nära det verkliga estimatet { E(β )︿j ≈ βj} i populationen. Ett problem som kan uppstå när modeller underspecificeras eller att relevanta kontrollvariabler exkluderas från modellen är en så kallad “omitted variable bias” (Wooldridge, 2012 s. 90). I båda modeller inkluderas “time fixed effects” och i FE modellen kontrolleras det även för
linjära landspecifika trender. Den beroende variabeln export kommer att logaritmeras vilket gör modellerna loglinjära. Detta innebär att man kan får den approximativa procentuella förändringen av den binära dummyn euro på export , vilket underlättar tolkningen av estimaten Δexport 100 )ΔEuro
% ≈ ( * β1
(Wooldridge, 2012 s.41). Observera att estimaten dock underskattas när den oberoende variabeln är en dummyvariabel, där 100* [exp(β )︿1 − 1 ] används för att få de exakta estimaten. Men för enkelhetens skull används den förstnämnda (Wooldridge, 2012 s. 235).
5. Resultat
Följande avsnitt redogör för de resultat som uppkommit efter att elva regressioner har utförts, vidare analys av resultaten sker i avsnitt sex. Enligt diskussionen i avsnitt 4.3 kommer regressioner för både en FD modell och en FE modell att genomföras. Regressionerna för FD modellen redovisas i Tabell 2 och regressionerna för FE modellen redovisas i Tabell 3.
5.1 First Difference
Tabell 2 redovisar resultaten av fyra regressioner när första differensen har tagits av de oberoende variablerna BNP, BNP per capita samt den beroende variabeln export för att uppnå stationära serier. Variabeln export har dessutom logaritmerats men inte de oberoende variablerna. “DID Estimatorn” är den genomsnittliga skillnaden i exportvolym för länder med euro kontra länder med egen valuta efter implementationen. Följande är en kort beskrivning av regression (1), (2), (3) och (4), samtliga specificerade i Tabell 2.
Tabell 2
FD.Export (1) (2) (3) (4)
DID Estimatorn 0.0274***
(0.0086)
0.0251***
(0.0093)
0.0315***
(0.0083)
0.0148 (0.0091)
Kontroll BNP NEJ JA JA JA
Kontroll BNP/Cap NEJ NEJ JA JA
Time fixed effects NEJ NEJ NEJ JA
N 681 681 681 681
Klustrade standardfel i parentes på enheten land.
* p< 0.1, ** p<0.05, *** p<0,01.
Regression (1) exkluderar samtliga kontrollvariabler samt “Time fixed effects”. DID estimatorn visar 0.0274, enligt tidigare diskussion under utförande representerar ett estimat av en dummyvariabel en procentuell förändring i den beroende variabeln om den multipliceras med 100. Därför representerar eurons genomsnittliga effekt på export för testgruppen i regression (1) en procentuell minskning på 0.0274*100 =
2.74 %. Estimatet är signifikant då nollhypotesen kan förkastas på en procents nivå.
I regression (2) inkluderas kontrollvariabeln BNP, DID estimatorn visar 0.0251 vilket innebär att eurons genomsnittliga effekt på export i testgruppen ger en approximativ minskning på 2.51 procent. Nollhypotesen kan förkastas på en procents nivå och är därför signifikant. I regression (3) inkluderas även kontrollvariabeln BNP per capita. DID estimatorn är signifikant och nollhypotesen förkastas på en procents nivå. Estimatet visar att eurons genomsnittliga effekt på export i testgruppen ger en ungefärlig minskning på 3.15 procent. Slutligen i regression (4) inkluderas samtliga kontrollvariabler och “time fixed effects” vilket resulterar i en DID estimator på 0.0148. Det representerar en procentuell minskning på 1.48 procent. Dock är resultatet inte signifikant på någon av nivåerna.
5.2 Fixed Effects
Tabell 3 visar resultaten för sju stycken regressioner där “fixed effects” använts i samtliga fall förutom i regression (1) där man kan se relationen mellan export och euro utan att “fixed effects” har inkluderats. Variabeln export har logaritmerats men inte de oberoende variablerna BNP och BNP per capita. Även här gäller samma intuition för “DID Estimatet” som tidigare specificerades. Följande är en kort beskrivning av regression (1), (2), (3) ,(4) ,(5), (6) och (7), samtliga specificerade i Tabell 3.
Tabell 3
Export (1) (2) (3) (4) (5) (6) (7)
DD Estimat 0.9219***
(0.05575
0.9204***
(0.0568)
0.7292***
(0.0911)
0.3443***
(0.1070)
0.0129 (0.0501)
0.1163 (0.0815)
0.0184 (0.0348)
Kontroll BNP NEJ NEJ JA JA JA JA JA
Kontroll BNP/Cap
NEJ NEJ NEJ JA JA JA JA
Linjära Landstrender
NEJ NEJ NEJ NEJ JA NEJ JA
Time fixed effects
NEJ NEJ NEJ NEJ NEJ JA JA
Fixed Effects NEJ JA JA JA JA JA JA
N 711 711 711 711 711 711 711
Klustrade standardfel i parentes på enheten land. * p< 0,1, ** p<0,05, *** p<0,01.
I regressionen (1) exkluderas “fixed effects”, samtliga kontrollvariabler och trender.
Estimatet visar 0.9219 vilket enligt tidigare diskussion innebär att eurons genomsnittliga effekt på export för testgruppen har ökat med 0.9219*100= 92.19%.
Resultatet är signifikant och nollhypotesen kan förkastas på en procents nivå.
Regression (2) exkluderar samtliga kontrollvariabler och trender men “fixed effects har inkluderats. Estimatet visar 0.9204 vilket innebär att eurons genomsnittliga effekt på export för testgruppen har ökat med 0.9204*100= 92.04%. Resultatet är signifikant och nollhypotesen kan förkastas på en en procents nivå I regression (3) inkluderas kontrollvariabeln BNP, DIDestimatorn visar att eurons genomsnittliga effekt på handel i testgruppen är en ökning på ungefär 72.92 procent. Återigen är
resultatet signifikant och nollhypotesen kan förkastas på en procents nivå. I regression (4) läggs kontrollvariabeln BNP per capita till och DIDestimatorn visar 0.3443 vilket innebär att den genomsnittliga effekten av euro på export i testgruppen är en ökning på ungefär 34.43 procent. Nollhypotesen kan förkastas på en procents nivå vilket innebär att estimatet är signifikant. Vidare i regression (5) görs en regression med samtliga kontrollvariabler samt linjära landstrender. DIDestimatorn visar att eurons genomsnittliga effekt på exporten är en ökning runt 1.29 procent, dock är resultatet inte signifikant. I regression (6) byts linjära landstrender ut mot
“time fixed effects” och DID estimatorn visar ett värde på 0.1163. Det innebär att eurons genomsnittliga effekt på export i testgruppen ger en minskning med ungefär 11.63 procent. Dock är resultatet inte signifikant. I den sista regressionen (7) inkluderas samtliga kontrollvariabler samt linjära landstrender och “time fixed effects”. DIDEstimatorn visar ett värde på 0.0184, dock är resultatet inte signifikant.
5.3 Parallella Trender
Som diskuterades under avsnitt 4.2 är parallella trender en förutsättning för att DifferenceinDifference metoden ska fungera. Följande avsnitt är till för att se om detta kriterium har uppfyllts. Det presenteras genom Figur (1), (2), (3), (4) som visar den genomsnittliga skillnaden i exportvolym för länder med euro kontra länder med egen valuta. På Xaxeln visas ett tidsspann på minus fyra till och med tre där noll representerar året då euron infördes och minus ett är referensår. I och med att det är en “staggered treatment” där implementationsåren sker vid olika tillfällen för testgruppen innebär det att “år noll” skiljer sig åt för länderna. Minus fyra representerar fyra år innan euron implementerades, minus tre representerar tre år innan euron implementerades och så vidare fram till tre år efter implementationen av euron. Notera att beroende på när de olika länderna skaffade euro i testgruppen representerar tidsspannet olika år men den orangea linjen representerar den genomsnittliga effekten. De streckade linjerna representerar ett 95%
konfidensintervall. Yaxeln visar den genomsnittliga sammanlagda effekten som euron har haft på export för både kontroll och testgrupp. För att parallella trender ska hålla vill en se en jämn utveckling nära noll innan implementationen i graferna. Om
implementationen har en inverkan på behandlingsgruppen bör en se en skillnad i hur grafen rör sig efter år noll.
Figur (1) Figur (2)
Figur (1) visar utfallet för modellen med FD där kontrollvariabler har inkluderats men inte ”time fixed effects”. Utvecklingen mellan grupperna ligger nära noll både innan och efter implementationen. Det innebär att grupperna inte skiljer sig åt i någon extrem mening varken efter eller innan implementationen. Men man kan se en uppgång efter år noll vilket tyder på att euron ger en viss effekt i export för testgruppen och grupperna skiljer sig åt. Man kan även se att det finns en negativ trend fyra år innan implementationen till och med tre år innan implementationen när utvecklingen fasas ut och börjar ligga nära noll.
Figur (2) är motsvarande modell likt Figur (1) men “time fixed effects” har lagts till.
Utvecklingen ligger även här nära noll både innan och efter implementationen vilket tyder på att parallella trender innan implementationen finns. Den tidigare uppgången efter implementationen som kunde ses innan är mindre och blir sedan negativ.
Figur (3) Figur (4)
Figur (3) visar resultatet när FE har inkluderats med kontrollvariabler. Utvecklingen i grafen ligger på negativa värden fram till implementationen när effekten av euron på export för testgruppen gör att grafen ökar positivt. Det finns en brant lutning från fyra år innan implementationen till och med tre år innan implementationen innan utvecklingen planas ut något. Den branta lutningen tyder på att grupperna skiljer sig åt innan implementationen och kriteriet om parallella trender tycks inte hålla i denna modell.
Figur (4) är motsvarande modell likt Figur (3) men “time fixed effects” och linjära landstrender har lagts till. När det kontrolleras för trender försvinner skillnaden mellan de två grupperna och utveckling följer jämt nära nollvärdet. Vid tidpunkt noll för implementationen av euro sker en svag uppgång ett år framåt och konfidensintervallet blir bredare. Effekten av euro på export för testgruppen ger därefter en negativ effekt. För att resultaten av parallella trender ska bli ännu tydligare specificeras de olika estimaten för graferna i Tabell 4. Ett år innan EMU specificeras inte i tabellen då det är referensår.
Tabell 4
Parallella Trender (1) (2) (3) (4)
Fyra år innan EMU 0.0403***
(0.0136)
0.0122 (0.0109)
0.4418***
(0.0662)
0.0102 (0.0355)
Tre år innan EMU 0.0106
(0.0153)
0.0163 (0.0158)
0.0801***
(0.0223)
0.0033 (0.0190)
Två år innan EMU 0.0088
(0.0179)
0.0073 (0.0144)
0.0215 (0.0138)
0.0045 (0.0089)
EMU Införs 0.0081
(0.0219)
0.0108 (0.0126)
0.0043 (0.0515)
0.0139 (0.0219)
Ett år efter EMU 0.0293
(0.0236)
0.0184 (0.0180)
0.0361 (0.0633)
0.0266 (0.0354)
Två år efter EMU 0.0348
(0.0255)
0.0258**
(0.0130)
0.0801 (0.0743)
0.0039 (0.0392)
Tre år efter EMU 0.0048
(0.0117)
0.0052 (0.0091)
0.1481 (0.1121)
0.0661 (0.0520)
First Difference JA JA NEJ NEJ
Fixed Effects NEJ NEJ JA JA
Time Fixed Effects NEJ JA NEJ JA
Linjära Landstrender NEJ NEJ NEJ JA
Kontrollvariabler JA JA JA JA
Klustrade standardfel i parentes på enheten land. * p< .05, ** p<.01, *** p<0,001.
Vid en snabb överblick kan man se att endast fyra estimat är signifikanta och nollhypotesen kan förkastas på en procents nivå i tre fall och på en fem procents nivå i ett fall. De signifikanta värdena är för Figur (1) fyra år innan euron implementerades, Figur (2) för två år efter implementationen samt i Figur (3) för dels fyra och sedan tre år innan implementationen. I en DID metod behöver grupperna följa samma trend innan behandlingen och om värdena är signifikanta innan innebär det att andra effekter påverkar som gör de två grupperna olika. När trender inkluderas för både FE modellen och FD modellen syns inga signifikanta värden innan behandlingen vilket tyder på parallella trender. Signifikanta värden efter behandlingen innebär att behandlingen har haft en effekt på testgruppen. I detta fall tycks bara FD modellen med trender visa att euron har gett en effekt två år efter implementationen.
6. Analys
I Tabell 2 specificeras resultaten av fyra regressioner när första differensen har tagits av samtliga kontinuerliga variabler. Regressionerna visar att eurons effekt på export resulterar i negativa värden från 1.48 procent till och med 3.15 procent. Det är motsatt effekt från tidigare resultat (se Tidigare forskning), där valutaunioner har visats öka volymen av export. Regression (4) visar att euron har en minskning på 1.48 procent men estimatet är dock inte signifikant. Skillnaden mot de andra regressionerna är att “time fixed effects” inkluderas i regression (4), denna aspekt bör inkluderas eftersom att man kan argumentera för att det finns förändringar som påverkar export över tid för alla länder som exempelvis en mer globaliserad värld och teknologisk utveckling. Det är förändringar som påverkar hela världen och öppnar upp för handel, men i denna analys vill man ha bort dessa effekter. I regressionen (1) och (2) när kontrollvariabeln BNP inkluderas får man en marginell skillnad i estimaten 0.23 procent. Det innebär att kontrollvariabeln BNP inte förklarar en stor del av variansen utan bara en del i denna modell. I regression (3) minskar förändringen i export ytterligare när BNP per capita inkluderas. Trots det skiljer sig effekten inte markant, då den visar att eurons effekt på export för testgruppen är en minskning runt 3.15 procent. Kontrollvariabler inkluderas eftersom det finns orsak att tro att BNP och BNP per capita påverkar exporten utöver euron och när dessa inte hålls konstanta kan “omitted variable bias” uppstå.
Det är möjligt att det finns andra faktorer som påverkar exporten som kunde ha inkluderats i modellen utöver BNP och BNP per capita. Bland annat beror volymen av export även på hur mycket omvärlden efterfrågar. Det i sin tur inkluderar en rad faktorer som hur stabila importländerna är vad gäller den ekonomiska och sociala situationen som råder i landet. Vilken inflationsnivå importländerna har och hur deras växelkurs står gentemot euron samt andra faktorer till exempel krig eller andra katastrofer som gör att importen minskar.
I Tabell 3 specificeras resultaten av sju regressioner där “fixed effects” använts i samtliga regressioner förutom i regression (1). I motsats till vad som visas i Tabell 2 är majoriteten av resultaten positiva när modellen inkluderar FE istället för FD. I
denna FE modell förekommer estimat från en minskning på 11.63 procent till och med en ökning på 92.19 procent. Det mest extrema värdet är regression (1) som visar att euron i genomsnitt ökar exporten för testgruppen med approximativt 92.19 procent gentemot kontrollgruppen vilket även är ett signifikant värde. I regression (2) sjunker det resultatet till 92.04 procent när “fixed effects” inkluderas. Båda resultaten är med största sannolikhet överskattade, där relevanta kontrollvariabler exkluderats och troligtvis lider modellerna av “omitted variable bias”, därför inkluderas kontrollvariabeln BNP och BNP per capita vilket ger en ökning på 72.92 procent respektive 34.43 procent, se regression (3) och (4). När båda kontrollvariabler inkluderas sjunker effekten som euron har på testgruppen avsevärt.
I regression (5) inkluderas även linjära landstrender av orsak att det kan finnas utmärkande trender för vissa av länderna som är unika för det landet och påverkar landet över tid och även den övergripande effekten på exporten. Därmed bör man kontrollera för linjära landstrender då denna inverkan inte är intressant.
DIDestimatorn sjunker ytterligare men man bör notera att resultatet inte är signifikant. För att se skillnaden av påverkan som linjära landstrender har respektive
“time fixed effects” utförs även en regression (6) med kontrollvariabler och bara
“time fixed effects”. Estimatet visar att den genomsnittliga effekten euro har på exporten för testgruppen är en minskning på 11.63 procent. Det skulle kunna argumenteras för att den tidigare positiva effekten som man kunde se är ett resultat av tidstrender och när dessa tas i åtanke blir effekten till och med negativ. Dock bör det noteras att estimatet inte är signifikant. I den sista regressionen (7) inkluderas både linjära landstrender och “time fixed effects”. Resultaten är inte signifikant men visar en negativ effekt på 1.84 procent. Observera att resultatet nästan är identiskt med regression (4) i Tabell 2 som också visar en minskning runt en och en halv procent där kontrollvariabler och “time fixed effects” också inkluderats.
Enligt diskussion under avsnitt 4.1 kan resultaten som FE modellen visar vara utslag av spuriösa samband. I princip ger FE modellen och FD modellen konstant olika resultat med undantaget för regression (4) i Tabell 2 och regression (7) i Tabell 3.
För båda modellerna bör man alltid överväga om det finns ett endogenitetsproblem där de inkluderade variablerna är korrelerade med feltermen, om så är fallet blir
modellen felspecificerad och ger inte korrekta utfall. Vad gäller FD modellen är det intressant att den visar negativa värden då tidigare studier har kommit fram till att valutaunioner har en positiv påverkan på export. Även FE modellen ger negativ effekt i regression (6) och (7). En DID metod ger endast en genomsnittlig förändring över samtliga länder i testgrupp respektive kontrollgrupp. Om ett estimat visar på en minskning kan det innebära att de länder som visar på negativa värden för export är överrepresenterade. Men i själva verket kan enskilda länder ha gynnats av euron.
Det bör även tas i åtanke att det är relativt få länder som modellen baseras på samt att paneldata i detta dataset är obalanserad vilket innebär att vissa observationer fattas. Detta gör att det finns en risk att överestimera eller underestimera resultat. I en analys som denna bör det finnas så många observationer som möjligt för att öka chanserna att få väl specificerade och korrekta resultat.
7. Slutsats
Syftet med denna studie var att se huruvida eurons genomsnittliga effekt har ökat respektive minskat exporten för medlemsländerna efter att de implementerade euron.
Det som kan konkluderas är att det inte föreligger några signifikanta samband mellan eurons implementering och dess påverkan på medlemsländernas export.
Estimaten kan således vara under eller överskattade. Vidare har man i termer av stationäritet diskuterat tidsdimensionen och därav inkluderat modellen i första differensen för att öka tillförlitligheten i studien, då hänsyn tagits till de ickestationära variablerna i basmodellen. Trots den låga signifikansnivån så kan det alltså finnas vissa indikationer på att den genomsnittliga effekten på exporten i viss mån har minskat, med tanke på att estimaten i både FD och FE modellen delvis överensstämmer i sista regressionen. Utöver det indikerar även figur (1), (2) och (4) att antagandet om parallella trender kan tänkas vara uppfyllt i både FD och FE modellen. Vidare kan en inledningsvis positiv effekt uppvisas direkt efter implementeringen av euron, följt av en nedgång i nästkommande period. Observera att estimaten i figur (3) inte uppfyller kriteriet och att majoriteten av estimaten inte är signifikanta i samtliga. Den relativa minskningen skulle kunna gå i linje med De Nardis & Vicarellis resonemang om att eurons effekt är betydligt lägre än vad som redovisats i tidigare studier, då det initiala arbetet som banade väg för valutaunionen