Upload
ledang
View
215
Download
1
Embed Size (px)
Citation preview
Andreas Vikström
VT 2017
Kanditatuppsats, Nationalekonomi, 15hp
Handelshögskolan i Umeå.
Långa räntor, skuldkvot och budgetbalans
En kvantitativ studie om skuldkvotens och budgetbalansens effekt på
långa räntor i Europa.
Namn: Andreas Vikström
Handledare: Mattias Vesterberg
I
-Sidan har avsiktligen lämnats tom-
II
Författarens ord
Att skriva denna studie har verkligen varit en resa över höga berg och djupa dalar. Jag vill
yttra ett stort tack till min handledare Mattias Vesterberg, som under arbetets gång givit mig
stöd när jag behövde det. Jag vill även tacka min gode vän Jacob, som under den tuffaste
perioden lät mig besöka honom på varmare breddgrader. Det uppskattades verkligen!
Med det sagt återstår det bara för mig att önska dig som läsare en fortsatt trevlig läsning.
Med vänliga hälsningar
Andreas Vikström
III
-Sidan har avsiktligen lämnats tom-
IV
Sammanfattning
Många europeiska länder har under många år präglats av en stigande statsskuld och underskott
i budgetbalansen. Detta har lett till att räntor på långa statsobligationer bland länder i Europa,
som under början av eurosamarbetet nästan sammanstrålades, återigen börjat spridas mot olika
håll. Denna studie har studerat 25 länder i den Europeiska Unionen och deras räntor på långa
statsobligationer mellan det första kvartalet 2004 och det tredje kvartalet 2016. Med hjälp av
tre olika modeller; en poolad regressionsanalys, en fixed effects model och en mixed effect
model, har studien empiriskt undersökt och testat vilken effekt skuldkvoten och budgetbalansen
har på långa räntor och om effekterna varierar mellan länder och år.
Resultatet överensstämmer med en del tidigare forskning. Det visar på att statsskuld har en
positiv effekt på långa räntor, vilket även bevisats i tidigare studier. Effekten av budgetbalans
stämmer dock inte alltid överens med tidigare forskning, då modellen med fixed effects inte kan
visa en statisitisk signifikant effekt. Resultatet i den tredje modellen indikerar på att det finns
en stor variation i effekter mellan länder och år. Dessa skillnader kan bero på många faktorer,
till exempel det faktum att nästan 70 procent av länderna i studien inte självständigt kan bedriva
penningpolitik. Djupare slutsatser lämnas över till fortsatt forskning.
Nyckelord: EU, Statsskuld, Budgetbalans, Långa Statsobligationer.
V
Innehållsförteckning
1. Introduktion ............................................................................................................................ 1
1.1 Bakgrund ..................................................................................................................... 2
1.2 Syfte och frågeställning ............................................................................................... 6
1.2.1 Frågeställning ............................................................................................................ 6
2. Teoretisk bakgrund och tidigare studier ................................................................................. 7
2.1 Vad fastställer spridningen på långa statsobligationer ..................................................... 7
2.2 Statsskuld ......................................................................................................................... 8
2.3 Effekten av budgetbalans och statsskuld på räntor .......................................................... 9
2.4 EMU, grunden till eurokrisen? ....................................................................................... 10
3. Metod ................................................................................................................................... 11
3.1 Problem som kan uppstå med modellerna ...................................................................... 12
3.2 Datamaterial ................................................................................................................... 15
3.3 Empiriska modeller ........................................................................................................ 17
3.3.1 Poolad linjär regressionsmodell, robusta standardfel .............................................. 17
3.3.2 Fixed effects regression model, robusta standardfel ............................................... 19
3.3.3 Mixed effects model ................................................................................................ 20
3.4 Tester .............................................................................................................................. 22
4. Resultat ................................................................................................................................. 23
4.1 Poolad Linjär regressionsanalys ..................................................................................... 23
4.2 Fixed effects model ........................................................................................................ 25
4.3 Mixed effect model ........................................................................................................ 27
5. Diskussion och slutsatser ..................................................................................................... 30
5.2 Förslag till fortsatt forskning .......................................................................................... 33
7. Referenslista ......................................................................................................................... 34
Appendix .................................................................................................................................. 36
VI
Figurer
Figur 1 – Räntor på långa statsobligationer ....................................................................... 3
Figur 2 – Skuldkvoter ......................................................................................................... 4
Figur 3 – Budgetbalanser ................................................................................................... 5
Figur 4 – Grafisk beskrivning av modell ......................................................................... 21
Tabeller
Tabell 3.1 – Korrelationstest ............................................................................................ 14
Tabell 3.2 – Deskriptiv statistik 1 .................................................................................... 16
Tabell 3.3 – Deskriptiv statistik 2 .................................................................................... 16
Tabell 4.1 – Resultat modell 1 ......................................................................................... 23
Tabell 4.2 – Resultat modell 2 ......................................................................................... 25
Tabell 4.3 – Resultat modell 3 ......................................................................................... 27
VII
-Sidan har avsiktligen lämnats tom-
1
1. Introduktion
I detta avsnitt kommer det ämne som denna studie handlar om presenteras. Det kommer ges en
kort bakgrund om ämnet i sin helhet och vad som motiverar denna studie. Sista delen i avsnittet
kommer bestå av en beskrivning av syftet, samt frågeställningen som studien kretsar kring.
______________________________________________________________________
Många europeiska länder har under flera år präglats av en stigande statsskuld och underskott i
budgetbalansen. Detta har lett till att räntor på långa statsobligationer bland länder i Europa,
som under början av eurosamarbetet nästan sammanstrålades, återigen börjat spridas mot olika
håll. Detta har väckt frågan hos många forskare om hur stor effekt statsskuld och budgetbalans
har på långa statsobligationer. En rad tidigare forskning finns därför inom ämnet, dock har
många studier fokuserat på länder utanför EU, fåtal europeiska länder (Ardagna, 2009), eller
enbart fokuserat på en av faktorerna när de ska förklara räntan på statsobligationer (Kremer et
al. (2006). Många studier är även äldre och har inte studerat data från de senaste åren (Gale &
Orzag, 2003).
Den slutsatsen som kan dras från tidigare forskning är att budgetunderskott har en negativ effekt
på räntorna, medan en ökning i skuldkvot har en positiv effekt. Storleken på effekterna är dock
inte lika säkerställt. Vissa studier visar på statistiskt signifikanta effekter, medan andra visar på
lågt signifikanta effekter eller ingen effekt alls.
Mycket har hänt i Europa de senaste 10 åren. Först drabbades kontinenten av finanskrisen 2008
och några år senare slog eurokrisen till. Enligt Cecchetti och Schoenholtz (2014) ska dessa två
kriser teoretiskt sätt haft en stor påverkan på hur människor ser på risk. Vid perioder där
osäkerheten om vad som kommer ske i framtiden är hög backar många undan från risk, eller
kräver en högre kompensation i utbyte mot att ta risken. Många tidigare studier är, som nämnt
tidigare, äldre. De har därför inte med finanskrisen och eurokrisen i deras tidsserie. De slutsatser
som dragits från dessa studier kan därför enligt Stock och Watson (2015) ha låg extern validitet1
idag och därför behövs nya och mer aktuella studier.
1 Slutsatser från en statistisk studie har extern validitet om de kan generaliseras från den undersökta populationen
och tidserien till en annan population och tidsserie (Stock & Watson, 2015). Populationen i detta fall är länderna i
EU. Eftersom mycket har hänt de senaste åren, finns möjligheten att slutsatser angående den äldre populationen
inte kan generaliseras till dagens population.
2
Denna studie har med hjälp av datamaterial från 25 länder i den Europeiska Unionen, mellan
det första kvartalet 2004 och det tredje kvartalet 2016, empiriskt undersökt vilken och hur stor
effekt statsskuld och budgetbalans har på europeiska länders långa statsobligationer och dess
räntor. Länder inom EU är olika i många aspekter. Nästan 70 procent av länderna kan till
exempel inte självständigt använda sig av penningpolitik, vilket har gjort det omöjligt för vissa
att minska sin skuld med hjälp av att trycka mer pengar. Gällande länder inom den ekonomiska
och monetära unionen (EMU) så har den europeiska centralbanken samma mål för alla
euroländer när det gäller inflation och dess penningpolitik påverkar samtliga länder i området.
Trots samma mål har inte resultatet blivit lika i alla länder. Länder har haft olika inflationstakter,
olika tillväxter i BNP och framförallt; olika räntor på statsobligationer. Alla dessa skillnader
kan givetvis bero på många faktorer, men trots det är det uppenbart att länder i Europa är olika.
På grund av det har även denna studie även undersökt om effekter varierar mellan länder och
år.
Upplägget på denna studie kommer se ut som följande; Först kommer det ges en kort bakgrund
av ämnet och beskrivning av syftet med studien. Därefter kommer det ges en teoretisk bakgrund
och en genomgång av tidigare studier i avsnitt 2. Detta följes med en beskrivning av metod och
datamaterial i avsnitt 3. Vidare presenteras resultat i avsnitt 4 följt av diskussion och slutsatser
i avsnitt 5.
1.1 Bakgrund
Den första november 1993 trädde Maastrichtfördraget i kraft i den Europeiska Unionen. I detta
fördrag lades grunden för den eurozon vi idag ser. Ett av kriterierna för att ett land skulle få
ingå i eurozonen var att räntorna på dess långa statsobligationer inte får vara högre än två
punkter än de tre länder med lägst inflation (Baldwin & Wyplosz, 2015). I och med införandet
började därför europeiska statsobligationer sakta sammanstrålas mot varandra. Vid införandet
av euron på de finansiella marknaderna den första januari 1999 hade det räntegap som tidigare
funnits nästan helt försvunnit och det fortsatte krympa ända fram till att finanskrisen slog till
2008. Efter utbrottet av krisen började räntor på statsobligationerna i den Europeiska Unionen
återigen sprida sig, vissa mer än andra. I figur 1 nedan presenteras en tidsserie över räntorna i
de europeiska länder som vid det tredje kvartalet 2016 hade en skuldkvot på över 90 procent.
(Se appendix för samtliga länder.)
3
Figur 1 – Räntor på långa statsobligationer
Källa: Eurostat.
I figuren ovan presenteras räntorna på långa statsobligationer (~10 år) för sju länder i EU,
kvartal 1 2004 – kvartal 3 2016. Det finns några länder som sticker ut extra mycket från
mängden. Det mest extrema fallet är Grekland, vars räntor steg kraftigt fram till mitten av
2012 för att sedan falla. Även Portugals räntor steg även dem kraftigt efter finanskrisen.
___________________________________________________________________________
En stor anledning till de kraftiga ökningarna i räntor kan enligt Cecchetti och Shoenholtz (2015)
och Klepsch och Wollmershäuser (2011) bero på de stora ökningarna i skuldkvoterna som
skedde efter krisen. Många länders statsskulder steg så okontrollerat att den Europeiska
Unionen tillslut var tvungna att ge ut räddningspaket i form av lån till de hårt drabbade länderna.
Det extrema fallet är även i denna kategori Grekland, som vid den tidpunkt då det första
räddningspaketet gavs ut hade en statsskuld på närmare 315,9 miljarder euro, eller 136 procent
av landets BNP. Det var en ökning med över 30 procentenheter inom loppet på två år.
Totalt sex länder tog emot räddningspaket från EU. Trots det har många länders statsskulder
fortsatt växa och idag ligger de flesta i en positivt stigande trend. I figur 2 visas en tidsserie
över de sju länder vars skuldkvot var över 90 procent under det tredje kvartalet 2016. (Se
appendix för samtliga länder.)
0,00
5,00
10,00
15,00
20,00
25,00
30,00
20
04
-Q1
20
04
-Q3
20
05
-Q1
20
05
-Q3
20
06
-Q1
20
06
-Q3
20
07
-Q1
20
07
-Q3
20
08
-Q1
20
08
-Q3
20
09
-Q1
20
09
-Q3
20
10
-Q1
20
10
-Q3
20
11
-Q1
20
11
-Q3
20
12
-Q1
20
12
-Q3
20
13
-Q1
20
13
-Q3
20
14
-Q1
20
14
-Q3
20
15
-Q1
20
15
-Q3
20
16
-Q1
20
16
-Q3
RÄ
NTO
R P
Å L
ÅN
GA
STA
TSO
BLI
GA
TIO
NER
Belgien Grekland Spanien Frankrike Italien Cypern Portugal
4
Figur 2 – Skuldkvoter
Källa: Eurostat.
I figuren ovan presenteras skuldkvoter (skuld i procent mot BNP) för sju länder i EU, kvartal
1 2004 – kvartal 3 2016. Som det syns i figuren låg skuldkvoterna relativt stabila mellan 2004
och 2008 för att sedan stiga kraftigt. Grekland toppar även i denna kategori, då landet under
kvartal 2 2014 hade en skuldkvot på över 180 procent av BNP.
___________________________________________________________________________
En av anledningarna till de stigande skuldkvoterna är enligt Carlin och Soskice (2006) att
många länder inte lyckats hålla sin budget för varje år (den andra är svag tillväxt i BNP). Deras
utgifter har konstant överskridit intäkterna. I figur 3 nedan presenteras budgetbalanser, mellan
2004 och 2016, för de sju länder som hade en skuldkvot på över 90 procent under det tredje
kvartalet 2016. (Se appendix för samtliga länder.)
0,0
20,0
40,0
60,0
80,0
100,0
120,0
140,0
160,0
180,0
200,0
20
04
Q1
20
04
Q3
20
05
Q1
20
05
Q3
20
06
Q1
20
06
Q3
20
07
Q1
20
07
Q3
20
08
Q1
20
08
Q3
20
09
Q1
20
09
Q3
20
10
Q1
20
10
Q3
20
11
Q1
20
11
Q3
20
12
Q1
20
12
Q3
20
13
Q1
20
13
Q3
20
14
Q1
20
14
Q3
20
15
Q1
20
15
Q3
20
16
Q1
20
16
Q3
SKU
LDK
VO
T %
Belgium Greece Spain France Italy Cyprus Portugal
5
Figur 3 – Budgetbalanser
Källa: Eurostat.
I figuren ovan presenteras budgetbalanser i % av BNP för de sju länder i EU som hade en
skuldkvot på över 90 procent i kvartal tre 2016, mellan 2004 och 2016. I figuren syns det tydligt
att budgetbalanserna sjönk kraftigt efter finanskrisen 2008. Botten nåddes av Grekland, som
under 2009 hade ett budgetunderskott på 15,1 procent av BNP.
___________________________________________________________________________
Det dessa tre figurer ger oss är en överblick på hur räntor, skuldkvoter och budgetbalanser har
förändrats över tid mellan det första kvartalet 2004 och det tredje kvartalet 2016. Det är tydligt
att mest förändring har skett efter finanskrisen och att förändringarna är olika mellan länder.
Det är däremot svårt att göra slutsatser utifrån dessa simpla figurer, vilket motiverar denna
studie ytterligare.
-20,0
-15,0
-10,0
-5,0
0,0
5,0
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
BU
DG
ETB
ALA
NS
I % A
V B
NP
Belgium Greece Spain France Italy Cyprus Portugal
6
1.2 Syfte och frågeställning
Syftet med denna studie är att undersöka hur europeiska länders räntor på långa
statsobligationer har reagerat på förändringar i skuldkvot och budgetbalans mellan 2004 och
2016 och därmed bidra till den idag existerande forskningen inom ämnet. Ser vi på tidigare
forskning som presenteras i nästa avsnitt är det tydligt att alla inte visar samma resultat, vilket
indikerar på att den ännu inte är fullständig.
Studien kan användas som ett verktyg för inte minst centrala beslutsfattare, men även som
bestlutshjälp till investerare runt om i världen. Den skiljer sig från många tidigare studier på
grund av den undersöker nästan samtliga länder i den europeiska unionen och att den använder
sig av en mer aktuell tidsserie. Både finanskrisen och eurokrisen inträffar under tidsserien.
1.2.1 Frågeställning
• Hur stor effekt har förändring i skuldkvot och budgetbalans på långa statsobligationer
och dess räntor bland länder inom den Europeiska Unionen, samt varierar effekterna
mellan länder och år?
7
2. Teoretisk bakgrund och tidigare studier
I detta avsnitt kommer den teoretiska bakgrunden om ämnet presenteras, samt en överblick på
tidigare studier.
______________________________________________________________________
2.1 Vad fastställer spridningen på långa statsobligationer
Det finns många faktorer som kan påverka räntan på långa statsobligationer. Klepsch och
Wollmershäuser (2011) skrev en studie om detta där de analyserade spridningen på
statsobligationer bland länder i eurozonen mellan 2000 och 2010. I studien tar de upp flera
faktorer som kan påverka räntan, men fokuserar på de tre främsta; kreditrisk, likviditetsrisk och
motviljan till risk. Kreditrisken beror på hur stor sannolikheten är att utfärdaren misslyckas
betala sina skulder. Vanligast mäts kreditrisken hos en stat utifrån dess skuldkvot och
budgetbalans relativt till BNP, men på senare år har även framtida prognoser på landets
prestation tagits med i beräkningar. Likviditetsrisken baseras på hur lätt det är sälja icke likvida
värdepapper under dåliga marknadsförhållanden. Om ett värdepapper kan säljas när som helst
är likviditetsrisken låg och vice versa. Motviljan till risk är väldigt vanligt hos investerare,
speciellt under perioder där osäkerheten är hög. Är motviljan hög vill investerare ha högre ränta
på pengarna de investerar (Klepsch & Wollmershäuser, 2011). I ekvation (1), (2) och (3) nedan
visas sambanden i enklare form. Plustecknet och minustecknet indikerar på att räntan kommer
stiga, respektive falla, om faktorn framför stiger.
𝑅ä𝑛𝑡𝑎 = 𝑓(𝐾𝑟𝑒𝑑𝑖𝑡𝑟𝑖𝑠𝑘(+), 𝐿𝑖𝑘𝑣𝑖𝑑𝑖𝑡𝑒𝑡𝑠𝑟𝑖𝑠𝑘(+), 𝑀𝑜𝑡𝑣𝑖𝑙𝑗𝑎𝑛 𝑡𝑖𝑙𝑙 𝑟𝑖𝑠𝑘(+)) (1)
där
𝐾𝑟𝑒𝑑𝑖𝑡𝑟𝑖𝑠𝑘 = 𝑓(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡(+), 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠(−)) (2)
vilket ger oss
𝑅ä𝑛𝑡𝑎 = 𝑓(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡, 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠, 𝐿𝑖𝑘𝑣𝑖𝑑𝑖𝑡𝑒𝑡𝑠𝑟𝑖𝑠𝑘, 𝑀𝑜𝑡𝑣𝑖𝑙𝑗𝑎𝑛 𝑡𝑖𝑙𝑙 𝑟𝑖𝑠𝑘) (3)
Även Cecchetti (2015) skriver om hur risk mäts. Han definierar risk i detta sammanhang som
ett mått på osäkerheten kring en framtida avkastning på en investering. Liksom ovanstående
8
författare tar han upp kreditrisken, likviditetsrisken och motviljan till risk som faktorer som
påverkar räntor.
2.2 Statsskuld
Ett lands statsskuld är ett lands samlade skulder till dess befolkning, andra länder och dess
befolkning och övriga aktörer. Skulden skapas på grund av underskott i budgetbalansen, vilket
innebär att utgifter överstiger inkomster. Enligt Carlin och Soskice (2006) har ett lands budget
följande identitet;
𝐺 + 𝑖𝐵 ≡ 𝑇 + 𝛥𝐵 + 𝛥𝐻 (4)
Det ekvationen ovan säger är att ett lands offentliga utgifter G, plus betalning av ränta på
obligationer iB, är alltid lika med summan av skatteintäkter T, nya utfärdade obligationer 𝛥𝐵
och förändring i den monetära basen 𝛥𝐻. Formeln kan skrivas om med 𝛥𝐵 som beroende
variabel och övriga som oberoende. Detta ger oss ett uttryck på vad en förändring i skulden
beror på;
𝛥𝐵 ≡ 𝐺 − 𝑇 + 𝑖𝐵 − 𝛥𝐻 (5)
Divideras ekvation (5) med BNP ges samtliga termer relativt till BNP;
𝛥𝑏 = 𝑑 + (𝑟 − 𝑔𝐵𝑁𝑃)𝑏 − 𝑔𝐻ℎ (6)
där 𝛥𝑏 är förändring i skuldkvot, d är budgetbalans relativt till BNP, r realränta, 𝑔𝐵𝑁𝑃 tillväxt
i BNP och 𝑔𝐻ℎ tillväxt i penningmängd relativt till BNP.
I ekvation (6) syns det att ett land har två realistiska alternativ om de vill minska sin skuldkvot.
Det kan generera ett överskott i budgetbalansen eller pressa mer pengar (Carlin & Soskice,
2006). De länder som är med i EMU däremot, har egentligen bara ett alternativ, nämligen att
generera ett överskott. Det andra alternativet försvann då de valde att gå med i euro-samarbetet.
Trots alla räddningspaket och hjälp från EU ser vi fortfarande idag oönskade och stigande
statsskulder bland många länder i Europa. Av de sex länder; Grekland, Irland, Portugal,
Spanien, Italien och Cypern; som idag anses ligga i riskzonen med sin statsskuld har samtliga
9
euro som valuta . Inget av de nio EU länder som står utanför Euron ligger i någon större risk
med sin skuld. Skillnaden mellan dessa är att icke-EMU länder har kvar sin penningpolitik och
kan därför lättare styra över inflation och räntor.
2.3 Effekten av budgetbalans och statsskuld på räntor
Det finns många tidigare studier gällande ett budgetunderskotts effekt på räntor på
statsobligationer. Resultatet är däremot inte lika i alla. Gale och Orzag (2003) undersökte och
summerade slutsatserna i 58 olika studier om ämnet. 28 av dessa studier kunde visa en positiv
signifikant effekt av ett budgetunderskott på räntor, 11 visade både mixade signifikanta effekter
och resten var icke signifikanta. En av anledningarna till att resultaten visade olika är att vissa
inte tagit med förväntningar i sin modell. Detta uppmärksammas även av Fledstein (1986) som
i sin studie bevisar att effekten av budgetunderskott blir högre om även förväntningar inkluderas
i modellen.
Ardagna (2009) skrev en studie om hur räntor på statsobligationer reagerade på större
förändringar i budgetbalanser. Hon undersökte OECD länderna mellan 1960 och 2002. Genom
att estimera en modell kom hon fram till att de nominella räntorna steg med 1,8 procent om
budgetunderskottet ökade med över 1,5 procent av BNP under ett år eller 1 procent två år i rad.
En liknande studie skrevs även av Engen och Hubbard (2004), som i sin studie visar att om
budgetunderskottet ökar med en procentenhet kommer räntorna öka med 30 – 60 punkter.
Liksom studier på budgetbalansens effekt på räntor finns även tidigare studier gällande
statsskulders effekt på räntor. Eller mer specifikt, effekten på kreditrisken hos länder. Kremer,
Paesani och Strauch (2006) har jämfört räntor i den europeiska unionen med tyska obligationer
och studerat effekten av en stigande statsskuld. Enligt studien har en stigande statsskuld en
signifikant effekt på obligationerna. Effekten är dock låg och gäller endast länder med redan
höga skuldsiffror. I studien av Engen och Hubbard (2004) testas även effekten av skuldkvot på
räntor, vilket visade sig vara signifikant lägre än effekten av budgetbalansen; 2 till 7 punkter av
en ökning med en procentenhet i skuldkvoten.
Det finns även studier där både skuldkvot och budgetbalans ingår i modellen som förklarande
variabler. Baldacci och Kumar (2010) skrev en studie för Internationella Valutafonden där de
10
undersökte vilken effekt budgetbalans och förändring i skuldkvot har på långa statsobligationer.
De undersökte 31 länder och deras långa räntor på statsobligationer. Resultatet som togs fram
baseras på fixed effect least squares och blev som i många tidigare studier, nämligen
signifikanta positiva effekter från både skuldkvot och budgetunderskott.
2.4 EMU, grunden till eurokrisen?
Det finns många spekulationer om huruvida införandet av euron var rätt eller fel för vissa länder
i EU. Många pekar på att införandet av euron i till exempel Grekland är orsaken till deras höga
skuldkvot idag. Hatzigeorgiou (2013) skrev en artikel om detta. I artikeln ger han en bakgrund
om Greklands skuldsituation och ställer öppet frågan om dagens skuldsituation är en följd av
inträdet i EMU.
Grekland hade mellan 60- och 90-talet en stabil statsskuld på under 25 procent av BNP i
genomsnitt. Efter det ökade skulden kraftigt och i mitten av 90-talet passerades 90
procentgränsen. År 2001 blev Grekland det 12:e landet att inträda i eurosamarbetet och under
de första åren hölls skuldkvoten stabil runt 100 procent. Efter finanskrisen 2008 skedde det
andra kraftiga lyftet i statsskulden, då skuldkvoten till slut nådde över 180 procent.
Hatzigeorgiou (2013) nämner i artikeln att tesen om att euron orsakat Greklands skuldkris
förenklat bygger på att landet vid EMU-inträdet förlorade makten över sin penningpolitik,
vilket då ska ha gjort landet direkt maktlösa till att föra stabiliseringspolitik. Han tar även upp
det faktum att dess historia kan ha lett till att förtroendet till staten inte är lika högt som en hade
önskat idag. Denna misstro har gjort det svårt för landet att motivera sina invånare att betala in
skatt, vilket har försvårat stabiliseringen av skuldkvoten med hjälp av överskott i
budgetbalansen avsevärt.
11
3. Metod
I detta avsnitt kommer metoden som denna studie använt sig av presenteras. Avsnittet kommer
innehålla en beskrivning av datamaterial, empiriska modeller, samt tester för modellerna.
Förutom det kommer även eventuella problem med modellerna understrykas och hanteras.
______________________________________________________________________
Samtliga modeller i denna studie kommer ha räntan på långa statsobligationer som beroende
variabel och förändring i statsskuld och budgetbalans som oberoende variabler. Den första
modellen presenteras i generell form i ekvation (7) och är en poolad linjär regressionsanalys.
Utöver de ovannämnda variablerna kontrollerar den även för år, med 2008 (finanskrisen) som
referensår. Nackdelen med denna modell är att den ignorerar att det är fler än en panel och
estimerar ett gemensamt intercept och gemensamma effekter. Eftersom datasetet innehåller fler
än ett land kommer därför en modell som behandlar varje land som individuella med unika
intercept användas i den andra analysen; Fixed-effects regression model. Modellen presenteras
i generell form i ekvation (8) och kommer kontrollera för samma som i den poolade modellen.
𝑅ä𝑛𝑡𝑎 = 𝑓((𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡, 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠, Å𝑟) (7)
𝑅ä𝑛𝑡𝑎 = 𝑓(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡, 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠, Å𝑟, 𝐿𝑎𝑛𝑑) (8)
Som nämnt i introduktionen går det inte att undgå det faktum att länder i EU är olika. Genom
att använda en Mixed effects model kan individuella effekter testas och analyseras. Modellen
presenteras i generell form i ekvation (9) och (10) och innehåller både fixed effects och random
effects; som kommer estimera de gemsamma effekterna över alla paneler, respektive
variationen i effekterna mellan år och länder. Ytterligare beskrivning av modellen, samt de två
ovanstående återfinns under avsnitt 3.3. Eventuella skillnader i effekter mellan länder och år
kommer diskuteras i avsnitt 5.
𝑅ä𝑛𝑡𝑎 = 𝑓(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡, 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠, Å𝑟, 𝐿𝑎𝑛𝑑) (9)
där
𝜕(𝑅ä𝑛𝑡𝑎)
𝜕(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡)= 𝑓(Å𝑟, 𝐿𝑎𝑛𝑑) och
𝜕(𝑅ä𝑛𝑡𝑎)
𝜕(𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠)= 𝑓(Å𝑟, 𝐿𝑎𝑛𝑑) (10)
12
3.1 Problem som kan uppstå med modellerna
OVB
OVB, eller Omitted Variable Bias, är ett problem som kan uppstå vid regressionsanalyser. Det
uppstår när en eller flera faktorer som kan ha central påverkan utelämnats ur modellen (Stock
& Watson, 2015). För att OVB ska kunna uppstå måste den utelämnade variabeln vara
korrelerad med någon av de inkluderade variablerna, samt ha en påverkan på den beroende
variabeln. Modellerna i denna studie har enbart två förklarande variabler, budgetbalans och
skuldkvot. Teoretiskt sätt ska dock även likviditetsrisken och motviljan till risk ha en betydelse
för räntenivån. Även förväntningar kan spela en roll i effekten av budgetbalans och skuldkvot,
vilket Fledstein (1986) visade i sin studie. Dessa tre variabler är svåra att mäta och har därför
valts att inte inkluderas. Utelämnadet av dem bör dock inte skapa OVB, eftersom ingen av dem
ska teoretiskt sett vara korrelerade med budgetbalans eller skuldkvot.
Något som däremot kan skapa OVB är faktorer som skiljer sig mellan länder och år. Genom att
använda dummyvariabler sjunker dock risken för det. Modellerna i denna studie använder
dummys för år i den poolade regressionsanalysen och för både år och länder i
regressionsanalysen med fixed effects. Genom göra detta minskar risken för OVB, eftersom
många faktorer som kan bero på skillnader mellan länder och år, konstanthålls.
Heteroskedasticitet
Heteroskedasticitet är ett även det ett vanligt problem som kan uppstå i en regressionsmodell.
Ett av antagandet för OLS (se avsnitt 3.3) är att variansen i slumptermen (se avsnitt 3.3) är
konstant vid alla värden på den oberoende variabeln. Vid heteroskedasticitet är detta inte fallet
och variansen varierar över datasetet. Konsekvensen av detta är att de standardfel för
koefficienterna som OLS – metoden tar fram är fel, vilket leder till att de tester som görs visar
felaktiga resultat. Som tur är finns det en lösning till detta; robusta standardfel. Dessa är till
skillnad från vanliga standardfel konsistenta oavsett om slumptermen är homo- eller
heteroskedastisk. Robusta standardfel är ofta större än vanliga, men skillnaden är sällan stor.
(Stock & Watson, 2015)
13
Endogenitet
Ett annat problem vid regressionsmodeller är endogenitet. Ett av antaganden för OLS är att den
förklarande variabeln och slumptermen inte ska korrelera utan vara oberoende från varandra.
Om detta inte är fallet kan endogenitet finnas i modellen; [𝑌 = ∫(𝑋)] och [𝑋 = ∫(𝑌)]. En
förändring i den beroende variabeln Y kan förklaras med en förändring i den förklarande
variabeln X, men samtidigt beror förändringen i X av en förändring i Y (Stock & Watson, 2015).
Finns det endogenitet i modellen är de estimerade koefficienterna snedvridna och kommer
därför sakna validitet, vilket leder till att modellen inte kan användas. Det finns dock en lösning
på endogenitet och det är att använda sig av instrumentvariabler.
I de modeller som denna studie använder kan det finnas anledning att tro att endogenitet finns.
Det modellerna ska göra är att förklara räntan på statsobligationer med hjälp av skuldkvot och
budgetbalans. Problemet med detta är att räntan delvis speglar landets kreditvärde, som i sin tur
speglar landets förmåga att betala sina skulder, vilket kommer visas i budgetbalansen.
Effekterna av respektive sker däremot inte i samma tidsperiod. För att räntan ska skifta krävs
det en förändring någon annanstans först, till exempel i kreditvärdet hos landet och det kan ske
om skuldkvoten förändras. Förändringen sker alltså alltid först i skuldkvoten och sedan ger det
effekt på räntan. Resonemanget visas i ekvation (10) nedan. Räntan i period t kan ha effekt på
skuldkvoten i senare perioder då den kanske högre räntan gör det svårare att betala sina skulder,
men den kan inte vara en funktion av något som hänt mellan period t-1 och t. Endogenitet på
grund av skuldkvot ska därför inte existera i modellerna.
(𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡𝑡−1 − 𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡𝑡) ≠ 𝑓(𝑅ä𝑛𝑡𝑎𝑡) (10)
Gällande relationen mellan budgetbalansen i period t och räntan i period t är det dock mer
komplext. En högre ränta kommer med största sannolikhet göra det svårare att betala sina
skulder och därmed göra det svårare att hålla sin budget;
𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠𝑡 = 𝑓(𝑅ä𝑛𝑡𝑎𝑡) (11)
Baldacci och Kumar (2010) löste detta genom att använda det laggade värdet av budgetbalansen
och det kommer även denna studie göra. Metoden att använda laggade variabler som instrument
är vanligt förekommande i studier där risken för endogenitet är hög (Bansak, Morin & Starr,
14
2004) och (Aschhoff & Schmith, 2008). Genom att göra det elimineras risken för endogenitet,
eftersom något som händer i framtiden inte kan påverka något som händer idag. Räntan i period
t aldrig kan påverka budgetbalansen i period t-1;
𝑅ä𝑛𝑡𝑎𝑡 = 𝑓(𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠𝑡−1) (12)
men
𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠𝑡−1 ≠ 𝑓(𝑅ä𝑛𝑡𝑎𝑡) (13)
Perfekt multikollinearitet
Det sista antagandet för en regressionsanalys som innehåller fler än en förklarande variabel är
att det inte får förekomma perfekt multikollinearitet mellan de förklarande variablerna. Detta
innebär att korrelationen mellan två av de förklarande variablerna är -1 eller 1 (Stock & Watson,
2015). I denna studie måste detta uppmärksammas på grund av att förändringen i skuldkvot till
stor del beror på budgetbalansen. Förutom budgetunderskott och budgetöverskott förändras
även skuldkvoten om det är positiv eller negativ tillväxt i BNP. Eftersom tillväxt i BNP inte
ska ha någon direkt korrelation med budgetbalans bör perfekt multikollinearitet inte existera i
modellen, vilket även visas i ett korrelationstest mellan budgetbalansen i period t-1 och
skuldkvot:
Tabell 3.1 – Korrelationstest
Budgetbalans(t-1)
Skuldkvot
Budgetbalans(t-1)
1,0
Skuldkvot -0.44 1,0
I tabellen visas korrelationen mellan respektive variabel. Korrelationen mellan budgetbalans i
period t-1 och förändringen i skuldkvot är -0,44
___________________________________________________________________________
Typ I och II fel
Vid ett hypotestest finns valet att endera förkasta nollhypotesen eller behålla den. I och med att
det finns en marginal gällande signifikans kan fel uppstå. Det första, Typ I fel, uppstår när
nollhypotesen egentligen är sann, men förkastas. Det andra, Typ II fel, uppstår vid motsatsen;
nollhypotesen är egentligen falsk, men behålls ändå. Det finns alltså en sannolikhet till att fel
val görs vid hypotesprövningar (Stock & Watson, 2015).
15
3.2 Datamaterial
Denna studie studerar statsskuld, räntor och budgetbalanser ifrån ett europeiskt perspektiv och
kommer därför använda länder som är eller blivit medlem i den Europeiska Unionen mellan
2004 och 2016. Varje land har observerats kvartalsvis mellan det första kvartalet 2004 och det
tredje kvartalet 2016 (med undantag BNP, som har data från det första kvartalet 2003) gällande
statsskuld, långa statsobligationers ränta, budgetbalans och BNP.
Räntorna som används i denna studie är samma räntor som EU använder sig av för att avgöra
om länder uppfyller ett av Maastrichts konvergenskriterium. Dessa räntor är hämtade från
Eurostats databas och är baserade på statsobligationers räntor på andrahandsmarknaden, med
en återstående löptid på ungefär 10 år. För att undvika avvikelser i löptider, måste portföljen
justeras regelbundet (Eurostat, 2014). Vissa bortfall finns i denna datasamling. Estland har för
tillfället inga statsobligationer som överensstämmer med definitionen av långa
statsobligationer. Landet kommer därför inte inkluderas i studien. För Rumänien finns inget
data mellan det första kvartalet 2004 och det första kvartalet 2005 och för Kroatien finns inget
data mellan det första kvatalet 2004 och det tredje kvartalet 2005. För att undvika fel i modellen
har därför dessa länder valts att uteslutas från studien.2
Med 25 länder kvar (se appendix) samlades BNP data in från Eurostats databas. Det är
fullständigt utan några bortfall. Detta kvartalsdata har sedan summerats från varje kvartal och
samma kvartal föregående år. Även data för samtliga länders statsskuld och budgetbalans
samlades in från Eurostat. Ett lands budget sätts oftast årligen. Därför kommer den årliga
budgetbalansen användas och därför vara lika för varje kvartal under året. I tabell 3.2 på nästa
sida presenteras deskriptiv statistik.
2 Modeller med kortare tidsperiod där dessa två länder inkluderats har även testats. Resultatet har dock inte visas
någon större skillnad. Tidsserien exklusive dessa kommer därför användas.
16
Tabell 3.2 – Deskriptiv statistik 1
Variabel Antal
observationer
Medelvärde Standardavvikelse Min Max
Statsskuld 1275 382 635,7 606 539,4 1443,7 2 307 814
Ränta % 1275 4,01 2,40 -0,12 25,4
Budgetbalans 1275 -16 846 33 017,18 -173 229,3 23 705
BNP, årligen 1270 509 035 730 556,7 4802,1 3 113 310
I tabell 3.1 ovan presenteras deskriptiv statistik för statsskuld, ränta på långa statsobligationer,
budgetbalans och årlig BNP för de 25 länder som ingår i studien. I tabellen presenteras
medelvärdet för respektive variabel, dess standardavvikelse och min- och maxvärde. Det minsta
värdet och det största värden skiljer sig väldigt mycket i datasetet. Skillnaden mellan den lägsta
och högsta räntan är över 25 procentenheter och länders nominella statsskuld går från 1443,7
miljoner euro till 2 307 814 miljoner euro.
___________________________________________________________________________
Med hjälp av ovanstående dataset har de två centrala variablerna; Förändring i skuldkvot och
budgetbalans % av BNP genererats fram. I tabell 3.3 nedan presenteras deskriptiv statistik för
de nya variablerna.
Tabell 3.3 – Deskriptiv statistik 2
Variabel
Antal
observationer
Medelvärde
Standardavvikelse
Min
Max
Skuldkvot
1275 61,67 33,13 6,25 181,22
Budgetbalans i
% av BNP
1275 -3,03 3,78 -32,22 5,46
I tabell 3.2 presenteras medelvärde, standardavvikelse och min- och maxvärde för
variablerna Skuldkvot och Budgetbalans i procent av BNP. I tabellen syns det en stor
variation i både budgetbalans och skuldkvot.
___________________________________________________________________________
17
3.3 Empiriska modeller
3.3.1 Poolad linjär regressionsmodell, robusta standardfel
𝑅ä𝑛𝑡𝑎𝑖𝑡 = 𝛽0 + 𝛽1𝑋1𝑖(𝑡−1)+ 𝐵2𝑋2𝑖𝑡
+ 𝑑1𝐷1 + ⋯ + 𝑑12𝐷12 + 𝑢𝑖𝑡
där i = 1,…, antal observationer och t = 1,…, antal tidsperioder.
𝑅ä𝑛𝑡𝑎 = 𝑅ä𝑛𝑡𝑎 𝑝å 𝑙å𝑛𝑔𝑎 𝑠𝑡𝑎𝑡𝑠𝑜𝑏𝑙𝑖𝑔𝑎𝑡𝑖𝑜𝑛𝑒𝑟
𝑋1 = 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠 𝑖 % 𝑎𝑣 𝐵𝑁𝑃
𝑋2 = 𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡
𝐷1 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2004 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟,
⋮
𝐷4 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2007 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟
𝐷5 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2009 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟,
⋮
𝐷12 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2016 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟.
______________________________________________________________________
𝛽1 är effekten av budgetbalansen i period t-1, givet att skuldkvoten och alla årsdummys hålls
konstant och 𝛽2 effekten av skuldkvoten, givet att budgetbalansen och alla årsdummys hålls
konstant. 𝑑1, … , 𝑑12 beskriver effekten för år, med 2008 som referensår. 𝑢𝑖𝑡 är en slumpterm
som fångar alla faktorer, förutom de som ingår i modellen, som kan förklara Räntan på långa
statsobligationer.
För att estimera koefficienterna 𝛽0, 𝛽1, 𝛽2 och 𝑑1, … , 𝑑12 är det, givet att vissa antaganden är
uppfyllda, enligt Stock och Watson (2015) lämpligt att använda sig av minsta kvadratmetoden
(OLS). Denna metod tar fram den regressionslinje som ligger så nära det observerade
datamaterialet som möjligt, där närheten mäts i avståndet till alla residualer i kvadrat. För att
metoden ska kunna användas måste fyra antaganden vara uppfyllda;
1. Slumptermen 𝑢𝑖 har en normalfördelning med medelvärde 0 för varje 𝑋1𝑖𝑡, 𝑋2𝑖𝑡:
𝐸(𝑢𝑖𝑡|𝑋1𝑖𝑡, 𝑋2𝑖𝑡) = 0.
2. (𝑋1𝑖𝑡, 𝑋2𝑖𝑡, 𝑅ä𝑛𝑡𝑎𝑖𝑡), i = 1,…, antal observationer, är oberoende och lika fördelade. (i.i.d
= independently and identically distributed).
18
3. Stora avvikande värden är osannolika.
4. Ingen perfekt multikollinearitet.
Antagande ett är inte uppfyllt, men har hanterats genom att använda robusta standardfel.
Resterande antaganden antas vara uppfyllda. Enligt Stock och Watson (2015) ska datasetet vara
approximativt normalfördelat eftersom det innehåller många observationer. Stora avvikande
värden som kommer snedvrida resultatet finns inte och perfekt multikollinearitet existerar inte.
När regressionsmodellen är estimerad och klar är frågan hur mycket av variationen i den
beroende variabeln som kan förklaras med hjälp av variationen i de förklarande variablerna.
För att mäta detta används en förklaringsgrad.
19
3.3.2 Fixed effects regression model, robusta standardfel
𝑅ä𝑛𝑡𝑎𝑖𝑡 = 𝛽0 + 𝛼𝑖 + 𝛽1𝑋1𝑖(𝑡−1)+ 𝛽2𝑋2𝑖𝑡
+ 𝑑1𝐷1 + ⋯ + 𝑑12𝐷12 + 𝑢𝑖𝑡
där i = 1,…, 25 och t = 1,…, antal tidsperioder.
𝑅ä𝑛𝑡𝑎 = 𝑅ä𝑛𝑡𝑎 𝑝å 𝑙å𝑛𝑔𝑎 𝑠𝑡𝑎𝑡𝑠𝑜𝑏𝑙𝑖𝑔𝑎𝑡𝑖𝑜𝑛𝑒𝑟
𝑋1 = 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠 𝑖 % 𝑎𝑣 𝐵𝑁𝑃
𝑋2 = 𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡
𝐷1 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2004 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟,
⋮
𝐷4 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2007 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟
𝐷5 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2009 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟,
⋮
𝐷12 = 1 𝑜𝑚 å𝑟𝑒𝑡 ä𝑟 2016 𝑜𝑐ℎ = 0 𝑓ö𝑟 𝑎𝑙𝑙𝑎 𝑎𝑛𝑑𝑟𝑎 å𝑟.
__________________________________________________________________________
𝛽1 är effekten av budgetbalansen i period t-1, givet att skuldkvoten och alla årsdummys hålls
konstant och 𝛽2 effekten av skuldkvoten, givet att budgetbalansen och alla årsdummys hålls
konstant. 𝛽0 + 𝛼𝑖 är landsindividuella intercept och 𝑑1, … , 𝑑12 kontrollerar för varje år, med
2008 som referensår. 𝑢𝑖 är en slumpterm som fångar alla faktorer, förutom de som ingår i
modellen, som kan förklara Räntan på långa statsobligationer.
Liksom den poolade regressionsmodellen använder denna sig av minsta kvadratmetoden vid
estimering av koefficienter. De fyra antaganden som nämndes under avsnitt 3.3.1 ska därför
även vara uppfyllda i denna modell för att estimaten ska kunna användas.
Modellen använder sig av tre olika förklaringsgrader. Den första, Inom, beskriver hur mycket
av variationen inom varje panel som kan förklaras med variationen i de förklarande variablerna.
Den andra, Mellan, beskriver hur mycket av variationen mellan varje panel som kan förklaras
och den tredje, Generell, är ett viktat medelvärde av de två ovan.
20
3.3.3 Mixed effects model
𝑅ä𝑛𝑡𝑎𝑖𝑡 = 𝜌0𝑖𝑦 + 𝜃1𝑖𝑦𝑋1𝑖(𝑡−1)+ 𝜃2𝑖𝑦𝑋2𝑖𝑡
+ 𝑢𝑖𝑡
där 𝜌0𝑖𝑦 = 𝛽0 + 𝛼0𝑖 + 𝛾0𝑦
𝜃1𝑖𝑦 = 𝛽1 + 𝛼1𝑖 + 𝛾1𝑦
𝜃2𝑖𝑦 = 𝛽2 + 𝛼2𝑖 + 𝛾2𝑦
där i = 1,…, 25, t = 1,…, antal tidsperioder och y = 2004, …, 2016.
𝑅ä𝑛𝑡𝑎 = 𝑅ä𝑛𝑡𝑎 𝑝å 𝑙å𝑛𝑔𝑎 𝑠𝑡𝑎𝑡𝑠𝑜𝑏𝑙𝑖𝑔𝑎𝑡𝑖𝑜𝑛𝑒𝑟
𝑋1 = 𝐵𝑢𝑑𝑔𝑒𝑡𝑏𝑎𝑙𝑎𝑛𝑠 𝑖 % 𝑎𝑣 𝐵𝑁𝑃
𝑋2 = 𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡
______________________________________________________________________
Modellen är uppdelad i två delar, en som representerar alla effekter som är lika för alla länder
och en som representerar effekterna som varierar mellan länder och år. Enklast förklaras
modellen grafiskt med hjälp av figuren på nästa sida.
21
Figur 4 – Grafisk beskrivning av modell
Linje (1) representerar modellens fixed effects, vilka är lika för alla länder. 𝛽0 är modellens
konstanta koefficient och 𝛽1 representerar effekten av budgetbalansen i period t-1. I linje (2)
har även 𝛼0𝑖 lagts till. 𝛼0𝑖 är landspecifika konstanter som varierar mellan länder. I linje (3)
har ännu en parameter lagts till, 𝛼1𝑖, som representerar varje lands individuella effekt av
budgetbalansen i period t-1. I figuren framgår det tydligt att residualen till det observerade
värdet blir mindre och mindre om modellen blir mer flexibel.
___________________________________________________________________________
Med hjälp av figur 4 är det enklare att tolka de fyra koefficienterna i modellen. 𝜌0𝑖𝑦 är summan
av den gemensamma, den landspecifika och den årsspecifika konstanten och kommer variera
beroende på vilket land och år som studeras. 𝜃1𝑖𝑦 och 𝜃2𝑖𝑦 är summorna av de gemensamma,
de landspecifika och de årsspecifika effekterna av budgetbalans i period t-1 och skuldkvot.
Det intressanta i denna studie är att studera om det finns en variation. Resultatet kommer därför
inte presentera skattningar av de individuella koefficienterna för varje enskilt land och år.
Istället kommer det presenteras standardavvikelser för varje enskild random effect – koefficient;
𝛼0𝑖, 𝛾0𝑦, 𝛼1𝑖, 𝛾1𝑦, 𝛼2𝑖 och 𝛾2𝑦. Visar standardavvikelsen ett högt värde innebär det att
variationen i effekterna är höga och vice versa.
22
3.4 Tester
Varje modell går igenom ett antal tester. I den första modellen testas 𝛽0, 𝛽1 och 𝛽2 om de är
signifikant skilda från noll, samt alla α – parametrar om de är signifikant skilda från varandra.
I den andra modellen utförs samma tester som ovan, samt ett test för att se om alla
landsspecifika intercept signifikant skiljer sig från varandra. I den tredje modellen utförs,
förutom de ovannämnda testerna, även ett Chi-2 test där samtliga standardavvikelser testas om
de är signifikant skilda från noll. Samtliga tester genomförs med signifikansnivå 0,05.
23
4. Resultat
I detta avsnitt kommer resultatet av de tre empiriska modeller som skapats presenteras.
Avsnittet är uppdelat i tre delar, en för varje modell. Under varje del kommer resultatet
beskrivas och kommenteras.
______________________________________________________________________
4.1 Poolad Linjär regressionsanalys
Tabell 4.1 – Resultat modell 1
Ränta på långa
statsobligationer
Koefficienter
SE1
Robust
T-värde
P-värde3
95 % KI1
Budgetbalans %
BNP(t-1)
-0,169 0,020 -8,24 0,000*** -0,209 ⋯ -0,129
Skuldkvot
0,015 0,003 4,49 0,000*** -0,009 ⋯ 0,219
Konstant 3,861 0,190 20,30 0,000*** 3,488 ⋯ 4,234
2004
-0,392 0,178 -2,21 0,027** -0,740 ⋯ -0,044
2005 -1,158 0,150 -7,68 0,000*** -1,453 ⋯ 0,862
2006 -0,716 0,145 -4,95 0,000*** -1,000 ⋯ -0,432
2007 -0,070 0,145 -0,48 0,629 -0,355 ⋯ 0,215
2009 -0,322 0,309 -1,04 0,297 -0,928 ⋯ 0,283
2010
-1,344 0,233 -5,78 0,000*** -1,800 ⋯ -0,888
2011 -0,542 0,268 -2,03 0,043** -1,066 ⋯ -0,017
2012 -0,783 0,371 -2,11 0,035** -1,512 ⋯ -0,561
2013 -2,023 0,195 -9,75 0,000*** -2,430 ⋯ -1,616
2014 -2,919 0,195 -15,01 0,000*** -3,300 ⋯ -2,537
2015 -3,622 0,202 -17,98 0,000*** -4,018 ⋯ -3,228
2016 -3,760 0,218 -17,22 0,000*** -4,190 ⋯ -3,332
F-test: 0,0000*** R2: 37,22 %
1. SE Robust = Robusta standardfel, KI = Konfidensintervall.
2. Värden avrundade till 3 decimaler.
3. *, **, *** Signifikant på en 10%, 5% och 1% signifiansnivå
24
___________________________________________________________________________
I tabellen ovan presenteras resultatet av den poolade linjära regressionsmodellen. Modellen
använder sig av robusta standardfel och har en förklaringsgrad på 37,22 procent, vilket innebär
att 37,22 procent av variationen i räntan kan förklaras med variationen i skuldkvot och
budgetbalansen i period t-1. Budgetbalans har en signifikant negativ effekt på en enprocentig
signifikansnivå. Resultatet visar på att om budgetbalansen relativt till BNP ökar med 1
procentenhet i period t-1 och skuldkvoten och alla årsdummys hålls konstant kommer räntan
på långa statsobligationer minska med 16,9 punkter.
Skuldkvot har även den en signifikant positiv effekt på en enprocentig signifikansnivå.
Koefficienten, som skattats till 0,015, säger att om budgetbalans och alla årsdummys hålls
konstant och skuldkvoten ökar med 1 procentenhet, kommer räntan på långa statsobligationer
öka med 1,5 punkter.
De enskilda intercepten för varje år är inte alla signifikant skilda från referensåret 2008. 2005,
2006, 2010, 2013, 2014, 2015 och 2016 har en signifikant skillnad på en enprocentig
signifikansnivå. 2004, 2011, 2012 har en signifikant skillnad på en femprocentig
signifikansnivå. Resten är inte signifikant skilda från referensåret, vilket innebär att räntan
under dessa år var väldigt lik den under finanskrisen. Alla intercept är dock inte lika, vilket syns
i resultatet av det F-test som utförts; P-värde = 0,0000.
25
4.2 Fixed effects model
Tabell 4.2 – Resultat modell 2
Ränta på långa
statsobligationer
Koefficienter
SE1
Robust
T-värde
P-värde3
95 % KI1
Budgetbalans %
BNP(t-1)
-0,037 0,050 -0,74 0,468 -0,140 ⋯ 0,067
Skuldkvot 0,051 0,021 2,45 0,022** -0,008 ⋯ 0,094
Konstant 2,405 1,058 2,27 0,032** 0,221 ⋯ 4,589
2004 -0,463 0,163 -2,81 0,010*** 0,803 ⋯ 0,123
2005 -1,256 0,149 -8,41 0,000*** -1,566 ⋯ -0,945
2006 -0,840 0,114 -7,35 0,000*** -1,077 ⋯ -0,605
2007 0,233 0,111 -2,09 0,047** -0,462 ⋯ 0,003
2009 -0,164 0,373 -0,44 0,664 -0,934 ⋯ 0,606
2010 -0,784 0,395 -6,64 0,000*** -1,656 ⋯ -0,865
2011 -0,784 0,395 -1,99 0,058* -1,599 ⋯ 0,030
2012 -1,311 0,528 -2,49 0,020** -2,400 ⋯ -0,223
2013 -2,749 0,374 -7,36 0,000*** -3,520 ⋯ -1,978
2014 -3,770 0,488 7,72 0,000*** -4,777 ⋯ -2,763
2015 4,555 0,406 -11,22 0,000*** -5,392 ⋯ -3,717
2016 -4,796 0,448 -10,71 0,000*** -5,720 ⋯ -3,872
F-test års- / lands-intercept R2
0,0000*** / 0,0000*** Inom: 44,11% Mellan: 18,30% Generell: 29,17%
1. SE Robust = Robusta standardfel, KI = Konfidensintervall.
2. Värden avrundade till 3 decimaler.
3. *, **, *** Signifikant på en 10%, 5% och 1% signifiansnivå ______________________________________________________________________
I tabellen ovan visas resultatet av den fixed effect regression model som utförts. Tre olika
förklaringsgrader presenteras i denna modell. Den första, Inom, säger hur mycket variansen
inom varje panel som kan förklaras. Den andra, Mellan, säger hur mycket av variansen mellan
panelerna som kan förklaras. Den tredje, Generell är ett viktat medelvärde av de två första.
26
Modellen i helhet kan alltså förklara 44,11 procent av variationen inom varje panel och 18,30
procent av variationen mellan panelerna.
Effekten av skuldkvot visar med robusta standardfel en signifikant effekt på en femprocentig
signifikansnivå. Det koefficienten säger är att om budgetbalans och alla årsdummys hålls
konstant och skuldkvoten ökar med 1 procentenhet kommer räntan öka med 5 punkter. Det är
alltså 3,5 punkter högre än i den poolade regressionsmodellen, vilket mest troligt kommer ifrån
att denna modell även konstanthåller för länder.
Effekten av budgetbalansen i period t-1 visar i denna modell ingen signifikant effekt.
Koefficienten visar 0,037, men med ett P-värde på 0,468 kan inte hypotesen om att effekten är
noll förkastas. En anledning till att koefficienten nu inte visar en signifikant effekt kan vara att
ännu fler dummyvariabler, en för varje land, inkluderats i modellen. Detta kan leda till att en
del av effekten av budgetbalansen nu förklaras av dummyvariablerna.
Koefficienten för budgetbalans i period t-1 har även ett väldigt brett konfidensintervall som
sträcker sig mellan minus 14 punkter och 6 punkter. Det indikerar på att det finns en stor
variation i koefficienten. Denna variation kan bero på skillnader mellan länder och år, vilket
undersöks i modellen i nästa del.
Jämförs samtliga år med referensåret 2008 ser vi signifikanta skillnader för åren 2004, 2005
2006, 2010, 2013, 2014, 2015 och 2016 på en enprocentig signifikansnivå och för åren 2007
och 2012 på en femprocentig signifikans. Resten är inte signifikant skilda från noll på en
femprocentig signifikansnivå. Liksom i den poolade regressionsanalysen, är de årsspecifika
intercepten signifikant skilda från varandra; P-värde = 0,0000.
Resultatet visar inga individspecifika intercept för respektive land, dock ger det oss ett
medelvärde för varje individuellt intercept, vilket i tabellen ovan visas som den konstanta
koefficienten. Intercepten är dock signifikant skilda från varandra, vilket visas i resultatet av F-
testet för alla länders intercept; P-värde = 0,0000.
27
4.3 Mixed effect model
Tabell 4.3 – Resultat modell 3
Ränta på långa
statsobligationer
Koefficienter
SE1
T-värde
P-värde3
95 % KI1
Budgetbalans %
BNP(t-1)
-0,079 0,029 -2,71 0,007*** -0,136 ⋯ 0,022
Skuldkvot
-0,030 0,007 -4,46 0,000*** 0,005 ⋯ 0,041
Konstant 5,088 0,290 17,856 0,000*** 4,520 ⋯ 5,656
Random effects – Land Estimat SE1
SD (Budgetbalans %
BNP(t-1))
0,093 0,031
SD (Skuldkvot)
0,023 0,005
SD (Konstant) 0,62 0,240
Random effects – År Estimat SE1
SD (Budgetbalans %
BNP(t-1))
0,171 0,022
SD (Skuldkvot) 0,015 0,002
SD (Konstant) 1,200 0,099
Chi-2 test för random effects
P-värde: 0,0000***
1. SE = standardfel, KI = Konfidensintervall, SD = Standardavvikelse.
2. Värden avrundade till 3 decimaler.
3. *, **, *** Signifikant på en 10%, 5% och 1% signifiansnivå
___________________________________________________________________________
I tabellen ovan presenteras resultatet av den mixed effects regressionen som utförts. Resultatet
är uppdelat i två delar; fixed effects och random effect.
28
I den översta tabellen presenteras fixed effects, vilka är lika för alla länder och år. Samtliga
koefficienter är signifikant skilda från noll på en enprocentig signifikansnivå.
I de två nedre tabellerna presenteras random effects beroende på land och på år. Estimaten i
tabellen representerar standardavvikelserna för respektive random effect. Samtliga
standardavvikelser är signifikant skilda från noll, vilket visas i resultatet av det chi-2 test som
utförts. För att lättare kunna tolka resultatet återgår vi till den empiriska modell som
presenterades i avsnitt 3.3.3:
𝑅ä𝑛𝑡𝑎𝑖𝑡 = 𝜌0𝑖𝑦 + 𝜃1𝑖𝑦𝑋1𝑖(𝑡−1)+ 𝜃2𝑖𝑦𝑋2𝑖𝑡
+ 𝑢𝑖𝑡
där 𝜌0𝑖𝑦 = 𝛽0 + 𝛼0𝑖 + 𝛾0𝑦,
,𝜃1𝑖𝑦 = 𝛽1 + 𝛼1𝑖 + 𝛾1𝑦
och 𝜃2𝑖𝑦 = 𝛽2 + 𝛼2𝑖 + 𝛾2𝑦
Alla fixed effects i modellen är 𝛽0, 𝛽1 och 𝛽2. De landsindividuella effekterna är 𝛼0𝑖, 𝛼1𝑖 och
𝛼2𝑖 och de årsindividuella är 𝛾0𝑦, 𝛾1𝑦 och 𝛾2𝑦.
I den andra tabellen visas standardavvikelserna för de random effects som varierar mellan
länder. [𝛼0𝑖, 𝛼1𝑖, 𝛼2𝑖] är konstanten, effekten av budgetbalans och effekten av skuldkvot, i den
ordningen. I tabellen presenteras standardavvikelserna för dessa tre koefficienter. Är
standardavvikelsen hög, varierar effekten mycket och vice versa. Standardavvikelserna för de
landspecifika effekterna av skuldkvot och budgetbalans i period t-1 har estimerats till 2,3
respektive 9,2 punkter, vilket är, om de jämförs med de fixed effects som estimerades i samma
modell, relativt högt.
På samma vis tolkas estimaten i den trejde tabellen. Det är nu standardavvikelserna för
koefficienterna [𝛾0𝑦, 𝛾0𝑦, 𝛾0𝑦] som estimerats; konstanten, effekten av budgetbalans och
effekten av skuldkvot som varierar mellan år. Även här är estimaten relativt höga. Speciellt den
för budgetbalansen i period t-1, som visar hela 17 punkter.
Det går alltså inte att dra några direkta slutsatser utifrån enbart fixed effects-koefficienterna.
Den totala marginella effekten av budgetbalansen är -0,079 + 𝛼1𝑖 + 𝛾1𝑦 och av skuldkvoten -
0,030 + 𝛼2𝑖 + 𝛾2𝑦.
29
Sammanfattningsvis ser vi i modellen att det finns en tydlig variation i både den konstanta
termen och effekter mellan länder och år. Detta kommer vidare diskuteras i avsnitt 5.
30
5. Diskussion och slutsatser
I detta avsnitt kommer resultatet som presenterades i tidigare avnitt diskuteras och
kommenteras ytterligare. Resultatet kommer kopplas samman med vad tidigare studier säger
för att slutligen nå en slutsats. Avsnittet avslutas med ett förslag till fortsatt forskning.
______________________________________________________________________
Denna studie har i tre olika modeller testat effekten av budgetbalans och skuldkvot på
europeiska länders långa statsobligationer och dess räntor. Anledningen till att tre modeller
används är för att stegvis kunna visa att en mer flexibel modell kommer kunna förklara mer av
variationen i den beroende variabeln. Den första modellen ger samtliga ett gemensamt intercept
och gemensamma effekter. Den andra modellen ger varje enskilt land ett eget intercept, dock
med gemensamma effekter. Båda modellerna kontrollerar även för år. I den tredje modellen
visas inte bara gemensamma effekter, utan även standardavvikelser till de random effects som
varierar mellan länder och år. För varje extra parameter som läggs till i modellen blir residualen
mindre och mindre och vi kommer närmare den faktiska observationen.
Den poolade regressionsmodellen ger som nämnt tidigare samtliga länder en gemensam
konstant koefficient och ignorerar att länder kan ha unika utgångspunkter. Trots att många
länders långa statsobligationer sammanstrålats till början av 2004, var den inte komplett. Det
fanns fortfarande en skillnad i risk mellan länder i EMU och även valutarisk mellan EMU-
länder och icke – EMU–länder. Den poolade regressionsmodellen räcker därför inte i detta fall,
därför estimerades en Fixed effect model också. Den ökar förklaringsgraden inom varje panel
med 6,89 procentenheter och förklarar variationen mellan varje panel till 18,30 procent.
Modellen visar en positiv effekt av skuldkvot som är signifikant på en enprocentig
signifikansnivå. Effekten av budgetbalansen i period t-1 visas i resultatet som negativ, dock är
koefficienten inte signifikant skild från noll, vilket gör att möjligheten att skuldkvot inte alls
har någon effekt fortfarande finns där.
De skattade modellerna visar en förklaringsgrad på 37,22 och 44,11. Alltså är över 50 procent
av variationen i räntan på långa statsobligationer fortarande oförklarat, något som skulle kunnat
åtgärdas om fler variabler inkluderades i modellen. Likviditetsrisken och motviljan till risk,
vilka diskuterades i metodavsnittet, är två variabler som kunde inkluderats, men som på grund
31
av mätsvårigheter och tidsbrist valts att utelämnas. Även förväntingar kan spela en stor roll i
effekten av budgetbalans och skuldkvot, men eftersom de är svåra att mäta har även de valts att
utelämnas.
Jämförs resultatet i den andra modellen med fixed effects med tidigare studier finns det både
likheter och olikheter. Budgetbalansen i perioden innan har inte en signifikant effekt i modellen,
vilket både bevisats och motbevisats i tidigare studier. Det breda konfidensintervallet som
estimatet visar indikerar på en stor osäkerhet på den faktiska effekten, som enligt intervallet
kan vara negativ, positivt eller noll. Effekten av skuldkvoten är liksom tidigare studier enligt
modellen positiv; en ökning i skuldkvoten drar upp räntan.
Samtliga estimat under random effects i den tredje modellen är signifikant skilda från noll,
vilket innebär att det finns variation i effekter mellan länder och år. Hade det Chi-2 test som
utförts inte visat sig vara signifikant hade hypotesen om att alla länder har samma effekt och att
den inte skiljer sig mellan år, inte kunnat förkastas. Variationen kan bero på många olika
faktorer. Två av orsakerna till att effekterna varierar mycket mellan år kan vara finanskrisen
2008 och eurokrisen som eskalerade 2012. Det går att koppla ihop till samtliga tre faktorer som
Klepsch och Wollmershäuser (2011) nämner i sin studie; kreditrisken för de främst drabbade
länderna under eurokrisen steg kraftigt då skuldkvotet steg, vilket visades i de höga räntorna.
Även likviditetsrisken och motviljan till risk höjs under skakiga marknadsförhållanden då fler
håller sig borta från riskbelagda värdepapper.
Nästa fråga är vad variationen mellan länder kommer ifrån. Att fastställa varför effekter varierar
är dock komplext och kommer kräva ytterliga forskning. En av orsakerna, som även tagits upp
tidigare, kan vara att nästan 70 procent av länderna i studien inte självständigt kan bedriva
penningpolitik. Hatzigeorgiou (2013) skrev i sin artikel om greklandkrisen att deras inträde i
euron kan ha orsakat landets höga skuld och med tanke på hur dåligt den Europeiska Unionen
egentligen passar som en valutazon är det inte konstigt att sådana spekulationer finns. Om
länderna som idag präglas av höga skuldkvoter och konstanta budgetunderskott hade kunnat
bedriva penningpolitik hade situationen kunnat sett annorlunda ut. De hade då, förutom att
försöka generera budgetunderskott, även kunnat pressa mer pengar och på det sättet betala av
sin skuld. Även fast det alternativet, på grund av bland annat hyperinflationen i Tyskland under
20-talet, idag är kontroversiellt hade det ändå funnit i verktygslådan för samtliga länder. Idag
ligger det enbart på ECB:s händer.
32
Skulle köpare av långa statsobligationer vetat att länderna även haft penningpolitik som verktyg
för att dra ner sin statsskuld på ett sätt som inte riskerar värdet på valutan för mycket, hade
riskbedömningen för länderna kunnat se mer positiv ut. Kreditrisken speglar ländernas förmåga
att betala av sina skulder. Finns det ett ytterligare sätt för länderna att kunna betala av sina
skulder borde teoretiskt sätt risken sjunka (Cecchetti, 2015). Det ska dock tilläggas att risken
för att valutan depriceras kommer mest troligt öka om länder bedriver aggressiv penningpolitik.
Nettoeffekten är väldigt svår att förutspå.
Förutom att alla länder inte självständigt kan bedriva penningpolitik finns det en rad olika
faktorer som kan orsaka skillnader i effekten av budgetbalans och skuldkvot på räntor. Till att
börja med är storleken på länders skuldkvot olika. Det kan vara rimligt att tro att en förändring
i en redan hög skuldkvot har en högre effekt än om skuldkvoten vore låg, eftersom den redan
höga skuldkvoten skapar en högre kreditrisk. På samma vis kan storleken på skuldkvoten
påverkar effekten av sig själv, kan den även påverka effekten av budgetbalansen. Ett land med
låg skuldkvot som under en period har ett underskott borde teoretiskt sätt inte ge en lika hög
effekt. Den låga skuldkvoten kan betyda att landet har bra kontroll över sin ekonomi, så ett
budgetunderskott behöver inte alltid klassas som negativt.
En annan faktor som skiljer sig mellan länder är förtroendet till staten i allmänhet. Många länder
har historiskt sett haft svårigheter gällande att erhålla förtroende från sin befolkning. Ett
exempel är Italien som 1992 drabbades av en enorm korruptionshärva. En sådan skandal är
svårt för en stat att återhämta sig från och förtroendet är inte alls hundraprocentigt idag.
Förtroende är viktigt för individer när de står inför att ta en risk. Finns inte förtroendet blir den
krävda kompensationen för att ta risken genast högre. Det är därför rimligt att tro att en chock
skapar en större fluktuation i räntan i länder med lågt förtroende till staten, än i länder med högt
förtroende.
De faktorer som diskuterats ovan är bara ett handplock över skillnader mellan europeiska länder
som kan förklara skillnaden i effekter. Inget som diskuterats har bevisats i denna studie, utan är
enbart spekulationer. Modellerna som skapats är inte kompletta och går att utvecklas mer, men
det lämnas över till fortsatt forskning.
33
Slutsatsen som kan dras från denna studie är att det är svårt att fastställa effekten av
budgetbalans och skuldkvot på långa räntor i Europa utan att studera varje enskilt land och år
var för sig. Länder i Europa är så pass olika att effekterna kan vara negativa för vissa och
positiva för vissa, vilket visas i den stora variationen i den tredje modellen. I och med att
variationen är så pass stor är det svårt att med hjälp av genomsnittliga effekter förklara
variationen i långa räntor över alla länder och år. En mer flexibel modell behövs.
5.2 Förslag till fortsatt forskning
Forkningen inom detta ämne är långt ifrån fullständig. Det denna studie bidragit med är att visa
att det finns en stor variation i effekter av statsskuld och budgetbalans mellan länderna i Europa.
Resultatet indikerar på att effekterna är större i vissa länder och mindre i vissa, men säger dock
inte vad det beror på. Vidare kan det därför vara intressant att samla in en rad olika faktorer
som kan tänkas skilja sig mellan länder och sedan modellera detta med hjälp av en lämplig
metod. Det kommer definitivt inte vara enkelt och det kommer kräva en hel del tid, vilket är en
stor anledning till att denna studie inte valt att inkludera det.
34
7. Referenslista
Ardagna, S. (2009). Financial Market’s Behavior around Episodes of Large Changes in
the Fiscal Stance. European Economic Review, Vol. 53, 37 – 55.
Aschhoff, B. och Schmidt, T. (2008). Empirical Evidence on the Success of R&D Cooperation
– Happy Together?, Review of Industrial Organization, Vol 33, 41 – 62.
Baldacci, E. och Kumar, M.S. (2010). Fiscal Deficits, Public Debt and Sovereign Bond Yields,
IMF Working Paper, nr. 10/184.
Baldwin, R. och Wyplosz, C. (2015). The Economics of European Integration. 5e uppl. London:
McGraw-Hill Education.
Bansak, C., Morin, N. och Starr, M. (2004). Technology, Capital Spending, and Capacity
Utilization, Economic Inquiry, Vol 46, 631 – 645.
Carlin, W. och Soskice, D. (2006). Macroeconomics – Imperfections Institutions & Policies.
Oxford: Oxford University Press.
Cecchetti, S.G, Schoenholtz, K.L. (2014). Money, Banking and Financial Markets. 4e uppl.
Singapore: McGraw-Hill Education (Asia).
Engen, E. och Hubbard, R.G. (2004). Federal Government Debts and Interest Rates, NBER
Working Paper, nr. 10681.
Eurostat, metadata. (2014, 9 december). Maastrich criterion interest rates.
http://ec.europa.eu/eurostat/cache/metadata/en/irt_lt_mcby_esms.htm [Hämtad 2017-05-22]
Fledstein, M. (1986). Budget Deficits, Tax Rules and Real Interest Rates, NBER Working
Paper, nr. 1970.
35
Gale, W.G. och Orszag P.R. (2003). The Economic Effects of Long-Term Fiscal Discipline,
Tax Policy Center Discussion Paper, No. 8.
Hatzigeorgiou, A. (2013). Greklandkrisen – En följd av euron?, Ekonomisk debatt, nr 7: Årgång
41, 29 – 41.
Klepsch, C och Wollmershäuser, T. (2011). Yield Spreads on EMU Government Bonds – How
the Financial Crises Has Helped Investors to Rediscover Risk”, Intereconomics, Vol. 46, 169 –
176.
Kremer, M, Paesani, P. och Strauch, R. (2006), Public Debt and Long-Term Interest Rates: The
Case of Germany, Italy, and the USA, ECB Working Paper, nr. 656.
Stock, J.H, Watson, M.W. (2015). Introduction to Econometrics. Uppdaterad 3e uppl. London:
Pearson Education Limited.
Hämtat data
• Eurostat. Quarterly government debt. Consolidated gross debt, General Government,
million euros. [gov_10q_ggdebt]
(Hämtat 2017-03-25)
• Eurostat. Quarterly gross domestic product (GDP) at current market prices. Million
euros. [namq_10_gdp]
(Hämtat 2017-03-25)
• Eurostat. EMU convergence criterion series – quarterly data. EMU convergence
criterion bond yields. [irt_lt_mcby_q]
(Hämtat 2017-03-25)
• Eurostat. Quarterly non-financial accounts for general government. Net lending (+) /
Net borrowing (-) Million Euros. [gov_10q_ggnfa]
(Hämtat 2017-05-16)
36
Appendix
Länder som är med i studien
Land Nummer Land Nummer Land Nummer
Österrike 1 Belgien 2 Bulgarien 3
Cypern 4 Tjeckien 5 Tyskland 6
Danmark 7 Spanien 8 Finland 9
Frankrike 10 Storbritannien 11 Grekland 12
Ungern 13 Irland 14 Italien 15
Litauen 16 Luxemburg 17 Lettland 18
Malta 19 Nederländerna 20 Polen 21
Portugal 22 Slovakien 23 Slovenien 24
Sverige 25
37
Räntor på långa statsobligationer, Q1 2004 = 1, Q3 2016 = 51
Skuldkvoter, Q1 2004 = 1, Q3 2016 = 51
0.0
010.0
020.0
030.0
00.0
010.0
020.0
030.0
00.0
010.0
020.0
030.0
00.0
010.0
020.0
030.0
00.0
010.0
020.0
030.0
0
0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
21 22 23 24 25
Yie
ld
TimeGraphs by group(Country)
050
100 1
502
00
050
100 1
502
00
050
100 1
502
00
050
100 1
502
00
050
100 1
502
00
0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
21 22 23 24 25
de
btR
atio
TimeGraphs by group(Country)
38
Budgetbalanser, Q1 2004 = 1, Q3 2016 = 51
-30 -
20-1
0
010
-30 -
20-1
0
010
-30-2
0-10
010
-30-2
0-10
010
-30-2
0-10
010
0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
21 22 23 24 25
bu
dg
etB
ala
nce
TimeGraphs by group(Country)