transmission mellan prisindex - diva...
TRANSCRIPT
Jonas Ingman
Magisteruppsats i nationalekonomi, 15 ECTS
Vårterminen 2014
Handledare: Karl-Gustaf Löfgren
Transmission mellan prisindex
Kan KPI prognostiseras med ITPI?
Jonas Ingman
2
Sammanfattning
Med två välanvända ekonomiska mått för prisförändringar undersöker denna uppsats om de kan användas för
prognostisering av prisutvecklingen. Med utgångspunkt i teorier om prisöverföring undersöks om ITPI som
mått på producenternas och importörernas prisutveckling kan användas för att förutsäga utvecklingen av
konsumenternas priser med KPI. Även det omvända sambandet testas då det visats att konsumentpriser
föranleder producentpriser i tidigare utländska studier. Sambanden testas för såväl totala index som snävare
indelningar bestående av livsmedel, el och bränsle, hushållsvaror och inventarier samt transportprodukter.
Tidsserierna anpassas för en VAR-modell och en impulsrespons funktion används för att studera resultaten.
Sammantaget visar studien att prisöverföring sker från producent och importör till konsument. Om
prisöverföringen är signifikant och hur lång tid den tar varierar beroende på produktgrupp.
Nyckelord: PPI, ITPI, KPI, tidsserier, VAR, pristransmission.
3
Innehållsförteckning Sammanfattning ..................................................................................................... 2 1. Inledning ............................................................................................................ 4
1.1 Bakgrund .............................................................................................. 4 1.2 Syfte och frågeställningar .................................................................... 5 1.3 Avgränsningar ...................................................................................... 6 1.4 Definitioner .......................................................................................... 6
2. Tidigare studier och teori ................................................................................... 7 2.1 Tidigare studier .................................................................................... 7 2.2 Teori ..................................................................................................... 8
2.2.1 Prisindex i producent- och importled .................................... 8 2.2.2 Konsumentprisindex ............................................................. 8 2.2.3 Skillnader mellan KPI och PPI ............................................. 9 2.2.4 Pristransmission .................................................................... 10
3. Metod ................................................................................................................. 11 3.1 VAR ..................................................................................................... 11 3.2 Impulsrespons-funktion ....................................................................... 12 3.3 Bestämma antal laggar till modellen.................................................... 12 3.4 Stationäritet och enhetsrot ................................................................... 13
3.4.1 Differentiering av en icke-stationär tidsserie ........................ 13 4. Data ................................................................................................................... 14
4.1 Datainsamling ...................................................................................... 14 4.2 Anpassning av data .............................................................................. 15 4.3 Beskrivning av data ............................................................................. 16
4.3.1 Totala KPI-KS och ITPI ....................................................... 16 4.3.2 Livsmedel .............................................................................. 16 4.3.3 El och bränsle ........................................................................ 17 4.3.4 Inventarier och hushållsvaror ................................................ 18 4.3.5 Transportprodukter ................................................................ 19
4.4 Test av serierna .................................................................................... 19 5. Resultat .............................................................................................................. 20
5.1 Totala KPI-KS och ITPI ...................................................................... 21 5.2 Livsmedel ............................................................................................ 22 5.3 El och bränsle ...................................................................................... 23 5.4 Inventarier och hushållsvaror ............................................................... 24 5.5 Transportprodukter .............................................................................. 25
6. Slutsats ............................................................................................................... 25 6.1 Sammanfattande slutsats ...................................................................... 25 6.2 Förslag till vidare studier ..................................................................... 27
7. Referenser .......................................................................................................... 28 Appendix A: nyckel mellan COICOP och SPIN2007 ........................................... 30 Appendix B: månadsförändringar ......................................................................... 31 Appendix C: fullständiga resultat .......................................................................... 33 Appendix D: impulsrespons funktioner (IRF) ....................................................... 36
4
1. Inledning
I kapitlet beskrivs studiens bakgrund, syfte och problemformuleringar, avgränsningar samt definitioner.
1.1 Bakgrund
Prisutvecklingen av varor och tjänster i Sverige har en stor betydelse för utövandet av finans-, valuta- och
penningpolitik. Därför är prisutvecklingen av intresse för diverse analytiker på företag och myndigheter. I
Sverige finns flertalet statistiska mått som avser att mäta priser och dess utveckling inom olika varu- och
tjänstekategorier. Prisutvecklingen mäts även i olika led där varorna och tjänsterna förädlas eller konsumeras.
De två bredaste och sannolikt mest använda måtten för att följa utvecklingen är prisindex i producent- och
importled (PPI) och konsumentprisindex (KPI).
Oväntade förändringar av KPI får effekt på hela ekonomin då penningpolitiken bland annat bedrivs efter
inflationsmålet på två procent. Nedan följer ett citat från Dagens industri 10/4 2014, efter att KPI publicerats.
”Inflationen var i mars minus 0,6 procent. Det var klart lägre än väntat. Kronan tappar
kraftigt och räntorna sjunker på beskedet, som ökar sannolikheten för en räntesänkning i
juli…. Utfallet var klart lägre än väntat. Enligt SME Direkts enkät räknade analytikerkåren
med att KPI skulle ha sjunkit med 0,3 procent i årstakt. Riksbankens en dag gamla prognos
löd också på en nedgång med 0,3 procent.”
KPI syftar till att mäta den generella prisutvecklingen för de varor och tjänster som hushållen konsumerar.
Måttet har en rad användningsområden då det bland annat används som målvariabel för penningpolitiken, för
beräkning av prisbasbelopp, beräkning av brytpunkt i inkomstskatteskalan och i många avtal för
prisjusteringar.
Prisindex i producent- och importled är ett ekonomiskt mått som avser att följa den genomsnittliga
prisutvecklingen för producenter och importörer av varor. Priserna mäts i det första distributionsledet då
varorna levereras från producenten respektive första inköpsledet då varorna kommer in i Sverige. Prisindexet
används bland annat för fastprisberäkning av bruttonationalprodukt och handel med utlandet samt vid
prisreglering i avtalssammanhang. Även då KPI och PPI har olika syften och därmed är metodologiskt
utformade på olika sätt tros, i varje fall delar av PPI, innehålla information om framtida utveckling av KPI.
Enligt grundläggande ekonomisk teori kan man vänta sig ett positivt samband mellan producent- och
importpriser och konsumentpriser. Den mest etablerade teorin tar sin utgångspunkt i utbudssidan och att
prisförändringar i producerade och importerade varor förs vidare via produktionskedjan till konsumenten, så
kallad vertikal pristransmission. Det innebär att producent- och importpriserna leder utvecklingen av
konsumentpriserna. Teorin är dock inte entydig då det finns förespråkare som menar att sambandet kan vara
det omvända.
5
Användningen av KPI och PPI för att reda ut sambandet har ifrågasatts då det i flera tidigare studier visats sig
vara obefintligt eller svagt. Dessa har ofta fokuserat på att undersöka breda aggregat inom prisindexen såsom
totala PPI och KPI, som inkluderar alla producerade varor och konsumerade varor och tjänster. Relativt få har
även tagit med importpriser utan fokuserat på de varor som produceras i landet till försäljning på
hemmamarknaden och för export. Att sambandet på de totala aggregaten visats sig vara svaga är föga
förvånande, då sammanvägningar av den typen är heterogena sinsemellan. Totala producentprisindex kan även
väntas innehålla en betänklig mängd dubbelräkningar då indexet mäter produkter som ingår i flera steg av
produktionskedjan. Det är därför av särskilt intresse att se om det finns ett samband på mer anpassade
indelningar för ändamålet.
Denna studie fokuserar enbart på de varor i PPI som säljs i och importeras till Sverige, det vill säga prisindex
för inhemsk tillgång (ITPI). Sambandet mellan ITPI och KPI undersöks på såväl breda aggregat som finare
indelningar av produktgrupper. För att studera sambandet en viss tidpunkt används enbart historiska värden av
de båda indexen som förklarande variabler för att se vilket index som föranleder det andra. Då prisindexen
använder olika klassifikationer för indelning av produkter skapas en klassifikationsnyckel för att kunna göra
en mer relevant jämförelse mellan indexen.
Denna studie tar således ett nytt grepp då den till skillnad från tidigare studier undersöker huruvida KPI kan
påverkas av ITPI för snävare produktgrupper. Även användandet av VAR-modellen för framtida utveckling
tycks inte tidigare använts på svenska prisindex. Ett eventuellt påverkanssamband mellan ITPI och KPI skulle
underlätta för att prognostisera KPI. Då dess utveckling får en indirekt ekonomisk påverkan på de flesta
människor i Sverige, då såväl räntor och valutor som skatter och bidrag påverkas av förändringar i indexet.
Om sambandet visar sig vara det omvända kan det framförallt tänkas ge vägledning i granskningsarbete vid
framtagande av prisindex på Statistiska centralbyrån.
1.2 Syfte och frågeställningar
Det huvudsakliga syftet med denna uppsats är att med kvantitativa metoder undersöka hur historiska index av
ITPI och KPI förklarar deras framtida utveckling. Frågeställningar som behandlas i denna studie är:
Föranleder totala ITPI utvecklingen av totala KPI med konstant skatt för åren 1990-2013?
Föranleder ITPI utvecklingen av KPI för snävare indelningar, utvalda produktgrupper, för åren 1990-
2013?
Är sambandet det omvända det vill säga att KPI föranleder ITPI för åren 1990-2013?
6
1.3 Avgränsningar
Studien skrivs på uppdrag av Statistiska centralbyrån och är en empirisk undersökning som avser utröna om
den historiska utvecklingen av prisindex i producent- och importled kan användas för att förklara utvecklingen
av konsumentprisindex och vice versa. Studien omfattar svenska prisindex och begränsas till åren 1990-2013.
Fokus ligger på att försöka besvara frågeställningar under avsnitt 1.2. Studien är empirisk och utveckling av
teorier på området lämnas därhän. I viss mån diskuteras möjliga bakomliggande faktorer, men ingen djupare
analys av varför sambanden ser ut som de gör ges.
1.4 Definitioner
PPI: prisindex i producent- och importled, är ett samlingsbegrepp för producenternas och importörenas priser.
I producenternas priser ingår produkter som exporteras och säljs på hemmamarknaden. Se avsnitt 2.2.1 för
ytterligare beskrivning.
ITPI: är en delmängd av PPI och ett prisindex för inhemsk tillgång. Indexet är en sammanvägning av
producentpriser för produkter på hemmamarknaden och importpriser för produkter som används i Sverige. Se
avsnitt 2.2.1 för ytterligare beskrivning.
SPIN 2007: är en statistisk standard för klassificering av produkter. Produkterna länkas till aktiviteter som
definieras i SNI (standarden för svensk näringsgrensindelning) som i sin tur bygger på EU:s standard NACE.
PPI publicerar index på olika produkter indelat efter SPIN 2007 grupp 1-38.
KPI: konsumentprisindex, mäter den genomsnittliga utvecklingen av priser för den privata inhemska
konsumtionen. KPI mäter vad konsumenten faktiskt betalar och varuskatter och moms ingår. Från 2014
beräknas förutom KPI ett konsumentprisindex med konstant skatt, KPI-KS. Konstant skatt innebär att effekten
från förändringar av skatter och subventioner, utom lönerelaterade, exkluderas. Se avsnitt 2.2.2 för ytterligare
beskrivning.
COICOP: Classification of individual consumption according to purpose, är en internationell klassificering för
att utifrån användningsområde klassificera individers konsumtion. KPI använder klassificeringens
huvudgrupper 1-12.
7
2. Tidigare studier och teori
Kapitlet börjar med att beskriva tidigare relevanta studier. Vidare behandlas teorin bakom de index som
används och skillnader mellan dem. Kapitlet avslutas med att beskriva varför det kan tänkas finnas ett
samband mellan serierna.
2.1 Tidigare studier
Det finns flera internationella studier som undersöker sambandet mellan producentpris- och eller importpris-
och konsumentprisindex för olika länder och tidsperioder. Sambandet på den svenska marknaden har bland
annat undersökts av Riksbanken (Dellmo 1996) för perioden 1980 till 1996. Studien använde sig av ITPI
vilket jämfördes med KPI. I studien delades ITPI-data in efter varornas användningsområde i tre index:
konsumtionsvaror, insatsvaror och investeringsvaror. Dessa indelningar samt totala ITPI jämfördes med totala
KPI genom en regressionsmodell. Modellen använde förutom prisindexen även förklarande variabler för
arbetskraftskostnad, efterfrågeläget i ekonomin och en dummyvariabel för en skattereform i början av 1990-
talet. De fann att konsumtionsvaror påverkar KPI mest, medan sambandet på totalerna var svagt.
En annan av få studier som bland annat använder svenska data är Selçuk AKÇAY (2011). Författaren
undersöker sambandet för fem europeiska länder med låg inflation. Säsongsjusterad månadsdata från 1995 till
2007 används för totala KPI och producentprisindex. Syftet med studien är att undersöka kausaliteten mellan
prisindexen. För att undersöka i vilken riktning kausaliteten går används Toda och Yamamotos kausalitetstest.
För två av de undersökta länderna går sambandet från PPI till KPI medan det för ett av länderna går åt båda
håll, det vill säga att även konsumentpriset påverkar producentens pris. Författaren finner inget stöd i någon
riktning för ett samband mellan PPI och KPI i Sverige.
Clark (1995) har undersökt prisöverföring från den första delen av produktionskedjan till konsumenten för
olika tidsperioder mellan 1958 och 1995 i USA. I studien användes en VAR-modell (vector autoregression).
Resultatet visar att producentprisindex inte systematiskt tjänar som en god predikator av KPI. Sambandet
tycks ha avtagit med tiden. Även Weinhagen (2002) använde en VAR-modell när han studerade prisöverföring
mellan varor som ingår i producentprisindex i USA. Detta genom att dela in varorna efter hur processade de
är, från råmaterial till färdiga produkter. Resultatet indikerar att prisöverföring mellan mindre och mer
processade varor inom producentprisindex förekommer, således sker en dubbelräkning av prisförändringar när
producentpriser aggregeras till ett totalindex.
Prisöverföring har även studerats för specifika varor. Olika typer av livsmedel utmärker sig som de produkter
som är mest genomlysta. Peltzman (2000) tar dock ett brett grepp och använder ett urval av 77 olika
konsumentprodukter och 165 producentprodukter för att undersöka asymmetrisk prisöverföring, det vill säga
om prisöverföringen ser olika ut beroende på om priserna stiger eller sjunker. Med hjälp av en VAR modell
visar studien att konsumentpriserna reagerar snabbare på ökningar än sänkningar av producentpriser för två
tredjedelar av alla produkter.
8
2.2 Teori
2.2.1 Prisindex i producent- och importled
Producentprisindex mäter förändringen av priser på produkter sålda av producenter verksamma i Sverige.
Indexet ska spegla en genomsnittlig förändring av producenternas priser på alla transaktioner som sker i
landet. Av praktiska skäl är indexet baserat på en urvalsundersökning. Urvalet utgörs av drygt 1500 företag
som rapporterar priset på cirka 1700 produkter som säljs inom Sverige och cirka 1600 produkter som
exporteras. Produkterna i undersökningen representerar på så vis ett större antal produkter. Produkterna
tilldelas vikter efter hur stort värde varutypen generarer hos företaget och totalt i landet. Produkterna vägs
samman till index på olika varugruppsnivåer och till ett totalaggregat som representerar allt som produceras i
landet. De ingående företagen i undersökningen rapporterar priset på samma produkt månadsvis. Indexet
publiceras en gång i månaden och redovisas, dels på olika marknader såsom hemma- och exportmarknad, dels
på olika varugrupper enligt klassificeringen SPIN 2007.
Importprisindex är uppbyggt på samma vis som producentprisindex och ska spegla en genomsnittlig
förändring av priserna på importerade varor som används i Sverige. Priserna mäts i första inköpsledet då
varorna kommer in i Sverige. Undersökningen består av cirka 1800 produkter fördelade på knappt 1000
företag. Redovisningen av importprisindex sker samtidigt och enligt samma klassifikation som
producentprisindex. Importprisindex sammanvägt med prisindex för hemmamarknaden bildar prisindex för
inhemsk tillgång, ITPI. Genom ITPI återges således den samlade utvecklingen för varor som säljs vidare i
Sverige.
Alla prisindex för producent- och importled redovisas med basår 2005 som är lika med 100. De har beräknats
enligt nuvarande utformning sedan 1963 då en systematiserad internationell branschnomenklatur infördes. Det
primära syftet med indexen är att beräkna nominella belopp till belopp i fasta priser inom främst
nationalräkenskaperna. Statistiken används även som underlag till ekonomisk analys och för att prisreglera
avtal. (SCBDOK 3.1, 2013 s.3-7)
2.2.2 Konsumentprisindex
KPI ska mäta den genomsnittliga utvecklingen av priser för hela den privata inhemska konsumtionen.
Målpopulationen utgörs av alla produkter och tjänster som erbjuds till privata konsumenter i alla
försäljningsställen. Priserna ska avse vad konsumenterna faktiskt betalar för varorna och tjänsterna. Indexet
baseras på ett urval av produkter och försäljningsställen som uppdateras årligen. Vägningstalen för de
ingående produkterna och tjänsterna tar hänsyn till den privata konsumtionens sammansättning. Insamlingen
av priser sker månadsvis genom butiksbesök, telefonintervjuer, internet och genom att ta del av butikers
kassaregister. Varje månad publiceras ett totalindex samt index uppdelat på produktgrupper enligt
klassifikationen COICOP. Indextalen redovisas med basår 1980 som är lika med 100. (SCBDOK 3.2, 2013
9
s.2-13) Sedan februari 2014 beräknas även ett index med konstant skatt benämnt KPI-KS. För indexet finns
även historiska siffror. Direkta effekter av skatter i försäljningsledet till konsumenter räknas bort. Indexet
beräknas enbart för det högsta aggregatet av KPI, det vill säga totala KPI. (SCB KPI-KS 2014 s.1-3)
Indextal för KPI finns att tillgå från 1830. En av huvudanvändare av indexet är Riksbanken då KPI är den
explicita målvariabeln för penningpolitiken. Då indexet är det gängse måttet av inflation har det ett stort
användningsområde bland annat för ekonomiska beslutsfattare och reglering av diverse skatter, bidrag och lån.
KPI används även, liksom PPI, för fastprisberäkning av nationalräkenskaperna. (SCBDOK 3.2, 2013 s.2-13).
2.2.3 Skillnader mellan KPI och PPI
Även då KPI och PPI i mångt och mycket är uppbyggda på liknande vis och syftar till att följa
prisutvecklingen finns skillnader som sannolikt minskar jämförbarheten mellan indexen. Skillnaderna grundar
sig till stor del på indexens olika primära användningsområden. PPI används främst för att fastprisberäkna
transaktionsflöden mellan företag och ämnar därför mäta priser för alla varor som produceras och importeras
till Sverige. Det innebär att såväl varor som köps av andra producenter som varor som köps av konsumenter,
direkt eller indirekt via detaljhandlare, ingår i indexet. Medan KPI mäter förändringar av privatpersoners
levnadskostnader och därför ingår enbart varor och tjänster för privat konsumtion. Det innebär att
kompositionen av produkter som ingår, såväl som vikter, i KPI och PPI skiljer sig. PPI omfattar även enbart
varor medan både varor och tjänster ingår i KPI (Central Statistics Office 2013). Sett till vikter utgör tjänster
cirka hälften av totala KPI.
Ytterligare ett potentiellt problem vid jämförelse av indexen blir speciellt tydligt då totala PPI och KPI
används. Detta då PPI omfattas av en relativt stor andel som inte kommer konsumenten tillgodo. Till exempel
järnmalm som framställs och säljs vidare till ett betydande värde. Järnmalmet bearbetas och blir diverse
produkter som i sin tur används av andra producenter. Således kan en prisförändring observeras i flera
produktgrupper i PPI och en form av dubbelräkning sker då producenternas priser i alla led mäts. (Clark 1995
s. 25-28)
Även skatter, till exempel moms och varuskatter, behandlas olika då dessa inkluderas i KPI men inte i PPI.
Således kan en förändring av en skattesats få effekter på KPI men inte observeras i PPI. Vid jämförelse av
totalerna kan skillnaden undvikas genom att använda KPI-KS. En beräkningsmässig skillnad finns då
sammanvägningen från enskilda produkter till olika aggregat av produktkategorier sker på något olika vis. I
PPI används enbart viktade aritmetiska medelvärden medan KPI använder en blandning av geometriska och
aritmetiska medelvärden. Den geometriska beräkningen kan sägas ta hänsyn till substitutionseffekter då höjda
priser får ett mindre genomslag på aggregaten. (Bureau of Labor Statistics 2014)
10
2.2.4 Pristransmission
Hur prisförändringar i ett tidig led av utbudskedjan påverkar ett senare led kallas för vertikal pristransmission.
Hur pristransmissionen ser ut brukar beskrivas med tre olika egenskaper: magnituden, hastigheten och typen
av förändring. Magnituden syftar till att beskriva storleken på prisförändringen som slår igenom i senare led,
om den överhuvudtaget slår igenom. Hastigheten med vilken den eventuella prisförändringen slår igenom
bestäms av marknadens aktörer i de olika stegen till exempel grossister, distributörer och återförsäljare. Det
kan förekomma betydande fördröjningar mellan leden beroende på exempelvis konkurrenssituation på
marknaden, antal mellanhänder och vilka kostnader som är förenade med att justera priserna. Även då det
råder en stor konkurrens på marknaden kan små prisförändringar medföra så stora kostnader att det inte är
lönsamt att justera priserna i ett senare led. (Vavra et al. 2005, s.5-9)
Med vilken hastighet prisförändringen slår igenom inverkar till stor del på denna studie. Eftersom både KPI
och PPI publiceras månadsvis med föregående månads indextal går det inte att ta hänsyn till de fall där
prisförändringarna slår igenom snabbt i båda led. Det är till exempel troligt att grönsaker importeras och
konsumeras under samma månad. För den typen av varor kan vi inte avgöra i vilket led förändringen inträffade
först i och därmed inte vilket index som föranleder det andra.
Tidigare studier har visat att det kan finnas skillnader av hur transmissionen sker mellan prisuppgångar och -
nedgångar för vissa typer av varor. Den vanligaste asymmetrin är att prisuppgångar får ett större och snabbare
genomslag i senare led än då priset sjunker. Det innebär att pristransmissionen har ett tydligare samband vid
kostnadsökningar än kostnadssänkningar. Asymmetrin kan vara ett tecken på bristande konkurrens i senare
led. (Peltzman 2000, s. 466).
Det är sannolikt att styrkan i sambandet varierar bland annat beroende på vilka produkter som avses och hur
marknadsmakten ser ut på den aktuella marknaden. Om och hur mycket av prisförändringarna som slår
igenom i ett senare led av produktionskedjan bör även bero på hur stor andel av den totala kostnaden som
insatsvaran utgör. Insatsvaror som avser färdigtillverkade produkter utgör en större del av kostnaden än till
exempel råmaterial som kräver mycket bearbetning innan det blir en färdig produkt för konsumenten. Förutom
priset på insatsvaran finns övriga kostnader som kan bestå av löner, transporter och energi (Konkurrensverket
2011, s.15). På så vis kan prisförändringar för oprocessade produkter, i PPI, tänkas få ett mindre genomslag i
KPI än produkter som är färdiga att användas av konsumenten.
Ekonomisk teori inom vertikal pristransmission är inte entydig i vilken riktning producent- och importpriser
samt konsumentpriser påverkar varandra. En något mindre intuitiv teori är att kausaliteten i sambandet är det
motsatta, det vill säga att konsumentpriserna påverkar utvecklingen av producent- och importpriserna.
Förespråkare av detta synsätt menar att sambandet tar sin utgångspunkt i efterfrågesidan. Kostnaden för
produktionen reflekterar alternativkostnaden av insatsvaror, som i sin tur reflekterar efterfrågan på
11
konsumentvaror. På så vis påverkas insatsvarans pris av efterfrågan och förväntningar på framtida efterfrågan,
vilket reflekteras av konsumentpriset. (Guglielmo et al. 2002, s.703-711)
3. Metod
Detta kapitel beskriver den empiriska metoden samt anpassningar och test av modellen.
3.1 VAR
Liksom flera tidigare studier om sambandet mellan prisindex i olika led används även här en VAR(vector
autoregression)-modell. Modellen tycks dock inte tidigare använts på svenska prisindex.
VAR-modellen utvecklades av Christopher Sims på 80-talet för att beskriva finansiella och ekonomiska
tidsserier. Modellen är flexibel och lätt att använda då den inte kräver underbyggda teoretiska antaganden om
den kausala påverkan mellan variablerna. Till skillnad mot strukturella modeller där en variabel antingen är
endogen eller exogen så är variablerna i VAR endogena. Därmed bestäms dynamiken i modellen utifrån
datamaterialet.
VAR-modellen är en multivariat autoregressiv modell för tidsseriedata. Att den är multivariat och
autoregressiv innebär att analysen inte sker på en tidsserie isolerat som i en univariat modell. Utan kan istället
ses som ett system där varje variabel uttrycks som en linjär kombination av variabelns och alla andra
variablers historiska värden. En förändring av en variabel kan således få effekt på de andra. Definitionen av en
VAR med en variabel är väldigt lik en univariat autoregressiv och kan skrivas som:
(1)
Ovan modell beskriver en linjär VAR av order P, VAR(P), som är antal tidslaggar som inkluderas. är den
undersökta variabeln i tidsperiod t, C en konstant och feltermen. , C, och är vektorer av storleken k*1,
där k är antal observationer. Koefficienterna utgör en k*k matris.
En modell i matrisform med två variabler, bivariat, med P=1 kan beskrivas som:
(2)
där ~(0, ) och cov( . Variansen av feltermerna är oberoende av tiden.
(Zivot et al. 2003, s.383-385)
12
3.2 Impulsrespons-funktion
En VAR-modells koefficienter kan vara svårtolkade då modellen innehåller flera variabler med ett antal
historiska värden som påverkar varandra. För att kunna tolka en variabel isolerat kan en impulsrespons-
funktion användas. Systemet simulerar en chock på till exempel en standard avvikelse på feltermen medan
övriga feltermer sätts till 0. Funktionen använder nedan samband för att kunna uttyda hur en variabel påverkar
de andra och sig själv framåt i tiden.
En enkel modell där C=0 kan skrivas som:
eller genom att substituera med , som: och för k
tidsperioder:
Om |B|<1, vilket gäller under stationäritet se avsnitt 3.3, så att vilket innebär att kan
uttryckas som en funktion av residualerna: .
Utsätter vi systemet i formel 2 s.11, anta att konstanten är lika med noll, för en chock på en standardavvikelse
enbart på vid t=0, får vi:
och i tidsperiod 1 att
På så vis framgår att en chock i påverkar sig själv en period framåt med x och en period framåt med q.
(Cochrane 2005, s.37-38)
3.3 Bestämma antal laggar till modellen
En central del av en VAR är att ta med ett lämpligt antal historiska värden av variablerna. Intuitivt kan det vara
lockande att ta med många tidslaggar i modellen då det kan tänkas att dessa i någon mån ökar
förklaringsgraden. För många laggar reducerar dock antalet frihetsgrader utan att göra modellen mer passande.
Medan för få leder dock till en misspecifikation av modellen.
Med Akaikes informations kriterium (AIC) kan optimalt antal laggar väljas. AIC straffar modellen som har
med onödiga parametrar då små värden på AIC anses som en bra modell.
13
där P är antal parametrar och T antal perioder. Därmed kan testet sägas göra en avvägning mellan att få mindre
värden på summan av residualerna i kvadrat mot att inkludera ytterligare parametrar. (Montogomery et al.
2008, s.59)
3.4 Stationäritet och enhetsrot
Det är vanligt att ekonomiska tidsserier uppvisar tecken på icke-stationäritet. Tidsserier är strikt stationära om
medelvärdet, variansen och kovariansen av serierna inte är beroende av tiden och är ändliga. Om villkoret för
stationäritet inte uppfylls kan estimering med en VAR leda till att signifikanstester av modellen inte är
pålitliga och därmed kan resultatet visa på samband mellan variabler som inte är korrelerade, det vill säga
resultaten är inte väntesvärdesriktiga. (Weinhagen 2005, s.43)
En modell av typen:
är inte stationär om β=1. Detta kan visas då vi tar variansen av båda sidor:
Vilket inte har någon lösning som uppfylls under antagandet om stationäritet, förutom då , vilket ger
oändligt många lösningar. Processen är autoregressiv med en enhetsrot. Det kan visas att alla absolutvärden av
β som är större än 1 beskriver en icke-stationär process.
Ett test för icke-stationäritet görs lämpligen med ett Dickey-Fuller-test (DF). Testets nollhypotes är att β=1,
med en enhetsrot, och alternativhypotesen att | β |< 1 enligt . Testet kan utvidgas för att
testa en modell med fler än en laggar till en ADF. (Verbeek och Marno 2004, s.269)
3.4.1 Differentiering av en icke-stationär tidsserie
En icke-stationär serie kan differentieras för att bli stationär. Differentieringen innebär att vi skapar nya
tidsserier från de gamla exempelvis genom att subtrahera . På så vis får vi förändringen mot
föregående period istället för värdet på y och serien sägs vara integrerad av ordningen 1 (I(1)). Om det är
nödvändigt kan serien differentieras, d, i flera steg tills den är stationär (I(d)). (Montogomery et al. 2008,
s.36,39)
14
4. Data
I detta kapitel beskrivs datamaterialet som används, hur det anpassas för jämförelse och modeller. Vidare
görs en visuell analys av tidsserierna samt att de testas för att kunna ta fram en optimal modell.
4.1 Datainsamling
Datamaterialet i denna studie består av månadsvisa tidsserier av prisindexen ITPI och KPI från januari 1990
till december 2013. Tidsserierna har hämtats från prisenhetens databaser på SCB. De flesta av serierna som
använts är offentliga och finns publicerade på myndighetens hemsida. Indexen finns tillgängliga utifrån olika
produktgrupper som baseras på dess klassifikationer; COICOP för KPI och SPIN2007 för ITPI (se avsnitt 1.4).
Klassifikationen och därmed aggregeringar av produkter och tjänster i KPI tar sin utgångspunkt i 12
huvudgrupper som beskriver olika användningsområden, se tabell 1. Under varje huvudgrupp finns ett antal
undergrupper som mer detaljerat beskriver vad som ingår i huvudgruppen. I tabell 1 redogörs för de
undergrupper som ingår i studien. I grupp 07 används en sammanvägning av undergrupperna 071, 0721 och
0722. Att just dessa undergrupper valts ut beror på att hela 07 består av en betydande andel tjänster, såsom
transporttjänster och reparationer. En jämförelse av hela 07 med lämpliga index av ITPI blir därmed vansklig
då ITPI främst1 beskriver prisutvecklingen på produkter.
Tabell 1 Indelning KPI, efter COICOP huvudgrupper och vägningstal (SCB 2013, SM1302)
Huvudgrupper Undergrupper, som används i studien
Vägningstal 2013
01 Livsmedel och alkoholfria drycker 134
02 Alkoholhaltiga drycker och tobak 38
03 Kläder och skor 53
04 Boende 262
045 El och bränsle 50,46
05 Inventarier och hushållsvaror 54
06 Hälso- och sjukvård 35
07 Transport 141
071 Inköp av fordon 38,19
0721 Reservdelar och tillbehör 7,31
0722 Drivmedel 38,41
08 Post och telekommunikationer 36
09 Rekreation och kultur 120
10 Utbildning 4
11 Restauranger och logi 62
12 Diverse varor och tjänster 61
KPI total 1000
1 ITPI innehåller en mindre del tjänster av typen el, vatten och industriella tjänster.
15
Vägningstalen i tabell 1 beskriver den privata konsumtionens sammansättning och användes för beräkningar
av KPI under 2013. Till exempel spenderar den genomsnittliga konsumenten 14,1 procent av total konsumtion
på huvudgrupp 07 transport. Inköp av fordon, reservdelar och tillbehör samt drivmedel står för cirka 60
procent2 av konsumtionen under 07. Vägningstalen uppdateras årligen.
Denna studie fokuserar på att undersöka sambandet mellan ITPI och KPI för ett axplock av grupperna samt de
totala indexen. De rena grupper som undersöks är 01 livsmedel och alkoholfria drycker, 045 el och bränsle, 05
inventarier och hushållsvaror. En sammanvägning av 071 inköp av fordon, 0721 reservdelar och tillbehör och
0722 drivmedel görs till en grupp som hädanefter benämns som 071_2 eller transportprodukter. Dessa har
relativt höga vägningstal och innehåller i huvudsak produkter.
Till skillnad mot KPI:s klassifikation som tar sin utgångspunkt i användningsområde så utgår ITPI:s
klassifikation SPIN2007 från näringsgren. ITPI omfattar de flesta produktgrupper från 1-38. Även SPIN2007
har undergrupper till varje produktgrupp som snävare specificerar vilka produkter som ingår.
4.2 Anpassning av data
Utgångspunkten i arbetet har varit att behålla data såsom det publicerats med hänseende till
produktgruppsindelningar och vikter. Sammanvägningar till ”nya” produktgrupper har dock varit nödvändigt,
framförallt av ITPI-serier för att anpassas till COICOP.
Att prisindexen använder olika klassifikationer innebär att det inte alltid finns en direkt koppling mellan
produktgrupperna i ITPI och indelningen i KPI. Exempelvis kan ITPI:s undergrupp 22.22 Förpackningar av
plast tänkas vara insatsvaror i flera av KPI:s huvudgrupper. De flesta produktgrupper har dock ett godtagbart
1:1-förhållande, som KPI:s 071 mot ITPI:s 29.10 motorfordon sammanvägt med 30.91 motorcyklar och 30.92
cyklar. (SCB 2007)
För att matcha ihop vilka produktgrupper i ITPI som ska sorteras under de grupper i KPI som undersöks
används en nyckel från Eurostat, Correspondence table COICOP 1999-CPA 2008. Nyckeln används dock
med viss reservation då den inte är utformad efter svenska förhållanden och en del produktgrupper uppenbart
inte ingår i KPI:s motsvarighet. Till exempel tas inte levande hästar med i ITPI för att jämföras med KPI:s
inköp av fordon. Avstegen är dock få och den reviderade nyckeln som används presenteras i appendix A.
(Eurostat 2014)
Sammanvägningen av ITPI:s produktgrupper sker med de vikter som används vid beräkning av indexet. Valet
av vikter kan ifrågasättas då de egentligen visar till hur stort värde en produkt produceras eller importeras inte
2 (38,19+7,31+38,41)/141
16
hur mycket produkten motsvarar av den privata konsumtionen. Dock blir beräkningen väsentligt mycket mer
hanterbar än om vikterna anpassas efter KPI. Sammanvägningarna sker med ett viktat aritmetiskt medelvärde
på månadsförändringarna. För deskriptiv jämförelse i nästa avsnitt räknas indexen om till bas jan 1990=100.
Innan tidsserierna testas för stationäritet etc. logaritmeras de för att förebygga om sambandet inte är linjärt.
Bearbetning och analys av data har skett med programmen Microsoft SQL Server 2008, Microsoft Office Excel
2010 och SAS 9.3.
4.3 Beskrivning av data
4.3.1 Totala KPI-KS och ITPI
Vid jämförelse av totala KPI-KS med totala ITPI framkommer att båda indexen har en stigande trend som
varit avtagande sen finanskrisen inträffade under senare delen av 2008, se figur 1. KPI-KS har från 1990 till
2013 stigit med i snitt 2,3 procent per år, medan motsvarande förändringen av ITPI varit 2,5 procent. I figuren
framkommer även att under den tidigare finanskrisen i början av 90-talet sjunker ITPI medan KPI-KS inte
tycks påverkas på samma sätt. Även om indexen tycks följa varandra är det visuellt svårt att avgöra om det ena
föranleder det andra.
Figur 1 Utveckling av totala ITPI och KPI-KS, jan 1990=100
4.3.2 Livsmedel
För grupp 01, livsmedel, liknar utvecklingen i stort den för de totala indexen (se figur 2). Skillnaden mellan
indextalen i slutet av tidsserierna är dock större för livsmedel. Mycket på grund av en hastig ökning av import-
och producentpriserna under slutet av 2007 och början 2008. KPI för gruppen innehåller skatteförändringar.
Dessa är svåra att uttyda från nedan bild, men framkommer tydligt då månadsförändringar studeras. I appendix
B presenteras förändringarna mot föregående månad, där framgår de momsförändringar som genomförts under
80
90
100
110
120
130
140
150
160
170
180
19
90
01
19
91
01
19
92
01
19
93
01
19
94
01
19
95
01
19
96
01
19
97
01
19
98
01
19
99
01
20
00
01
20
01
01
20
02
01
20
03
01
20
04
01
20
05
01
20
06
01
20
07
01
20
08
01
20
09
01
20
10
01
20
11
01
20
12
01
20
13
01
KPI-KS
ITPI
17
90-talskrisen. Den allmänna momsen höjdes till 25 procent vid halvårsskiftet 1990 för att sedan sänkas till 18
procent på livsmedel från 1992. Under 1993 höjdes den åter igen till 21 procent för slutligen sänkas till
dagens nivå på 12 procent i utgången av 1996 (Lewin 2009, s.3-19). Prisförändringarna som följer av de
förändrade skatterna är inte relevanta vid jämförelse av ITPI. Dessa hanteras med en dummyvariabel som
antar värdet 1 då skatten infördes.
Figur 2 Utveckling av ITPI och KPI grupp 01, jan 1990=100
4.3.3 El och bränsle
Utvecklingen av grupp 045 har varit dramatisk då konsumentpriserna stigit med nästan 250 procent och
import- och producentpriserna med drygt 150 procent. Priserna följer varandra relativt väl, vilket kunde
förväntas då produkten i indexen i mångt och mycket är densamma det vill säga elektricitet och bränsle för
uppvärmning. Priserna på denna typ av varor i båda leden påverkas till stor del av samma faktorer såsom väder
och globala oljepriser. På förhand är det inte troligt att det ena indexet skulle föranleda det andra då
förändringar sannolikt sker i samma period. Sammanvägningen av ITPI innehåller dock en hel del obearbetade
bränslen som inte väntas få omedelbart genomslag i konsumentpriserna. Av samma anledning som för
livsmedel skapas en dummyvariabel för skatteförändringar.
80
90
100
110
120
130
140
150
160
170
19
90
01
19
91
01
19
92
01
19
93
01
19
94
01
19
95
01
19
96
01
19
97
01
19
98
01
19
99
01
20
00
01
20
01
01
20
02
01
20
03
01
20
04
01
20
05
01
20
06
01
20
07
01
20
08
01
20
09
01
20
10
01
20
11
01
20
12
01
20
13
01
KPI01
ITPI01
18
Figur 3 Utveckling av ITPI och KPI grupp 045, jan 1990=100
4.3.4 Inventarier och hushållsvaror
Grupp 05 innehåller en minst sagt spretig sammansättning av varor. För att täcka KPI-gruppen används inte
mindre än 30 undergrupper i ITPI. Av ITPI:s sammanvägning utgör metaller och trä en stor andel. Dessa
varutyper steg kraftigt fram till början av finanskrisen under 2008 i ITPI. Utvecklingen tycks dock inte ha
överförts i speciellt hög grad till konsumentpriserna då utvecklingen i KPI i stort varit horisontell från 1996
och framåt. En dummyvariabel har skapats för momsförändringar.
Figur 4 Utveckling av ITPI och KPI grupp 05, jan 1990=100
0
50
100
150
200
250
300
350
400
19
90
01
19
90
12
19
91
11
19
92
10
1
99
30
9
19
94
08
19
95
07
19
96
06
19
97
05
19
98
04
19
99
03
20
00
02
20
01
01
20
01
12
20
02
11
20
03
10
20
04
09
20
05
08
20
06
07
20
07
06
20
08
05
20
09
04
20
10
03
20
11
02
20
12
01
20
12
12
20
13
11
KPI045
ITPI045
60
80
100
120
140
160
180
200
19
90
01
19
90
12
19
91
11
19
92
10
19
93
09
19
94
08
19
95
07
19
96
06
19
97
05
19
98
04
19
99
03
20
00
02
20
01
01
20
01
12
20
02
11
20
03
10
20
04
09
20
05
08
20
06
07
20
07
06
20
08
05
20
09
04
20
10
03
20
11
02
20
12
01
20
12
12
20
13
11
KPI05
ITPI05
19
4.3.5 Transportprodukter
Gruppen 071_2 som innehåller fordon, drivmedel och tillbehör till fordon har en liknande utveckling i de olika
leden. Till skillnad mot de andra undersökta grupperna tycks dock KPI här ha större prisförändringar än ITPI.
Till stor del kan skillnaden i indexen förklaras av förändrade skatter på bensin, vilka har höjts kraftigt under
perioden. Särskilt tydligt framgår höjningarna i mars 1990 och januari 1993 se figur 14 i appendix B. Även
under den gröna skatteväxlingen mellan 2001-2006 höjdes skatterna kraftigt på bränsle och fordon (Lewin
2009, s.3-19). En dummyvariabel antar vid skatteförändringarna värdet ett.
Figur 5 Utveckling av ITPI och KPI grupp 071_2, jan 1990=100
4.4 Test av serierna
Nästa steg är att ta fram den bäst lämpade VAR-modellen för respektive tidsserie. Huvudspåret inom
transmissionsteorin och denna studie är att ITPI leder utvecklingen av KPI. Givet detta torde ITPI vara en
oberoende variabel, men det är ändå intressant att se om sambandet kan vara det omvända. Därför anges båda
variablerna som endogena, det vill säga de kan vara beroende av varandra. Dummyvariabeln för
skatteeffekterna är dock exogen till KPI-serierna.
Redan innan testet för stationäritet genomförs framgår det visuellt, i ovan figurer, att villkoret inte uppfylls. Då
samtliga serier innehar en trend differentieras de till att motsvara månadsförändringar istället för att jämföras
med jan 1990. Ingreppet på datat väntas inte skapa några analytisk problem då det är just förändringarna som
är intressanta att jämföra.
Innan tester görs måste antal laggar specificeras till respektive modell. Vid ett första test ger AIC vid handen
att 12 är det optimala antalet. Få av laggarna är dock signifikanta, ett undantag är den tolfte vilket uppvisar
80
100
120
140
160
180
200
19
90
01
19
91
01
19
92
01
19
93
01
19
94
01
19
95
01
19
96
01
19
97
01
19
98
01
19
99
01
20
00
01
20
01
01
20
02
01
20
03
01
20
04
01
20
05
01
20
06
01
20
07
01
20
08
01
20
09
01
20
10
01
20
11
01
20
12
01
20
13
01
KPI071_2
ITPI071_2
20
tillräckligt höga t-värden för samtliga serier. Samtidigt visas tecken på autokoorrelation på flera av de laggade
värdenas residualerna med Portmanteau test.
Uppenbart kan en hel del av sambandet härledas till säsong, vilket inte uppfyller kravet om stationäritet. Detta
hanteras på liknande sätt som trenden då förändringen divideras med motsvarande förändring föregående år.
De ännu en gång omarbetade serierna får således tolkas som säsongsjusterade månadsförändringar. Åtgärden
förkortar tidsserierna med ett år till att omfatta februari 1991 till december 2013, totalt 275 observationer.
Efter bearbetning föreslås fortfarande 12 laggar för flera av serierna. Då det är få som uppvisar signifikanta
värden från de första laggarna till den tolfte frångås Akaikes optimala antal laggar och det näst bästa enligt
testet premieras. I nedan tabell framgår det valda antalet till respektive grupp.
Grupp 01 045 05 071_2 Total
Antal lag-
gar till
modellen
2
3
3
2
1
Då stationäritet är en förutsättning för att kunna göra korrekta tolkningar av estimaten från VAR-modellen
testas det med Dickey Fullers ADF-test. Med höga värden på test-statistikan för samtliga serier kan
nollhypotesen om att de inte är stationära förkastas.
5. Resultat
Med utgångspunkt i föregående kapitels modell presenteras och analyseras här resultaten.
För lejonparten av de testade grupperna kan slutsatsen dras att den totala modellen är statistiskt signifikant på
5- procents-nivån. I tabell 2 under kolumnen modellens signifikans presenteras resultatet från Walds test där
nollhypotesen är att den sammanlagda signifikansen av de förklarande variablerna är lika med noll.
Nollhypotesen förkastas för båda de totala indexen (KPI-KS- och ITPI-total) vilket således innebär att laggade
värden av båda variablerna förklarar variationen vid en given tidpunkt. Nollhypotesen för både ITPI och KPI
förkastas även på modellerna för el och bränsle samt inventarier. Medan ej signifikanta värden uppvisas för
KPI livsmedel och KPI transportprodukter. I appendix C presenteras de fullständiga resultaten för modellerna.
Den generella slutsatsen när förklaringsgraden, , studeras är att den historiska utvecklingen förklarar relativt
lite av utvecklingen i period t. Totala KPI-KS och ITPI i period t-1 förklarar enbart 3,3 procent av KPI-KS i
period t. Sannolikt då KPI-KS har andra förklarande variabler som försummats i modellen.
21
Tabell 2 Sammanfattande resultat för VAR-modellen till respektive grupp med index för KPI och ITPI som beroende variabler
Beroende variabel
Antal laggar
Modellens signifikans
Totaler av index
KPI-KS-Total 1 0,0333 0,0101
ITPI-Total 1 0,0269 0,0247
Grupp 01, livsmedel
KPI 2 0,0215 0,3223
ITPI 2 0,1058 <0,001
Grupp 045, el och bränsle
KPI045 3 0,1587 <0,0001
ITPI045 3 0,1361 <0,0001
Grupp 05, inventarier och hushållsvaror
KPI 3 0,1333 <0,0001
ITPI 3 0,0817 0,0019
Grupp 071_2, transportprodukter
KPI 2 0,0353 0,0858
ITPI 2 0,1252 <0,0001
5.1 Totala KPI-KS och ITPI
För att tydliggöra hur en förändring av den ena variabeln påverkar den andra framåt i tiden används
impulsrespons-funktioner (IRF). För varje figur där IRF visas beskriver den horisontella axeln månader efter
chocken, på två standardavvikelser, inträffat och den vertikala axeln förändringen i procent på den svarande
variabeln. Estimaten omgärdas av 95-procentiga konfidensband och då båda banden är över eller under noll på
den vertikala axeln är påverkan signifikant. I appendix D visas hur en chock i variabeln påverkar sig själv
framåt i tiden.
Även då förklaringsgraden är väldigt låg för både ITPI och KPI-KS indikeras att laggen av ITPI påverkar
utvecklingen av båda indexen, se appendix C. IRF, figur 6, visar att KPI påverkas en period framåt efter
chocken i ITPI. Chocken på två standardavvikelser motsvarar cirka 1,7 procents förändring av ITPI, vilket
leder till att KPI väntas stiga med cirka 0,08 procent nästa månad. Två månader efter chocken har effekten
nästintill försvunnit. ITPI:s respons på en chock i KPI är inte signifikant men en tendens till ett positivt
samband finns.
22
Figur 6 Totaler av index
KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI
5.2 Livsmedel
Lite förvånande är det då modellen för KPI livsmedel inte är signifikant medan ITPI livsmedel till viss del
förklaras med modellens historiska värden. I appendix C framgår att i modellen för ITPI livsmedel är båda
laggarna av ITPI signifikanta. Ingen av de historiska värdena för KPI är signifikanta då varken KPI eller ITPI
ska förklaras i period t.
För att hitta en förklaring till sambanden måste vidare analys göras. Utifrån teorierna om pristransmission
skulle en förklaring till att priserna inte tycks föras vidare vara bristande konkurrens. Det är dock troligt att
många av prisförändringarna i båda indexen sker i samma period, då en stor andel består av färskvaror. Vilket
innebär att vi inte kan reda ut om ITPI leder KPI eller tvärtom. Det kan även tänkas att det är kostsamt att
ständigt ändra priserna efter hur priserna på insatsvaror fluktuerar. Till exempel beror priset på spannmål till
stor del av ett börshandlat världsmarknadspris. Det kan då tänkas att det krävs en längre tid av upp- eller
nedgång innan detaljhandeln ändrar priset. IRF, figur 7, indikerar dock att så inte är fallet då en chock av ITPI
avtar relativt snabbt, men är aldrig signifikant.
Inte heller den alternativa teorin, om att priset på insatsvaror påverkas av priset i konsumentled, tycks gälla för
livsmedel. Då ITPI:s respons på en chock i KPI är obefintlig.
23
Figur 7 Livsmedel
KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI
5.3 El och bränsle
Prisindexen för el och bränsle tycks ha ett tydligt men lite märkligt samband. Påverkan på KPI blir som störst
tre perioder efter chocken inträffat i ITPI. Däremot leder en chock i KPI till en signifikant negativ respons av
ITPI. Det är svårt att hitta en förklaring till detta då indexen till stor del innehåller produkter som tillverkas
eller importeras och säljs momentant såsom elektricitet och fjärrvärme.
Figur 8 El och bränsle
KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI
Även då serierna är stationära kan det tänkas att ytterligare säsongsrensning behöver göras. Detta då till
exempel elektricitet tenderar att öka i pris under den kalla årstiden. Att differentiera mot föregående år som
gjordes innan modellen kördes räcker nog inte då prishöjningarna inte nödvändigtvis inträffar i samma månad
24
som året innan. Ett glidande medelvärde av flera månader kan möjligtvis vara mer lämpligt att differentiera
mot.
Det finns ytterligare en besvärande omständighet vad avser sammansättningen av varor i de olika indexen.
Nyckeln mellan klassifikationerna ger att hela gruppen 19.2, raffinerade petroleumprodukter, i ITPI ska
inkluderas, vilket bland annat innehåller eldningsolja och bensin. Bensin finns dock inte med i KPI 045 då det
är en undergrupp till huvudgruppen 04 vilket avser boendekostnader. Det kan även tänkas att bränslen får en
stor vikt i ITPI då till exempel eldningsolja används mer frekvent av industrin än av privatpersoner.
Sammantaget bidrar det till att bränslen gentemot elektricitet blir överviktade i ITPI jämfört med KPI. Således
visar IRF till höger, något förenklat, att stigande priser på el i KPI leder till lägre priser på bränsle i ITPI. Det
är dock svårt att med motsvarande argument förklara varför stigande priser av bränsle leder till stigande priser
på el, vilket indikeras då ITPI chockas. Slutsatsen blir att gruppen behöver definieras snävare; en uppdelning
av elektricitet och bränsle skulle underlätta analysen.
5.4 Inventarier och hushållsvaror
Ett intressant mönster för inventarier och hushållsvaror kan urskiljas i KPI då ITPI utsätts för en chock. IRF
visar att påverkan är minimal efter en period för att sedan bli signifikant mellan andra och fjärde perioden. Det
tycks således som att det tar lite tid för konsumentpriserna att påverkas av de höjda priserna på insatsvarorna.
Vilket stämmer väl överens med sammansättningen av produkter i ITPI som består av en hel del relativt
oprocessade insatsvaror såsom metaller och trä. Då KPI istället chockas blir påverkan av ITPI inte signifikant.
Figur 9 Inventarier och hushållsvaror
KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI
25
5.5 Transportprodukter
Utav de undersökta grupperna är denna den enda där tecken visas på att producenternas och importörernas pris
skulle kunna vara efterfrågestyrt. Då ITPI visar på en svag signifikant respons då KPI chockas. Sambandet är
dock inte entydigt eftersom även KPI påverkas, betydligt starkare, när ITPI istället chockas.
Figur 10 Transportprodukter
KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI
Även för denna produktgrupp som innehåller drivmedel, fordon och delar till fordon är överviktning av ITPI
tydlig. Till exempel tillverkas en hel del delar till fordon av producenter som är underleverantörer till företag
där kompletta fordon sammanställs. Fordonsdelar kan visserligen även köpas av privata konsumenter men sker
sannolikt i en väsentligt mindre utsträckning än producenternas inköp.
6. Slutsats
Resultaten från föregående kapitel sammanfattas och kopplas med uppsatsen syfte och problemformulering.
Vad framkom egentligen med studien och hur kan forskningen i ämnet gå vidare?
6.1 Sammanfattande slutsats
Uppsatsen syfte var att se om historiska index av ITPI och KPI förklarar deras framtida utveckling.
Framförallt om ITPI föranleder utvecklingen av KPI på totala aggregatet och för snävare indelningar. Därmed
skulle ITPI kunna användas vid prognostisering av KPI. Detta samband har stark förankring i teorin om
pristransmission. Studien skulle även svara på om sambandet är det omvända det vill säga att prisutvecklingen
i tidigare led drivs av utvecklingen i konsumentpriserna. Det omvända sambandet har visat sig vara en realitet
i somliga tidigare studier med utländska prisindex.
26
Utgångspunkten var att totalerna av indexen var allt för heterogena då de per definition innehåller alla möjliga
produkter. Det totala aggregatet av KPI innehåller även en betydande del tjänster vilka inte har någon
motsvarighet i ITPI och därför bör skalas bort. Likaså innehåller ITPI en hel del dubbelräkningar då alla
producenter inkluderas i det totala aggregatet, vilket inte heller torde vara optimalt vid jämförelse. Ett första
steg var att göra KPI och ITPI mer jämförbara genom att dela in indexen i snävare indelningar för vissa
produktgrupper i tron att dessa skulle ha ett tydligare samband än totalerna. Indelningen gjordes även för att se
om sambandet ser olika ut beroende på varutypen.
VAR-modellerna som användes får anses som väl lämpad för sitt syfte och genom IRF tydliggörs indexens
historiska påverkan på varandra. Tidsserierna behövde dock anpassas en del för att kunna använda modellen.
De differentierades två gånger för att representera årsjusterade månadsförändringar. Rent generellt ska det
påpekas att de historiska värdena inte förklarar en speciellt stor del av den framtida utvecklingen även då flera
av modellerna var signifikanta. Denna slutsats var inte speciellt oväntad då det finns flertalet variabler som kan
väntas ha inverkan på indexens utveckling och medvetet försummades i modellen.
Sammantaget visade modellerna att det är ITPI som leder KPI och inte tvärtom. Förhållandet tycks råda på
samtliga undersökta grupper och även för totalerna. Transportprodukterna visade visserligen en tendens till att
även KPI kan leda ITPI om än i mindre omfattning. För livsmedel var inte ITPI:s utveckling signifikant för att
prognostisera KPI. Detta tros bero på att denna typ av produkter har en snabb omsättningshastighet, varorna
säljs till konsumenter kort efter att det har importerats eller producerats. För dessa produkter skulle möjligtvis
veckodata behövas för att tydligare fastställa sambandet. Hur lång tid det tar innan KPI responderar på en
chock av ITPI varierar något beroende på produktgruppen. För hushållsvaror och inventarier samt el och
bränsle är responsen som störst efter två respektive tre månader, påverkan dröjer även kvar i fyra månader
innan den inte längre är signifikant. Medan de totala indexen och transportprodukter enbart är signifikanta den
första månaden efter chocken. El och bränsle uppvisade ett märkligt samband då ITPI:s respons är negativ på
positiva prisförändringar i KPI. Det märkliga sambandet tros snarare kunna hänföras till att säsongsmönster
fortfarande finns kvar i residualerna snarare än en faktisk påverkan.
Såväl de totala indexen som vissa snävare indelningar kan användas för prognostisering av KPI. Skillnaderna
mellan estimeringarna torde stödja att jämförelser görs efter anpassade indelningar. Författarens slutsats är att
indelningarna bör göras på än mer homogena produkter än underlaget till denna studie. Denna studie använde
de faktiska vikterna som används i ITPI. För att ytterligare bättra på sammanvägningarna skulle även ITPI:s
vikter kunna anpassas efter KPI på en finare nivå. De beskrivna förbättringarna skulle sannolikt leda till bättre
underlag för prognostisering, men skulle samtidigt var svårt med offentlig data. Trots detta kan denna studie
vara ett kunskapsunderlag som bidrar till att underlätta för prognostisering av framtida förändringar i KPI. Då
studien lyfter fram hur snävare produktindelningar kan användas samt att VAR-modellen tycks lämplig för
ändamålet.
27
6.2 Förslag till vidare studier
Denna studie har fokuserat på att se om ITPI och KPI är lämpliga att använda för prognostisering av varandra.
De bakomliggande teorierna om varför det skulle finnas ett samband har behandlats i utkanten. Det skulle
vara intressant att se om konkurrenssituationen påverkar prisöverföringen för en viss typ av produkter. För den
analysen skulle exempelvis ett mått på koncentrationsgrad, antal aktörer och storleken på dessa, kunna
inkluderas i modellen. Samt ett annat förfaringssätt med modellen för att studera skillnader vid upp- och
nedgångar av priserna. Snävare indelningar skulle vara nödvändiga för att studera såväl konkurrens som
förbättra jämförelsen av indexen. En optimal klassifikationsnyckel för att möjliggöra det skulle vara från
COICOP:s lägsta undergrupper till ITPI på KN-nivå, det vill säga tullnummer.
För att styrka det samband som uppvisats skulle det vara intressant om samma tidsserier användes med en
annan modell än VAR eller ett annat angrepssätt. Framtida studier bör sannolikt arbeta mer med att undersöka
och ta om hand om säsongsmönster genom mer sofistikerade metoder. Det skulle även vara intressant att dela
upp längre tidsserier för att se om sambandet ändrats över tid, vilket visats med amerikanska prisindex.
28
7. Referenser
AKÇAY, Selçuk (2011) ”The Casual Relationship between Producer Price Index and Consumer Price
Index: Empirical Evidence from Selected European Countries”. International Journal of Economics and
Finance. Vol. 3, No. 6, 2011. Sid. 227-232.
Clark, Todd E. (1995) “Do Producer Prices Lead Consumer Prices?”. Economic Review. Third quarter,
1995. Sid. 25-39.
Central Statistics Office (2013). How does the Producer Price Index differ from the Consumer Price
Index?
http://www.cso.ie/en/media/csoie/surveysandmethodologies/surveys/prices/documents/PPI_differ_CPI1.p
df. (Hämtad 2014-03-21)
Cochrane, John H. ( 2005). Time Series for Macroeconomics and Finance. Graduate School of Business.
University of Chicago.
Dagens Industri (2014). http://www.di.se/#!/artiklar/2014/4/10/kommentar-pressen-runt-ingves-okar/
(Hämtad 2014-04-10).
Dellmo, Hans (1996) ”Producent- och importpriser och KPI – svagt samband på aggregerad nivå”.
Penning- och valutapolitik. 2/1996. Sid. 18-30.
Eurostat (2014). Index of correspondence tables.
http://ec.europa.eu/eurostat/ramon/relations/index.cfm?TargetUrl=LST_REL&StrLanguageCode=EN&Int
CurrentPage=3 (Hämtad 2014-01-30)
Guglielmo, Maria Caporale; Katsimi, Margarita och Pittis, Nikitas (2002) “Causality links between
consumer and producer prices: some empirical evidence”. Southern Economic Journal. 68 (3). 2002. Sid.
703-711.
Konkurrensverket (2011). Pristransmission inom den svenska livsmedelskedjan.
http://www.kkv.se/upload/Filer/Trycksaker/Rapporter/rapport_2011-3_pristransmission_livsmedel.pdf
(Hämtad 2014-03-01)
Lewin, Bengt (2009). Efter skattereformen - En genomgång av svensk skattepolitik 1992-2009
Underlagsrapport till Riksrevisionen.
http://www.riksrevisionen.se/PageFiles/1979/RiR_2010_11_bilaga_1.pdf (Hämtad 2014-05-17)
Montgomery, Douglas C., Jennings, Cheryl L. och Kulahci, Murat (2008) Introduction to Time Series
Analysis and Forecasting. Hoboken, New Jersey. ISBN 978-0-471-65397-4.
Peltzman, Sam (2000) “Prices Rise Faster than They Fall”. Journal of Political Economy. Vol. 108, No. 3,
June 2000, Sid. 466-502.
SCB (2014). KPI-KS (KPI med konstant skatt) och KPIF-KS (KPI med fast ränta och konstant skatt)
http://www.scb.se/Statistik/PR/PR0101/2014M01/KPI-KS_och_KPIF-KS_PM_2014-02-17.pdf (Hämtad
2014-04-01).
SCB (2013). Konsumentprisindex för januari 2013.
http://www.scb.se/Statistik/PR/PR0101/2013M01/PR0101_2013M01_SM_PR14SM1302.pdf. (Hämtad
2014-05-09)
29
SCB (2013). SCBDOK 3.1. Prisindex i producent- och importled PPI. 2013.
http://www.scb.se/Statistik/PR/PR0301/PR0301_DO_2013.pdf (Hämtad 2014-02-12)
SCB (2013). SCBDOK 3.2. Konsumentprisindex. 2013.
http://www.scb.se/Statistik/PR/PR0101/_dokument/PR0101_DO_%202013.pdf (Hämtad 2014-02-12)
SCB, MIS 2007:2, SNI 2007. Standard för svensk näringsgrensindelning. 2007.
United States Department of Labor, Bureau of Labor Statistics (2014). Comparing the Producer Price
Index for Personal Consumption with the U.S. All Items CPI for All Urban Consumers.
http://www.bls.gov/ppi/ppicpippi.htm (Hämtad 2014-03-01)
Vavra, Pavel och Goodwin, Barry K. (2005) "Analysis of Price Transmission Along the Food Chain".
OECD Food, Agriculture and Fisheries Working Papers. No. 3. OECD
Publishing. doi:10.1787/752335872456
Verbeek, Marno (2004) A Guide to Modern Econometrics. 2:a upplagan. Erasmus University Rotterdam
Weinhagen, Jonathan (2005) “Price transmission within the PPI for intermediate goods”. Monthly Labor
Review. Maj, 2005. Sid. 41-49.
Weinhagen, Jonathan (2002) “An empirical analysis of price transmission by stage of processing”.
Monthly Labor Review. November, 2002. Sid. 3-11.
Zivot, Eric och Wang, Jiahui (2003). Modeling Financial Time Series with S-PLUS
30
Appendix A: nyckel mellan COICOP och SPIN2007
COICOP SPIN2007 COICOP SPIN2007
01 1 05 25.71 01 3 05 25.72 01 10 05 25.73 01 1107 05 25.9
045 5 05 26.51 045 8.92 05 27.1 045 19.1 05 27.2 045 19.2 05 27.3 045 20.14 05 27.4 045 25.29 05 27.5 045 35 05 27.9 045 38.11 05 28.13 05 13.92 05 28.14 05 13.93 05 28.24 05 13.94 05 28.25 05 13.96 05 28.29 05 15.11 05 28.3 05 15.12 05 28.49 05 16.24 05 28.94 05 16.29 05 31 05 17.21 05 32.12 05 17.29 05 32.9 05 20.13 071_2 19.2 05 20.14 071_2 20.41 05 20.15 071_2 20.59 05 20.2 071_2 22.11 05 20.41 071_2 22.19 05 20.51 071_2 23.12 05 20.52 071_2 25.93 05 20.53 071_2 26.3 05 22.19 071_2 26.60 05 22.21 071_2 27.2 05 22.22 071_2 27.4 05 22.23 071_2 28.13 05 22.29 071_2 28.15 05 23.12 071_2 28.22 05 23.13 071_2 28.29 05 23.19 071_2 29.1 05 23.41 071_2 29.2 05 23.49 071_2 29.31 05 23.69 071_2 29.32 05 24.42 071_2 30.9
071_2 38.11
31
Appendix B: månadsförändringar Figur 11 månadsförändringar grupp 01 livsmedel
Figur 12 månadsförändringar grupp 045 El och bränsle
0,92
0,94
0,96
0,98
1
1,02
1,04
19
90
02
19
91
02
19
92
02
19
93
02
19
94
02
19
95
02
19
96
02
19
97
02
19
98
02
19
99
02
20
00
02
20
01
02
20
02
02
20
03
02
20
04
02
20
05
02
20
06
02
20
07
02
20
08
02
20
09
02
20
10
02
20
11
02
20
12
02
20
13
02
G_KPI01
G_ITPI01
0,9
0,95
1
1,05
1,1
1,15
1,2
19
90
02
19
91
02
19
92
02
19
93
02
19
94
02
19
95
02
19
96
02
19
97
02
19
98
02
19
99
02
20
00
02
20
01
02
20
02
02
20
03
02
20
04
02
20
05
02
20
06
02
20
07
02
20
08
02
20
09
02
20
10
02
20
11
02
20
12
02
20
13
02
G_KPI045
G_ITPI045
32
Figur 13 månadsförändringar grupp 05 Inventarier Inventarier och hushållsvaror
Figur 14 månadsförändringar grupp 071_2 Transportprodukter
0,95
0,96
0,97
0,98
0,99
1
1,01
1,02
1,03
19
90
02
19
91
02
19
92
02
19
93
02
19
94
02
19
95
02
19
96
02
19
97
02
19
98
02
19
99
02
20
00
02
20
01
02
20
02
02
20
03
02
20
04
02
20
05
02
20
06
02
20
07
02
20
08
02
20
09
02
20
10
02
20
11
02
20
12
02
20
13
02
G_KPI05
G_ITPI05
0,92
0,97
1,02
1,07
1,12
19
90
02
19
91
02
19
92
02
19
93
02
19
94
02
19
95
02
19
96
02
19
97
02
19
98
02
19
99
02
20
00
02
20
01
02
20
02
02
20
03
02
20
04
02
20
05
02
20
06
02
20
07
02
20
08
02
20
09
02
20
10
02
20
11
02
20
12
02
20
13
02
G_KPI071_2
G_ITPI071_2
33
Appendix C: fullständiga resultat
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
Gar_kpi_kstotln CONST1 -0.00032 0.00025 -1.31 0.1928 1
AR1_1_1 -0.02801 0.05810 -0.48 0.6302 Gar_kpi_kstotln(t-1)
AR1_1_2 0.08003 0.02636 3.04 0.0026 Gar_itpi_totln(t-1)
Gar_itpi_totln CONST2 -0.00010 0.00058 -0.17 0.8660 1
AR1_2_1 0.07018 0.13711 0.51 0.6092 Gar_kpi_kstotln(t-1)
AR1_2_2 0.15258 0.06221 2.45 0.0148 Gar_itpi_totln(t-1)
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
Gar_KPI01ln CONST1 0.00014 0.00065 0.22 0.8296 1
XL0_1_1 0.00166 0.00411 0.40 0.6873 Dummy(t)
AR1_1_1 -0.01390 0.06540 -0.21 0.8319 Gar_KPI01ln(t-1)
AR1_1_2 0.12664 0.08002 1.58 0.1147 Gar_ITPI01ln(t-1)
AR2_1_1 -0.09696 0.06546 -1.48 0.1398 Gar_KPI01ln(t-2)
AR2_1_2 0.07084 0.08060 0.88 0.3803 Gar_ITPI01ln(t-2)
Gar_ITPI01ln CONST2 0.00012 0.00051 0.24 0.8140 1
AR1_2_1 -0.00328 0.05207 -0.06 0.9499 Gar_KPI01ln(t-1)
AR1_2_2 0.18104 0.06375 2.84 0.0049 Gar_ITPI01ln(t-1)
AR2_2_1 -0.00044 0.05209 -0.01 0.9932 Gar_KPI01ln(t-2)
AR2_2_2 0.23310 0.06422 3.63 0.0003 Gar_ITPI01ln(t-2)
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
Gar_KPI045ln CONST1 -0.00022 0.00128 -0.17 0.8637 1
XL0_1_1 -0.00564 0.00726 -0.78 0.4377 Dummy(t)
AR1_1_1 0.17811 0.07739 2.30 0.0222 Gar_KPI045ln(t-1)
AR1_1_2 0.06685 0.05416 1.23 0.2182 Gar_ITPI045ln(t-1)
AR2_1_1 -0.14126 0.06865 -2.06 0.0406 Gar_KPI045ln(t-2)
34
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
AR2_1_2 0.13279 0.05174 2.57 0.0108 Gar_ITPI045ln(t-2)
AR3_1_1 0.04777 0.06670 0.72 0.4745 Gar_KPI045ln(t-3)
AR3_1_2 0.13041 0.05070 2.57 0.0107 Gar_ITPI045ln(t-3)
Gar_ITPI045ln CONST2 -0.00066 0.00183 -0.36 0.7186 1
AR1_2_1 -0.29974 0.11106 -2.70 0.0074 Gar_KPI045ln(t-1)
AR1_2_2 0.28146 0.07767 3.62 0.0003 Gar_ITPI045ln(t-1)
AR2_2_1 -0.22596 0.09851 -2.29 0.0226 Gar_KPI045ln(t-2)
AR2_2_2 0.09147 0.07425 1.23 0.2191 Gar_ITPI045ln(t-2)
AR3_2_1 -0.19905 0.09572 -2.08 0.0385 Gar_KPI045ln(t-3)
AR3_2_2 0.21456 0.07276 2.95 0.0035 Gar_ITPI045ln(t-3)
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
Gar_KPI05ln CONST1 -0.00019 0.00030 -0.63 0.5314 1
XL0_1_1 -0.01605 0.00492 -3.26 0.0012 Dummy(t)
AR1_1_1 -0.12538 0.05951 -2.11 0.0361 Gar_KPI05ln(t-1)
AR1_1_2 -0.02459 0.03242 -0.76 0.4489 Gar_ITPI05ln(t-1)
AR2_1_1 0.15592 0.05739 2.72 0.0070 Gar_KPI05ln(t-2)
AR2_1_2 0.09743 0.03217 3.03 0.0027 Gar_ITPI05ln(t-2)
AR3_1_1 0.03865 0.05841 0.66 0.5087 Gar_KPI05ln(t-3)
AR3_1_2 0.08589 0.03330 2.58 0.0105 Gar_ITPI05ln(t-3)
Gar_ITPI05ln CONST2 -0.00014 0.00056 -0.26 0.7972 1
AR1_2_1 0.09448 0.11281 0.84 0.4031 Gar_KPI05ln(t-1)
AR1_2_2 0.17061 0.06154 2.77 0.0060 Gar_ITPI05ln(t-1)
AR2_2_1 0.02371 0.10895 0.22 0.8279 Gar_KPI05ln(t-2)
AR2_2_2 0.19470 0.06105 3.19 0.0016 Gar_ITPI05ln(t-2)
AR3_2_1 -0.13887 0.10971 -1.27 0.2067 Gar_KPI05ln(t-3)
AR3_2_2 -0.03336 0.06323 -0.53 0.5982 Gar_ITPI05ln(t-3)
35
Model Parameter Estimates
Equation Parameter Estimate Standard
Error
t Value Pr > |t| Variable
Gar_KPI071_2ln CONST1 -0.00018 0.00115 -0.16 0.8728 1
XL0_1_1 -0.00414 0.01023 -0.40 0.6862 Dummy(t)
AR1_1_1 -0.04895 0.07644 -0.64 0.5224 Gar_KPI071_2ln(t-1)
AR1_1_2 0.31495 0.11811 2.67 0.0081 Gar_ITPI071_2ln(t-1)
AR2_1_1 -0.07624 0.07670 -0.99 0.3211 Gar_KPI071_2ln(t-2)
AR2_1_2 -0.06901 0.11417 -0.60 0.5461 Gar_ITPI071_2ln(t-2)
Gar_ITPI071_2ln CONST2 -0.00011 0.00076 -0.14 0.8888 1
AR1_2_1 0.09287 0.05055 1.84 0.0673 Gar_KPI071_2ln(t-1)
AR1_2_2 0.23614 0.07805 3.03 0.0027 Gar_ITPI071_2ln(t-1)
AR2_2_1 0.10258 0.05070 2.02 0.0441 Gar_KPI071_2ln(t-2)
AR2_2_2 -0.18168 0.07542 -2.41 0.0167 Gar_ITPI071_2ln(t-2)
36
Appendix D: impulsrespons funktioner (IRF)
Figur 15 Totaler av index
ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI
37
Figur 16 Livsmedel
ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI
Figur 17 El och bränsle
ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI
38
Figur 18 Inventarier och hushållsvaror
ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI
Figur 19 Transportprodukter
ITPI:s respons på chock av ITPI KPI:s respons på chock av KPI