1

1998 - 2013 : Ανεργία στο Ιόνιο

Λάττας Αλέξανδρος – 8130096

Μακροοικονομική Ανάλυση

Εισηγητής: Π. Προδρομίδης

2

Έγινε χρήση Stata/MP 13

Τα στοιχεία που χρησιμοποιήθηκαν δόθηκαν από τον Π. Προδρομίδη

3

Ioni__unΑνεργία στο Ιόνιο

4

Plot ioni__un time

1 time 64 +----------------------------------------------------------------+ 3.4 + ** * | ** ** * * * * | * ** | * * * | * * * * * * | * * * * * * | * * n | * * * * u | * * * * * * * * _ | * * * * * _ | * * * * i | * * * n | * * o | * * i | * | | * * * | | | * 23.8 +

. plot ioni__un time

5

q2 q3 q4Ψευδομεταβλητές (0 ή 1) που δείχνουν σε πιο

τετράμηνο είμαστε

► Q1 δεν υπάρχει, καθώς είναι σημείο αναφοράς

6

Regress ioni__un q2 q3 q4

_cons 15.325 .9360402 16.37 0.000 13.45264 17.19736 q4 -2.6375 1.323761 -1.99 0.051 -5.285416 .0104155 q3 -8.58125 1.323761 -6.48 0.000 -11.22917 -5.933334 q2 -5.6375 1.323761 -4.26 0.000 -8.285416 -2.989584 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 1502.6023 63 23.8508302 Root MSE = 3.7442 Adj R-squared = 0.4122 Residual 841.12435 60 14.0187392 R-squared = 0.4402 Model 661.477949 3 220.49265 Prob > F = 0.0000 F( 3, 60) = 15.73 Source SS df MS Number of obs = 64

. regress ioni__un q2 q3 q4

Ελάχιστη πιθανότητα λάθους στην παλινδρόμηση των q2 q3 q4

7

resQResiduals ή αλλιώς κατάλοιπα της

εποχικότητας

8

Predict resQ, res

more 1 time 64 +----------------------------------------------------------------+ -6.1875 + ** | * | * * * * * | * * * * * | * * * * * | * * * * ** * s | * ** * *** l | * ** * * a | * **** * * u | * * d | * * ** i | * s | * * e | R | * * | ** ** | * * | * | * | * 8.475 +

. plot resQ time

. predict resQ, res

Πλέον, σχηματίζεται μια καμπύληΠαρατηρούμε 2 ακρότατα, άρα περιμένουμε ο χρόνος να επηρεάζει σαν πολυώνυμο 2ου βαθμού

back

9

time2 time3 time4…

Ο αριθμός συμβολίζει την δύναμη στην οποία έχουν υψωθεί οι παρατηρήσεις της μεταβλητής time.

Παλινδρομώντας τις σωστές, θα αφαιρέσουμε τα κατάλοιπα του χρόνου.

10

regress ioni__un q2 q3 q4 time time2 time3 time4 time5

_cons 9.883518 1.760364 5.61 0.000 6.35567 13.41137 time5 -3.32e-07 1.98e-07 -1.68 0.099 -7.29e-07 6.44e-08 time4 .0000485 .0000323 1.50 0.139 -.0000162 .0001132 time3 -.0021532 .0019109 -1.13 0.265 -.0059827 .0016763 time2 .0246947 .0494313 0.50 0.619 -.0743679 .1237573 time .304846 .5288751 0.58 0.567 -.7550433 1.364735 q4 -3.251528 .7176825 -4.53 0.000 -4.689796 -1.81326 q3 -8.997275 .71314 -12.62 0.000 -10.42644 -7.56811 q2 -5.847875 .7104521 -8.23 0.000 -7.271653 -4.424098 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 1502.6023 63 23.8508302 Root MSE = 2.0067 Adj R-squared = 0.8312 Residual 221.477809 55 4.02686925 R-squared = 0.8526 Model 1281.12449 8 160.140561 Prob > F = 0.0000 F( 8, 55) = 39.77 Source SS df MS Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3 time4 time5

Άρα Είναι σίγουρα λάθος.

11

regress ioni__un q2 q3 q4 time time2 time3 time4

Καλύτερα, όχι τέλεια

_cons 8.153499 1.450063 5.62 0.000 5.248673 11.05832 time4 -5.47e-06 3.20e-06 -1.71 0.093 -.0000119 9.41e-07 time3 .0009785 .0004195 2.33 0.023 .0001382 .0018189 time2 -.0526257 .0182199 -2.89 0.005 -.0891244 -.0161269 time 1.047265 .2946272 3.55 0.001 .4570555 1.637474 q4 -3.382887 .7248872 -4.67 0.000 -4.83501 -1.930763 q3 -9.084094 .7227115 -12.57 0.000 -10.53186 -7.636329 q2 -5.892416 .7213851 -8.17 0.000 -7.337524 -4.447308 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 1502.6023 63 23.8508302 Root MSE = 2.039 Adj R-squared = 0.8257 Residual 232.823334 56 4.15755953 R-squared = 0.8451 Model 1269.77897 7 181.396995 Prob > F = 0.0000 F( 7, 56) = 43.63 Source SS df MS Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3 time4

12

regress ioni__un q2 q3 q4 time time2 time3

Τέλεια!

_cons 9.675736 1.163599 8.32 0.000 7.345668 12.0058 time3 .0002669 .0000526 5.07 0.000 .0001615 .0003722 time2 -.0227311 .0052006 -4.37 0.000 -.033145 -.0123171 time .6075427 .1460807 4.16 0.000 .3150212 .9000643 q4 -3.382887 .7370101 -4.59 0.000 -4.858724 -1.907049 q3 -9.07133 .7347588 -12.35 0.000 -10.54266 -7.600001 q2 -5.879652 .7334101 -8.02 0.000 -7.348281 -4.411024 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 1502.6023 63 23.8508302 Root MSE = 2.0731 Adj R-squared = 0.8198 Residual 244.973638 57 4.29778313 R-squared = 0.8370 Model 1257.62866 6 209.604777 Prob > F = 0.0000 F( 6, 57) = 48.77 Source SS df MS Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3

13

regress … , rΟνομάζεται robust και είναι μια επιλογή που κάνει πιο ανθεκτικό το μοντέλο μας και αλλά

το συμπιέζει.

14

regress ioni_un q2 q3 q4 time time2 time3, r

_cons 9.675736 .8181827 11.83 0.000 8.037353 11.31412 time3 .0002669 .0000477 5.60 0.000 .0001714 .0003623 time2 -.0227311 .0046558 -4.88 0.000 -.0320541 -.013408 time .6075427 .1202947 5.05 0.000 .3666567 .8484287 q4 -3.382887 .9053217 -3.74 0.000 -5.195762 -1.570011 q3 -9.07133 .7290871 -12.44 0.000 -10.5313 -7.611359 q2 -5.879652 .8004959 -7.35 0.000 -7.482618 -4.276687 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust

Root MSE = 2.0731 R-squared = 0.8370 Prob > F = 0.0000 F( 6, 57) = 86.07Linear regression Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3, r

15

Predict CycleiC, res

1 time 64 +----------------------------------------------------------------+-4.52839 + * | * * * | * * * * | * * | * * ** * * | * * * * s | * * l | * * ** * * a | * * u | * * ** * d | * * * * i | * * * * * s | * * * * * e | * * * * R | * ** * * * * | * | * | | * | * 5.04697 +

. plot CycleiC time

. predict CycleiC, res

Βρίσκουμε τα κατάλοιπα από τον χρόνο, έτσι ώστε να μπορέσουμε να βρούμε τα κατάλοιπα των οικονομικών κύκλων.

16

icycle1 icycle2 …Ψευδομεταβλητές (0 ή 1) που συμβολίζει τον κύκλο

στον οποίο ανήκουν.

Κατηγοριοποιώ τους κύκλους ανάλογα με το αν είναι θετικές ή αρνητικές οι παρατηρήσεις της CycleiC.

17

regress ioni_un q2 q3 q4 time time2 time3 icycle1 icycle2, r

_cons 12.18663 1.588765 7.67 0.000 9.002677 15.37059 icycle2 -3.384269 .7906453 -4.28 0.000 -4.968758 -1.799781 icycle1 -1.750442 1.108307 -1.58 0.120 -3.971538 .470655 time3 .0000906 .0000633 1.43 0.158 -.0000363 .0002174 time2 -.0064051 .0064293 -1.00 0.323 -.0192898 .0064795 time .2181866 .1867907 1.17 0.248 -.1561504 .5925235 q4 -3.07948 .8001803 -3.85 0.000 -4.683078 -1.475883 q3 -9.048444 .624026 -14.50 0.000 -10.29902 -7.797868 q2 -5.814108 .6787971 -8.57 0.000 -7.174447 -4.453768 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust

Root MSE = 1.7977 R-squared = 0.8817 Prob > F = 0.0000 F( 8, 55) = 73.16Linear regression Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3 icycle1 icycle2, r

Άρα οι οικονομικοί κύκλοι μου είναι λάθος.

18

Χρησιμοποιώ το Excel

Για να μπορέσω να δω πιο καθαρά τους κύκλους και να τους υπολογίσω στο StataSE

19

plot cycleC time

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

Τώρα φαίνονται πιο καθαρά

20

Plot cycleCb time

time

8,00

16,0

0

27,0

0

32,0

0

40,0

0

47,0

0

52,0

0

54,0

0

63,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

cycleCb γραμμή με τα σημαντικότερα ακρότατα του cycleC

21-45 Πρώτος κύκλος

54-63 Δεύτερος κύκλος

21

Τάση : ανοδική

0 22.5 57.50.00

200000.00

400000.00

600000.00

800000.00

1000000.00

1200000.00

1400000.00

1600000.00

1800000.00

cycleC

cycleC

Με αφετηρία το 1998, είναι η γραμμή που περνάει από τα μέσα των ακροτάτων της cycleCb.Είναι ελαφρώς καμπύλη, καθώς όπως είδαμε επηρεάζεται από time και time2.

22

Συνολικά:

23

0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

RescycleCcycleC

24

Επιστρέφουμε στο StataSe

Με τα καινούρια στοιχεία για τους κύκλους:

25

regress ioni__un q2 q3 q4 time time2 time3 cycle1 cycle2, r

.

_cons 6.935683 1.095513 6.33 0.000 4.740226 9.13114 cycle2 3.210405 .9126783 3.52 0.001 1.381357 5.039453 cycle1 1.925555 .9993352 1.93 0.059 -.0771572 3.928268 time3 .0002892 .0000437 6.62 0.000 .0002017 .0003768 time2 -.0256592 .0042091 -6.10 0.000 -.0340943 -.0172241 time .7343702 .1008238 7.28 0.000 .5323147 .9364256 q4 -3.353378 .68731 -4.88 0.000 -4.730778 -1.975978 q3 -9.013013 .6141836 -14.67 0.000 -10.24386 -7.782161 q2 -5.911447 .6782324 -8.72 0.000 -7.270655 -4.552239 ioni__un Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust

Root MSE = 1.757 R-squared = 0.8870 Prob > F = 0.0000 F( 8, 55) = 83.25Linear regression Number of obs = 64

. regress ioni__un q2 q3 q4 time time2 time3 cycle1 cycle2, r

Με πιθανότητα λάθους <5% σε όλα, είμαστε σχεδόν σίγουροι πως οι κύκλοι μας είναι σωστοί.

26

Γενικά Συμπεράσματα

27

time

3,00

8,00

12,0

0

16,0

0

24,0

0

27,0

0

29,0

0

32,0

0

36,0

0

40,0

0

44,0

0

47,0

0

50,0

0

52,0

0

53,0

0

54,0

0

56,0

0

63,0

0

64,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

1. Σε γενικές γραμμές, η τάση της ανεργίας στο Ιόνιο κινείται αντίθετα από το ΑΕΠ της Ελλάδας

28

time

3,00

8,00

12,0

0

16,0

0

24,0

0

27,0

0

29,0

0

32,0

0

36,0

0

40,0

0

44,0

0

47,0

0

50,0

0

52,0

0

53,0

0

54,0

0

56,0

0

63,0

0

64,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

Από το 2003 έχει πτωτική τάση, μιας και σαν Ελλάδα είχαμε οικονομική Άνθιση

Το καλοκαίρι του 2004 φτάνει στο ελάχιστο. Ήταν οι Ολυμπιακοί Αγώνες, η Ελλάδα προβαλλόταν όσο ποτέ και ο τουρισμός είχε εκτιναχτεί στα ύψη.

29

time

3,00

8,00

12,0

0

16,0

0

24,0

0

27,0

0

29,0

0

32,0

0

36,0

0

40,0

0

44,0

0

47,0

0

50,0

0

52,0

0

53,0

0

54,0

0

56,0

0

63,0

0

64,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

Στην συνέχεια είχε ελαφριά αύξηση, καθώς σιγά σιγά εισερχόμασταν στην ύφεση.

Από το 2008, το έτος της Αμερικάνικης κρίσης, βλέπουμε την Ανεργία να έχει ραγδαία αύξηση.Τότε άλλωστε αρχίσαμε

να νιώθουμε την οικονομική ύφεση.

30

time

3,00

8,00

12,0

0

16,0

0

24,0

0

27,0

0

29,0

0

32,0

0

36,0

0

40,0

0

44,0

0

47,0

0

50,0

0

52,0

0

53,0

0

54,0

0

56,0

0

63,0

0

64,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

Το 2010, βλέπουμε την τάση της ανεργίας να μπαίνει σε ύφεση, ίσως γιατί το μνημόνιο είχε θετική επίδραση στην αγορά εργασίαςΔιαφορετικά, οι αναταραχές στις γειτονικές μας χώρες, ώθησαν τουρίστες να έρθουν στο Ιόνιο, δημιουργώντας θέσεις εργασίας

31

Όσο για φέτος,

32

time

3,00

8,00

12,0

0

16,0

0

24,0

0

27,0

0

29,0

0

32,0

0

36,0

0

40,0

0

44,0

0

47,0

0

50,0

0

52,0

0

53,0

0

54,0

0

56,0

0

63,0

0

64,0

0

-4000000.00

-3000000.00

-2000000.00

-1000000.00

0.00

1000000.00

2000000.00

3000000.00

4000000.00

5000000.00

6000000.00

cycleC

cycleC

Για το 2014, μπορούμε να υποθέσουμε πως η ανεργία θα συνεχίσει τον κύκλο της και η τάση θα αυξηθεί:

Καθώς οι Ρώσσοι τουρίστες αποτελούν μεγάλο μέρος των τουριστών του Ιονίου…

Και εξαιτίας των ταραχών στην Ουκρανία και τις απειλές Ευρώπης – Ρωσίας, πολλοί ακύρωσαν τις διακοπές τους στην Ελλάδα.

33

Το τελευταίο,Θα άξιζε να ερευνηθεί για να ληφθούν

κατάλληλα μέτρα στα νησιά του Ιουνίου.

34

Ευχαριστώ!