Script til speciale
David (rnl119), Gustav (thx426) og Hjalte (nmc769)
01-01-2027
Del 1: Datagrundlag
Indlæsning af pakker
Alle scriptets pakker indlæses her: readxl, data.table og zoo til indlæsning og udfyldning; fixest og plm til panelanalyserne; sandwich og lmtest til bootstrap; did og patchwork til DiD-designet. tidyverse indlæses sidst, så dens funktioner ikke overskrives af de øvrige pakker.
library(readxl)
library(data.table)
library(zoo)
library(fixest)
library(plm)
library(lubridate)
library(here)
library(sandwich)
library(lmtest)
library(did)
library(patchwork)
library(tidyverse)Lande og tidsperiode
Undersøgelsen omfatter 24 europæiske demokratier (ISO3-koder) i perioden 1990-2024 — i alt 840 land-år. Den udvidede periode fra 1975 bruges til kilder, der kun måler ved valg, så panelets første år ikke står tomme.
lande <- c("AUT","BEL","CHE","CZE","DEU","DNK","ESP","EST","FIN","FRA",
"GBR","GRC","HUN","IRL","ISL","ITA","LTU","LVA","NLD","NOR",
"POL","PRT","SVN","SWE")
år <- 1990:2024
år_udvidet <- 1975:2024V-Dem
V-Dem leverer specialets primære polariseringsmål,
v2cacamps: eksperters vurdering af, hvor opdelt et samfund
er i fjendtlige politiske lejre (herefter samf_pol).
Desuden indlæses to demokratiindeks, korruption og regimeklassifikation
som kontroller og dokumentation.
V_Dem <- read_csv("Data/V-Dem/V-Dem data.csv",
col_select = c(country_text_id, year, v2cacamps,
v2x_polyarchy, v2x_libdem,
v2x_corr, v2x_regime)) |>
filter(country_text_id %in% lande, year %in% år) |>
rename(lande = country_text_id,
år = year,
samf_pol = v2cacamps,
ele_dem = v2x_polyarchy,
lib_dem = v2x_libdem,
korruption = v2x_corr,
regime = v2x_regime)Vi kontrollerer dimensionerne: 24 lande gange 35 år skal give 840 rækker uden dubletter.
cat(nrow(V_Dem), "rækker,", n_distinct(V_Dem$lande), "unikke lande\n")840 rækker, 24 unikke landedubletter_V_Dem <- V_Dem |> count(lande, år) |> filter(n > 1)
if (nrow(dubletter_V_Dem) == 0) {
cat("Ingen dubletter (præcis én række pr. land og år)")
} else {
print(dubletter_V_Dem)
}Ingen dubletter (præcis én række pr. land og år)Vi undersøger dækningen af polariseringsmålet pr. land.
V_Dem |>
group_by(lande) |>
summarise(mangler = sum(is.na(samf_pol)),
første_år = min(år[!is.na(samf_pol)])) |>
arrange(desc(mangler)) |>
print(n = 24)# A tibble: 24 × 3
lande mangler første_år
<chr> <int> <dbl>
1 ISL 10 2000
2 AUT 0 1990
3 BEL 0 1990
4 CHE 0 1990
5 CZE 0 1990
6 DEU 0 1990
7 DNK 0 1990
8 ESP 0 1990
9 EST 0 1990
10 FIN 0 1990
11 FRA 0 1990
12 GBR 0 1990
13 GRC 0 1990
14 HUN 0 1990
15 IRL 0 1990
16 ITA 0 1990
17 LTU 0 1990
18 LVA 0 1990
19 NLD 0 1990
20 NOR 0 1990
21 POL 0 1990
22 PRT 0 1990
23 SVN 0 1990
24 SWE 0 1990Island mangler 1990-99 (manglende ekspertdækning) og indgår derfor først fra 2000. Interpolation er umulig (hullet ligger i periodens start), og imputation i hovedforklaringsvariablen er fravalgt. Som robusthedscheck estimeres hovedmodellerne senere uden Island (foreløbigt valg — drøftes med vejleder).
summary(V_Dem$samf_pol) Min. 1st Qu. Median Mean 3rd Qu. Max. NAs
-3.813 -2.283 -1.447 -1.239 -0.515 3.355 10 Vi efterser sample-afgrænsningen med regimeklassifikationen (0-1 er autokratier, 2-3 demokratier).
autokrati_V_Dem <- V_Dem |>
filter(regime < 2) |>
group_by(lande, regime) |>
summarise(antal = n(),
år = paste(sort(år), collapse = ", "),
.groups = "drop")
if (nrow(autokrati_V_Dem) == 0) {
cat("Ingen land-år er klassificeret som autokratier.")
} else {
print(autokrati_V_Dem)
}# A tibble: 2 × 4
lande regime antal år
<chr> <dbl> <int> <chr>
1 EST 1 1 1992
2 HUN 1 7 2018, 2019, 2020, 2021, 2022, 2023, 2024Estland (1992) er et isoleret overgangsår og kræver ingen handling. Ungarn (2018-2024) beholdes i hovedanalysen, fordi den demokratiske tilbagegang er tæt forbundet med netop den polarisering, vi undersøger; som robusthedscheck estimeres hovedmodellerne senere uden Ungarn (foreløbigt valg — drøftes med vejleder). Endelig tjekkes de to demokratiindeks for multikollinearitet.
cat("r =", round(cor(V_Dem$ele_dem, V_Dem$lib_dem, use = "complete.obs"), 2))r = 0.97Korrelationen på 0,97 betyder, at de to indeks ikke kan indgå i samme model; i stedet laves en swap-in-robusthed.
Manifesto
Manifesto leverer det sekundære polariseringsmål: den programmatiske
polarisering, dvs. hvor langt partierne står fra hinanden i deres
valgprogrammer. Datasættet har én række pr. parti pr. valg med
højre-venstre-position (rile) og stemmeandel
(pervote). Landenavnene står i klartekst, så vi bygger
først en navnetabel.
manifesto_navne <- c("Austria"="AUT","Belgium"="BEL","Switzerland"="CHE",
"Czech Republic"="CZE","Germany"="DEU","Denmark"="DNK",
"Spain"="ESP","Estonia"="EST","Finland"="FIN",
"France"="FRA","United Kingdom"="GBR","Greece"="GRC",
"Hungary"="HUN","Ireland"="IRL","Iceland"="ISL",
"Italy"="ITA","Lithuania"="LTU","Latvia"="LVA",
"Netherlands"="NLD","Norway"="NOR","Poland"="POL",
"Portugal"="PRT","Slovenia"="SVN","Sweden"="SWE")Vi indlæser fra 1975 (værdier fra valg før 1990 skal kunne føres frem), udleder valgår og frasorterer partier uden RILE-kodning eller stemmeandel.
Manifesto <- read_excel("Data/Manifesto/Manifesto data.xlsx") |>
mutate(lande = manifesto_navne[countryname],
år = year(edate)) |>
filter(!is.na(lande), år %in% år_udvidet) |>
select(lande, år, edate, rile, pervote) |>
drop_na(rile, pervote) |>
filter(pervote > 0)
cat(n_distinct(Manifesto$lande), "unikke lande,",
nrow(distinct(Manifesto, lande, edate)), "valg")24 unikke lande, 294 valgPolariseringen beregnes pr. valg som en stemmeandelsvægtet standardafvigelse af partiernes RILE-positioner — store partier vægter mere end små.
Manifesto_valg <- Manifesto |>
group_by(lande, edate, år) |>
summarise(antal_partier = n(),
mu = sum((pervote / sum(pervote)) * rile),
prog_pol = sqrt(sum((pervote / sum(pervote)) * (rile - mu)^2)),
.groups = "drop")Fem land-år har to valg samme år; vi beholder årets sidste valg, da det er dét partisystem, der gjaldt fremadrettet. Facit: Danmark 2019 skal give 17,85.
Manifesto_valg <- Manifesto_valg |>
group_by(lande, år) |>
slice_max(edate) |>
ungroup()
facit_M <- Manifesto_valg |> filter(lande == "DNK", år == 2019) |> pull(prog_pol)
if (abs(facit_M - 17.85) < 0.01) {
cat(nrow(Manifesto_valg), "rækker. Facit ramt: DNK 2019 =", round(facit_M, 2))
} else {
cat("FEJL: DNK 2019 =", round(facit_M, 2), "— forventet 17.85")
}289 rækker. Facit ramt: DNK 2019 = 17.85Som plausibilitetstjek ses de mest og mindst polariserede valg.
Manifesto_valg |> slice_max(prog_pol, n = 5) |> print()# A tibble: 5 × 6
lande edate år antal_partier mu prog_pol
<chr> <dttm> <dbl> <int> <dbl> <dbl>
1 FIN 1983-03-21 00:00:00 1983 8 -7.58 37.4
2 HUN 2018-04-08 00:00:00 2018 7 17.4 33.2
3 CHE 2003-10-19 00:00:00 2003 10 11.5 33.1
4 ITA 2006-04-10 00:00:00 2006 13 15.2 32.9
5 SWE 1985-09-15 00:00:00 1985 6 3.11 32.7Manifesto_valg |> slice_min(prog_pol, n = 5) |> print()# A tibble: 5 × 6
lande edate år antal_partier mu prog_pol
<chr> <dttm> <dbl> <int> <dbl> <dbl>
1 PRT 1991-10-06 00:00:00 1991 5 -10.2 2.37
2 AUT 2002-11-24 00:00:00 2002 5 -18.5 2.63
3 POL 2005-09-25 00:00:00 2005 7 -0.377 3.38
4 IRL 2007-05-24 00:00:00 2007 6 -11.8 3.40
5 POL 2007-10-21 00:00:00 2007 5 6.06 3.41Toppen (Ungarn 2018, Italien 2006, Schweiz 2003) har god ansigtsvaliditet. Bemærk Polen 2005 i bunden: et samfund i dyb politisk konflikt, som RILE-målet næsten ikke registrerer, fordi konflikten var kulturel snarere end økonomisk højre-venstre. Det illustrerer, hvorfor programmatisk og samfundsmæssig polarisering er to forskellige fænomener — specialets kernepræmis.
Valgtabellen strækkes nu til et komplet panel: Værdierne udfyldes mellem valgene på tre måder (kun valgår; sidste værdi føres frem, LOCF; lineær interpolation), og der trimmes til 1990-2024 til sidst. Rækkefølgen er afgørende — udfyldning før trimning, ellers mistes værdier fra valg før 1990.
Manifesto_panel <- expand_grid(lande = lande, år = år_udvidet) |>
left_join(Manifesto_valg |> select(lande, år, prog_pol),
by = c("lande", "år")) |>
arrange(lande, år) |>
group_by(lande) |>
mutate(prog_pol_valgår = prog_pol,
prog_pol_locf = zoo::na.locf(prog_pol, na.rm = FALSE),
prog_pol_interp = zoo::na.approx(prog_pol, x = år, na.rm = FALSE)) |>
ungroup() |>
filter(år %in% .env$år) |>
select(-prog_pol)
cat(nrow(Manifesto_panel), "rækker")840 rækkersummary(Manifesto_panel |> select(prog_pol_valgår, prog_pol_locf, prog_pol_interp)) prog_pol_valgår prog_pol_locf prog_pol_interp
Min. : 2.367 Min. : 2.367 Min. : 2.367
1st Qu.:10.037 1st Qu.:10.087 1st Qu.:10.269
Median :14.329 Median :14.431 Median :14.198
Mean :15.208 Mean :15.264 Mean :15.149
3rd Qu.:18.835 3rd Qu.:19.024 3rd Qu.:18.905
Max. :33.206 Max. :33.206 Max. :33.206
NAs :629 NAs :8 NAs :98 De tre versioner har praktisk talt identiske fordelinger — udfyldningsmetoden forvrider ikke målet, men afgør alene, hvilke år der indgår. LOCF-versionen (fuld dækning fra første valg) er analysens hovedversion; de to øvrige bruges som robusthed (foreløbigt valg — drøftes med vejleder).
WUI
World Uncertainty Index måler økonomisk-politisk usikkerhed pr. land og kvartal ud fra hyppigheden af ordet “uncertainty” i Economist Intelligence Units landerapporter. T2-arket indlæses, kvartalerne aggregeres til årsgennemsnit, og der trimmes til analyseperioden. Estland og Island findes ikke i WUI (22 lande).
WUI <- read_excel("Data/World Uncertainty Index/WUI data.xlsx",
sheet = "T2") |>
rename(kvartal = year) |>
mutate(år = as.integer(str_sub(kvartal, 1, 4))) |>
select(kvartal, år, any_of(lande)) |>
pivot_longer(cols = -c(kvartal, år),
names_to = "lande",
values_to = "wui_kvartal") |>
group_by(lande, år) |>
summarise(wui = mean(wui_kvartal, na.rm = TRUE), .groups = "drop") |>
mutate(wui = if_else(is.nan(wui), NA_real_, wui)) |>
filter(år %in% .env$år)
manglende_WUI <- setdiff(lande, unique(WUI$lande))
facit_WUI <- WUI |> filter(lande == "DNK", år == 2020) |> pull(wui)
if (identical(sort(manglende_WUI), c("EST", "ISL")) &&
abs(facit_WUI - 0.336) < 0.001) {
cat(nrow(WUI), "rækker. Som ventet mangler EST og ISL.",
"Facit ramt: DNK 2020 =", round(facit_WUI, 3))
} else {
cat("FEJL — manglende lande:", manglende_WUI,
"| DNK 2020 =", round(facit_WUI, 3))
}770 rækker. Som ventet mangler EST og ISL. Facit ramt: DNK 2020 = 0.336WUI |> slice_max(wui, n = 5) |> print()# A tibble: 5 × 3
lande år wui
<chr> <int> <dbl>
1 GBR 2019 1.18
2 IRL 2019 1.09
3 GBR 2016 0.985
4 GBR 2020 0.873
5 CHE 2020 0.821summary(WUI$wui) Min. 1st Qu. Median Mean 3rd Qu. Max. NAs
0.00000 0.08346 0.15236 0.18507 0.25975 1.17975 12 Toppen er Brexit (Storbritannien og Irland 2016-2020) og Covid — indekset fanger netop de episoder, det skal. Minimum på 0 er en substantiel værdi (“ingen målt usikkerhed”), ikke manglende data.
EPU
Economic Policy Uncertainty måler usikkerhed via avisdækning, men dækker kun 8 af vores lande (de store økonomier). EPU er derfor alene supplement; WUI forbliver det primære usikkerhedsmål. Filen har litteraturreferencer som tekstrækker i bunden, der frasorteres.
epu_navne <- c("DEU" = "Germany", "ESP" = "Spain", "FRA" = "France",
"GBR" = "UK", "GRC" = "Greece", "IRL" = "Ireland",
"ITA" = "Italy", "SWE" = "Sweden")
EPU <- read_excel("Data/Economic Policy Uncertainty/EPU data.xlsx") |>
filter(str_detect(Year, "^\\d+$")) |>
mutate(år = as.integer(Year), måned = as.integer(Month)) |>
select(år, måned, all_of(epu_navne)) |>
pivot_longer(cols = -c(år, måned),
names_to = "lande",
values_to = "epu_måned") |>
group_by(lande, år) |>
summarise(epu = mean(epu_måned, na.rm = TRUE), .groups = "drop") |>
mutate(epu = if_else(is.nan(epu), NA_real_, epu)) |>
filter(år %in% .env$år)
facit_EPU <- EPU |> filter(lande == "DEU", år == 2020) |> pull(epu)
if (abs(facit_EPU - 322.364) < 0.01) {
cat(nrow(EPU), "rækker. Facit ramt: DEU 2020 =", round(facit_EPU, 3))
} else {
cat("FEJL: DEU 2020 =", round(facit_EPU, 3), "— forventet 322.364")
}280 rækker. Facit ramt: DEU 2020 = 322.364Bemærk: EPU’s nationale indeks er normaliseret forskelligt, så niveauer kan ikke sammenlignes på tværs af lande — kun variation inden for lande er meningsfuld, hvilket netop matcher vores modeller med landefaste effekter.
ParlGov
ParlGov leverer to institutionelle variable: parlamentarisk fragmentering (ENPP, det effektive antal partier) fra valgtabellen og antal regeringsskift pr. år fra kabinettabellen. Kun nationale parlamentsvalg medtages, og alliance-rækker uden sæder frasorteres (verificeret tabsfrit: partiernes sæder summer til parlamentets total i alle 303 valg).
ParlGov_ENPP <- read_csv("Data/ParlGov/ParlGov election data.csv",
show_col_types = FALSE) |>
filter(election_type == "parliament",
country_name_short %in% lande) |>
mutate(år = year(election_date)) |>
filter(år %in% år_udvidet) |>
select(lande = country_name_short, edate = election_date,
år, seats, seats_total) |>
drop_na(seats) |>
filter(seats > 0) |>
group_by(lande, edate, år) |>
summarise(enpp = 1 / sum((seats / sum(seats))^2), .groups = "drop") |>
group_by(lande, år) |>
slice_max(edate) |>
ungroup()
facit_ENPP <- ParlGov_ENPP |> filter(lande == "DNK", år == 2022) |> pull(enpp)
if (abs(facit_ENPP - 7.57) < 0.01) {
cat(nrow(ParlGov_ENPP), "rækker. Facit ramt: DNK 2022 =", round(facit_ENPP, 2))
} else {
cat("FEJL: DNK 2022 =", round(facit_ENPP, 2), "— forventet 7.57")
}297 rækker. Facit ramt: DNK 2022 = 7.57ENPP strækkes til panel med LOCF — her er det ikke en tilnærmelse, men eksakt: Parlamentets sammensætning er per definition konstant mellem valg.
ParlGov_panel <- expand_grid(lande = lande, år = år_udvidet) |>
left_join(ParlGov_ENPP |> select(lande, år, enpp),
by = c("lande", "år")) |>
arrange(lande, år) |>
group_by(lande) |>
mutate(enpp = zoo::na.locf(enpp, na.rm = FALSE)) |>
ungroup() |>
filter(år %in% .env$år)
cat(nrow(ParlGov_panel), "rækker")840 rækkerRegeringsskift tælles pr. land-år. Nul er her en substantiel værdi (ingen skift = stabilitet), så år uden kabinetter 0-fyldes — men kun til og med 2022, da kildens snapshot slutter medio 2023; 2023-24 står som NA (foreløbigt valg — drøftes med vejleder).
ParlGov_skift <- read_csv("Data/ParlGov/ParlGov cabinet data.csv",
show_col_types = FALSE) |>
filter(country_name_short %in% lande) |>
distinct(lande = country_name_short, cabinet_id, start_date) |>
mutate(år = year(start_date)) |>
filter(år %in% .env$år) |>
count(lande, år, name = "reg_skift") |>
right_join(expand_grid(lande = lande, år = .env$år),
by = c("lande", "år")) |>
mutate(reg_skift = case_when(
!is.na(reg_skift) ~ reg_skift,
år <= 2022 ~ 0L,
TRUE ~ NA_integer_))
facit_skift <- ParlGov_skift |> filter(lande == "GRC", år == 2012) |> pull(reg_skift)
if (identical(facit_skift, 2L)) {
cat(nrow(ParlGov_skift), "rækker. Facit ramt: GRC 2012 =", facit_skift, "skift")
} else {
cat("FEJL: GRC 2012 =", facit_skift, "— forventet 2")
}840 rækker. Facit ramt: GRC 2012 = 2 skiftWID
World Inequality Database leverer ulighedsmålene: top-10 %- og bund-50 %-indkomstandelen (serien sptincj992, præskat-nationalindkomst). Data kommer som 24 landefiler (ca. 656 MB), så en indlæsningsfunktion læser hver fil hurtigt og filtrerer straks til det nødvendige.
wid_navne <- c("AT"="AUT","BE"="BEL","CH"="CHE","CZ"="CZE","DE"="DEU",
"DK"="DNK","EE"="EST","ES"="ESP","FI"="FIN","FR"="FRA",
"GB"="GBR","GR"="GRC","HU"="HUN","IE"="IRL","IS"="ISL",
"IT"="ITA","LT"="LTU","LV"="LVA","NL"="NLD","NO"="NOR",
"PL"="POL","PT"="PRT","SE"="SWE","SI"="SVN")
wid_filer <- file.path("Data/World Inequality Database",
paste0("WID_data_", names(wid_navne), ".csv"))
læs_wid <- function(fil) {
fread(fil, sep = ";",
select = c("country", "variable", "percentile", "year", "value")) |>
as_tibble() |>
filter(variable == "sptincj992",
percentile %in% c("p0p50", "p90p100"),
year %in% .env$år)
}
WID <- map(wid_filer, læs_wid) |>
list_rbind() |>
mutate(lande = wid_navne[country]) |>
select(lande, år = year, percentile, value) |>
pivot_wider(names_from = percentile, values_from = value) |>
rename(bund50 = p0p50, top10 = p90p100)
facit_t <- WID |> filter(lande == "DNK", år == 2020) |> pull(top10)
facit_b <- WID |> filter(lande == "DNK", år == 2020) |> pull(bund50)
if (abs(facit_t - 0.3324) < 0.001 && abs(facit_b - 0.2162) < 0.001) {
cat(nrow(WID), "rækker. Facit ramt: DNK 2020 top10 =", round(facit_t, 4),
", bund50 =", round(facit_b, 4))
} else {
cat("FEJL: DNK 2020 top10 =", round(facit_t, 4),
", bund50 =", round(facit_b, 4))
}840 rækker. Facit ramt: DNK 2020 top10 = 0.3324 , bund50 = 0.2162WID er panelets eneste kilde helt uden manglende værdier — dækningen er dog delvist modelgenereret (WID interpolerer mellem observationsår), hvilket accepteres, da ulighed indgår som kanalvariabel, ikke hovedforklaring (foreløbigt valg — drøftes med vejleder).
World Bank
Verdensbanken leverer de makroøkonomiske udfald og kontroller: BNP-vækst (primært udfald), investering (kanaludfald) samt BNP per capita, inflation, arbejdsløshed, handel og befolkning som kontroller. Filerne har 4 metadatarækker øverst (skip = 4). Statsgæld er inspiceret og fravalgt (637 af 840 land-år mangler; foreløbigt valg — IMF WEO som alternativ drøftes med vejleder).
wb_filer <- c(
bnp_vækst = "World Bank data BNP-vækst.csv",
bnp_pc = "World Bank data BNP per capita.csv",
investering = "World Bank data investering.csv",
inflation = "World Bank data inflation.csv",
arbejdsløshed = "World Bank data arbejdsløshed.csv",
handel = "World Bank data handel.csv",
befolkning = "World Bank data befolkning.csv") |>
(\(x) setNames(file.path("Data/World Bank", x), names(x)))()
læs_wb <- function(fil, varnavn) {
read_csv(fil, skip = 4, show_col_types = FALSE,
name_repair = "unique_quiet") |>
filter(`Country Code` %in% lande) |>
select(lande = `Country Code`, matches("^\\d{4}$")) |>
pivot_longer(cols = -lande,
names_to = "år",
values_to = varnavn,
names_transform = as.integer) |>
filter(år %in% .env$år)
}
WB <- imap(wb_filer, læs_wb) |>
reduce(full_join, by = c("lande", "år"))
facit_wb <- WB |> filter(lande == "DNK", år == 2020) |> pull(bnp_vækst)
if (abs(facit_wb - (-1.780)) < 0.001) {
cat(nrow(WB), "rækker. Facit ramt: DNK 2020 =", round(facit_wb, 3))
} else {
cat("FEJL: DNK 2020 =", round(facit_wb, 3), "— forventet -1.780")
}840 rækker. Facit ramt: DNK 2020 = -1.78WB |> select(lande, år, bnp_vækst) |> slice_max(bnp_vækst, n = 3) |> print()# A tibble: 3 × 3
lande år bnp_vækst
<chr> <int> <dbl>
1 IRL 2015 24.6
2 IRL 2021 16.3
3 EST 1997 13.1WB |> select(lande, år, bnp_vækst) |> slice_min(bnp_vækst, n = 3) |> print()# A tibble: 3 × 3
lande år bnp_vækst
<chr> <int> <dbl>
1 LVA 1992 -32.1
2 LTU 1992 -21.3
3 EST 1992 -21.2Bunden er de baltiske transitionskollaps (Letland 1992: -32,1 pct.) — reelle værdier. Toppen kræver kildebevidsthed: Irland 2015 (24,6 pct.) er den kendte “leprechaun economics”-episode, hvor multinationale selskabers papirflytninger fik BNP til at springe uden reel vækst. Derfor indgår outlier-robusthed (winsorisering/uden Irland) senere i analysen (foreløbigt valg — drøftes med vejleder).
Penn World Table
PWT 11.0 leverer tre strukturkontroller: humankapital (hc), totalfaktorproduktivitet (ctfp) og arbejdskraftens indkomstandel (labsh). Versionen dækker til 2023, så 2024 står tomt.
PWT <- read_excel("Data/Penn World table/Penn World table data.xlsx",
sheet = "Data") |>
select(lande = countrycode, år = year, hc, ctfp, labsh) |>
filter(lande %in% .env$lande, år %in% .env$år)
facit_PWT <- PWT |> filter(lande == "DNK", år == 2023)
if (abs(facit_PWT$hc - 3.666) < 0.001 &&
abs(facit_PWT$ctfp - 0.929) < 0.001 &&
abs(facit_PWT$labsh - 0.601) < 0.001) {
cat(nrow(PWT), "rækker. Facit ramt: DNK 2023 hc =", round(facit_PWT$hc, 3),
", ctfp =", round(facit_PWT$ctfp, 3),
", labsh =", round(facit_PWT$labsh, 3))
} else {
cat("FEJL i PWT-facit")
}816 rækker. Facit ramt: DNK 2023 hc = 3.666 , ctfp = 0.929 , labsh = 0.601Samling og frysning af panelet
De ni kilder samles til ét analysepanel. Skabelonen med alle 840 land-år definerer rækkerne; kilder med mindre dækning fylder NA. Til sidst fryses panelet til fil, så analysen kan genindlæses uden hele pipelinen.
panel <- list(V_Dem, Manifesto_panel, WUI, EPU,
ParlGov_panel, ParlGov_skift, WID, WB, PWT) |>
reduce(left_join, by = c("lande", "år"),
.init = expand_grid(lande = lande, år = .env$år))
dubletter_panel <- panel |> count(lande, år) |> filter(n > 1)
kerne <- panel |>
filter(!is.na(samf_pol), !is.na(prog_pol_locf), !is.na(bnp_vækst)) |>
nrow()
cat(nrow(panel), "rækker,", ncol(panel), "kolonner.",
ifelse(nrow(dubletter_panel) == 0, "Ingen dubletter.", "DUBLETTER!"),
"\nKomplette kernerækker (begge polariseringsmål + vækst):", kerne)840 rækker, 26 kolonner. Ingen dubletter.
Komplette kernerækker (begge polariseringsmål + vækst): 820820 af 840 land-år har begge polariseringsmål og BNP-vækst — hovedanalysens maksimale sample. Vi måler nu sammenhængen mellem de to polariseringsmål.
pol_within <- panel |>
group_by(lande) |>
mutate(samf_within = samf_pol - mean(samf_pol, na.rm = TRUE),
prog_within = prog_pol_locf - mean(prog_pol_locf, na.rm = TRUE)) |>
ungroup()
cat("Rå korrelation: r =",
round(cor(panel$samf_pol, panel$prog_pol_locf,
use = "complete.obs"), 2), "\n")Rå korrelation: r = 0.08 cat("Within-korrelation: r =",
round(cor(pol_within$samf_within, pol_within$prog_within,
use = "complete.obs"), 2))Within-korrelation: r = 0.26De to mål fanger beslægtede, men klart forskellige fænomener: Den rå korrelation er nær nul (0,08), og selv inden for landene over tid er samvariationen kun moderat (0,26). Det bekræfter specialets kernepræmis — man kan ikke måle den ene slags polarisering og tro, man har fanget den anden.
saveRDS(panel, "Data/analysepanel.rds")
kontrol_panel <- readRDS("Data/analysepanel.rds")
if (identical(panel, kontrol_panel)) {
cat("Panelet er frosset: Data/analysepanel.rds,",
nrow(panel), "rækker og", ncol(panel), "kolonner")
} else {
cat("FEJL: Det gemte panel afviger fra panelet i hukommelsen")
}Panelet er frosset: Data/analysepanel.rds, 840 rækker og 26 kolonnerValidering af polariseringsmålet (CSES)
Specialets primære mål er ekspertbaseret. Som validering beregnes to uafhængige, surveybaserede mål for affektiv polarisering fra CSES (187.142 respondenter, 102 valg): Wagners (2021) spredning af vælgernes partifølelser og Reiljans (2020) API, der måler forskellen mellem, hvad vælgere føler for eget parti og for de øvrige. Missing-koder følger CSES-codebooken (vurderinger >10, stemmeandele ≥997).
cses_fil <- "Data/CSES/CSES data.csv"
CSES <- fread(cses_fil,
select = c("IMD1006_UNALPHA3", "IMD1008_YEAR", "IMD1010_1",
paste0("IMD3008_", LETTERS[1:9]),
paste0("IMD5001_", LETTERS[1:9]))) |>
as_tibble() |>
rename(lande = IMD1006_UNALPHA3, år = IMD1008_YEAR, vægt = IMD1010_1) |>
filter(lande %in% .env$lande) |>
mutate(respondent = row_number())
cat(nrow(CSES), "respondenter,", n_distinct(CSES$lande), "lande")187142 respondenter, 24 landeWagner-målet: pr. respondent beregnes den stemmeandelsvægtede spredning af partivurderingerne, som aggregeres til valgniveau med samplevægte.
CSES_valg <- CSES |>
pivot_longer(cols = matches("^IMD(3008|5001)_"),
names_pattern = "(IMD3008|IMD5001)_(.)",
names_to = c(".value", "parti")) |>
rename(vurdering = IMD3008, stemmeandel = IMD5001) |>
mutate(vurdering = if_else(vurdering > 10, NA_real_, as.numeric(vurdering)),
stemmeandel = if_else(stemmeandel >= 997, NA_real_,
as.numeric(stemmeandel))) |>
drop_na(vurdering, stemmeandel) |>
filter(stemmeandel > 0) |>
group_by(lande, år, respondent, vægt) |>
summarise(antal_partier = n(),
mu = sum((stemmeandel / sum(stemmeandel)) * vurdering),
spredning = sqrt(sum((stemmeandel / sum(stemmeandel)) *
(vurdering - mu)^2)),
.groups = "drop") |>
filter(antal_partier >= 2) |>
mutate(vægt = if_else(is.finite(vægt), vægt, 1)) |>
group_by(lande, år) |>
summarise(aff_pol = weighted.mean(spredning, vægt), .groups = "drop")
cat(nrow(CSES_valg), "valg med Wagner-mål")102 valg med Wagner-målReiljan-API’et kræver vælgernes partivalg, som kobles til partierne via CSES’ partikort.
CSES_R <- fread(cses_fil,
select = c("IMD1006_UNALPHA3", "IMD1008_YEAR", "IMD1010_1",
"IMD3002_LH_PL", "IMD3002_LH_DC",
paste0("IMD3008_", LETTERS[1:9]),
paste0("IMD5000_", LETTERS[1:9]),
paste0("IMD5001_", LETTERS[1:9]))) |>
as_tibble() |>
rename(lande = IMD1006_UNALPHA3, år = IMD1008_YEAR, vægt = IMD1010_1) |>
filter(lande %in% .env$lande) |>
mutate(respondent = row_number(),
vægt = if_else(is.finite(vægt), vægt, 1),
stemme = if_else(IMD3002_LH_PL < 9999990,
IMD3002_LH_PL, IMD3002_LH_DC))
partikort <- CSES_R |>
select(lande, år, starts_with("IMD5000_")) |>
distinct() |>
pivot_longer(cols = starts_with("IMD5000_"),
names_pattern = "IMD5000_(.)",
names_to = "vælgerparti",
values_to = "partikode") |>
filter(partikode < 9999990) |>
distinct(lande, år, vælgerparti, partikode)
CSES_api <- CSES_R |>
inner_join(partikort, by = c("lande", "år", "stemme" = "partikode")) |>
pivot_longer(cols = matches("^IMD(3008|5001)_"),
names_pattern = "(IMD3008|IMD5001)_(.)",
names_to = c(".value", "vurderet_parti")) |>
rename(vurdering = IMD3008, stemmeandel = IMD5001) |>
mutate(vurdering = if_else(vurdering > 10, NA_real_, as.numeric(vurdering)),
stemmeandel = if_else(stemmeandel >= 997, NA_real_,
as.numeric(stemmeandel))) |>
drop_na(vurdering, stemmeandel) |>
filter(stemmeandel > 0) |>
group_by(lande, år, vælgerparti, vurderet_parti) |>
summarise(gns_vurdering = weighted.mean(vurdering, vægt),
stemmeandel = first(stemmeandel),
.groups = "drop") |>
group_by(lande, år, vælgerparti) |>
mutate(egen = gns_vurdering[vurderet_parti == vælgerparti][1]) |>
filter(!is.na(egen), vurderet_parti != vælgerparti) |>
summarise(egen = first(egen),
vs_egen = first(stemmeandel[1]),
fjendtlighed = sum((egen - gns_vurdering) *
(stemmeandel / sum(stemmeandel))),
.groups = "drop_last") |>
mutate(vs_norm = vs_egen / sum(vs_egen)) |>
summarise(api_pol = sum(vs_norm * fjendtlighed), .groups = "drop")
cat(nrow(CSES_api), "valg med Reiljan-API")102 valg med Reiljan-APIBegge mål korreleres nu med v2cacamps — inden for lande, som analysen identificerer på.
validering <- CSES_valg |>
inner_join(CSES_api, by = c("lande", "år")) |>
inner_join(V_Dem |> select(lande, år, samf_pol), by = c("lande", "år")) |>
drop_na(samf_pol) |>
group_by(lande) |>
filter(n() >= 2) |>
mutate(across(c(aff_pol, api_pol, samf_pol), \(x) x - mean(x))) |>
ungroup()
cat("Within-korrelationer med samf_pol:\n")Within-korrelationer med samf_pol:cat("Wagner (følelsesspredning): r =",
round(cor(validering$aff_pol, validering$samf_pol,
use = "complete.obs"), 2), "\n")Wagner (følelsesspredning): r = 0.01 cat("Reiljan-API (lejrdannelse): r =",
round(cor(validering$api_pol, validering$samf_pol,
use = "complete.obs"), 2))Reiljan-API (lejrdannelse): r = 0.34Valideringen viser både konvergent og diskriminant validitet: v2cacamps korrelerer med Reiljans lejrdannelses-mål (within-r = 0,34), men ikke med Wagners rene følelsesspredning (r ≈ 0). Det bekræfter, at v2cacamps måler netop dét, vi bruger det til — opdeling i fjendtlige lejre, ikke blot spredte følelser.
Del 2: Analyse
Blok 0: Deskriptiv analyse
Analysen indledes visuelt. De to polariseringsmål z-standardiseres inden for hvert land (de lever på forskellige skalaer) og plottes pr. land — det viser præcis den variation over tid, modellerne senere identificerer på.
panel |>
group_by(lande) |>
mutate(samf_z = as.numeric(scale(samf_pol)),
prog_z = as.numeric(scale(prog_pol_locf))) |>
ungroup() |>
select(lande, år, samf_z, prog_z) |>
pivot_longer(cols = c(samf_z, prog_z),
names_to = "mål", values_to = "værdi") |>
mutate(mål = recode(mål,
samf_z = "Samfundsmæssig (V-Dem)",
prog_z = "Programmatisk (Manifesto, LOCF)")) |>
ggplot(aes(x = år, y = værdi, colour = mål)) +
geom_line(linewidth = 0.4, na.rm = TRUE) +
facet_wrap(~ lande, ncol = 4) +
scale_colour_manual(values = c("Samfundsmæssig (V-Dem)" = "#c0392b",
"Programmatisk (Manifesto, LOCF)" = "#2c3e50")) +
labs(x = NULL, y = "Standardiseret værdi (within land)", colour = NULL) +
theme_minimal(base_size = 9) +
theme(legend.position = "bottom")
Tre mønstre træder frem: I Ungarn stiger begge mål sammen (Orbán-æraen); i Polen divergerer de (samfundskonflikt uden programmatisk afstand — 2005-eksemplet i grafisk form); og i næsten alle lande stiger den samfundsmæssige polarisering markant efter 2020 — en fælles europæisk bevægelse, som partiprogrammerne ikke følger.
panel |>
select(samf_pol, prog_pol_locf, bnp_vækst, wui, epu, enpp, reg_skift,
top10, investering, inflation, arbejdsløshed, handel) |>
pivot_longer(everything(), names_to = "variabel", values_to = "værdi") |>
group_by(variabel) |>
summarise(n = sum(!is.na(værdi)),
gns = mean(værdi, na.rm = TRUE),
sd = sd(værdi, na.rm = TRUE),
min = min(værdi, na.rm = TRUE),
max = max(værdi, na.rm = TRUE)) |>
mutate(across(c(gns, sd, min, max), \(x) round(x, 2))) |>
arrange(desc(n)) |>
print(n = 12)# A tibble: 12 × 6
variabel n gns sd min max
<chr> <int> <dbl> <dbl> <dbl> <dbl>
1 top10 840 0.33 0.04 0.21 0.45
2 enpp 838 4.38 1.61 1.98 10.8
3 bnp_vækst 834 2.04 4.01 -32.1 24.6
4 prog_pol_locf 832 15.3 6.63 2.37 33.2
5 inflation 831 8.77 58.1 -4.45 1021.
6 samf_pol 830 -1.24 1.31 -3.81 3.36
7 handel 821 95.3 40.3 33.8 259.
8 investering 821 23.3 4.36 11.9 53.7
9 arbejdsløshed 816 7.97 4.33 1.1 27.7
10 reg_skift 795 0.52 0.64 0 3
11 wui 758 0.19 0.14 0 1.18
12 epu 247 137. 94.7 37.6 740. Yderpunkterne er de kendte episoder: Letlands transitionskollaps (-32,1), Irlands leprechaun-år (24,6) og de baltiske hyperinflationsår (1.021 pct.).
Som bro til analysen vises kanalkædens tre led for fire lande med hver sin rolle: Storbritannien (kæden polarisering → usikkerhed → vækst), Grækenland (den omvendte retning), samt Ungarn og Polen (høj polarisering, upåvirket økonomi).
panel |>
filter(lande %in% c("GBR", "GRC", "HUN", "POL")) |>
group_by(lande) |>
mutate(across(c(samf_pol, wui, bnp_vækst), \(x) as.numeric(scale(x)))) |>
ungroup() |>
select(lande, år, samf_pol, wui, bnp_vækst) |>
pivot_longer(cols = c(samf_pol, wui, bnp_vækst),
names_to = "led", values_to = "værdi") |>
mutate(led = factor(led,
levels = c("samf_pol", "wui", "bnp_vækst"),
labels = c("Samfundsmæssig polarisering",
"Usikkerhed (WUI)", "BNP-vækst"))) |>
ggplot(aes(x = år, y = værdi, colour = led)) +
geom_hline(yintercept = 0, linewidth = 0.3, colour = "grey70") +
geom_line(linewidth = 0.5, na.rm = TRUE) +
facet_wrap(~ lande, ncol = 2) +
scale_colour_manual(values = c("Samfundsmæssig polarisering" = "#c0392b",
"Usikkerhed (WUI)" = "#27ae60",
"BNP-vækst" = "#2c3e50")) +
labs(x = NULL, y = "Standardiseret værdi (within land)", colour = NULL) +
theme_minimal(base_size = 10) +
theme(legend.position = "bottom")
Grækenland viser den omvendte rækkefølge tydeligst: Økonomien kollapser 2009-12, før polariseringen stiger — og afpolariserer igen under normaliseringen efter 2019.
Blok 1: Paneldiagnostik
Før modellerne testes nøglevariablene for enhedsrødder (“vandrer serien uden anker?”). Ikke-stationære variable kan give falske sammenhænge. Nulhypotesen er en unit root; lave p-værdier betyder stationaritet. IPS-testen tillader landespecifikke parametre, Maddala-Wu håndterer panelets huller.
ur_variable <- c("samf_pol", "prog_pol_locf", "bnp_vækst", "wui")
kør_purtest <- function(data, variabel, exo) {
klar <- data |>
group_by(lande) |>
filter(sum(!is.na(.data[[variabel]])) >= 20) |>
ungroup() |>
select(lande, år, all_of(variabel)) |>
pdata.frame(index = c("lande", "år"))
ips <- purtest(klar[[variabel]], test = "ips", exo = exo,
lags = "AIC", pmax = 2)
mw <- purtest(klar[[variabel]], test = "madwu", exo = exo,
lags = "AIC", pmax = 2)
cat(variabel, "( exo =", exo, "):\n",
" IPS: p =", format.pval(ips$statistic$p.value, digits = 3), "\n",
" Maddala-Wu: p =", format.pval(mw$statistic$p.value, digits = 3), "\n")
}
for (v in ur_variable) kør_purtest(panel, v, exo = "intercept")Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliableWarning in purtest(klar[[variabel]], test = "madwu", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliablesamf_pol ( exo = intercept ):
IPS: p = 1
Maddala-Wu: p = 0.78 Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliable
Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliableprog_pol_locf ( exo = intercept ):
IPS: p = 1.66e-06
Maddala-Wu: p = 5.22e-08 Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliable
Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliablebnp_vækst ( exo = intercept ):
IPS: p = <2e-16
Maddala-Wu: p = <2e-16 Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliable
Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliablewui ( exo = intercept ):
IPS: p = <2e-16
Maddala-Wu: p = <2e-16 cat("\nSupplerende: samf_pol med deterministisk trend\n")
Supplerende: samf_pol med deterministisk trendkør_purtest(panel, "samf_pol", exo = "trend")Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliable
Warning in purtest(klar[[variabel]], test = "ips", exo = exo, lags = "AIC", :
NA value(s) encountered and dropped, results may not be reliablesamf_pol ( exo = trend ):
IPS: p = 0.979
Maddala-Wu: p = 0.233 BNP-vækst, WUI og det programmatiske mål er klart stationære. Den samfundsmæssige polarisering er det ikke — heller ikke med trend. Konsekvensen trækkes gennem hele analysen: samf_pol indgår som førstedifferens (årets ændring), hvor den optræder som udfald eller i VAR-modellerne, mens H1-hovedmodellen i niveau suppleres med en obligatorisk differens-robusthed.
Blok 2: H1 — polarisering og økonomisk vækst
Først bygges alle analysens afledte variable ét sted: z-standardiserede polariseringsmål (koefficienter kan da sammenlignes direkte), lags af alle forklaringer (sidste års værdi forklarer årets vækst — det reducerer simultanitet), differenser, winsoriseret vækst, kriseår-dummy og regionsinddeling.
analysedata <- panel |>
mutate(samf_z = as.numeric(scale(samf_pol)),
prog_z = as.numeric(scale(prog_pol_locf)),
prog_valgår_z = as.numeric(scale(prog_pol_valgår)),
prog_interp_z = as.numeric(scale(prog_pol_interp)),
log_bnp_pc = log(bnp_pc),
vækst_wins = pmin(pmax(bnp_vækst,
quantile(bnp_vækst, 0.01, na.rm = TRUE)),
quantile(bnp_vækst, 0.99, na.rm = TRUE)),
region = case_when(
lande %in% c("CZE","EST","HUN","LTU","LVA","POL","SVN") ~ "CEE",
lande %in% c("ESP","GRC","ITA","PRT") ~ "Syd",
TRUE ~ "Vest")) |>
arrange(lande, år) |>
group_by(lande) |>
mutate(d_samf_z = samf_z - lag(samf_z),
samf_z_l1 = lag(samf_z),
prog_z_l1 = lag(prog_z),
prog_valgår_z_l1 = lag(prog_valgår_z),
prog_interp_z_l1 = lag(prog_interp_z),
d_samf_z_l1 = lag(d_samf_z),
d_samf_z_l2 = lag(d_samf_z, 2),
bnp_vækst_l1 = lag(bnp_vækst),
bnp_vækst_l2 = lag(bnp_vækst, 2),
log_bnp_pc_l1 = lag(log_bnp_pc),
handel_l1 = lag(handel),
arbejdsløshed_l1 = lag(arbejdsløshed),
inflation_l1 = lag(inflation),
top10_l1 = lag(top10),
wui_l1 = lag(wui),
investering_l1 = lag(investering),
ele_dem_l1 = lag(ele_dem),
lib_dem_l1 = lag(lib_dem),
krise_l1 = lag(as.integer(bnp_vækst < 0))) |>
ungroup()H1 tester, om polarisering koster vækst. Fire modeller med landefaste og årsfaste effekter (TWFE) og standardfejl klynget på lande: bivariat, med kontroller, det programmatiske mål, og begge mål samtidig (“horse-race”).
h1_m1 <- feols(bnp_vækst ~ samf_z_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 34 observations removed because of NA values (LHS: 6, RHS: 34).h1_m2 <- feols(bnp_vækst ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 72 observations removed because of NA values (LHS: 6, RHS: 72).h1_m3 <- feols(bnp_vækst ~ prog_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 63 observations removed because of NA values (LHS: 6, RHS: 63).h1_m4 <- feols(bnp_vækst ~ samf_z_l1 + prog_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 72 observations removed because of NA values (LHS: 6, RHS: 72).etable(h1_m1, h1_m2, h1_m3, h1_m4,
headers = c("Bivariat", "Samf + kontroller",
"Prog + kontroller", "Horse-race"),
digits = 3, fitstat = ~ n + r2 + wr2) h1_m1 h1_m2 h1_m3
Bivariat Samf + kontroller Prog + kontroller
Dependent Var.: bnp_vækst bnp_vækst bnp_vækst
samf_z_l1 -1.38. (0.765) -0.458* (0.212)
log_bnp_pc_l1 -6.07** (1.61) -5.75*** (1.47)
handel_l1 0.061** (0.017) 0.059** (0.017)
arbejdsløshed_l1 -0.059 (0.070) -0.041 (0.065)
inflation_l1 -0.040 (0.025) -0.034 (0.023)
prog_z_l1 -0.288 (0.202)
Fixed-Effects: -------------- --------------- ---------------
lande Yes Yes Yes
år Yes Yes Yes
________________ ______________ _______________ _______________
S.E.: Clustered by: lande by: lande by: lande
Observations 806 768 777
R2 0.49286 0.64403 0.64168
Within R2 0.03313 0.11909 0.11707
h1_m4
Horse-race
Dependent Var.: bnp_vækst
samf_z_l1 -0.365 (0.214)
log_bnp_pc_l1 -5.97** (1.60)
handel_l1 0.062** (0.017)
arbejdsløshed_l1 -0.051 (0.067)
inflation_l1 -0.037 (0.024)
prog_z_l1 -0.206 (0.203)
Fixed-Effects: ---------------
lande Yes
år Yes
________________ _______________
S.E.: Clustered by: lande
Observations 768
R2 0.64580
Within R2 0.12346
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Den samfundsmæssige polarisering får en negativ og netop signifikant koefficient med kontroller (-0,458*): Én standardafvigelses højere polarisering følges af knap et halvt procentpoint lavere vækst året efter. I horse-racet mister den dog signifikansen. Den programmatiske polarisering er nul i alle kolonner — partiernes programafstand koster ikke målbar vækst. Kontrollerne opfører sig som forventet (konvergens, handelsåbenhed), hvilket styrker tilliden til modellen.
To robusthedsskridt lukker blokken. Først differens-versionen (jf. Blok 1): Koster en stigning i polariseringen vækst?
h1_m5 <- feols(bnp_vækst ~ d_samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 73 observations removed because of NA values (LHS: 6, RHS: 73).etable(h1_m2, h1_m5,
headers = c("Niveau (hovedmodel)", "Differens (robusthed)"),
digits = 3, fitstat = ~ n + r2 + wr2) h1_m2 h1_m5
Niveau (hovedmodel) Differens (robusthed)
Dependent Var.: bnp_vækst bnp_vækst
samf_z_l1 -0.458* (0.212)
log_bnp_pc_l1 -6.07** (1.61) -5.82*** (1.48)
handel_l1 0.061** (0.017) 0.058** (0.017)
arbejdsløshed_l1 -0.059 (0.070) -0.055 (0.067)
inflation_l1 -0.040 (0.025) -0.039 (0.025)
d_samf_z_l1 -0.746 (0.599)
Fixed-Effects: --------------- ---------------
lande Yes Yes
år Yes Yes
________________ _______________ _______________
S.E.: Clustered by: lande by: lande
Observations 768 767
R2 0.64403 0.64312
Within R2 0.11909 0.11706
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Differens-koefficienten er negativ (-0,746), men insignifikant — det strengere krav overlever effekten ikke.
Dernæst wild cluster bootstrap: Med kun 24 lande kan klyngede standardfejl være for optimistiske. Modellen genestimeres som almindelig OLS med eksplicitte lande- og årsdummier (matematisk identisk med TWFE), hvorpå bootstrappen kan køre.
boot_data <- analysedata |>
select(bnp_vækst, samf_z_l1, prog_z_l1, log_bnp_pc_l1, handel_l1,
arbejdsløshed_l1, inflation_l1, lande, år) |>
drop_na() |>
mutate(år = factor(år))
h1_m2_lm <- lm(bnp_vækst ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 + lande + år,
data = boot_data)
h1_m3_lm <- lm(bnp_vækst ~ prog_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 + lande + år,
data = boot_data)
cat("Facit-kontrol mod fixest (skal være identiske):\n")Facit-kontrol mod fixest (skal være identiske):cat("samf_z_l1: lm =", round(coef(h1_m2_lm)["samf_z_l1"], 3),
"| fixest =", round(coef(h1_m2)["samf_z_l1"], 3), "\n\n")samf_z_l1: lm = -0.458 | fixest = -0.458 set.seed(119)
boot_samf <- coeftest(h1_m2_lm,
vcov = vcovBS(h1_m2_lm, cluster = boot_data$lande,
type = "wild", R = 9999))
set.seed(119)
boot_prog <- coeftest(h1_m3_lm,
vcov = vcovBS(h1_m3_lm, cluster = boot_data$lande,
type = "wild", R = 9999))
cat("samf_z: klynge-p =", round(pvalue(h1_m2)["samf_z_l1"], 3),
"| bootstrap-p =", round(boot_samf["samf_z_l1", "Pr(>|t|)"], 3), "\n")samf_z: klynge-p = 0.041 | bootstrap-p = 0.024 cat("prog_z: klynge-p =", round(pvalue(h1_m3)["prog_z_l1"], 3),
"| bootstrap-p =", round(boot_prog["prog_z_l1", "Pr(>|t|)"], 3))prog_z: klynge-p = 0.166 | bootstrap-p = 0.199Bootstrappen bekræfter hovedmodellens stjerne (p = 0,024). Blokkens samlede konklusion: en konsistent negativ tendens for samfundsmæssig polarisering, hvis statistiske sikkerhed dog afhænger af specifikationen (jf. robusthedsblokken) — og et robust nul for programmatisk polarisering.
Blok 3: H2 — økonomi og polarisering
Kausalpilen vendes: Fører økonomisk modgang til stigende polarisering (grievance-hypotesen)? Udfaldet er polariseringens førstedifferens (jf. Blok 1), forklaringerne sidste års vækst, arbejdsløshed og ulighed.
h2_m1 <- feols(d_samf_z ~ bnp_vækst_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 40 observations removed because of NA values (LHS: 34, RHS: 30).h2_m2 <- feols(d_samf_z ~ bnp_vækst_l1 + arbejdsløshed_l1 + top10_l1 |
lande + år,
data = analysedata, cluster = ~ lande)NOTE: 57 observations removed because of NA values (LHS: 34, RHS: 48).etable(h2_m1, h2_m2,
headers = c("Bivariat", "Med arbejdsløshed og ulighed"),
digits = 3, fitstat = ~ n + r2 + wr2) h2_m1 h2_m2
Bivariat Med arbejdsløshed og ulighed
Dependent Var.: d_samf_z d_samf_z
bnp_vækst_l1 0.003 (0.003) 0.003 (0.003)
arbejdsløshed_l1 -0.003 (0.002)
top10_l1 0.226 (0.379)
Fixed-Effects: ------------- --------------
lande Yes Yes
år Yes Yes
________________ _____________ ______________
S.E.: Clustered by: lande by: lande
Observations 800 783
R2 0.12164 0.12441
Within R2 0.00359 0.00648
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Intet signal: Koefficienterne er nær nul, og vækst og arbejdsløshed har endda “forkert” fortegn. Bemærk dog designets pris: Årseffekterne fjerner de fælles europæiske chok, så modellen kun ser, om lande ramt hårdere end gennemsnittet polariserer mere end gennemsnittet. Virker grievance-mekanismen via fælles kriser, kan den ikke ses her — det testes i næste blok.
Blok 4: Granger-kausalitet og VAR
Retningsspørgsmålet — hvem bevæger sig først, økonomien eller polariseringen? — testes med Dumitrescu-Hurlins panel-Granger-test. Modsat TWFE indgår ingen årseffekter, så de fælles kriser tæller med i identifikationen. Samplet kræver sammenhængende serier (Island falder fra).
var_data <- analysedata |>
select(lande, år, d_samf_z, bnp_vækst) |>
drop_na() |>
group_by(lande) |>
filter(n() == max(år) - min(år) + 1, n() >= 25) |>
ungroup()
cat("Lande i Granger-samplet:", n_distinct(var_data$lande), "\n")Lande i Granger-samplet: 23 cat("Frafaldne:", paste(setdiff(lande, unique(var_data$lande)),
collapse = ", "), "\n\n")Frafaldne: ISL var_pdata <- pdata.frame(var_data, index = c("lande", "år"))
granger_v_p <- pgrangertest(d_samf_z ~ bnp_vækst, data = var_pdata, order = 2)
granger_p_v <- pgrangertest(bnp_vækst ~ d_samf_z, data = var_pdata, order = 2)
granger_v_p_1 <- pgrangertest(d_samf_z ~ bnp_vækst, data = var_pdata, order = 1)
granger_p_v_1 <- pgrangertest(bnp_vækst ~ d_samf_z, data = var_pdata, order = 1)
cat("Med 2 lags (hovedversion):\n")Med 2 lags (hovedversion):cat("Vækst → Δpolarisering: p =", format.pval(granger_v_p$p.value, digits = 3), "\n")Vækst → Δpolarisering: p = <2e-16 cat("Δpolarisering → vækst: p =", format.pval(granger_p_v$p.value, digits = 3), "\n\n")Δpolarisering → vækst: p = 0.381 cat("Med 1 lag (robusthed):\n")Med 1 lag (robusthed):cat("Vækst → Δpolarisering: p =", format.pval(granger_v_p_1$p.value, digits = 3), "\n")Vækst → Δpolarisering: p = 4.85e-14 cat("Δpolarisering → vækst: p =", format.pval(granger_p_v_1$p.value, digits = 3))Δpolarisering → vækst: p = 0.334Retningsdommen er entydig og robust over lag-valg: Væksten forudsiger polariseringsændringerne (p < 2,2e-16), mens den omvendte retning er nul (p = 0,38). Kombineret med Blok 3 tegner det ét billede: Grievance-mekanismen virker via de fælles europæiske kriser, ikke via landespecifik modgang.
To VAR-ligninger sætter størrelse på retningen (kun landefaste effekter — konsistent med Granger-testen).
var_lign_pol <- feols(d_samf_z ~ d_samf_z_l1 + d_samf_z_l2 +
bnp_vækst_l1 + bnp_vækst_l2 | lande,
data = analysedata, cluster = ~ lande)NOTE: 82 observations removed because of NA values (LHS: 34, RHS: 82).var_lign_vækst <- feols(bnp_vækst ~ bnp_vækst_l1 + bnp_vækst_l2 +
d_samf_z_l1 + d_samf_z_l2 | lande,
data = analysedata, cluster = ~ lande)NOTE: 82 observations removed because of NA values (LHS: 6, RHS: 82).etable(var_lign_pol, var_lign_vækst,
headers = c("Udfald: Δpolarisering", "Udfald: vækst"),
digits = 3, fitstat = ~ n + r2 + wr2) var_lign_pol var_lign_vækst
Udfald: Δpolarisering Udfald: vækst
Dependent Var.: d_samf_z bnp_vækst
d_samf_z_l1 0.060. (0.030) -0.579 (0.910)
d_samf_z_l2 -0.039 (0.040) -2.21** (0.663)
bnp_vækst_l1 -0.005* (0.002) 0.315*** (0.053)
bnp_vækst_l2 0.006* (0.003) -0.072* (0.026)
Fixed-Effects: --------------- ----------------
lande Yes Yes
_______________ _______________ ________________
S.E.: Clustered by: lande by: lande
Observations 758 758
R2 0.04345 0.20001
Within R2 0.02186 0.12592
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Effekten er statistisk stærk, men lille og forbigående: Ét procentpoint lavere vækst giver 0,005 standardafvigelses større polariseringsstigning året efter — og fortegnet vender ved lag 2, så rykket klinger af igen. I vækstligningen ses et enkeltstående modsignal (d_samf_z_l2 = -2,21**), som efterprøves i robusthedsblokken, før det tillægges betydning.
Blok 5: Kanalkæden
Mekanismen bag H1 testes led for led: polarisering → usikkerhed → investering → vækst. Analysen er deskriptiv — kausale mediationseffekter kan ikke identificeres i observationsdata (Imai, Keele & Tingley 2010) — og dokumenterer alene, om hvert led viser det forudsagte mønster.
kanal_1 <- feols(wui ~ d_samf_z_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 118 observations removed because of NA values (LHS: 82, RHS: 58).kanal_2 <- feols(investering ~ wui_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 110 observations removed because of NA values (LHS: 19, RHS: 104).kanal_3 <- feols(bnp_vækst ~ investering_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 43 observations removed because of NA values (LHS: 6, RHS: 43).etable(kanal_1, kanal_2, kanal_3,
headers = c("Led 1: Δpol → usikkerhed",
"Led 2: usikkerhed → investering",
"Led 3: investering → vækst"),
digits = 3, fitstat = ~ n + r2 + wr2) kanal_1 kanal_2
Led 1: Δpol → usikkerhed Led 2: usikkerhed → investering
Dependent Var.: wui investering
d_samf_z_l1 0.036 (0.032)
wui_l1 1.57 (1.89)
investering_l1
Fixed-Effects: ------------- -----------
lande Yes Yes
år Yes Yes
_______________ _____________ ___________
S.E.: Clustered by: lande by: lande
Observations 722 730
R2 0.42525 0.49066
Within R2 0.00267 0.00326
kanal_3
Led 3: investering → vækst
Dependent Var.: bnp_vækst
d_samf_z_l1
wui_l1
investering_l1 0.094* (0.038)
Fixed-Effects: --------------
lande Yes
år Yes
_______________ ______________
S.E.: Clustered by: lande
Observations 797
R2 0.58030
Within R2 0.01599
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Kæden knækker i første led: Stigende polarisering skaber ikke målbar usikkerhed inden for landene, og usikkerheden flytter heller ikke investeringerne (led 2, endda forkert fortegn). Kun det mekaniske slutled holder (investering → vækst, 0,094*). Det er den empiriske forklaring på H1-svagheden: Uden et fungerende første led findes ingen transmissionsvej fra polarisering til vækst — de økonomiske aktører ser tilsyneladende igennem den politiske støj i disse institutionelt stærke lande.
Blok 6: Robusthed
H1-hovedmodellen efterprøves systematisk: uden Island, Ungarn og Irland (sidstnævnte med winsoriseret vækst), med Manifesto-målets to alternative versioner og med demokratikontrol (begge indeks). Alle tjek er planlagt før estimation.
rob_uden_isl <- feols(bnp_vækst ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata |> filter(lande != "ISL"),
cluster = ~ lande)NOTE: 61 observations removed because of NA values (LHS: 6, RHS: 61).rob_uden_hun <- feols(bnp_vækst ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata |> filter(lande != "HUN"),
cluster = ~ lande)NOTE: 70 observations removed because of NA values (LHS: 6, RHS: 70).rob_uden_irl <- feols(vækst_wins ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata |> filter(lande != "IRL"),
cluster = ~ lande)NOTE: 70 observations removed because of NA values (LHS: 6, RHS: 70).rob_valgår <- feols(bnp_vækst ~ prog_valgår_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 642 observations removed because of NA values (LHS: 6, RHS: 642).rob_interp <- feols(bnp_vækst ~ prog_interp_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 130 observations removed because of NA values (LHS: 6, RHS: 130).rob_ele <- feols(bnp_vækst ~ samf_z_l1 + ele_dem_l1 + log_bnp_pc_l1 +
handel_l1 + arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 72 observations removed because of NA values (LHS: 6, RHS: 72).rob_lib <- feols(bnp_vækst ~ samf_z_l1 + lib_dem_l1 + log_bnp_pc_l1 +
handel_l1 + arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 72 observations removed because of NA values (LHS: 6, RHS: 72).etable(h1_m2, rob_uden_isl, rob_uden_hun, rob_uden_irl,
rob_valgår, rob_interp, rob_ele, rob_lib,
headers = c("Hoved", "u. ISL", "u. HUN", "u. IRL/wins",
"Valgår", "Interp", "+ele_dem", "+lib_dem"),
digits = 3, fitstat = ~ n + wr2, se.below = TRUE) h1_m2 rob_ude.. rob_ude...1 rob_uden.. rob_val..
Hoved u. ISL u. HUN u. IRL/wins Valgår
Dependent Var.: bnp_vækst bnp_vækst bnp_vækst vækst_wins bnp_vækst
samf_z_l1 -0.458* -0.358 -0.502 -0.401
(0.212) (0.194) (0.286) (0.230)
log_bnp_pc_l1 -6.07** -6.02** -6.21** -5.08*** -4.90*
(1.61) (1.62) (1.82) (1.34) (1.77)
handel_l1 0.061** 0.062** 0.065** 0.044** 0.063***
(0.017) (0.017) (0.020) (0.012) (0.015)
arbejdsløshed_l1 -0.059 -0.057 -0.055 -0.046 0.009
(0.070) (0.070) (0.074) (0.068) (0.071)
inflation_l1 -0.040 -0.038 -0.041 -0.038 0.004
(0.025) (0.024) (0.026) (0.024) (0.008)
prog_valgår_z_l1 -0.291
(0.239)
prog_interp_z_l1
ele_dem_l1
lib_dem_l1
Fixed-Effects: --------- --------- --------- ---------- ---------
lande Yes Yes Yes Yes Yes
år Yes Yes Yes Yes Yes
________________ _________ _________ _________ __________ _________
S.E.: Clustered by: lande by: lande by: lande by: lande by: lande
Observations 768 744 735 735 198
Within R2 0.11909 0.12322 0.11851 0.09952 0.12875
rob_int.. rob_ele rob_lib
Interp +ele_dem +lib_dem
Dependent Var.: bnp_vækst bnp_vækst bnp_vækst
samf_z_l1 -0.681** -0.718**
(0.194) (0.195)
log_bnp_pc_l1 -4.80* -6.16*** -6.08**
(1.74) (1.62) (1.63)
handel_l1 0.061** 0.060** 0.060**
(0.017) (0.018) (0.018)
arbejdsløshed_l1 -0.028 -0.051 -0.049
(0.067) (0.072) (0.072)
inflation_l1 -0.030 -0.039 -0.039
(0.022) (0.024) (0.024)
prog_valgår_z_l1
prog_interp_z_l1 -0.328
(0.225)
ele_dem_l1 -4.75**
(1.42)
lib_dem_l1 -4.28**
(1.44)
Fixed-Effects: --------- --------- ---------
lande Yes Yes Yes
år Yes Yes Yes
________________ _________ _________ _________
S.E.: Clustered by: lande by: lande by: lande
Observations 710 768 768
Within R2 0.10722 0.12418 0.12478
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Tabellens budskab er tydeligt: Retningen er konsistent (alle otte koefficienter negative), men signifikansen overlever ingen af de tre landeeksklusioner — effekten er specifikationsafhængig. Manifesto-nullet er derimod versionsrobust. Bemærkelsesværdigt styrkes polariseringseffekten med demokratikontrol (-0,68/-0,72): Uden kontrollen maskerer demokratikvaliteten en del af effekten (jf. Ungarn, hvor polarisering og demokratisk tilbagegang følges ad). Fundet rapporteres som robusthedsresultat, ikke ny hovedmodel (drøftes med vejleder).
H2 efterprøves med kriseår-dummy (Funke et al. 2016): Måske driver egentlige recessioner polariseringen, ikke marginal vækstvariation.
rob_krise <- feols(d_samf_z ~ krise_l1 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 40 observations removed because of NA values (LHS: 34, RHS: 30).etable(h2_m1, rob_krise,
headers = c("H2: kontinuert vækst", "H2: kriseår-dummy"),
digits = 3, fitstat = ~ n + wr2) h2_m1 rob_krise
H2: kontinuert vækst H2: kriseår-dummy
Dependent Var.: d_samf_z d_samf_z
bnp_vækst_l1 0.003 (0.003)
krise_l1 -0.048. (0.027)
Fixed-Effects: ------------- ---------------
lande Yes Yes
år Yes Yes
_______________ _____________ _______________
S.E.: Clustered by: lande by: lande
Observations 800 800
Within R2 0.00359 0.00586
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Heller ikke kriseår-dummyen finder et signal — H2-nullet i TWFE-form står.
VAR-vækstligningen efterprøves med årseffekter og med 1 lag — særligt modsignalet fra Blok 4.
rob_var_årfe <- feols(bnp_vækst ~ bnp_vækst_l1 + bnp_vækst_l2 +
d_samf_z_l1 + d_samf_z_l2 | lande + år,
data = analysedata, cluster = ~ lande)NOTE: 82 observations removed because of NA values (LHS: 6, RHS: 82).rob_var_1lag <- feols(bnp_vækst ~ bnp_vækst_l1 + d_samf_z_l1 | lande,
data = analysedata, cluster = ~ lande)NOTE: 58 observations removed because of NA values (LHS: 6, RHS: 58).etable(var_lign_vækst, rob_var_årfe, rob_var_1lag,
headers = c("VAR-hoved (2 lags)", "+årseffekter", "1 lag"),
digits = 3, fitstat = ~ n + wr2) var_lign_vækst rob_var_årfe rob_var_1lag
VAR-hoved (2 lags) +årseffekter 1 lag
Dependent Var.: bnp_vækst bnp_vækst bnp_vækst
bnp_vækst_l1 0.315*** (0.053) 0.411*** (0.060) 0.361*** (0.059)
bnp_vækst_l2 -0.072* (0.026) -0.075* (0.032)
d_samf_z_l1 -0.579 (0.910) -1.03. (0.503) -0.645 (0.963)
d_samf_z_l2 -2.21** (0.663) -1.02. (0.524)
Fixed-Effects: ---------------- ---------------- ----------------
lande Yes Yes Yes
år No Yes No
_______________ ________________ ________________ ________________
S.E.: Clustered by: lande by: lande by: lande
Observations 758 758 782
Within R2 0.12592 0.22439 0.14219
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Modsignalet overlever hverken årseffekter eller 1 lag og afskrives som specifikationsafhængigt. Retningskonklusionen fra Blok 4 står urørt.
Endelig regional heterogenitet. Deklareret forbehold: Syd har kun 4 klynger, så kolonnen er indikativ, ikke konklusiv.
rob_regioner <- map(c("Vest", "Syd", "CEE"), \(r)
feols(bnp_vækst ~ samf_z_l1 + log_bnp_pc_l1 + handel_l1 +
arbejdsløshed_l1 + inflation_l1 | lande + år,
data = analysedata |> filter(region == r), cluster = ~ lande))NOTE: 35 observations removed because of NA values (RHS: 35).NOTE: 8 observations removed because of NA values (RHS: 8).NOTE: 29 observations removed because of NA values (LHS: 6, RHS: 29).etable(rob_regioner,
headers = c("Vest (13)", "Syd (4)", "CEE (7)"),
digits = 3, fitstat = ~ n + wr2) model 1 model 2 model 3
Vest (13) Syd (4) CEE (7)
Dependent Var.: bnp_vækst bnp_vækst bnp_vækst
samf_z_l1 -0.683. (0.342) -0.274 (0.315) -0.005 (0.249)
log_bnp_pc_l1 -9.08* (4.06) -5.18 (2.56) -5.65 (3.98)
handel_l1 0.081* (0.034) 0.049 (0.036) 0.034. (0.015)
arbejdsløshed_l1 -0.143 (0.151) -0.120 (0.067) -0.085 (0.235)
inflation_l1 -0.383** (0.093) -0.135 (0.107) -0.023 (0.019)
Fixed-Effects: ---------------- -------------- --------------
lande Yes Yes Yes
år Yes Yes Yes
________________ ________________ ______________ ______________
S.E.: Clustered by: lande by: lande by: lande
Observations 420 132 216
Within R2 0.21297 0.08741 0.08895
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Mønstret er uventet: En eventuel polariseringseffekt er stærkest i Vesteuropa (-0,68·) og fraværende i Central- og Østeuropa (-0,005). En mulig læsning: I CEE er polarisering kronisk og sammenvævet med transitionen, mens polariseringsudsving i konsoliderede vestlige demokratier er sjældnere og dermed mere informative. Åbent spørgsmål til vejleder.
Blok 7: DiD — eurokrisen som kausalt design
Som kausalt designelement estimeres et staggered difference-in-differences med eurokrisen som chok: Steg polariseringen mere i de kriseramte lande (GIIPS) end i sammenlignelige ikke-ramte? Estimator: Callaway & Sant’Anna (2021). Fire foreløbige valg (drøftes med vejleder): treated er GIIPS; timing er bailout-/kriseår; udfaldet er samf_pol i niveau (event-study-formen håndterer ikke-stationariteten via parallel trends); kontrolgruppen er aldrig-ramte lande uden Baltikum, hvis egne 2009-kriser ville forurene sammenligningen. Pakken testes først på eksempeldata.
data(mpdta)
test_did <- att_gt(yname = "lemp", tname = "year", idname = "countyreal",
gname = "first.treat", data = mpdta)
test_agg <- aggte(test_did, type = "simple")
if (is.finite(test_agg$overall.att)) {
cat("Pakketest bestået: did-pakken estimerer (ATT =",
round(test_agg$overall.att, 4), "på eksempeldata)")
} else {
cat("FEJL: did-pakken returnerer ikke et gyldigt estimat")
}Pakketest bestået: did-pakken estimerer (ATT = -0.04 på eksempeldata)did_data <- panel |>
filter(!lande %in% c("EST", "LVA", "LTU")) |>
mutate(gruppe = case_when(lande %in% c("GRC", "IRL") ~ 2010,
lande == "PRT" ~ 2011,
lande %in% c("ESP", "ITA") ~ 2012,
TRUE ~ 0),
lande_id = as.integer(factor(lande))) |>
select(lande, lande_id, år, gruppe, samf_pol) |>
drop_na(samf_pol)
cat(n_distinct(did_data$lande), "lande, heraf",
n_distinct(did_data$lande[did_data$gruppe > 0]), "treated")21 lande, heraf 5 treatedset.seed(119)
did_att <- att_gt(yname = "samf_pol", tname = "år", idname = "lande_id",
gname = "gruppe", data = did_data,
control_group = "nevertreated",
clustervars = "lande_id")Warning in did_standardization(data, args): 1 units are missing in some
periods. Converting to balanced panel by dropping them.Warning in did_standardization(data, args): Some groups in your dataset have very few observations, which may cause estimation problems.
Check groups: 2012,2010,2011.Warning in att_gt(yname = "samf_pol", tname = "år", idname = "lande_id", : Not
returning pre-test Wald statistic due to singular covariance matrixdid_es <- aggte(did_att, type = "dynamic", min_e = -10, max_e = 10)
summary(did_es)
Call:
aggte(MP = did_att, type = "dynamic", min_e = -10, max_e = 10)
Reference: Callaway, Brantly and Pedro H.C. Sant'Anna. "Difference-in-Differences with Multiple Time Periods." Journal of Econometrics, Vol. 225, No. 2, pp. 200-230, 2021. <https://doi.org/10.1016/j.jeconom.2020.12.001>, <https://arxiv.org/abs/1803.09015>
Overall summary of ATT's based on event-study/dynamic aggregation:
ATT Std. Error [ 95% Conf. Int.]
-0.1372 0.1723 -0.475 0.2005
Dynamic Effects:
Event time Estimate Std. Error [95% Simult. Conf. Band]
-10 -0.1775 0.1377 -0.5228 0.1679
-9 -0.0243 0.0276 -0.0935 0.0450
-8 -0.0209 0.0381 -0.1165 0.0746
-7 -0.0176 0.0337 -0.1021 0.0668
-6 -0.0481 0.0310 -0.1259 0.0296
-5 -0.0387 0.0305 -0.1153 0.0378
-4 -0.0010 0.0479 -0.1211 0.1191
-3 0.0751 0.0540 -0.0602 0.2104
-2 0.0957 0.1195 -0.2041 0.3955
-1 0.0720 0.0936 -0.1627 0.3067
0 -0.0658 0.1930 -0.5498 0.4183
1 -0.0025 0.1564 -0.3947 0.3898
2 -0.0326 0.1617 -0.4381 0.3730
3 -0.0561 0.1668 -0.4743 0.3622
4 0.0157 0.1567 -0.3773 0.4088
5 -0.0396 0.1592 -0.4388 0.3596
6 -0.1172 0.1974 -0.6122 0.3779
7 -0.2394 0.2028 -0.7481 0.2693
8 -0.2303 0.1988 -0.7289 0.2684
9 -0.4587 0.2689 -1.1332 0.2157
10 -0.2833 0.3382 -1.1317 0.5651
---
Signif. codes: `*' confidence band does not cover 0
Control Group: Never Treated, Anticipation Periods: 0
Estimation Method: Doubly Robustggdid(did_es) +
labs(title = NULL,
x = "År relativt til krisestart",
y = "Effekt på samfundsmæssig polarisering")
Før-perioden ligger fladt omkring nul (parallel trends holder — designet er gyldigt), og efter-perioden viser ingen effekt: samlet ATT = -0,14, insignifikant. De hårdest kriseramte lande polariserede altså ikke mere end de mildere ramte. Kombineret med Granger-resultatet skærpes fortolkningen: Polariseringen følger de fælles kriser, ikke den differentielle eksponering — begge grupper polariserede, så forskellen er nul.
To planlagte robusthedstjek: uden Irland (både treated og artefakt-tungt) og med “notyettreated” som kontrolgruppe.
set.seed(119)
did_uden_irl <- att_gt(yname = "samf_pol", tname = "år", idname = "lande_id",
gname = "gruppe",
data = did_data |> filter(lande != "IRL"),
control_group = "nevertreated",
clustervars = "lande_id")Warning in did_standardization(data, args): 1 units are missing in some
periods. Converting to balanced panel by dropping them.Warning in did_standardization(data, args): Some groups in your dataset have very few observations, which may cause estimation problems.
Check groups: 2012,2010,2011.Warning in att_gt(yname = "samf_pol", tname = "år", idname = "lande_id", : Not
returning pre-test Wald statistic due to singular covariance matrixes_uden_irl <- aggte(did_uden_irl, type = "dynamic", min_e = -10, max_e = 10)
set.seed(119)
did_nyt <- att_gt(yname = "samf_pol", tname = "år", idname = "lande_id",
gname = "gruppe", data = did_data,
control_group = "notyettreated",
clustervars = "lande_id")Warning in did_standardization(data, args): 1 units are missing in some
periods. Converting to balanced panel by dropping them.Warning in did_standardization(data, args): Some groups in your dataset have very few observations, which may cause estimation problems.
Check groups: 2012,2010,2011.Warning in att_gt(yname = "samf_pol", tname = "år", idname = "lande_id", : Not
returning pre-test Wald statistic due to singular covariance matrixes_nyt <- aggte(did_nyt, type = "dynamic", min_e = -10, max_e = 10)
cat("Samlet ATT, tre versioner:\n")Samlet ATT, tre versioner:cat("Hovedversion: ", round(did_es$overall.att, 3),
"( SE", round(did_es$overall.se, 3), ")\n")Hovedversion: -0.137 ( SE 0.172 )cat("Uden Irland: ", round(es_uden_irl$overall.att, 3),
"( SE", round(es_uden_irl$overall.se, 3), ")\n")Uden Irland: -0.132 ( SE 0.201 )cat("Notyettreated: ", round(es_nyt$overall.att, 3),
"( SE", round(es_nyt$overall.se, 3), ")\n")Notyettreated: -0.136 ( SE 0.171 )(ggdid(es_uden_irl) + labs(title = "Uden Irland",
x = NULL, y = "Effekt på samf_pol")) /
(ggdid(es_nyt) + labs(title = "Kontrol: notyettreated",
x = "År relativt til krisestart",
y = "Effekt på samf_pol"))
Begge tjek bekræfter hovedresultatet — nul-forskellen er robust over for enkeltlande og kontrolgruppevalg.
Samlet billede
Analysen efterlader fire hovedfund. For det første er samfundsmæssig og programmatisk polarisering to distinkte fænomener (within-korrelation 0,26; Polen 2005 som nøgleeksempel), og v2cacamps er valideret som mål for lejrdannelse (Reiljan-korrelationen). For det andet koster programmatisk polarisering ikke målbar vækst — et robust nul på tværs af alle specifikationer. For det tredje viser samfundsmæssig polarisering en konsistent negativ vækst-tendens, hvis statistiske sikkerhed dog afhænger af specifikationen — og kanalanalysen forklarer hvorfor: Transmissionsvejen via usikkerhed og investeringer er brudt i første led. For det fjerde — analysens stærkeste fund — peger kausalpilen den anden vej: Væksten forudsiger polariseringsændringerne (Granger p < 2,2e-16, robust), mens det omvendte er nul; effekten er dog beskeden og forbigående, og DiD-designet viser, at den virker via fælles europæiske kriser snarere end landespecifik modgang. Samlet: I konsoliderede europæiske demokratier er politisk polarisering primært et produkt af økonomien — ikke en årsag til dens problemer — og de institutionelle rammer ser ud til at afskærme økonomien fra polariseringen. Effekterne i litteraturen, der peger den anden vej, er fundet i svagere institutionelle kontekster; vores fund afgrænser dermed, hvor polarisering bliver økonomisk farlig.