Hvor gode er politiske risikoindikatorer i virkeligheden?
Camilla Jensen, Lektor, RUC
8. marts, 2019
Baggrund
- Politiske risiko indikatorer i forskning (ofte er nogle ad hoc dummy variable bedre)
- I praksis - vanskeligt at overskue hvor meget materiel skade de er aarsag til
- Mangel paa pluralitet/flere metoder i udvikling af indikatorer
- I virkeligheden meget ad hoc (kontra modelbaseret i aktuarvidenskab)
- Ideen er her i modsaetning til aktuarvidenskab at tage udgangspunkt i en mere databaseret tilgang
- Problemet er heller ikke det samme som i aktuarvidenskab (e.g. prisfastsaette produkter og paavirke adfaerd)
- Politisk risiko, finansiel sektor risiko og vejrdata har afsaet i komplekse systemer og ikke individbaseret adfaerd
- Med bedre data end dem jeg har brugt (altsaa data for, hvor meget kaffe der serveres i Starbucks - eller hvor meget kaffe entreprenoerer investerer i her og nu) kan man udvikle bedre modeller
Problemer med eksisterende indikatorer
Eksempel ved undersaettene i ICRG indikatoren
Praksis/feltproeve - international business og politisk risiko (saet I)
Forsoeg - kan man udvikle bedre indikatorer vhja. aktivitetsdata? (saet II)
Foreloebige tests - Granger + Panel
Nogle grundlaeggende forskelle
- Tester forskellige ting
- Handler begge om kausalitet men paa forskellige maader
- Granger viser kun om der er kausalitet eller ej
- Almindelig viser om der er 'korrelation'
- Sammen er de selvfoelgeligt 'staerkere'
- Problemet med panel rutinen (Dumitrescu og Hurlin, 2012) er at den tillader en separat haeldning (altsaa Beta) for hvert land, men det er vi ikke interesseret i for den 'almindelige' panel model, fordi vi vil have et resume af den gennemsnitlige effekt over alle landene…(for at tjekke at retningen for kausaliteten overhovedet giver mening)
- Altsaa der kan godt vaere kausalitet for nogle af landene, men i den almindelige model kan det blive udvandet til en gennemsnitlig nul effekt hvis reaktionsmoenstre i de enkelte lande udligner hinanden
- Derfor antager jeg at Granger er mere retvisende?
Foreloebige resultater
- H0 - accepteres v. 4 lags (dvs. 1 aar) og kun for negative politiske events
- H1 - accepteres v. 2 og 4 lags
- H2 - accepteres for Granger ved alle lags, men problemer for fortegnsanalysen
- H3 - accepteres for Granger ved alle lags, men problemer for fortegnsanalysen (og to-vejs)
- H4 - accepteres kun den ene vej ved 2 lags
Alternative typer af (Big) data der kan inddrages/forbedres
- F.eks. international handel / shipping (Maersk data)
- International produktion af f.eks. cement (FLS data)
- NASA - Earth Science Data (kan bl.a. registrere forbrug af el, energi etc.)
- Event data (GDELT) er rigtig gode, men de skal sorteres
- Mange af disse datasaet er af uoverskuelig stoerrelse og kan ikke haandteres paa en normal computer, f.eks. efter 2014 er GDELT datasaettet saa stort at mit nuvaerende system ikke kan indlaese det i et straek
- Soeger interessenter og samarbejdspartnere eller f.eks. virksomheder som sponsorere, men foerst skal det udvikles lidt mere..
