Örebro universitet
Handelshögskolan vid Örebro universitet
Kurs: Economic Research and Communication (NA303G)
Vårtermin 2024
Effekten av AI-kompetens på löner i företag
inom serviceyrken
Rozali Hakko 010615–7365
Innehållsförteckning
1. Introduktion och frågeställning ........................................................................................................................ 3
2. Sammanfattning av artiklar .............................................................................................................................. 3
3. Teori och hypoteser ............................................................................................................................................ 5
4. Data ...................................................................................................................................................................... 5
6. Resultat .............................................................................................................................................................. 10
7. Statistiska tester för heteroskedasticitet och multikollinearitet ................................................................... 13
8. Slutsatser och reflektioner ............................................................................................................................... 14
9. Referenser.......................................................................................................................................................... 15
Appendix tabeller ................................................................................................................................................. 16
1. Introduktion och frågeställning
I flera decennier har företag försökt implementera AI i form av smarta algoritmer och
maskininlärning. Det bakomliggande syftet är bland annat för att öka produktiviteten samt
reducera kostnaderna. Genom att undersöka AI:s centrala roll fokuserar denna studie på att
belysa effekterna som AI medför på den genomsnittliga lönenivån i företag. Den undersökta
datan omfattar olika serviceyrken i Sverige mellan 2009–2020. Studien tittar även på andra
aspekter av företagen för att se om de har några potentiella lönefördelar till följd av tekniska
framsteg. I studien mäts AI som efterfrågan på AI-kunskaper i jobbannonser.
Företagen är listade av svensk näringsgrensindelning 2007 (SNI) och företagen som används i
studien tillhör NACE industrier: F (byggverksamhet), G (handel: reparation av motorfordon
och motorcyklar), H (transport och magasinering), I (hotell och restaurangverksamhet), L
(fastighetsservice, resetjänster och andra stödtjänster), S (annan service verksamhet).
För att studera och besvara frågan används olika uppskattningsmodeller, inklusive PooledOLS, fixed effects (FE) och random effects estimatorn (RE). Olika regressionsmodeller och en
omfattande korrelationstabell används också för att förstå sambandet och undersöka
potentiella problem i datan. Estimatorn för FE har visat sig ge de mest signifikanta resultaten.
Hypotesen som testas i studien baseras på vetenskapliga artiklar och syftar till att avgöra om
AI har en inverkan på lönenivåer för anställda i ovannämnda branscher. Resultatet från
regressionsmodellerna antyder på att branscherna inte värderar AI-kunskaper högt i sina
jobbannonser. Ytterligare visar modellerna symptom på heteroskedasticitet, utelämnade
variabelbias och multikollinearitet.
2. Sammanfattning av artiklar
I en rapport av Statistiska centralbyrån beskrivs AI som ett självstyrande system som agerar
och analyserar för att uppnå ett visst syfte (SCB, 2020). Rapporten uppges vara ett projekt av
infrastrukturdepartementet med avsikt att analysera en stor mängd data för företag i offentligoch privat sektor, samt universitet- och högskolesektorn. Målet är bland annat att titta på olika
företags ekonomiska investeringar för att ta sig an AI, samt de utmaningar som uppstår i olika
branscher till följd av AI-implementering. SCB hävdar i rapporten att "Sverige ska vara
ledande i att ta vara på möjligheterna med artificiell intelligens för att stärka svensk välfärd
och konkurrenskraft" och understryker AI:s betydelse för Sveriges framtid.
Rapporten använder kvantitativ metod baserad på enkätundersökningar som inkluderar flera
delar av samhället. Utöver frågeformulären granskades 981 årsrapporter som en alternativ
metod i syfte att finna tecken på AI-användning. Resultatet visade att endast 18 av dessa
rapporter innehöll tecken på AI.
3
Enligt rapporten använder 22,5 % av företagen inom den offentliga sektorn AI, medan
andelen för universiteten är lägre, 12,2 %. Enligt 2019 års siffror är informations- och
kommunikationsteknikbranschen (IKT) ledande när det gäller AI-användning.
AI är också flitigt använt i affärssektorn för att utveckla produkter och tjänster med AIbaserade programvaror som kostar affärsföretagen cirka 5,6 miljarder kronor år 2019.
Beloppet var däremot mycket lägre för offentliga sektorn, 167 miljoner. I resultatavsnittet
framgick ytterligare att det vanligaste hindret företagen i affärssektorn stöter på är AIrelaterade kostnader. Berörande den offentliga sektorn är hindret personalens AI-kompetens,
utbildning och erfarenhet. Utöver de tidigare resultaten beaktade rapporten även internationell
statistik, där Sverige hade en liknande grad av AI-användning som Danmark (cirka 6%),
medan Japan var ledande med 14%.
Allt eftersom AI används i större utsträckning växer även efterfrågan på AI-kunskaper.
Alekseeva m.fl. (2021) undersökte förhållandet grundligt, där studien främst fokuserade på
potentiella löneskillnader för anställda med AI-kompetens. Detta är särskilt relevant att
undersöka eftersom artikeln betonade AI:s stora inverkan på framtidens arbetsmarknad. En
ytterligare relevant anledning till artikelvalet är att den belyser hur företagsegenskaper såsom
företagsstorlek och patentinnehav kan påverka efterfrågan på AI-kompetens.
Den empiriska datan som används i artikeln är från Burning Glass Technologies (BGT) och
omfattar perioden från 2010–2019. För att bedöma efterfrågan på AI undersöks andelen
jobbannonser som har AI-kunskaper som krav. Dessutom undersöks bland annat effekten
av företagsinvesteringar i forskning och utveckling samt lönsamhet som oberoende
variabler.
I resultatavsnittet redovisas att efterfrågan på AI ökade främst under de senare åren av
studieperioden. Stora företag som har råd att investera i FoU är mer benägna att kräva AI i
deras jobbannonser. Vidare visade analysen att anställda med AI-kunskaper erbjuds en
högre lön jämfört med anställda som besitter mjukvarukunskaper. Författarna drog också
slutsatsen om att stora bolag med en hög andel AI-relaterade jobb tenderar att betala en
högre lön även för icke-AI-positioner. Slutligen framgick det att kompletterande
färdigheter till AI såsom mjukvara och projektledning fortfarande är mycket efterfrågade,
medan behovet av kundtjänstyrken minskar.
4
3. Teori och hypoteser
Artiklarna av SCB (2020) samt Alekseeva m.fl. (2021) stödjer teorin bakom forskningsfrågan
i denna studie. För att undersöka effekten hur efterfrågan på AI-kunskaper påverkar
lönenivåer inom företag kommer följande hypotes att testas empiriskt:
Hypotes: Efterfrågan på AI-kunskaper har en effekt på lönenivån i företag inom olika
serviceyrken.
Enligt SCB:s studie används AI till viss del inom hotell- och restaurangbranschen, i form av
chatbottar, men behovet av AI-talanger är dock ännu inte särskilt stort. Ytterligare pekar
rapporten på ett allmänt hinder i form av bristande AI-förmågor, vilket relaterar till hypotesen
då bristen driver upp löner för personal med relevanta AI-kunskaper. SCB fann även att AIanvändningen varierar stort emellan de undersökta branscherna, där bygg- och
transportverksamheten har lägst AI-användning, medan fastighetsbranschen har en högre
benägenhet att använda AI för att exempelvis bygga nya smarta energilösningar.
Alekseeva m.fl. presenterar flera teoretiska ramverk som också stödjer hypotesen. Författarna
beskriver att AI antingen behandlas som ett komplement eller substitut. I vissa serviceyrken,
som kundtjänst, kan AI vara ett substitut, vilket minskar efterfrågan på personal och därmed
sänker lönerna i dessa branscher. Å andra sidan kan AI ha en komplementär effekt, där
individer som hanterar AI-system och avancerade algoritmer blir mer värdefulla och
efterfrågade på marknaden, vilket resulterar i högre löner. Detta är även i linje med SCB:s
teori om AI:s effekt på löner.
4. Data
Datan som används i denna undersökning är en relationsdatabas (RDB) som kombinerar tre
separata datamängder: data om yrken, jobbannonser samt Serrano-datasetet. Serrano-datasetet
innehåller uppgifter om svenska företag från 1997 fram till idag. Dessa datamängder har
slagits samman för att skapa en enhetlig dataset för analysen. Datan är en obalanserad
paneldata som innehåller från början 13 514 observationer och 202 variabler härledda från ett
slumpmässigt urval av 1 563 svenska bolag (2009–2020). Variablerna utgår ifrån företagens
årsredovisningar och inkluderar företagsregistreringar, finansiella kostnader och
likviditetsdata. Datan omfattar även en del verksamheter och branscher, samt många län runt
om i Sverige. Övriga branscher filtrerades bort i linje med de undersökta branscher som
angavs i början av studien, vilket uteslöt 7 307 observationer. Studien undersöker dessutom
endast 19 län i Sverige där Kalmar och Kronoberg exkluderades.
Tabell 1 visar de valda variablerna. Den beroende variabeln är löner uttryckt i naturliga
logaritmen för att uppskatta löneförändringar för anställda. I denna studie är ai_dummy
behandlingsvariabeln. De övriga kontrollvariablerna inkluderar företagsstorlek, mätt i antal
anställda, år som representerar tidsaspekten, kapitalstock som speglar företagets tillgångar,
5
produktionskostnader som visar företagets totala kostnader för att producera varor, samt
patent som indikerar företagets innovationsnivå. Dessa variabler har valts baserat på analys av
de undersökta företagen, tidigare artiklar och även den testade hypotesen eftersom de bedöms
ha en potentiell effekt på sambandet mellan AI och lönenivåer.
Produktionskostnadsvariabeln inkluderades eftersom den är särskilt relevant för företag inom
byggbranschen, fordonsreparationer samt transport och magasinering, där produktionen är en
central del av verksamheten. Produktionskostnaderna fungerar som ett bra mått på
företagsinvesteringar i teknologi. Högre produktionskostnader kan innebära att företag är mer
benägna att implementera modern teknik som AI, vilket i sin tur kan påverka anställdas löner.
Patentvariabeln är viktig i denna studie, eftersom det finns 801 patentinnehavande företag i
datasetet, vilket stödjer Alekseevas artikel om att patentägande kan ha en effekt på ökade
investeringar i AI och följaktligen leda till högre löner. Vidare har 557 företag av 4 891
efterfrågat AI i sina jobbannonser.
Tabell 1. Definitionen av undersökta variabler
Tabell 2 visar deskriptiv statistik för de undersökta variablerna. Den presenterar även viktiga
statistiska mått, inklusive medelvärde, median, standardavvikelse, minimi- och
maximivärden. Antalet observationer är 5 433. Statistiken visar skevhet i vissa variabler,
exempelvis produktionskostnader, på grund av stora skillnader mellan medel- och
medianvärden, vilket tyder på en icke-normal fördelning. Alla variabler med ett minimivärde
på 0 och ett maxvärde på 1 är dummyvariabler. Löner, anställda, år och kapitalstock har
relativt nära medel- och medianvärden, som innebär att datan är jämnt fördelad. Län variabeln
har en median på 1, vilket indikerar att dem flesta företag som undersöks i datasetet befinner
sig i Stockholms län. Ett avvikande mått är att medianen för produktionskostnader är 0, vilket
innebär att mer än hälften av företagen i datasetet saknar rapporterade produktionskostnader.
Detta kan både bero på att de är tjänsteföretag utan faktiska produktionskostnader eller att
uppgifterna helt enkelt inte har redovisats. För att undvika selektionsbias behölls 0-värdena
för variabeln i denna studie.
6
Tabell 2. Deskriptiv statistik
Tabell 3 visar tydligt att det starkaste sambandet (0,945) är mellan antalet anställda och löner,
vilket innebär att fler anställda leder till högre personalkostnader. Dessutom är korrelationen
mellan kapitalstock och produktionskostnader 0,683, vilket tyder på att större
kapitalinvesteringar medför högre produktionskostnader. Detta är särskilt tydligt i
kapitalintensiva branscher såsom bygg-, transport- och hotellindustrin.
Löner och produktionskostnader har en stark positiv korrelation på 0,615, vilket visar att
företag som vill producera mer frekvent kräver fler anställda, vilket driver upp lönekostnader.
En trolig förklaring till detta är att löner är en del av produktionskostnaderna och en större
arbetsstyrka kan resultera i högre personalkostnader, vilket i sin tur leder till högre totala
produktionskostnader. Från korrleationstabellen framgår det att valet av produktionskostnader
och kapitalstock som kontrollvariabler är avgörande för analysen.
Tabell 3. Korrelationstabell
7
5. Den ekonometriska metoden som används för att testa hypotesen
H0: Efterfrågan på AI-kunskaper har ingen effekt på lönenivån i företag inom olika
serviceyrken.
H1: Efterfrågan på AI-kunskaper har en effekt på lönenivån i företag inom olika serviceyrken.
Ekonometrisk modell-ekvation:
ln(salariesit) = β0 + β1 (ai-dummyit ) + β2 (år) + β3 ln(kapitalstockit) + β4 ln(produktionkosit) +
β5 (patent_dummyit) + β6 ln(employeesit) + β7 (bransch) + β8 (län) + αi + uit
ln(salariesit), representerar den logaritmiska lönenivån för företag "i" vid tidpunkten "t". Den
logaritmiska formen av den beroende variabeln möjliggör tolkning av resultaten i procentform
i stället för i absoluta termer. AI-variabeln sammanfattas som ett medelvärde, vilket anger
andelen jobbannonser som efterfrågar AI-kunskaper för ett specifikt företag och år. Vidare
omvandlas variabeln till en binär variabel (ai_dummy). Ett värde på 1 indikerar att företag
efterfrågar AI, medan ett värde på 0 indikerar att efterfrågan på AI saknas.
Till följd av att tidsaspekten är avgörande i analysen har variabeln (år) behandlats som en
kontrollvariabel. Datan indikerar en starkare efterfråga på AI-kunskaper i annonser under de
senare åren av studien. Kapitalstock är en logaritmisk kontrollvariabel som representerar
materialresurser inklusive maskiner, byggnader och annan produktionsutrustning.
patent_dummy är en annan binär kontrollvariabel vars siffra 1 representerar att företaget har
patent och 0 om patent saknas. Patent är en viktig faktor som förklarar varför vissa företag
kräver AI-kunskaper från sina anställda, vilket således kan påverka lönenivån i företag med
patentinnehav.
En annan viktig variabel för att bedöma ett företags produktionsstyrka är den logaritmiska
produktionskostnad variabeln, där ökad produktion antas förbättra möjligheten att
implementera teknologi och AI. En potentiell konsekvens till detta är ökade lönenivåer,
särskilt i de branscher och verksamheter som är starkt beroende av sin produktion.
Företagsstorleken är representerad i antal anställda (lemployees) för att analysera
personalstyrkan, eftersom större företag tenderar att integrera AI en snabbare takt än mindre
företag.
Branschvariabeln återspeglar den bransch företaget är verksam i. Denna studie förutsätter att
branschvariabeln spelar en viktig roll, eftersom lönenivåerna varierar mellan olika branscher.
Dessutom finns det olika AI-behov i de undersökta branscherna, vilket ger en tydligare
förståelse över hur AI påverkar löner genom att fånga löneskillnader i olika verksamheter.
De geografiska skillnader fångas av variabeln (län) som anger vilka län dessa företag
lokaliseras i. Statistiken visar att län (01, Stockholms län) har högst efterfrågan på AIkompetens i jobbannonser jämfört med andra län i Sverige, med undantag för Kalmar och
Kronoberg.
Variabeln αi representerar den oobserverade effekten för varje företag över tid. Det kan till
exempel vara specifika egenskaper hos företag såsom företagskultur, som inte beaktas i
modellen. Feltermen uit hänvisar däremot till alla oobserverade effekter som påverkar lönerna
och fluktuerar över tid, men som inte fångas upp av modellen. En annan benämning för
feltermen är idiosynkratiska fel.
8
Pooled OLS används i studien för att utvärdera paneldata oavsett panelstruktur, eftersom
datasetet har en obalanserad struktur. Paneldatan undersöks med hjälp av en enkel linjär
regression. Värt att poängtera är att Pooled OLS-estimatorn har en nackdel då den inte tar
hänsyn till oobserverade variabler som kan påverka resultaten, vilket medför en risk för
utelämnad variabelbias.
Heteroskedasticitet och autokorrelation justeras i studien genom att använda klustrade
standardfel för paneldata. I datasetet är standardfelen klustrade för specifika grupper som
företags-ID och år, vilket innebär att standardfelen justeras för korrelation inom dessa
grupper. Metoden tar även hänsyn till autokorrelation som inträffar när observationer från
samma företag eller år är korrelerade.
Fasta effekter (fixed effects estimator) och slumpmässiga effekter (random effects estimator)
är alternativa metoder för att hantera paneldata. FE-estimatorn tar hänsyn till individuella
tidsinvarianta faktorer genom att eliminera observationer som är konstanta övertid, vilket kan
resultera i mer exakta uppskattningar. Slumpeffektsestimatorn (RE) antar däremot att alla
unika observationer är slumpmässigt utvalda och inte korrelerar med de oberoende
variablerna. Dessa observationer betraktas i stället som en del av feltermen. Om antagandet
för RE håller är RE-estimatorn mer effektiv än FE. Enligt resultaten håller inte antagandet,
vilket gör FE till ett mer pålitligt modellval. För att ytterligare bekräfta detta och avgöra
vilken metod som är lämpligast för datasetet används Hausman-testet. Testet jämför
koefficienterna från FE- och RE-modellerna. Nollhypotesen i testet innebär att det inte finns
någon systematisk skillnad mellan koefficienterna och eftersom Hausman-testet förkastar
nollhypotesen innebär det att FE-modellen är att föredra, då den ger en bättre uppskattning av
datan.
Endogenitet är ett potentiellt problem vid dataanalysen. Endogenitet uppstår när en eller flera
oberoende variabler korrelerar med feltermen uit , vilket resulterar i en partisk och
inkonsekvent uppskattning. En illustration av detta framhävs av produktionskostnadsvariabeln
som kan vara beroende av andra faktorer som inte fångas upp av modellen, vilket resulterar i
en korrelation med feltermen. I dataanalysen finns även risk för omvänd kausalitet. I modellen
förväntas efterfrågan av AI resultera i ökade löner, motsatsvis kan dock företag som redan har
en hög lönenivå vara mer benägna att efterfråga AI.
För att ta hänsyn till endogenitet och omvänd kausalitet kan en instrumentvariabel (IV)
användas. Om produktionskostnadsvariabeln antas vara endogen kan energi- eller råvarupriser
användas som en instrumentvariabel, eftersom priserna på olika råvaror kan ha betydelse för
hur mycket ett företag producerar. Energi- och råvarupriser kan fungera som en relevant
instrumentvariabel då den uppfyller det första antagandet genom att den inte ingår i
regressionsmodellen. Vidare innebär detta att instrumentvariabeln är kopplad till
produktionskostnader för företag inom de analyserade branscherna och därmed uppfyller
andra villkoret, att IV måste vara korrelerad med förklaringsvariabeln (produktionskostnader).
Sista antagandet är exogenitet som säger att instrumentvariabeln inte ska korrelera med
feltermen, utan endast påverka löner via den endogena variabeln. I det här fallet innebär det
att energi- och råvarupriser inte ska påverkas av andra faktorer som direkt påverkar löner. Det
är dock svårt att bekräfta antagandet eftersom externa faktorer kan påverka både löner och
produktionskostnader, vilket i sin tur kan leda till en korrelation sinsemellan. Av den
anledningen är det oklart om IV-variabeln uppfyller exogenitetskravet.
9
6. Resultat
Tabell 4. Resultat
10
Resultaten av flera regressioner visas i tabell 4. Tolkningen av samtliga parametrar bygger på
ceteris paribus som betyder att andra faktorer hålls konstanta. Pooled OLS-regressionen visar
ett positivt samband mellan löneförändringar i företag och efterfrågan på AI-kunskaper. Det
betyder att om företag efterfrågar AI i sina jobbannonser (ai_dummy ökar från 0 till 1),
kommer lönerna att stiga med 5 % i förhållande till företag som inte efterfrågar AI, förutsatt
att alla andra faktorer hålls konstanta. Enligt resultaten från FE- och RE-modellerna framgår
det att AI-variabeln inte är statistiskt signifikant, vilket motstrider studiens hypotes. Däremot
är AI-kunskaper statistiskt signifikant på en 10% nivå enbart i Pooled OLS-regressionen, där
modellen inte tar hänsyn till panelheterogenitet.
Variabeln år visar ett positivt samband och är signifikant i samtliga modeller. Koefficienten
ligger konsekvent mellan 0,23 och 0,24, vilket indikerar att lönenivåer ökar mellan 2,3 och
2,4% årligen, oavsett modell. Variabeln anställda har en hög koefficient på 0,886, som medför
att om personalstyrkan växer med 1% kommer lönerna att öka med 0,886%. Dessutom är
variabeln statistiskt signifikant på 10% signifikansnivå i Pooled OLS-regressionen (p =
0,013<0,1).
Patentvariabeln visar ett negativt förhållande med företagets lönenivåer, vilket motsäger det
ursprungliga antagandet om en positiv koppling till löner. En möjlig förklaring är att
patentföretag har en konkurrensfördel som ger dem marknadsmakt, vilket gör att de inte
behöver höja lönerna för att attrahera arbetskraft. En annan potentiell utgångspunkt är att de
branscher som analyseras i studien är kapitalintensiva, vilket tyder på att fokuset sannolikt
ligger på investeringar i anläggningar och maskiner, snarare än löneökningar. Signifikansen
för patent försvinner i FE-regressioner vilket innebär att lägre löner inte beror på patenten i
sig, utan snarare på andra bakomliggande egenskaper hos företagen.
Koefficienten för kapitalstocken är -0,011 vilket innebär att om kapitalstocken i företaget ökar
med 1% leder det till 0,011% minskning av lönenivån för anställda. I FE-regressionen är
sambandet däremot positivt (0,016% ökning). Skillnaden i tecken, negativ respektive positiv,
i dessa modeller beror möjligen på företagsspecifika effekter. Pooled OLS tar inte hänsyn till
dessa effekter som i sin tur resulterar i snedvridna resultat. Å andra sidan kontrollerar FEmodellen för dessa effekter och eliminerar deras påverkan, vilket gör att uppskattningen
mellan kapitalstock och löner blir mer trovärdig.
Variabeln produktionskostnader uppvisar en stor statistisk signifikans i samtliga modeller och
har störst effekt i FE-modellen, vilket indikerar att en 1% ökning av produktionskostnaderna
höjer lönenivån med 0,149%.
Den sista variabeln i tabellen är län som omfattar alla svenska län, förutom Kalmar och
Kronoberg. Länsvariabeln visar en svag men signifikant negativ effekt i samtliga modeller
(-0,001 eller -0,003), vilket tyder på att det finns en liten skillnad i lönenivåerna mellan olika
län. Dessa skillnader kan förklaras av olika regionala arbetsmarknadsförhållande,
11
levnadskostnader och andra strukturella faktorer. I FE-modellen är länsvariabeln ej
signifikant, vilket innebär att effekten minskar när man tar bort tidsinvarianta faktorer inom
företagen. Variabeln bransch är borttagen från resultattabellen då den visar tecken på
kollinearitet som innebär att variabeln inte bidrar med tillräcklig unik variation när andra
effekter kontrolleras. Det kan också möjligen bero på att effekten av bransch redan fångas upp
av andra variabler.
I modellen beskrivs variationen genom termen R-kvadrat som är 0,92, vilket är samma värde
som justerade R-kvadrat i Pooled-OLS regressionen. Detta koefficentvärde innebär att nästan
92% av lönerna förklaras av variablerna i modellen. I FE-modellen sjunker R-kvadraten till
0,78, som betyder att endast 78% av variationen i lönerna förklaras. Den justerade Rkvadraten minskar på samma sätt till 0,74, vilket är vanligt därför att som tidigare nämnt
elimineras specifika fasta effekter i FE-modellen.
Panelheterogenitet handlar om konstanta företagsspecifika effekter och eventuella
karaktärsdrag som skiljer företag åt. Om panelheterogenitet ignoreras och studien enbart
använder Pooled OLS-regressionen som inte kontrollerar effekterna, riskerar modellen
utelämnad variabelbias. Ett möjligt tillvägagångssätt att hantera panelheterogenitet är genom
FE- och RE-modeller.
Tabell 4 visar att RE-modellen ger resultat som liknar dem från Pooled-OLS. Däremot är
koefficienterna i FE-modellen skiljaktiga.
Som ovan nämnt används Hausman-testet både för att jämföra RE- och FE-modellerna,
samtidigt som den avgör den mest lämpliga uppskattningsmodellen för att hantera
panelheterogenitet och ge bäst trovärdighet. Testet resulterar i ett mycket lågt chi2-värde på
0,000, vilket gör att nollhypotesen förkastas och konstaterar att FE-modellen utgör det mest
lämpliga valet.
För att testa om kontrollvariablerna gemensamt är signifikanta och betydelsefulla har två
regressioner genomförts med ojusterade standardfel. Resultatet visar Prob > F= 0,000, ett
resultat som innebär att kontrollvariablerna gemensamt är betydelsefulla och att det med
säkerhet förkastar nollhypotesen. Tabell 4 stödjer resultat ovan genom höga värden på Fstatistiken för Pooled-OLS (2006.69) och FE-regressionen (1736.2), samt det höga chi2-värdet
i RE-modellen (20840,61).
12
7. Statistiska tester för heteroskedasticitet och multikollinearitet
•
Heteroskedasticitet
Ett Wald-test har genomförts för FE-estimatorn för att fastställa om modellen uppvisar
tecken på heteroskedasticitet. Nollhypotesen i testet innebär att variansen är konstant för
alla företag och då p-värdet (0,000) är väsentligt lägre än 0,05 kan vi med säkerhet
förkasta nollhypotesen, vilket tyder på att modellen lider av heteroskedasticitet.
•
Multikollinearitet
Variansinflationsfaktorn (VIF) används i dataanalysen för att mäta hur mycket variationen
ökar på grund av multikollinearitet mellan förklaringsvariablerna. Ju högre VIF-värde
desto större är sannolikheten för multikollinearitet, vilket kan påverka resultaten negativt.
VIF-metoden genomförs dock för Pooled OLS med samma specifikationer som FEestimatorn. Detta beror på att VIF inte direkt kan beräknas för FE-estimatorn eftersom den
tar hänsyn till paneldatatransformationen där konstanta effekter elimineras. Av den
anledningen appliceras VIF på Pooled OLS-regressionen för att identifiera
multikollinearitet.
Variablerna i tabell 5 har låga VIF-värden. Ett värde på 1 indikerar att variabeln inte har
någon multikollinearitet. Å andra sidan visar ett värde på 10 multikollinearitet. Tidigare i
studien har det nämnts att branschvariabeln eliminerats på grund av kollinearitet, vilket så
också är fallet i tabell 5. Vid analysering av tabellens värden kan det konstateras att trots
produktionskostnadernas och kapitalstockens något höga VIF-värden ligger de fortfarande
under gränsen och är acceptabla. Den genomsnittliga VIF är 1,43 vilket visar att modellen
som helhet saknar multikollinearitet.
Tabell 5: VIF resultat
13
8. Slutsatser och reflektioner
Studien ger inte statistiskt stöd för hypotesen om att efterfrågan på AI-kunskaper påverkar
lönenivån i företag inom olika serviceyrken. Detta framgår tydligt i tabell 4 att AI-kunskaper
inte är statistiskt signifikant i FE-estimatorn, trots att studien stöds av vetenskapliga artiklar.
En möjlig förklaring till detta är att de analyserade verksamheterna inte har implementerat AI
i samma utsträckning som till exempel informations- och kommunikationsbranschen. Hotell
(I), handel (G) och service (S) branscherna är mycket beroende av mänsklig kontakt, vilket
kan förklara varför AI efterfrågas i mindre utsträckning i dessa industrier. AI och
digitalisering kräver en hög kompetensnivå vilket sannolikt är anledningen till den långsamma
implementeringen av AI i bygg (F) och fastighetsbranschen (L). Baserat på analysen kan
slutsatsen dras att dessa företag inte är ointresserade av AI, utan snarare står inför svårigheter
med dess implementering.
Dataanalysen visar att FE-estimatorn presterar bäst när det gäller att förutsäga data. Däremot
har FE-estimatorn uteslutit konstanta observationer som inte förändras över tid, vilket var en
utmaning för studien, då vissa företag efterfrågade AI under hela studieperioden, men ändå
exkluderades vid användning av FE-estimatorn.
Många av de utvalda variablerna såsom kapitalstock och produktionskostnader är signifikanta,
vilket bekräftar tidigare resonemang om att de undersökta företagen är kapitalintensiva.
Konsekvensen av detta är att dessa variabler har en starkare inverkan på lönenivåerna jämfört
med andra. Patentvariabeln visade sig inte vara signifikant i någon av modellerna och hade
därmed ingen större effekt på löner i företag.
Modellen lider av heteroskedasticitet i FE-estimatorn som ett resultat av Wald-testet.
Kollinearitet förekommer för branschvariabeln eftersom variabeln är binär och enbart
representerar specifika branscher och har därför uteslutits från regressionerna.
Slutsatserna ovan antyder på att hypotesen kan vara korrekt, men den kan inte verifieras i den
här studien. Förhållandet mellan AI och lönenivåer är komplext och det kan påverkas av en
mängd olika faktorer som inte beaktas i studien, därmed kan det argumenteras för att det
krävs mycket mer analys för att med säkerhet konstatera ett samband. En rimlig
policyrekommendation kan anses vara att subventionera AI eller att investera mer i utbildning
för att underlätta arbetskraftens anpassning till AI, vilket så småningom kan leda till högre
löner.
En av de främsta utmaningarna i den här studien är omvänd kausalitet. Utgångspunkten i
studiens hypotes var att AI kan ha en inverkan på lönerna, men sambandet kan likaväl vara
det omvända. Högre löner kan till exempel leda till att fler företag använder och efterfrågar
AI. Omvänd kausalitetanalysen gäller även för övriga kontrollvariabler. Ett ytterligare
problem var att vissa variabler, såsom produktionskostnader inkluderade en mängd nollvärde.
För att undvika selektion bias var det nödvändigt att behålla nollvärde. Berörande framtida
studier bör huvudfokuset vara att ägna mer tid åt att välja lämpliga variabler och förstå de
centrala sambanden.
14
9. Referenser
SCB (2020). Artificiell intelligens i Sverige. Statiska centralbyrån. Tillgänglig på:
https://www.scb.se/contentassets/4d9059ef459e407ba1aa71683fcbd807/nv0116_2019a01_br
_xftbr2001.pdf [Hämtad 11 februari 2025]
Alekseeva, L., Azar, J., Giné, M., Samila, S., & Taska, B. (2021). The demand for AI skills
in the labor market, Labour Economics. Tillgänglig på:
https://www.sciencedirect.com/science/article/pii/S0927537121000373?via=ihub [Hämtad
11 februari 2025]
15
Appendix tabeller
Tabell 6. Regressionsresultat
16
Do l- nal version
2025-02-21 13:28
1
*******Start a log-file*******
2
3
4
5
set logtype t
set linesize 120
cap noisily log close
6
7
* display your current working directory
8
9
pwd
10
11
12
* Start a log file
log using "Final version.log", replace
13
14
*****************************************
15
16
17
**********PREAMBLE***************
18
19
20
21
22
23
24
25
26
27
*Do-file name:NA303_LABs_VT25.do
*Created: February 10 2025
*Modified: February 19 2025
*
*
*This do-file runs code to implement key estimators and tests
learnt
*Data used: assignment-final.dta
*Output: see below
******************
28
29
*******
30
31
32
33
34
35
36
* avoid mixing up old and new data/results
clear all
* avoid having to push the bar over and over again
set more off
*cls // clear the results window
set debug off
37
38
*******
39
40
41
******** ADD NEW PROGRAMS
ssc install outreg
42
43
44
********OPEN AND INSPECT DATA**********
45
46
47
48
49
use firm_panel_final, clear
* save it tot avoid altering original data
save firm_panel_final_rozha.dta, replace
50
51
*inspect data, using br(or ed)
fi
fi
Sidan 1 av 7
Do l- nal version
2025-02-21 13:28
52
53
54
* look if there is info about the dataset, using "notes"
55
56
57
58
* descriptive stats
des *
59
60
61
62
63
*****Counting unique companies*****
ssc install distinct
distinct firmID
64
65
66
**************** Removing unnecessary values *****************
67
68
69
70
*** Dropping Kalmar and Kronoberg Counties ***
drop if ser_laen == 7 | ser_laen == 8
71
72
distinct ser_laen
73
74
75
***** Cleansing data for specific bransches *****
gen bransch = 1 if ((bransch_sni071_konv > 39000) & (
bransch_sni071_konv < 58110)) | ((bransch_sni071_konv > 66309) &
(bransch_sni071_konv < 69101)) | ((bransch_sni071_konv > 75000))
& ((bransch_sni071_konv < 84111) | (bransch_sni071_konv > 93290))
& ((bransch_sni071_konv < 97000))
76
77
78
79
keep if bransch ==1 /// 7,307 observations deleted
sum bransch /// 5778 observations remained
save
80
81
82
***Summing (Building and land) with (mashinary and equipment)***
83
84
85
86
87
gen kapital_stock = br02a_byggmark + br03_maskiner
count if kapital_stock == 0
count if kapital_stock == 0 & !mi(kapital_stock)
count if mi(kapital_stock)
88
89
drop if kapital_stock == 0 | mi(kapital_stock) /// total dropped
values are 17 missing values and 310 zero values.
90
91
92
93
************** Cleansing and creating new variables for analysis
**************
94
95
96
gen lkapital_stock = ln(kapital_stock)
drop if lkapital_stock == 0 | mi(lkapital_stock) /// total
dropped values are 3 for logaritm of capital_stock.
fi
fi
Sidan 2 av 7
Do l- nal version
2025-02-21 13:28
97
98
99
100
101
gen ai_dummy = (skill_ai > 0)
sum ai_dummy
codebook ai_dummy /// 4,891= 0 and 557=1
102
103
104
105
gen patent_dummy = (br01b_patlic >0)
codebook patent_dummy /// 801 companies has patent and 4,647
does not.
106
107
108
gen lemployees = ln(bslov_antanst)
drop if lemployees == 0
109
110
111
112
gen produktionkos = abs(rr06a_prodkos)
drop if mi(produktionkos) /// 1,424 obs dropped
gen lproduktionkos= ln(produktionkos)
113
114
***Transitioning salaries from negative to positive***
115
116
117
drop if rr04a_loner == 0 /// 157 observations are dropped.
gen salaries = abs(rr04a_loner) /// transforming the negative
salary observations into positive ones.
118
119
drop if salaries == mi(salaries) /// 0 observations deleted.
120
121
gen lsalaries= ln(salaries) /// 12928 obs. remaining.
122
123
****Renaming additionary control variables *****
124
125
126
127
rename ser_laen län
rename firmID företagID
rename year år
128
129
130
keep lsalaries ai_dummy år företagID lemployees patent_dummy
lproduktionkos lkapital_stock län bransch
131
132
133
134
***********
sum lsalaries ai_dummy år företagID lemployees patent_dummy
lproduktionkos lkapital_stock län bransch
135
136
137
138
local indvars ai_dummy år företagID lemployees patent_dummy
lproduktionkos lkapital_stock län bransch
codebook lsalaries `indvars'
codebook `indvars', compact
139
140
***Labeling variables***
141
142
143
label variable bransch "F+G+H+I+L+N+S"
label variable lkapital_stock "Logaritm av kostnader för
fi
fi
Sidan 3 av 7
Do l- nal version
2025-02-21 13:28
144
145
146
147
148
kapital_stock"
label variable ai_dummy "1 om AI är efterfrågad i jobbannonser"
label variable lemployees "Logaritmen av antalet anställda i
företag"
label variable lsalaries "Logarithm of salaries"
label variable patent_dummy "1 om företag innehar patent"
label variable lproduktionkos "Logaritmen av totala
produktionkostnader"
149
150
151
152
*install usefull command for nice descriptive tables
ssc install asdoc, replace
153
154
155
156
******Descriptive statistics******
local indvars ai_dummy år företagID lemployees patent_dummy
lproduktionkos lkapital_stock län bransch
asdoc tabstat lsalaries `indvars' , stat(N mean p50 sd min max)
columns (statistics) save(file.doc1) replace
157
158
159
local indvars ai_dummy år lemployees patent_dummy lproduktionkos
lkapital_stock län bransch
asdoc pwcorr lsalaries `indvars', star(.05) save(file.pwcorr.doct
) replace
160
161
***5433 obs remaining***
162
163
164
165
166
167
168
***************SET AS PANEL DATA ****************
sort företagID
sort år
list företagID år in 1/20, table
* conclusion: this is unbalanced panel data
169
170
171
xtset företagID år
172
173
reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
174
175
176
177
macro list _all
macro drop _indvars
local indvars ai_dummy lemployees patent_dummy år lkapital_stock
lproduktionkos län bransch
178
179
180
181
182
*****Pooled OLS estimation****
local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
reg lsalaries `indvars'
outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace
183
184
185
fi
fi
Sidan 4 av 7
Do l- nal version
2025-02-21 13:28
186
187
188
189
****Adjusting for heteroskedasticity for Pooled-OLS******
local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
reg lsalaries `indvars', vce(robust)
190
191
192
193
194
local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
reg lsalaries `indvars', vce(cluster företagID år)
est store ols
*Bransch omitted because of collinearity*
195
196
197
198
199
************ FE estimation ************
ssc install outreg
local indvars ai_dummy år lemployees patent_dummy lkapital_stock
lproduktionkos län bransch
xtreg lsalaries `indvars', fe
200
201
202
outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace merge
est store fixed
203
204
205
206
*****Testing for heteroskedasticity(Wald-test) to see if there
is heteroskedasticity ******
xtreg lsalaries `indvars', fe
xttest3
207
208
209
*H₀ (null hypothesis): No heteroskedasticity (sigma(i)² is the
same for all i). H₁ (alternative hypothesis): Heteroskedasticity
exists
///Since the p-value(0.000) is much lower than 0.05, we reject
the null hypothesis, which means that heteroskedasticity exists
in FE-model.
210
211
****Adjusting for heteroskedasticity for FE ******
212
213
214
215
216
217
local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
xtreg lsalaries `indvars', fe vce(robust)
est store fe
xtreg lsalaries `indvars', fe vce(cluster företagID)
est store fe
218
219
220
**Some counties(09 and 10) and bransch have been removed due to
collinearity.**
*bransch variable omitted because of collinearity.
221
222
************ RE estimation *****************
223
224
225
226
* RE estimation //bransch omitted because of collinearity.
local indvars ai_dummy år lemployees patent_dummy lkapital_stock
lproduktionkos län bransch
xtreg lsalaries `indvars', re
fi
fi
Sidan 5 av 7
Do l- nal version
2025-02-21 13:28
227
est store re
228
229
230
est store random
outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace merge
231
232
233
234
************* Test HO and which estimator is more suitable to
use **************
235
236
237
hausman fixed random, sigmamore ///
of negative chi2.
sigmamore is used because
238
239
240
241
*Prob > chi2 = 0.000
*Conclusion :This significant result means that we reject the
null hypothesis that the difference in the coefficients is not
systematic.
*The fixed effects model (FE) is preferable to the random
effects model (re), because the results from hausman shows that
RE is inconsistent under the alternative hypothesis.
242
243
244
********Combining RE and FE estimators************
245
246
* combine the FE and RE regressions in a table, using outreg
247
248
*Keep c. only for continuous variables (e.g., lemployees,
lcapital_stock, lproductioncost), as this ensures that they are
treated as numeric variables in the regression.
249
250
251
252
253
*Pooled OLS regression
regress lsalaries ai_dummy c.lemployees patent_dummy år c.
lkapital_stock c.lproduktionkos län bransch, vce(cluster
företagID år)
outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5
1) sigsymbols(*,* *,***) summstat(F \ r2_a \ r2 \ chi2 \ N)
summtitle(F-statistic \ Adj. R-sq. \ R-sq. \ Chi-sq \ Obs.)
summdec(2 2 2 2 0) title(Salaries) ctitle("Explanatory variables"
, "Pooled OLS" \ "", "(1)") addrows("Individual Fixed Effect",
"No" \ "Individual Random Effects", "No") replace
254
255
256
257
*FE
xtreg lsalaries ai_dummy c.lemployees patent_dummy år c.
lkapital_stock c.lproduktionkos län bransch, fe
outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5
1) sigsymbols (*,**,***) summstat(F \ r2_a \ r2 \ chi2 \ N)
summtitle(F_stat\ Adj. R-sq. \ R-sq.\ Chi-sq\ Obs.) summdec(2 2 2
2 0) title(Salaries) ctitle("Explanatory variables", "FE" \ "",
"(2)") addrows("Pooles OLS", "No" \"Individual Fixed Effect",
"Yes" \ "Individual Random Effects","No") replace merge
fi
fi
Sidan 6 av 7
Do l- nal version
2025-02-21 13:28
258
259
260
261
262
*RE
xtreg lsalaries ai_dummy c.lemployees patent_dummy år c.
lkapital_stock c.lproduktionkos län bransch, re
outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5
1) sigsymbols (*,**,***) summstat(F \ r2_a \ r2 \ chi2 \ N)
summtitle(F_stat\ Adj. R-sq. \ R-sq.\ Chi-sq\ Obs.) summdec(2 2 2
2 0) title(Return to experience) ctitle("Explanatory variables",
"RE" \ "", "(3)")addrows("Pooled OLS", "No" \ "Individual Fixed
Effect", "No" \ "Individual Random Effects","Yes") replace merge
263
264
265
266
267
268
*******Additional regression to check if the control variables
are jointly significant in explaining salaries******
****Pooled OLS and FE with unadjusted SE*****
reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch
xtreg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.
lkapital_stock c.lproduktionkos i.län i.bransch, fe
269
270
*Prob > F = 0.0000, whichs means that the variables are jointly
significant
271
272
273
*VIF (Variance Inflation Factor) test for multicollinarity*
*Create OLS regression with the residuals to run VIF
274
275
reg lsalaries ai_dummy c.lemployees patent_dummy år c.
lkapital_stock c.lproduktionkos län bransch
276
277
vif
278
279
280
* VIF = 1.43
*A VIF value of 1.43 is a very good value and indicates low
multicollinearity.
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
fi
fi
Sidan 7 av 7
Codes for generativ AI
2025-02-21 13:29
1
**********CODES USED FROM GENERATIVE AI***********
2
3
*****Only Chat-gpt is used for this assignment*******
4
5
6
7
*codes to control if the data is cleansed correctly*
8
9
drop if
i ser_laen < 0 | ser_laen == 0
10
11
summarize ser_laen
12
13
*** generating positive salary values***
14
15
gen positive_salaries = abs(salaries) /// used instead of adding
-1 to the values.
16
17
18
19
****labeling variables****
20
21
label variable bransch "F+G+H+I+L+N+S"
22
23
label variable capital_stock "Buildings and machines"
24
25
label variable ai_dummy "1 if AI asked in job announcement"
26
27
label variable lemployees "Logarithm of number or employees"
28
29
label variable lsalaries "Logarithm of salaries"
30
31
32
33
*****Counting unique companies remaining****
ssc install distinct
distinct firmID
34
35
36
37
****In case of negative chi2 in hausman test****
hausman fixed random, sigmamore
38
39
40
41
*****Testing for heteroskedasticity(Wald-test) to see if there
is heteroskedasticity ******
xtreg lsalaries `indvars', fe
xttest3
42
43
44
*****VIF test****
vif
45
Sidan 1 av 1
----------------------------------------------------------------------------------------------------------------------name: <unnamed>
log: /Users/rozalihakko/Desktop/Ekonomisk forskning inlämning/VM Stata_Direction/Final version.log
log type: text
opened on: 19 Feb 2025, 10:48:00
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. clear all
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. set more off
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. set debug off
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. ssc install outreg
checking outreg consistency and verifying not already installed...
all files already exist and are up to date.
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. use firm_panel_final, clear
(Job ads.)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. save firm_panel_final_rozha.dta, replace
file firm_panel_final_rozha.dta saved
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. des *
Variable
Storage Display Value
name
type format label
Variable label
----------------------------------------------------------------------------------------------------------------------year
int
%9.0g
Year
firmID
int
%9.0g
firm ID
skill_social float %8.0g
(mean) skill_social
skill_cognitive float %8.0g
(mean) skill_cognitive
skill_noncog
float %8.0g
(mean) skill_noncog
skill_mgmt
float %8.0g
(mean) skill_mgmt
skill_finance float %8.0g
(mean) skill_finance
skill_customer float %8.0g
(mean) skill_customer
skill_computer float %8.0g
(mean) skill_computer
skill_admin_s~t float %8.0g
(mean) skill_admin_support
skill_tech_su~t float %8.0g
(mean) skill_tech_support
skill_gen_soft float %8.0g
(mean) skill_gen_soft
skill_engineer float %8.0g
(mean) skill_engineer
skill_products float %8.0g
(mean) skill_products
skill_project~t float %8.0g
(mean) skill_project_mgmt
skill_writing float %8.0g
(mean) skill_writing
skill_creativ~y float %8.0g
(mean) skill_creativity
skill_bus_sys float %8.0g
(mean) skill_bus_sys
skill_database float %8.0g
(mean) skill_database
skill_data_an~s float %8.0g
(mean) skill_data_analysis
skill_languages float %8.0g
(mean) skill_languages
skill_spec_soft float %8.0g
(mean) skill_spec_soft
skill_ai
float %8.0g
(mean) skill_ai
skill_other_s~l float %8.0g
(mean) skill_other_skill
skill_fortrade float %8.0g
(mean) skill_fortrade
skill_abroad
float %8.0g
(mean) skill_abroad
frs21_aioe
float %9.0g
(mean) frs21_aioe
webb19_ai_score float %9.0g
(mean) webb19_ai_score
webb19_softwa~e float %9.0g
(mean) webb19_software_score
webb19_robot_~e float %9.0g
(mean) webb19_robot_score
cognitive_abi~s double %9.0g
(mean) cognitive_abilities
physical_abil~s double %9.0g
(mean) physical_abilities
psychomotor_a~s double %9.0g
(mean) psychomotor_abilities
phys_psychom_~s double %9.0g
(mean) phys_psychom_abilities
sensory_abili~s double %9.0g
(mean) sensory_abilities
social_skills double %9.0g
(mean) social_skills
conseq_error double %10.0g
(mean) conseq_error
vacancies
double %8.0g
(sum) vacancies
ser_jurform
byte %10.0g
Legal form
ser_pnr
long
%10.0g
Zip code
ser_aas
int
%10.0g
Number of workplaces
ser_inregyr
byte %10.0g
bransch_sni07 long
%10.0g
bslov_antmonth byte %10.0g
Registered according to SCB
Primary SNI07
Financial statement documentation, months
bslov_period~rt int
%tdYYNNDD
Financial statement documentation, start
bslov_bslslut~n int
%tdYYNNDD
First financial statement documentation date
bslov_period~ut int
%tdYYNNDD
Financial statement documentation, end
bslov_bslslut~x int
%tdYYNNDD
Last financial statement documentation date
knc_kncfall
byte %10.0g
Group situation
knc_landkod_knc str2
%6s
Country of parent company
knc_dboksl_knc long
%10.0g
Date of group relationship
knc_orgnrk
ser_laen
double %10.0g
Corporate ID No. of parent company
byte %10.0g
ser_kommunx
int
County
%32.0g
kommun_labels
Municipality
bol_kkfall
byte %10.0g
Bankruptcy, time documentation
bol_konkurs
byte %10.0g
Bankruptcy, indicator
ser_ftgkategori byte %10.0g
ser_stklf
byte %10.0g
ser_nyregistr~t byte %10.0g
Business category
Size category
Registered during the year
ser_aktiv
byte %10.0g
bol_q11dat
byte %tdYYNNDD
Composition initiated
bol_q12dat
byte %tdYYNNDD
Composition terminated
bol_q13dat
byte %tdYYNNDD
Composition canceled
bol_q20dat
int
%tdYYNNDD
Bankruptcy initiated
bol_q21dat
int
%tdYYNNDD
Bankruptcy closed
bol_q22dat
byte %tdYYNNDD
Bankruptcy rejected with surplus
bol_q24dat
int
Bankruptcy revoked by court
bol_q25dat
byte %tdYYNNDD
Bankruptcy continues
bol_q31dat
int
%tdYYNNDD
Liquidation completed
bol_q32dat
int
%tdYYNNDD
Liquidation ordered
bol_q33dat
int
%tdYYNNDD
Liquidation continues
bol_q34dat
int
%tdYYNNDD
Liquidation revoked by general meeting
bol_q35dat
byte %tdYYNNDD
Liquidation revoked by court
bol_q36dat
byte %tdYYNNDD
Liquidation canceled pursuant to 13:18
%tdYYNNDD
Active during the year
bol_q37dat
byte %tdYYNNDD
Liquidation, company removed
bol_q40dat
int
%tdYYNNDD
Merger initiated
bol_q41dat
int
%tdYYNNDD
Merger completed
bol_q46dat
int
%tdYYNNDD
Merger invalid
bol_q45dat
int
%tdYYNNDD
Merger permitted
bol_q47dat
byte %tdYYNNDD
Cancellation of merger
bol_q48dat
byte %tdYYNNDD
Cancellation of merger (newly formed)
bol_q50dat
byte %tdYYNNDD
Removed pursuant to § 17 part. 2
bol_q51dat
byte %tdYYNNDD
Removed pursuant to chap. 11 § 18
bol_q52dat
byte %tdYYNNDD
Deregistered
bol_q53dat
byte %tdYYNNDD
Deregistered due to new owner
bol_q54dat
byte %tdYYNNDD
Removed due to move to another country
bol_q70dat
byte %tdYYNNDD
Removed at own request
bol_q71dat
byte %tdYYNNDD
Removed due to low share capital
bol_q80dat
int
%tdYYNNDD
Company reorganization initiated
bol_q81dat
int
%tdYYNNDD
Company reorganization ended
rr07_rorresul long
%10.0g
Operating profit/loss
rr08_finintk long
%10.0g
Financial income
rr09_finkostn long
%10.0g
Financial expenses
rr10_finres_int long
%10.0g
Internal financial performance
rr11_finres_ext long
%10.0g
Finans.res. externt
rr12_resefin
long
%10.0g
Profit/Loss after net financial income/expenses
rr14_skatter long
%10.0g
Taxes
rr15_resar
%10.0g
Net profit/loss for the year
br01_imanlsu
long
long
%10.0g
Intangible fixed assets
br03_maskiner long
%10.0g
Machinery and equitment
br02_matanlsu long
%10.0g
Tangible fixed assets
br04_fianltsu long
%10.0g
Financial assets
br05_anltsu
%10.0g
Total fixed assets
long
br08_omstgsu
long
%10.0g
Total current assets
br09_tillgsu
long
%10.0g
Total assets
br10_eksu
long
%10.0g
Total equity
br11_obeskres long
%10.0g
Untaxed reserves
br12_avssu
long
%10.0g
Provisions
br14_kskkrin
long
%10.0g
Current liabilities to credit institutions
br13_ksksu
long
%10.0g
Total current liabilities
br16_lskkrin
long
%10.0g
Non-current liabilities to credit institutions
br15_lsksu
long
%10.0g
Total non-current liabilities
br17_eksksu
long
%10.0g
Total equity and liabilities
bslov_imput
byte %10.0g
ser_nystartco~t int
%10.0g
Imputation
Cohort, newly started
ser_nystartse~s byte %10.0g
Sequence, newly started
ser_nystartat byte %10.0g
Indicator, newly started
knc_justeradk~1 byte %10.0g
Adjusted group data
rr01_ntoms
long
%10.0g
Net sales
rr02_rointov
long
%10.0g
Other operating income
rr05_avskriv
long
%10.0g
Depreciation and amortization
rr04_perskos
long
%10.0g
Personnel expenses
rr03_jfrst
long
%10.0g
Items affecting comparability
rr06_rorkoov
long
%10.0g
Other operating expenses
rr13_bsldisp
long
%10.0g
Total appropriations
bslov_antanst int
%10.0g
Employees
bslov_redtyp
str1
%5s
Accounting type
ny_kapomsh
double %10.0g
Asset turnover ratio
ny_avktokap
double %10.0g
Return on assets
ny_rs
double %10.0g
ny_skuldgrd
ny_solid
double %10.0g
double %10.0g
Interest rate on debt
Debt/Equity ratio
Equity/Asset ratio
ny_avkegkap
double %10.0g
Return on equity
ny_rorkapo
double %10.0g
Working capital/Net sales
ny_kasslikv
double %10.0g
Quick ratio
ny_rormarg
double %10.0g
Operating margin
ny_nettomarg
double %10.0g
Net margin
ny_vinstprc
double %10.0g
Profit margin
ny_omspanst
long
%10.0g
Net sales per employee
ny_foradlvpanst long
%10.0g
Value added per employee
ny_omsf
double %10.0g
Change in net sales
ny_anstf
double %10.0g
Change in number of employees
br06_lagerkford long
%10.0g
Inventories
br07_kplackaba long
%10.0g
Liquid assets
bransch_sni07~v long
%10.0g
Primär SNI07, konverterad
bransch_borsb~v byte %10.0g
konvfall2
byte %10.0g
Branch sector
Konverteringsfall SNI07
rr09d_jfrstfin long
%10.0g
Financial items affecting comparability
rr04a_loner
long
%10.0g
Salaries
rr04c_foradlv long
%10.0g
Value added
rr04b_sockostn long
%10.0g
Social security contributions
br06c_lagersu long
%10.0g
Total inventories
br06g_kfordsu long
%10.0g
Total current receivables
br07a_kplacsu long
%10.0g
Investments in securities etc.
br07b_kabasu
long
%10.0g
Cash and bank balances
rr00_utdbel
long
%10.0g
Dividend amount
rr02a_lagerf
long
%10.0g
Inventory change
rr02b_aktarb
long
%10.0g
Capitalized work
rr06a_prodkos long
%10.0g
Production costs
rr08d_resand
long
%10.0g
Profit/Loss from participation in group companies
rr08a_rteinknc long
%10.0g
Interest income from group companies
rr08b_rteinext long
%10.0g
External interest income
rr08c_rteinov long
%10.0g
External financial performance
rr09a_rtekoknc long
%10.0g
Interest expenses - group companies
rr09b_rtekoext long
%10.0g
External interest expenses
rr09c_rtekoov long
%10.0g
Other financial expenses
rr13a_extraint long
%10.0g
Extraordinary income
rr13b_extrakos int
%10.0g
Extraordinary expenses
rr13c_kncbdr
long
%10.0g
Group contributions
rr13d_agtsk
long
%10.0g
Shareholders' contributions
rr13e_bsldisp long
%10.0g
Appropriations
br02a_byggmark long
%10.0g
Building and land
br02b_matanlov long
%10.0g
Other tangible fixed assets
br01a_foubautg long
%10.0g
Capitalized expenditure R & D
br01b_patlic long
%10.0g
Patents, licenses, etc.
br01c_goodwill long
%10.0g
Goodwill
br01d_imanlov long
%10.0g
Other intangible fixed assets
br04a_andknc long
companies
%10.0g
Participation in group companies and associated
br04b_lfordknc long %10.0g
associated companies
Long-term receivables - group companies and
br04c_landelag long
%10.0g
Loans to partners and related parties
br04d_fianltov long
%10.0g
Other financial assets
br06a_pagarb
long
%10.0g
Work in progress
br06b_lagerov long
%10.0g
Other inventories
br06d_kundford long
%10.0g
Accounts receivable - trade
br06e_kfordknc long
associated companies
%10.0g
Current receivables - group companies and
br06f_kfordov long
%10.0g
Other current receivables
br10a_aktiekap long
%10.0g
Share capital
br10b_overkurs long
%10.0g
Share premium reserve
br10c_uppskr long
%10.0g
Revaluation reserve
br10d_ovrgbkap long
%10.0g
Other restricted equity
br10e_balres
long
%10.0g
Accumulated profit or loss
br10f_kncbdrel long
%10.0g
Group contributions
br10g_agtskel long
%10.0g
Shareholders' contributions
br10h_resarb
long
%10.0g
Profit/Loss for the year
br13a_ksklev
long
%10.0g
Accounts payable trade
br13b_kskknc long
companies
%10.0g
Current liabilities to group companies and associated
br13c_kskov
%10.0g
Other current liabilities
long
br15a_lskknc long %10.0g
associated companies
Non-current liabilities to group companies and
br15b_lskov
long
%10.0g
Other non-current liabilities
br15c_obllan
long
%10.0g
Obligationslån
ser_regdat
long
%tdYYNNDD
regfall
str3
%7s
Registration date
Källa för registreringsdatum
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. ssc install distinct
. distinct firmID
|
Observations
|
total distinct
--------+---------------------firmID |
13514
1563
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. drop if ser_laen == 7 | ser_laen == 8
(429 observations deleted)
.
. distinct ser_laen
|
Observations
|
total distinct
----------+---------------------ser_laen |
12967
19
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen bransch = 1 if ((bransch_sni071_konv > 39000) & (bransch_sni071_konv < 58110)) |
((bransch_sni071_konv > 66309) &
> (bransch_sni071_konv < 69101)) | ((bransch_sni071_konv > 75000)) &
((bransch_sni071_konv < 84111) | (bransch_sni071_ko
> nv > 93290)) & ((bransch_sni071_konv < 97000))
(7,307 missing values generated)
.
end of do-file
. keep if bransch ==1
(7,307 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. sum bransch
Variable |
Obs
Mean
Std. dev.
Min
Max
-------------+--------------------------------------------------------bransch |
5,778
1
0
1
1
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. save
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen kapital_stock = br02a_byggmark + br03_maskiner
(17 missing values generated)
. count if kapital_stock == 0
310
. count if kapital_stock == 0 & !mi(kapital_stock)
310
. count if mi(kapital_stock)
17
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. drop if kapital_stock == 0 | mi(kapital_stock)
(327 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
.
. gen lkapital_stock = ln(kapital_stock)
. drop if lkapital_stock == 0 | mi(lkapital_stock)
(3 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen ai_dummy = (skill_ai > 0)
. sum ai_dummy
Variable |
Obs
Mean
Std. dev.
Min
Max
-------------+--------------------------------------------------------ai_dummy |
5,448
.1022394 .3029906
0
1
. codebook ai_dummy
----------------------------------------------------------------------------------------------------------------------ai_dummy
(unlabeled)
----------------------------------------------------------------------------------------------------------------------Type: Numeric (float)
Range: [0,1]
Unique values: 2
Units: 1
Missing .: 0/5,448
Tabulation: Freq. Value
4,891 0
557 1
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
.
. gen patent_dummy = (br01b_patlic >0)
. codebook patent_dummy
----------------------------------------------------------------------------------------------------------------------patent_dummy
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [0,1]
Unique values: 2
Units: 1
Missing .: 0/5,448
Tabulation: Freq. Value
4,647 0
801 1
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen lemployees = ln(bslov_antanst)
(16 missing values generated)
. drop if lemployees == 0
(0 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen produktionkos = abs(rr06a_prodkos)
(1,424 missing values generated)
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. drop if mi(produktionkos)
(1,424 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen lproduktionkos= ln(produktionkos)
(28 missing values generated)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. drop if rr04a_loner == 0
(10 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen salaries = abs(rr04a_loner)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. drop if salaries == mi(salaries)
(0 observations deleted)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. gen lsalaries= ln(salaries)
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000
. rename ser_laen län
. rename firmID företagID
. rename year år
.
. keep lsalaries ai_dummy år företagID lemployees patent_dummy lproduktionkos
lkapital_stock län bransch
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. sum lsalaries ai_dummy år företagID lemployees patent_dummy lproduktionkos
lkapital_stock län bransch
Variable |
Obs
Mean
Std. dev.
Min
Max
-------------+--------------------------------------------------------lsalaries |
4,014
ai_dummy |
år |
11.74796
4,014
4,014
1.131101 1.791759 15.61969
.1106129 .3136912
2014.074
3.639768
0
2008
1
2020
företagID |
4,014
923.9624
505.6534
3
1763
lemployees |
4,013
5.882116
1.075155 .6931472 9.945589
-------------+--------------------------------------------------------patent_dummy |
lproduktio~s |
4,014
3,992
.1280518
12.4301
.3341891
0
1
1.90784 5.616771 17.24956
lkapital_s~k |
län |
4,014
4,003
bransch |
9.475504
7.005246
4,014
2.713345 .6931472 17.62969
7.11719
1
0
1
1
25
1
.
. local indvars ai_dummy år företagID lemployees patent_dummy lproduktionkos
lkapital_stock län bransch
. codebook lsalaries `indvars'
----------------------------------------------------------------------------------------------------------------------lsalaries
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [1.7917595,15.619693]
Unique values: 3,968
Units: 1.000e-07
Missing .: 0/4,014
Mean: 11.748
Std. dev.: 1.1311
Percentiles: 10%
25%
50%
75%
90%
10.581 11.1845 11.7221 12.3176 13.0152
----------------------------------------------------------------------------------------------------------------------ai_dummy
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [0,1]
Units: 1
Unique values: 2
Missing .: 0/4,014
Tabulation: Freq. Value
3,570 0
444 1
----------------------------------------------------------------------------------------------------------------------år
Year
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (int)
Range: [2008,2020]
Units: 1
Unique values: 13
Missing .: 0/4,014
Mean: 2014.07
Std. dev.: 3.63977
Percentiles:
10%
2009
2011
25%
2014
50%
2017
75%
90%
2019
-----------------------------------------------------------------------------------------------------------------------
företagID
firm ID
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (int)
Range: [3,1763]
Units: 1
Unique values: 525
Missing .: 0/4,014
Mean: 923.962
Std. dev.: 505.653
Percentiles:
202
10%
25%
503
50%
75%
1363
1596
945
90%
----------------------------------------------------------------------------------------------------------------------lemployees
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [.6931472,9.9455891]
Unique values: 1,343
Units: 1.000e-07
Missing .: 1/4,014
Mean: 5.88212
Std. dev.: 1.07516
Percentiles:
10%
25%
50%
75%
90%
4.78749 5.35659
5.7869 6.38182 7.17242
----------------------------------------------------------------------------------------------------------------------patent_dummy
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [0,1]
Unique values: 2
Units: 1
Missing .: 0/4,014
Tabulation: Freq. Value
3,500 0
514 1
----------------------------------------------------------------------------------------------------------------------lproduktionkos
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [5.6167712,17.249563]
Unique values: 3,964
Mean: 12.4301
Std. dev.: 1.90784
Units: 1.000e-07
Missing .: 22/4,014
Percentiles:
10%
25%
50%
75%
90%
9.63593 11.1896 12.6889 13.8287 14.6968
----------------------------------------------------------------------------------------------------------------------lkapital_stock
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [.6931472,17.629692]
Unique values: 3,644
Units: 1.000e-07
Missing .: 0/4,014
Mean: 9.4755
Std. dev.: 2.71335
Percentiles:
10%
25%
50%
75%
90%
5.7301 7.77233 9.78146 11.2793 12.6853
----------------------------------------------------------------------------------------------------------------------län
County
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (byte)
Range: [1,25]
Unique values: 19
Units: 1
Missing .: 11/4,014
Mean: 7.00525
Std. dev.: 7.11719
Percentiles:
10%
25%
1
1
1
50%
14
75%
90%
14
----------------------------------------------------------------------------------------------------------------------bransch
(unlabeled)
-----------------------------------------------------------------------------------------------------------------------
Type: Numeric (float)
Range: [1,1]
Units: 1
Unique values: 1
Missing .: 0/4,014
Tabulation: Freq. Value
4,014 1
. codebook `indvars', compact
Variable
Obs Unique
Mean
Min
Max Label
----------------------------------------------------------------------------------------------------------------------ai_dummy
år
4014
4014
2 .1106129
13 2014.074
0
2008
525 923.9624
1
2020 Year
företagID
4014
lemployees
4013 1343 5.882116 .6931472 9.945589
patent_dummy 4014
2 .1280518
3
1763 firm ID
0
1
lproduktio~s 3992 3964 12.4301 5.616771 17.24956
lkapital_s~k 4014 3644 9.475504 .6931472 17.62969
län
bransch
4003
4014
19 7.005246
1
1
1
1
25 County
1
-----------------------------------------------------------------------------------------------------------------------
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. label variable bransch "F+G+H+I+L+N+S"
. label variable lkapital_stock "Logaritm av kostnader för kapital_stock"
. label variable ai_dummy "1 om AI är efterfrågad i jobbannonser"
. label variable lemployees "Logaritmen av antalet anställda i företag"
. label variable lsalaries "Logarithm of salaries"
. label variable patent_dummy "1 om företag innehar patent"
. label variable lproduktionkos "Logaritmen av totala produktionkostnader"
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. ssc install asdoc, replace
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars ai_dummy år företagID lemployees patent_dummy lproduktionkos
lkapital_stock län bransch
. asdoc tabstat lsalaries `indvars' , stat(N mean p50 sd min max) columns (statistics)
save(file.doc1) replace
|
N
Mean
p50
SD
Min
Max
-------------+----------------------------------------------------------------lsalaries |
4014 11.74796 11.72212 1.131101 1.791759 15.61969
ai_dummy |
år |
4014 .1106129
4014 2014.074
0 .3136912
2014 3.639768
0
1
2008
2020
3
1763
företagID |
4014 923.9624
lemployees |
4013 5.882116 5.786897 1.075155 .6931472 9.945589
patent_dummy |
945 505.6534
4014 .1280518
0 .3341891
1
lproduktio~s |
3992
lkapital_s~k |
4014 9.475504 9.781461 2.713345 .6931472 17.62969
län |
bransch |
12.4301 12.68886
0
4003 7.005246
4014
1
1
1
1.90784 5.616771 17.24956
7.11719
0
1
1
25
1
(file file.doc1 not found)
Click to Open File: file.doc1
.
. local indvars ai_dummy år lemployees patent_dummy lproduktionkos lkapital_stock län
bransch
. asdoc pwcorr lsalaries `indvars', star(.05) save(file.pwcorr.doct) replace
| lsalar~s ai_dummy
år lemplo~s patent~y lprodu~s lkapit~k
län bransch
-------------+--------------------------------------------------------------------------------lsalaries | 1.0000
ai_dummy | 0.0872* 1.0000
år | 0.2031* 0.1417* 1.0000
lemployees | 0.9448* 0.0890* 0.1263* 1.0000
patent_dummy | 0.0736* -0.0353* 0.0956* 0.0776* 1.0000
lproduktio~s | 0.6155* -0.1081* 0.1479* 0.5304* 0.1455* 1.0000
lkapital_s~k | 0.4523* -0.1968* 0.0715* 0.4276* 0.1033* 0.6834* 1.0000
län | -0.1465* -0.0726* -0.0156 -0.1412* -0.0629* -0.0399* 0.0696* 1.0000
bransch |
.
.
.
.
.
.
.
.
.
Click to Open File: file.pwcorr.doct
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. sort företagID
. sort år
. list företagID år in 1/20, table
+-----------------+
| företa~D
år |
|-----------------|
1. |
1562 2008 |
2. |
1229 2008 |
3. |
975 2008 |
4. |
451 2008 |
5. |
305 2008 |
|-----------------|
6. |
204 2008 |
7. |
655 2008 |
8. |
223 2008 |
9. |
387 2008 |
10. |
548 2008 |
|-----------------|
11. |
1095 2008 |
12. |
1022 2008 |
13. |
697 2008 |
14. |
1496 2008 |
15. |
176 2008 |
|-----------------|
16. |
1455 2008 |
17. |
1119 2008 |
18. |
1213 2008 |
19. |
339 2008 |
20. |
1591 2008 |
+-----------------+
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. xtset företagID år
Panel variable: företagID (unbalanced)
Time variable: år, 2008 to 2020, but with gaps
Delta: 1 unit
.
. reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock c.lproduktionkos
i.län i.bransch
note: 1.bransch omitted because of collinearity.
Source |
SS
df
MS
Number of obs =
-------------+---------------------------------- F(35, 3944)
3,980
= 1272.37
Model | 4551.55013
35 130.04429 Prob > F
= 0.0000
Residual | 403.102033
3,944 .102206398 R-squared
=
0.9186
-------------+---------------------------------- Adj R-squared =
Total | 4954.65217
3,979 1.24520034 Root MSE
0.9179
=
.3197
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0172443
lemployees | .8820383
2.79 0.005
.0143721
.0819894
.005878 150.06 0.000
.870514
.8935626
1.patent_dummy | -.0744018 .0155626
-4.78 0.000
-.1049133 -.0438903
|
år |
2009 | .0018985 .0277689
0.07 0.945 -.0525444
.0563413
2010 |
.017952 .0264435
0.68 0.497 -.0338923
.0697963
2011 | .0445109 .0260872
1.71 0.088 -.0066348
.0956567
2012 | .1190433 .0265737
4.48 0.000
.0669438
.1711428
2013 |
.155016 .0264813
5.85 0.000
.1030977
.2069342
2014 | .1540954 .0264535
5.83 0.000
.1022316
.2059592
2015 | .1801989 .0261436
6.89 0.000
.1289427
.2314551
2016 |
.195489 .0259179
7.54 0.000
.1446753
.2463028
2017 | .2061172 .0261414
7.88 0.000
.1548652
.2573691
2018 | .2213861 .0267237
8.28 0.000
.1689926
.2737796
2019 | .2380902 .0270027
8.82 0.000
.1851496
.2910308
2020 | .2382568 .0274877
8.67 0.000
.1843654
.2921482
|
lkapital_stock | -.0119149 .0027121 -4.39 0.000
lproduktionkos | .1069495 .0040849 26.18 0.000
-.0172321 -.0065977
.0989408
.1149581
|
län |
3 | .0227236
.043698
0.52 0.603 -.0629493
.1083964
4 | .0195732 .0388411
0.50 0.614 -.0565772
5 | -.1157633 .0313363 -3.69 0.000
.0957237
-.1772001 -.0543265
6 | .0094181 .0415162
0.23 0.821 -.0719771
.0908133
9 | .0686585 .0892637
0.77 0.442 -.1063488
.2436657
10 | .0605833 .0637474
0.95 0.342 -.0643976
.1855642
12 | -.0670115 .0159766 -4.19 0.000
-.0983346 -.0356884
13 | -.1665969 .0333049 -5.00 0.000
-.2318933 -.1013005
14 | -.0376157 .0149657 -2.51 0.012
-.0669569 -.0082745
17 | -.2845006 .0633554 -4.49 0.000
-.4087129 -.1602882
18 | -.0569796 .0397084 -1.43 0.151
-.1348305
.0208712
19 | -.003613 .0435158 -0.08 0.934
-.0889286
.0817026
0.03 0.975 -.1669546
.1723627
-0.64 0.523
.0578474
20 |
.002704 .0865356
21 | -.027996
.043785
-.1138394
22 | -.1142017 .0508277 -2.25 0.025
-.2138528 -.0145506
23 | -.1240919 .0465228 -2.67 0.008
-.2153029
-.032881
24 | .0238006 .0670864
0.35 0.723 -.1077267
.1553278
25 | .0924353 .0420182
2.20 0.028
.1748148
.0100558
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0421475 124.19 0.000
5.151704
5.316969
--------------------------------------------------------------------------------
. macro drop _indvars
. local indvars ai_dummy lemployees patent_dummy år lkapital_stock lproduktionkos län
bransch
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock
c.lproduktionkos i.län i.bransch
. reg lsalaries `indvars'
note: 1.bransch omitted because of collinearity.
Source |
SS
df
MS
Number of obs =
-------------+---------------------------------- F(35, 3944)
3,980
= 1272.37
Model | 4551.55013
35 130.04429 Prob > F
= 0.0000
Residual | 403.102033
3,944 .102206398 R-squared
=
-------------+---------------------------------- Adj R-squared =
Total | 4954.65217
3,979 1.24520034 Root MSE
0.9186
0.9179
=
.3197
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0172443
lemployees | .8820383
2.79 0.005
.0143721
.0819894
.005878 150.06 0.000
.870514
.8935626
1.patent_dummy | -.0744018 .0155626
-4.78 0.000
-.1049133 -.0438903
|
år |
2009 | .0018985 .0277689
0.07 0.945 -.0525444
.0563413
2010 |
.017952 .0264435
0.68 0.497 -.0338923
.0697963
2011 | .0445109 .0260872
1.71 0.088 -.0066348
.0956567
2012 | .1190433 .0265737
4.48 0.000
.0669438
.1711428
2013 |
.155016 .0264813
5.85 0.000
.1030977
.2069342
2014 | .1540954 .0264535
5.83 0.000
.1022316
.2059592
2015 | .1801989 .0261436
6.89 0.000
.1289427
.2314551
2016 |
.195489 .0259179
7.54 0.000
.1446753
.2463028
2017 | .2061172 .0261414
7.88 0.000
.1548652
.2573691
2018 | .2213861 .0267237
8.28 0.000
.1689926
.2737796
2019 | .2380902 .0270027
8.82 0.000
.1851496
.2910308
2020 | .2382568 .0274877
8.67 0.000
.1843654
.2921482
|
lkapital_stock | -.0119149 .0027121 -4.39 0.000
lproduktionkos | .1069495 .0040849 26.18 0.000
-.0172321 -.0065977
.0989408
.1149581
|
län |
3 | .0227236
.043698
0.52 0.603 -.0629493
.1083964
4 | .0195732 .0388411
0.50 0.614 -.0565772
.0957237
5 | -.1157633 .0313363 -3.69 0.000
-.1772001 -.0543265
6 | .0094181 .0415162
0.23 0.821 -.0719771
.0908133
9 | .0686585 .0892637
0.77 0.442 -.1063488
.2436657
10 | .0605833 .0637474
0.95 0.342 -.0643976
.1855642
12 | -.0670115 .0159766 -4.19 0.000
-.0983346 -.0356884
13 | -.1665969 .0333049 -5.00 0.000
-.2318933 -.1013005
14 | -.0376157 .0149657 -2.51 0.012
-.0669569 -.0082745
17 | -.2845006 .0633554 -4.49 0.000
-.4087129 -.1602882
18 | -.0569796 .0397084 -1.43 0.151
-.1348305
.0208712
19 | -.003613 .0435158 -0.08 0.934
-.0889286
.0817026
0.03 0.975 -.1669546
.1723627
-0.64 0.523
.0578474
20 |
.002704 .0865356
21 | -.027996
.043785
-.1138394
22 | -.1142017 .0508277 -2.25 0.025
-.2138528 -.0145506
23 | -.1240919 .0465228 -2.67 0.008
-.2153029
-.032881
24 | .0238006 .0670864
0.35 0.723 -.1077267
.1553278
25 | .0924353 .0420182
2.20 0.028
.1748148
.0100558
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0421475 124.19 0.000
5.151704
5.316969
--------------------------------------------------------------------------------
. outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace
-----------------------------lsalaries
-----------------------------1.ai_dummy
0.048
(2.79)**
lemployees
0.882
(150.06)**
1.patent_dummy
-0.074
(4.78)**
2009bn.år
0.002
(0.07)
2010.år
0.018
(0.68)
2011.år
0.045
(1.71)
2012.år
0.119
(4.48)**
2013.år
0.155
(5.85)**
2014.år
0.154
(5.83)**
2015.år
0.180
(6.89)**
2016.år
0.195
(7.54)**
2017.år
0.206
(7.88)**
2018.år
0.221
(8.28)**
2019.år
0.238
(8.82)**
2020.år
0.238
(8.67)**
lkapital_stock
-0.012
(4.39)**
lproduktionkos
0.107
(26.18)**
3bn.län
0.023
(0.52)
4.län
0.020
(0.50)
5.län
-0.116
(3.69)**
6.län
0.009
(0.23)
9.län
0.069
(0.77)
10.län
0.061
(0.95)
12.län
-0.067
(4.19)**
13.län
-0.167
(5.00)**
14.län
-0.038
(2.51)*
17.län
-0.285
(4.49)**
18.län
-0.057
(1.43)
19.län
-0.004
(0.08)
20.län
0.003
(0.03)
21.län
-0.028
(0.64)
22.län
-0.114
(2.25)*
23.län
-0.124
(2.67)**
24.län
0.024
(0.35)
25.län
0.092
(2.20)*
_cons
5.234
(124.19)**
F
1,272.37
R2_A
0.92
R2
0.92
Chi2
.
N
3,980
-----------------------------* p<0.05; ** p<0.01
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock
c.lproduktionkos i.län i.bransch
. reg lsalaries `indvars', vce(robust)
note: 1.bransch omitted because of collinearity.
Linear regression
Number of obs
=
3,980
F(35, 3944)
=
1498.29
Prob > F
=
0.0000
R-squared
=
0.9186
Root MSE
=
.3197
-------------------------------------------------------------------------------|
Robust
lsalaries | Coefficient std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807
.014815
3.25 0.001
.0191349
.0772266
lemployees | .8820383
.008078 109.19 0.000
.866201
.8978757
1.patent_dummy | -.0744018 .0175094
-4.25 0.000
-.10873 -.0400735
|
år |
2009 | .0018985 .0294449
0.06 0.949 -.0558302
.0596272
2010 |
.017952 .0315567
0.57 0.569 -.0439169
.079821
2011 | .0445109 .0265839
1.67 0.094 -.0076086
.0966305
2012 | .1190433 .0202282
5.89 0.000
.0793845
.1587021
2013 |
.155016 .0198796
7.80 0.000
.1160407
.1939913
2014 | .1540954 .0192905
7.99 0.000
.1162751
.1919158
2015 | .1801989 .0191885
9.39 0.000
.1425786
.2178192
2016 |
.195489 .0198811
9.83 0.000
.1565108
.2344672
2017 | .2061172 .0222516
9.26 0.000
.1624914
.2497429
2018 | .2213861 .0242747
9.12 0.000
.173794
.2689783
2019 | .2380902 .0238232
9.99 0.000
.1913833
.2847972
2020 | .2382568 .0261707
9.10 0.000
.1869475
.2895661
|
lkapital_stock | -.0119149 .0036163 -3.29 0.001
lproduktionkos | .1069495 .0039943 26.78 0.000
-.0190049 -.0048249
.0991183
.1147806
|
län |
3 | .0227236 .0489045
0.46 0.642
-.073157
.1186041
4 | .0195732 .0458514
0.43 0.669 -.0703215
.1094679
5 | -.1157633
.025299 -4.58 0.000
-.1653638 -.0661629
6 | .0094181 .0255621
0.37 0.713
-.040698
.0595343
9 | .0686585 .0159757
4.30 0.000
.0373371
.0999798
10 | .0605833 .0238505
2.54 0.011
.0138228
.1073438
12 | -.0670115 .0191232 -3.50 0.000
-.1045039 -.0295192
13 | -.1665969 .0265431 -6.28 0.000
-.2186365 -.1145573
14 | -.0376157 .0151113 -2.49 0.013
-.0672425
17 | -.2845006 .0302687 -9.40 0.000
-.3438443 -.2251568
18 | -.0569796 .0366128 -1.56 0.120
-.1287615
.0148022
19 | -.003613
-.0371307
.0299048
0.08 0.938 -.0654031
.0708112
20 |
.017096
.002704 .0347385
-0.21 0.833
-.007989
21 | -.027996 .0245193 -1.14 0.254
-.0760677
.0200758
22 | -.1142017 .0312749 -3.65 0.000
-.1755181 -.0528853
23 | -.1240919
.028038 -4.43 0.000
-.1790624 -.0691215
24 | .0238006 .0428872
0.55 0.579 -.0602825
.1078837
25 | .0924353 .0332321
2.78 0.005
.157589
.0272817
|
1.bransch |
0 (omitted)
_cons | 5.234337
.042438 123.34 0.000
5.151134
5.317539
--------------------------------------------------------------------------------
.
. local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock
c.lproduktionkos i.län i.bransch
. reg lsalaries `indvars', vce(cluster företagID år)
note: 1.bransch omitted because of collinearity.
note: multiway-cluster variance–covariance matrix is not positive semidefinite.
Linear regression
Number of obs = 3,980
Clusters per comb.:
Cluster comb. =
min =
13
F(25, 12)
=
avg = 1,506
Prob > F
=
max = 3,980
R-squared
3
.
.
= 0.9186
Adj R-squared = 0.9179
Root MSE
= 0.3197
(Std. err. adjusted for multiway clustering)
-------------------------------------------------------------------------------|
Robust
lsalaries | Coefficient std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0242076
1.99 0.070
-.004563
.1009245
lemployees | .8820383 .0131225 67.22 0.000
1.patent_dummy | -.0744018 .0254661
.8534468
-2.92 0.013
.9106299
-.1298876
-.018916
|
år |
2009 | .0018985 .0078031
2010 |
.005511
2011 | .0445109 .0040213
11.07 0.000
.0357492
.0532727
2012 | .1190433 .0045294
26.28 0.000
.1091745
.1289121
.155016
.00571
.0189001
3.14 0.008
2013 |
.017952
0.24 0.812 -.0151031
.00463
33.48 0.000
.0303931
.1449281
.1651039
2014 | .1540954 .0055513
27.76 0.000
.1420003
.1661906
2015 | .1801989 .0059172
30.45 0.000
.1673063
.1930914
2016 |
.195489 .0052325
37.36 0.000
.1840885
.2068896
2017 | .2061172 .0063011
32.71 0.000
.1923883
.219846
2018 | .2213861 .0073529
30.11 0.000
.2053656
.2374067
2019 | .2380902 .0117878
20.20 0.000
.2124067
.2637737
2020 | .2382568 .0121271
19.65 0.000
.2118341
.2646794
|
lkapital_stock | -.0119149 .0056992 -2.09 0.059
-.0243324
.0005026
lproduktionkos | .1069495 .0079548 13.44 0.000
.0896175
.1242815
|
län |
3 | .0227236 .0826459
0.27 0.788 -.1573463
.2027934
4 | .0195732 .0781772
0.25 0.807 -.1507603
.1899067
5 | -.1157633 .0525526 -2.20 0.048
-.2302656 -.0012611
6 | .0094181 .0414215
0.23 0.824 -.0808315
.0996678
9 | .0686585 .0206823
3.32 0.006
.0235957
.1137213
10 | .0605833 .0438482
1.38 0.192 -.0349538
.1561204
12 | -.0670115 .0332516 -2.02 0.067
-.1394605
.0054375
13 | -.1665969 .0340771 -4.89 0.000
-.2408445 -.0923492
14 | -.0376157 .0262165 -1.43 0.177
-.0947366
17 | -.2845006
-.3916895 -.1773116
.049196 -5.78 0.000
18 | -.0569796 .0448492 -1.27 0.228
.0195052
-.1546976
.0407383
19 | -.003613 .0337077 -0.11 0.916 -.0770557
.0698297
20 |
.0930269
.002704 .0414551
0.07 0.949 -.0876188
21 | -.027996 .0494624 -0.57 0.582
-.1357652
.0797733
22 | -.1142017 .0474348 -2.41 0.033
-.2175534 -.0108501
23 | -.1240919 .0604868 -2.05 0.063
-.2558813
.0076974
24 | .0238006 .0793012
0.30 0.769 -.1489819
.1965831
25 | .0924353 .0938744
0.98 0.344 -.1120994
.29697
73.41 0.000
5.389699
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0713061
5.078974
-------------------------------------------------------------------------------Cluster combinations formed by företagID and år.
. est store ols
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars ai_dummy år lemployees patent_dummy lkapital_stock lproduktionkos län
bransch
. xtreg lsalaries `indvars', fe
note: bransch omitted because of collinearity.
Fixed-effects (within) regression
Number of obs
=
3,980
Group variable: företagID
Number of groups =
524
R-squared:
Obs per group:
Within = 0.7789
min =
1
Between = 0.9230
avg =
7.6
Overall = 0.9013
max =
13
F(7, 3449)
corr(u_i, Xb) = -0.0337
=
1736.20
Prob > F
=
0.0000
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------ai_dummy | .0094196 .0188537
år |
.023724 .0014103
lemployees | .7911934
0.50 0.617
16.82 0.000
.012691
.0209589
62.34 0.000
patent_dummy | -.0143608 .0205378
lkapital_stock | .0162724 .0056275
-.0275458
.0264892
.7663107
-0.70 0.484
.0463851
-.0546282
.816076
.0259066
2.89 0.004
.0052388
.027306
lproduktionkos | .1493657 .0124566 11.99 0.000
.1249426
.1737888
län | -.0009294 .0020246 -0.46 0.646
bransch |
-.0048989
.0030402
0 (omitted)
_cons | -42.69051 2.797297 -15.26 0.000
-48.17504 -37.20598
---------------+---------------------------------------------------------------sigma_u | .28305509
sigma_e | .25261636
rho | .55664061 (fraction of variance due to u_i)
-------------------------------------------------------------------------------F test that all u_i=0: F(523, 3449) = 5.77
Prob > F = 0.0000
.
. outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace merge
----------------------------------------lsalaries lsalaries
----------------------------------------1.ai_dummy
0.048
(2.79)**
lemployees
0.882
0.791
(150.06)** (62.34)**
1.patent_dummy
-0.074
(4.78)**
2009bn.år
0.002
(0.07)
2010.år
0.018
(0.68)
2011.år
0.045
(1.71)
2012.år
0.119
(4.48)**
2013.år
0.155
(5.85)**
2014.år
0.154
(5.83)**
2015.år
0.180
(6.89)**
2016.år
0.195
(7.54)**
2017.år
0.206
(7.88)**
2018.år
0.221
(8.28)**
2019.år
0.238
(8.82)**
2020.år
0.238
(8.67)**
lkapital_stock
-0.012
0.016
(4.39)** (2.89)**
lproduktionkos
0.107
0.149
(26.18)** (11.99)**
3bn.län
0.023
(0.52)
4.län
0.020
(0.50)
5.län
-0.116
(3.69)**
6.län
0.009
(0.23)
9.län
0.069
(0.77)
10.län
0.061
(0.95)
12.län
-0.067
(4.19)**
13.län
-0.167
(5.00)**
14.län
-0.038
(2.51)*
17.län
-0.285
(4.49)**
18.län
-0.057
(1.43)
19.län
-0.004
(0.08)
20.län
0.003
(0.03)
21.län
-0.028
(0.64)
22.län
-0.114
(2.25)*
23.län
-0.124
(2.67)**
24.län
0.024
(0.35)
25.län
0.092
(2.20)*
ai_dummy
0.009
(0.50)
år
0.024
(16.82)**
patent_dummy
-0.014
(0.70)
län
-0.001
(0.46)
_cons
5.234
-42.691
(124.19)** (15.26)**
F
1,272.37 1,736.20
R2_A
0.92
0.74
R2
0.92
0.78
Chi2
.
.
N
3,980
3,980
----------------------------------------* p<0.05; ** p<0.01
. est store fixed
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. xtreg lsalaries `indvars', fe
Fixed-effects (within) regression
Number of obs
=
4,014
Group variable: företagID
Number of groups =
525
R-squared:
Within =
Obs per group:
.
min =
Between = 0.0333
Overall =
avg =
.
max =
F(0, 3489)
corr(u_i, Xb) =
1
.
Prob > F
=
7.6
13
0.00
=
.
-----------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
-------------+---------------------------------------------------------------_cons | 11.74796 .0084472 1390.75 0.000
11.7314
11.76452
-------------+---------------------------------------------------------------sigma_u | 1.1071112
sigma_e | .53518245
rho | .81058308 (fraction of variance due to u_i)
-----------------------------------------------------------------------------F test that all u_i=0: F(524, 3489) = 27.55
Prob > F = 0.0000
. ssc install xttest3
checking xttest3 consistency and verifying not already installed...
installing into /Users/rozalihakko/Library/Application Support/Stata/ado/plus/...
installation complete.
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. xtreg lsalaries `indvars', fe
Fixed-effects (within) regression
Number of obs
=
4,014
Group variable: företagID
Number of groups =
525
R-squared:
Within =
Obs per group:
.
Between = 0.0333
Overall =
.
min =
1
avg =
max =
7.6
13
F(0, 3489)
corr(u_i, Xb) =
.
=
Prob > F
0.00
=
.
-----------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
-------------+---------------------------------------------------------------_cons | 11.74796 .0084472 1390.75 0.000
11.7314
11.76452
-------------+---------------------------------------------------------------sigma_u | 1.1071112
sigma_e | .53518245
rho | .81058308 (fraction of variance due to u_i)
-----------------------------------------------------------------------------F test that all u_i=0: F(524, 3489) = 27.55
. xttest3
Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (525) = 47644519.93
Prob > chi2 =
.
end of do-file
0.0000
Prob > F = 0.0000
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock
c.lproduktionkos i.län i.bransch
. xtreg lsalaries `indvars', fe vce(robust)
note: 9.län omitted because of collinearity.
note: 10.län omitted because of collinearity.
note: 1.bransch omitted because of collinearity.
Fixed-effects (within) regression
Number of obs
=
3,980
Group variable: företagID
Number of groups =
524
R-squared:
Obs per group:
Within = 0.7816
min =
1
Between = 0.9223
avg =
7.6
Overall = 0.9004
max =
13
F(29, 523)
corr(u_i, Xb) = -0.0240
=
.
Prob > F
=
.
(Std. err. adjusted for 524 clusters in företagID)
-------------------------------------------------------------------------------|
Robust
lsalaries | Coefficient std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0169303 .0129235
1.31 0.191
-.008458
.0423187
lemployees | .7882836 .0458495 17.19 0.000
.6982118
.8783555
1.patent_dummy | -.0126953 .0251838
|
-0.50 0.614
-.0621692
.0367786
år |
2009 | .0315319 .0231766
1.36 0.174 -.0139988
.0770626
2010 | .0427129 .0248513
1.72 0.086 -.0061077
.0915335
2011 | .0725493 .0233481
3.11 0.002
.0266818
.1184169
2012 | .1402805 .0146567
9.57 0.000
.1114873
.1690738
2013 | .1713864 .0161133
10.64 0.000
.1397316
.2030411
2014 | .1902306 .0157535
12.08 0.000
.1592827
.2211786
2015 | .2046517 .0174828
11.71 0.000
.1703065
.2389968
2016 | .2188663 .0183816
11.91 0.000
.1827555
.2549771
2017 | .2383016
.022675
10.51 0.000
.1937563
.2828469
2018 | .2496062 .0286117
8.72 0.000
.1933982
.3058142
2019 | .2617074 .0260777
10.04 0.000
.2104774
.3129374
2020 | .2668148 .0275016
9.70 0.000
.2127875
.320842
|
lkapital_stock | .0164085 .0080418
2.04 0.042
.0006104
.0322066
lproduktionkos | .1506079 .0356284
4.23 0.000
.0806155
.2206004
|
län |
3 | -.0852567
.059075
-.2013102
.0307967
4 | .0189616 .0338309
0.56 0.575 -.0474996
.0854229
5 | .0464589
0.76 0.449 -.0739597
.1668776
.061297
-1.44 0.150
6 | -.0323472 .0993239 -0.33 0.745
9 |
0 (omitted)
10 |
0 (omitted)
-.22747
.1627757
12 | -.0017854 .0228881 -0.08 0.938
-.0467492
13 | -.3941369 .1899125 -2.08 0.038
-.767222 -.0210518
14 | .0287591 .0521299
0.55 0.581 -.0736507
.0431785
.1311689
17 | -.2353858 .0338812 -6.95 0.000
-.3019458 -.1688258
18 | -.0188865 .0297711 -0.63 0.526
-.0773722
.0395992
19 | -.0275071 .0556887 -0.49 0.622
20 | .0540695 .0661087
-.1369081
.0818939
0.82 0.414 -.0758017
.1839407
21 | -.0175064 .0821658 -0.21 0.831
-.178922
.1439093
22 | .1133934 .0382796
.0381926
.1885941
2.96 0.003
23 | -.1466496 .0454355 -3.23 0.001
-.235908 -.0573911
24 | -.1172348 .0832455 -1.41 0.160
-.2807714
.0463018
0.93 0.354 -.1301202
.3631128
25 | .1164963 .1255359
|
1.bransch |
0 (omitted)
_cons | 4.928437 .2733988
18.03 0.000
4.391342
5.465532
---------------+---------------------------------------------------------------sigma_u | .2843478
sigma_e | .25203865
rho | .56001708 (fraction of variance due to u_i)
--------------------------------------------------------------------------------
. est store fe
. xtreg lsalaries `indvars', fe vce(cluster företagID)
note: 9.län omitted because of collinearity.
note: 10.län omitted because of collinearity.
note: 1.bransch omitted because of collinearity.
Fixed-effects (within) regression
Number of obs
=
3,980
Group variable: företagID
Number of groups =
524
R-squared:
Obs per group:
Within = 0.7816
min =
1
Between = 0.9223
avg =
7.6
Overall = 0.9004
max =
F(29, 523)
corr(u_i, Xb) = -0.0240
13
=
.
Prob > F
=
.
(Std. err. adjusted for 524 clusters in företagID)
-------------------------------------------------------------------------------|
Robust
lsalaries | Coefficient std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0169303 .0129235
1.31 0.191
-.008458
.0423187
lemployees | .7882836 .0458495 17.19 0.000
.6982118
.8783555
1.patent_dummy | -.0126953 .0251838
-0.50 0.614
-.0621692
.0367786
|
år |
2009 | .0315319 .0231766
1.36 0.174 -.0139988
.0770626
2010 | .0427129 .0248513
1.72 0.086 -.0061077
.0915335
2011 | .0725493 .0233481
3.11 0.002
.0266818
.1184169
2012 | .1402805 .0146567
9.57 0.000
.1114873
.1690738
2013 | .1713864 .0161133
10.64 0.000
.1397316
.2030411
2014 | .1902306 .0157535
12.08 0.000
.1592827
.2211786
2015 | .2046517 .0174828
11.71 0.000
.1703065
.2389968
2016 | .2188663 .0183816
11.91 0.000
.1827555
.2549771
2017 | .2383016
.022675
10.51 0.000
.1937563
.2828469
2018 | .2496062 .0286117
8.72 0.000
.1933982
.3058142
2019 | .2617074 .0260777
10.04 0.000
.2104774
.3129374
2020 | .2668148 .0275016
9.70 0.000
.2127875
.320842
|
lkapital_stock | .0164085 .0080418
2.04 0.042
.0006104
.0322066
lproduktionkos | .1506079 .0356284
4.23 0.000
.0806155
.2206004
|
län |
3 | -.0852567
.059075
-.2013102
.0307967
4 | .0189616 .0338309
0.56 0.575 -.0474996
.0854229
5 | .0464589
0.76 0.449 -.0739597
.1668776
.061297
-1.44 0.150
6 | -.0323472 .0993239 -0.33 0.745
9 |
0 (omitted)
10 |
0 (omitted)
-.22747
.1627757
12 | -.0017854 .0228881 -0.08 0.938
-.0467492
13 | -.3941369 .1899125 -2.08 0.038
-.767222 -.0210518
14 | .0287591 .0521299
0.55 0.581 -.0736507
.0431785
.1311689
17 | -.2353858 .0338812 -6.95 0.000
-.3019458 -.1688258
18 | -.0188865 .0297711 -0.63 0.526
-.0773722
.0395992
19 | -.0275071 .0556887 -0.49 0.622
-.1369081
.0818939
0.82 0.414 -.0758017
.1839407
20 | .0540695 .0661087
21 | -.0175064 .0821658 -0.21 0.831
-.178922
.1439093
22 | .1133934 .0382796
.0381926
.1885941
2.96 0.003
23 | -.1466496 .0454355 -3.23 0.001
-.235908 -.0573911
24 | -.1172348 .0832455 -1.41 0.160
-.2807714
.0463018
0.93 0.354 -.1301202
.3631128
25 | .1164963 .1255359
|
1.bransch |
0 (omitted)
_cons | 4.928437 .2733988
18.03 0.000
4.391342
5.465532
---------------+---------------------------------------------------------------sigma_u | .2843478
sigma_e | .25203865
rho | .56001708 (fraction of variance due to u_i)
--------------------------------------------------------------------------------
. est store fe
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. local indvars ai_dummy år lemployees patent_dummy lkapital_stock lproduktionkos län
bransch
. xtreg lsalaries `indvars', re
note: bransch omitted because of collinearity.
Random-effects GLS regression
Number of obs
Group variable: företagID
=
3,980
Number of groups =
R-squared:
524
Obs per group:
Within = 0.7767
min =
1
Between = 0.9426
avg =
7.6
Overall = 0.9158
max =
13
Wald chi2(7)
corr(u_i, X) = 0 (assumed)
= 20840.61
Prob > chi2
=
0.0000
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
z P>|z|
[95% conf. interval]
---------------+---------------------------------------------------------------ai_dummy | .0279374
.017708
år | .0237887 .0012804
1.58 0.115
18.58 0.000
-.0067697
.0212792
.0626445
.0262982
lemployees | .8568344 .0085261 100.50 0.000
.8401236
patent_dummy | -.0399594 .0181303
-.0754941 -.0044246
-2.20 0.028
.8735453
lkapital_stock | .0000601 .0039137
0.02 0.988
-.0076107
.0077308
lproduktionkos | .1034749
15.89 0.000
.0907136
.1162362
.006511
län | -.0029838 .0012151 -2.46 0.014
bransch |
-.0053653 -.0006024
0 (omitted)
_cons | -42.46165 2.563391 -16.56 0.000
-47.4858 -37.43749
---------------+---------------------------------------------------------------sigma_u | .2061158
sigma_e | .25261636
rho | .39966344 (fraction of variance due to u_i)
--------------------------------------------------------------------------------
. est store re
.
. est store random
. outreg, summstat(F \ r2_a \ r2 \ chi2 \ N) replace merge
----------------------------------------------------lsalaries lsalaries lsalaries
----------------------------------------------------1.ai_dummy
0.048
(2.79)**
lemployees
0.882
0.791
0.857
(150.06)** (62.34)** (100.50)**
1.patent_dummy
-0.074
(4.78)**
2009bn.år
0.002
(0.07)
2010.år
0.018
(0.68)
2011.år
0.045
(1.71)
2012.år
0.119
(4.48)**
2013.år
0.155
(5.85)**
2014.år
0.154
(5.83)**
2015.år
0.180
(6.89)**
2016.år
0.195
(7.54)**
2017.år
0.206
(7.88)**
2018.år
0.221
(8.28)**
2019.år
0.238
(8.82)**
2020.år
0.238
(8.67)**
lkapital_stock
-0.012
0.016
(4.39)** (2.89)**
lproduktionkos
0.107
0.000
(0.02)
0.149
0.103
(26.18)** (11.99)** (15.89)**
3bn.län
0.023
(0.52)
4.län
0.020
(0.50)
5.län
-0.116
(3.69)**
6.län
0.009
(0.23)
9.län
0.069
(0.77)
10.län
0.061
(0.95)
12.län
-0.067
(4.19)**
13.län
-0.167
(5.00)**
14.län
-0.038
(2.51)*
17.län
-0.285
(4.49)**
18.län
-0.057
(1.43)
19.län
-0.004
(0.08)
20.län
0.003
(0.03)
21.län
-0.028
(0.64)
22.län
-0.114
(2.25)*
23.län
-0.124
(2.67)**
24.län
0.024
(0.35)
25.län
0.092
(2.20)*
ai_dummy
0.009
år
0.028
(0.50)
(1.58)
0.024
0.024
(16.82)** (18.58)**
patent_dummy
-0.014
län
_cons
-0.040
(0.70)
(2.20)*
-0.001
-0.003
(0.46)
(2.46)*
5.234
-42.691
-42.462
(124.19)** (15.26)** (16.56)**
F
1,272.37 1,736.20
R2_A
0.92
0.74
R2
0.92
0.78
Chi2
.
.
N
3,980
.
.
.
20,840.61
3,980
3,980
----------------------------------------------------* p<0.05; ** p<0.01
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. hausman fixed random, sigmamore
---- Coefficients ---|
(b)
(B)
(b-B)
sqrt(diag(V_b-V_B))
|
fixed
random
Difference
Std. err.
-------------+---------------------------------------------------------------ai_dummy |
år |
.0094196
.023724
lemployees |
.0279374
.0237887
.7911934
patent_dummy | -.0143608
-.0185178
-.0000647
.8568344
.0068555
.000615
-.0656411
-.0399594
.0095228
.0255986
.0099578
lkapital_s~k |
.0162724
.0000601
.0162123
.0040997
lproduktio~s |
.1493657
.1034749
.0458908
.0107241
län | -.0009294
-.0029838
.0020545
.0016376
-----------------------------------------------------------------------------b = Consistent under H0 and Ha; obtained from xtreg.
B = Inconsistent under Ha, efficient under H0; obtained from xtreg.
Test of H0: Difference in coefficients not systematic
chi2(7) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 62.49
Prob > chi2 = 0.0000
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. regress lsalaries ai_dummy c.lemployees patent_dummy år c.lkapital_stock c.lproduktionkos
län bransch, vce(cluste
> r företagID år)
note: bransch omitted because of collinearity.
Linear regression
Number of obs = 3,980
Clusters per comb.:
Cluster comb. =
min =
3
13
F(7, 12)
= 2006.69
avg = 1,506
Prob > F
= 0.0000
max = 3,980
R-squared
= 0.9167
Adj R-squared = 0.9166
Root MSE
= 0.3223
(Std. err. adjusted for multiway clustering)
-------------------------------------------------------------------------------|
Robust
lsalaries | Coefficient std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------ai_dummy |
.046468 .0246312
1.89 0.084
-.0071987
.1001347
lemployees | .8862742 .0129632 68.37 0.000
.8580298
.9145186
patent_dummy | -.0752532 .0260197
-.1319452 -.0185611
år | .0228259 .0019429
-2.89 0.014
11.75 0.000
lkapital_stock | -.010737 .0054723
.0185927
-1.96 0.073
lproduktionkos | .1024859 .0078787 13.01 0.000
län | -.0029688
bransch |
.00131
-2.27 0.043
.0270592
-.0226603
.0011862
.0853198
.1196521
-.005823 -.0001145
0 (omitted)
_cons | -40.58411 3.909426 -10.38 0.000
-49.10202 -32.06621
-------------------------------------------------------------------------------Cluster combinations formed by företagID and år.
. outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5 1) sigsymbols(*,* *,***)
summstat(F \ r2_a \ r2
> \ chi2 \ N) summtitle(F-statistic \ Adj. R-sq. \ R-sq. \ Chi-sq \ Obs.) summdec(2 2 2 2 0)
title(Salaries) ctitle
> ("Explanatory variables", "Pooled OLS" \ "", "(1)") addrows("Individual Fixed Effect",
"No" \ "Individual Random
> Effects", "No") replace
Salaries
----------------------------------------Explanatory variables
Pooled OLS
(1)
----------------------------------------ai_dummy
0.05
(0.02)*
lemployees
0.886
(0.013)*
patent_dummy
-0.075
(0.026)*
år
0.023
(0.002)*
lkapital_stock
-0.011
(0.005)*
lproduktionkos
0.102
(0.008)*
län
-0.003
(0.001)*
F-statistic
2,006.69
Adj. R-sq.
0.92
R-sq.
0.92
Chi-sq
.
Obs.
3,980
Individual Fixed Effect
No
Individual Random Effects
No
----------------------------------------* p<0.1; * p<0.05; * p<0.01
.
. *FE
. xtreg lsalaries ai_dummy c.lemployees patent_dummy år c.lkapital_stock c.lproduktionkos
län bransch, fe
note: bransch omitted because of collinearity.
Fixed-effects (within) regression
Number of obs
=
3,980
Group variable: företagID
Number of groups =
524
R-squared:
Obs per group:
Within = 0.7789
min =
1
Between = 0.9230
avg =
7.6
Overall = 0.9013
max =
13
F(7, 3449)
corr(u_i, Xb) = -0.0337
=
1736.20
Prob > F
=
0.0000
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------ai_dummy | .0094196 .0188537
lemployees | .7911934
.012691
0.50 0.617
-.0275458
.0463851
62.34 0.000
.7663107
.816076
patent_dummy | -.0143608 .0205378
år |
.023724 .0014103
-0.70 0.484
16.82 0.000
-.0546282
.0209589
.0259066
.0264892
lkapital_stock | .0162724 .0056275
2.89 0.004
.0052388
.027306
lproduktionkos | .1493657 .0124566 11.99 0.000
.1249426
.1737888
län | -.0009294 .0020246 -0.46 0.646
bransch |
-.0048989
.0030402
0 (omitted)
_cons | -42.69051 2.797297 -15.26 0.000
-48.17504 -37.20598
---------------+---------------------------------------------------------------sigma_u | .28305509
sigma_e | .25261636
rho | .55664061 (fraction of variance due to u_i)
-------------------------------------------------------------------------------F test that all u_i=0: F(523, 3449) = 5.77
Prob > F = 0.0000
. outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5 1) sigsymbols (*,**,***)
summstat(F \ r2_a \ r2
> \ chi2 \ N) summtitle(F_stat\ Adj. R-sq. \ R-sq.\ Chi-sq\ Obs.) summdec(2 2 2 2 0)
title(Salaries) ctitle("Explan
> atory variables", "FE" \ "", "(2)") addrows("Pooles OLS", "No" \"Individual Fixed Effect",
"Yes" \ "Individual Ra
> ndom Effects","No") replace merge
Salaries
----------------------------------------------------Explanatory variables
Pooled OLS
(1)
FE
(2)
----------------------------------------------------ai_dummy
0.05
(0.02)*
lemployees
0.01
(0.02)
0.886
0.791
(0.013)* (0.013)***
patent_dummy
-0.075
-0.014
år
(0.026)*
(0.021)
0.023
0.024
(0.002)* (0.001)***
lkapital_stock
-0.011
0.016
(0.005)* (0.006)***
lproduktionkos
0.102
0.149
(0.008)* (0.012)***
län
-0.003
-0.001
(0.001)*
(0.002)
F-statistic
2,006.69
Adj. R-sq.
0.92
R-sq.
0.92
Chi-sq
.
Obs.
3,980
Individual Fixed Effect
0.74
3,980
No
Individual Random Effects
Yes
No
F_stat
1,736.20
R-sq.
0.78
Chi-sq
.
Pooles OLS
No
No
----------------------------------------------------* p<0.1; * p<0.05; * p<0.01
.
.
. *RE
. xtreg lsalaries ai_dummy c.lemployees patent_dummy år c.lkapital_stock c.lproduktionkos
län bransch, re
note: bransch omitted because of collinearity.
Random-effects GLS regression
Number of obs
Group variable: företagID
=
3,980
Number of groups =
R-squared:
524
Obs per group:
Within = 0.7767
min =
1
Between = 0.9426
avg =
7.6
Overall = 0.9158
max =
13
Wald chi2(7)
corr(u_i, X) = 0 (assumed)
= 20840.61
Prob > chi2
=
0.0000
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
z P>|z|
[95% conf. interval]
---------------+---------------------------------------------------------------ai_dummy | .0279374
.017708
1.58 0.115
-.0067697
.0626445
lemployees | .8568344 .0085261 100.50 0.000
.8401236
.8735453
patent_dummy | -.0399594 .0181303
-.0754941 -.0044246
år | .0237887 .0012804
-2.20 0.028
18.58 0.000
.0212792
.0262982
lkapital_stock | .0000601 .0039137
0.02 0.988
-.0076107
.0077308
lproduktionkos | .1034749
15.89 0.000
.0907136
.1162362
.006511
län | -.0029838 .0012151 -2.46 0.014
bransch |
-.0053653 -.0006024
0 (omitted)
_cons | -42.46165 2.563391 -16.56 0.000
-47.4858 -37.43749
---------------+---------------------------------------------------------------sigma_u | .2061158
sigma_e | .25261636
rho | .39966344 (fraction of variance due to u_i)
--------------------------------------------------------------------------------
. outreg using filnamn.doccof, nocons se bdec(2 3) starlevels(10 5 1) sigsymbols (*,**,***)
summstat(F \ r2_a \ r2
> \ chi2 \ N) summtitle(F_stat\ Adj. R-sq. \ R-sq.\ Chi-sq\ Obs.) summdec(2 2 2 2 0)
title(Return to experience) ct
> itle("Explanatory variables", "RE" \ "", "(3)")addrows("Pooled OLS", "No" \ "Individual
Fixed Effect", "No" \ "In
> dividual Random Effects","Yes") replace merge
Return to experience
----------------------------------------------------------------Explanatory variables
Pooled OLS
(1)
(2)
FE
RE
(3)
----------------------------------------------------------------ai_dummy
0.05
(0.02)*
lemployees
0.01
(0.02)
0.886
0.03
(0.02)
0.791
0.857
(0.013)* (0.013)*** (0.009)***
patent_dummy
år
-0.075
-0.014
-0.040
(0.026)*
(0.021)
(0.018)**
0.023
0.024
0.024
(0.002)* (0.001)*** (0.001)***
lkapital_stock
-0.011
0.016
0.000
(0.005)* (0.006)*** (0.004)
lproduktionkos
0.102
0.149
0.103
(0.008)* (0.012)*** (0.007)***
län
-0.003
-0.001
-0.003
(0.001)*
(0.002)
(0.001)**
F-statistic
2,006.69
Adj. R-sq.
0.92
0.74
.
R-sq.
0.92
Chi-sq
.
Obs.
3,980
Individual Fixed Effect
3,980
No
Individual Random Effects
3,980
Yes
No
No
No
F_stat
1,736.20
.
R-sq.
0.78
.
Chi-sq
.
20,840.61
Pooles OLS
Yes
No
Pooled OLS
No
----------------------------------------------------------------* p<0.1; * p<0.05; * p<0.01
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock c.lproduktionkos
i.län i.bransch
note: 1.bransch omitted because of collinearity.
Source |
SS
df
MS
Number of obs =
-------------+---------------------------------- F(35, 3944)
3,980
= 1272.37
Model | 4551.55013
35 130.04429 Prob > F
= 0.0000
Residual | 403.102033
3,944 .102206398 R-squared
=
-------------+---------------------------------- Adj R-squared =
Total | 4954.65217
3,979 1.24520034 Root MSE
0.9186
0.9179
=
.3197
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0172443
lemployees | .8820383
2.79 0.005
.0143721
.0819894
.005878 150.06 0.000
.870514
.8935626
1.patent_dummy | -.0744018 .0155626
-4.78 0.000
-.1049133 -.0438903
|
år |
2009 | .0018985 .0277689
0.07 0.945 -.0525444
.0563413
2010 |
.017952 .0264435
0.68 0.497 -.0338923
.0697963
2011 | .0445109 .0260872
1.71 0.088 -.0066348
.0956567
2012 | .1190433 .0265737
4.48 0.000
.0669438
.1711428
2013 |
.155016 .0264813
5.85 0.000
.1030977
.2069342
2014 | .1540954 .0264535
5.83 0.000
.1022316
.2059592
2015 | .1801989 .0261436
6.89 0.000
.1289427
.2314551
2016 |
.195489 .0259179
7.54 0.000
.1446753
.2463028
2017 | .2061172 .0261414
7.88 0.000
.1548652
.2573691
2018 | .2213861 .0267237
8.28 0.000
.1689926
.2737796
2019 | .2380902 .0270027
8.82 0.000
.1851496
.2910308
2020 | .2382568 .0274877
8.67 0.000
.1843654
.2921482
|
lkapital_stock | -.0119149 .0027121 -4.39 0.000
lproduktionkos | .1069495 .0040849 26.18 0.000
-.0172321 -.0065977
.0989408
.1149581
|
län |
3 | .0227236
.043698
0.52 0.603 -.0629493
.1083964
4 | .0195732 .0388411
0.50 0.614 -.0565772
.0957237
5 | -.1157633 .0313363 -3.69 0.000
6 | .0094181 .0415162
-.1772001 -.0543265
0.23 0.821 -.0719771
.0908133
9 | .0686585 .0892637
0.77 0.442 -.1063488
.2436657
10 | .0605833 .0637474
0.95 0.342 -.0643976
.1855642
12 | -.0670115 .0159766 -4.19 0.000
-.0983346 -.0356884
13 | -.1665969 .0333049 -5.00 0.000
-.2318933 -.1013005
14 | -.0376157 .0149657 -2.51 0.012
-.0669569 -.0082745
17 | -.2845006 .0633554 -4.49 0.000
-.4087129 -.1602882
18 | -.0569796 .0397084 -1.43 0.151
-.1348305
.0208712
19 | -.003613 .0435158 -0.08 0.934
-.0889286
.0817026
0.03 0.975 -.1669546
.1723627
-0.64 0.523
.0578474
20 |
.002704 .0865356
21 | -.027996
.043785
-.1138394
22 | -.1142017 .0508277 -2.25 0.025
-.2138528 -.0145506
23 | -.1240919 .0465228 -2.67 0.008
-.2153029
-.032881
24 | .0238006 .0670864
0.35 0.723 -.1077267
.1553278
25 | .0924353 .0420182
2.20 0.028
.1748148
.0100558
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0421475 124.19 0.000
5.151704
5.316969
--------------------------------------------------------------------------------
. xtreg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock
c.lproduktionkos i.län i.bransch, fe
note: 9.län omitted because of collinearity.
note: 10.län omitted because of collinearity.
note: 1.bransch omitted because of collinearity.
Fixed-effects (within) regression
Number of obs
=
3,980
Group variable: företagID
Number of groups =
524
R-squared:
Within = 0.7816
Obs per group:
min =
1
Between = 0.9223
avg =
7.6
Overall = 0.9004
max =
13
F(33, 3423)
corr(u_i, Xb) = -0.0240
=
371.24
Prob > F
=
0.0000
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0169303
.018934
0.89 0.371
-.0201928
.0540534
lemployees | .7882836 .0127729 61.72 0.000
.7632403
.8133269
1.patent_dummy | -.0126953 .0207011 -0.61 0.540
-.0532831
.0278925
|
år |
2009 | .0315319 .0226837
1.39 0.165 -.0129431
.076007
2010 | .0427129 .0217276
1.97 0.049
.0001126
.0853133
2011 | .0725493 .0215177
3.37 0.001
.0303606
.1147381
2012 | .1402805 .0220968
6.35 0.000
.0969564
.1836047
2013 | .1713864
.022087
7.76 0.000
.1280813
.2146914
2014 | .1902306 .0222309
8.56 0.000
.1466435
.2338178
2015 | .2046517 .0220666
9.27 0.000
.1613866
.2479167
2016 | .2188663
.022097
9.90 0.000
.1755416
.262191
2017 | .2383016
.022494
10.59 0.000
.1941986
.2824047
2018 | .2496062 .0232279
10.75 0.000
.2040641
.2951482
2019 | .2617074 .0236341
11.07 0.000
.215369
.3080458
2020 | .2668148 .0241144
11.06 0.000
.2195347
.3140949
|
lkapital_stock | .0164085 .0056314
2.91 0.004
.0053672
.0274498
lproduktionkos | .1506079 .0125435 12.01 0.000
.1260145
.1752014
|
län |
3 | -.0852567 .2690637 -0.32 0.751
-.6127984
.442285
4 | .0189616 .1086511
0.17 0.861 -.1940659
.2319891
5 | .0464589 .0827439
0.56 0.575 -.1157736
.2086915
6 | -.0323472 .2027729 -0.16 0.873
-.4299153
.365221
12 | -.0017854 .0553079 -0.03 0.974
-.1102251
.1066544
13 | -.3941369 .1158619 -3.40 0.001
-.6213023 -.1669715
9 |
0 (omitted)
10 |
0 (omitted)
14 | .0287591 .0622302
0.46 0.644 -.0932529
.1507711
17 | -.2353858 .2928874 -0.80 0.422
-.8096375
.3388659
18 | -.0188865 .0593235 -0.32 0.750
-.1351994
.0974265
19 | -.0275071 .1377109 -0.20 0.842
-.2975109
.2424967
0.18 0.854 -.5231433
.6312823
20 | .0540695 .2943976
21 | -.0175064 .2004912 -0.09 0.930
22 | .1133934 .1589997
-.4106009
.3755881
0.71 0.476 -.1983505
.4251372
23 | -.1466496 .1607032 -0.91 0.362
-.4617334
.1684343
24 | -.1172348 .2138495 -0.55 0.584
-.5365204
.3020508
0.97 0.333 -.1194451
.3524378
41.55 0.000
5.160981
25 | .1164963 .1203379
|
1.bransch |
0 (omitted)
_cons | 4.928437
.118605
4.695893
---------------+---------------------------------------------------------------sigma_u | .2843478
sigma_e | .25203865
rho | .56001708 (fraction of variance due to u_i)
-------------------------------------------------------------------------------F test that all u_i=0: F(523, 3423) = 5.59
Prob > F = 0.0000
.
end of do-file
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock c.lproduktionkos
i.län i.bransch
note: 1.bransch omitted because of collinearity.
Source |
SS
df
MS
Number of obs =
-------------+---------------------------------- F(35, 3944)
3,980
= 1272.37
Model | 4551.55013
35 130.04429 Prob > F
= 0.0000
Residual | 403.102033
3,944 .102206398 R-squared
=
-------------+---------------------------------- Adj R-squared =
Total | 4954.65217
3,979 1.24520034 Root MSE
0.9186
0.9179
=
.3197
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0172443
lemployees | .8820383
2.79 0.005
.0143721
.0819894
.005878 150.06 0.000
.870514
.8935626
1.patent_dummy | -.0744018 .0155626
-4.78 0.000
-.1049133 -.0438903
|
år |
2009 | .0018985 .0277689
0.07 0.945 -.0525444
.0563413
2010 |
.017952 .0264435
0.68 0.497 -.0338923
.0697963
2011 | .0445109 .0260872
1.71 0.088 -.0066348
.0956567
2012 | .1190433 .0265737
4.48 0.000
.0669438
.1711428
2013 |
5.85 0.000
.1030977
.2069342
.155016 .0264813
2014 | .1540954 .0264535
5.83 0.000
.1022316
.2059592
2015 | .1801989 .0261436
6.89 0.000
.1289427
.2314551
2016 |
.195489 .0259179
7.54 0.000
.1446753
.2463028
2017 | .2061172 .0261414
7.88 0.000
.1548652
.2573691
2018 | .2213861 .0267237
8.28 0.000
.1689926
.2737796
2019 | .2380902 .0270027
8.82 0.000
.1851496
.2910308
2020 | .2382568 .0274877
8.67 0.000
.1843654
.2921482
|
lkapital_stock | -.0119149 .0027121 -4.39 0.000
lproduktionkos | .1069495 .0040849 26.18 0.000
-.0172321 -.0065977
.0989408
.1149581
|
län |
3 | .0227236
.043698
0.52 0.603 -.0629493
.1083964
4 | .0195732 .0388411
0.50 0.614 -.0565772
.0957237
5 | -.1157633 .0313363 -3.69 0.000
-.1772001 -.0543265
6 | .0094181 .0415162
0.23 0.821 -.0719771
.0908133
9 | .0686585 .0892637
0.77 0.442 -.1063488
.2436657
10 | .0605833 .0637474
0.95 0.342 -.0643976
.1855642
12 | -.0670115 .0159766 -4.19 0.000
-.0983346 -.0356884
13 | -.1665969 .0333049 -5.00 0.000
-.2318933 -.1013005
14 | -.0376157 .0149657 -2.51 0.012
-.0669569 -.0082745
17 | -.2845006 .0633554 -4.49 0.000
-.4087129 -.1602882
18 | -.0569796 .0397084 -1.43 0.151
-.1348305
.0208712
19 | -.003613 .0435158 -0.08 0.934
-.0889286
.0817026
0.03 0.975 -.1669546
.1723627
-0.64 0.523
.0578474
20 |
.002704 .0865356
21 | -.027996
.043785
-.1138394
22 | -.1142017 .0508277 -2.25 0.025
-.2138528 -.0145506
23 | -.1240919 .0465228 -2.67 0.008
-.2153029
-.032881
0.35 0.723 -.1077267
.1553278
24 | .0238006 .0670864
25 | .0924353 .0420182
2.20 0.028
.0100558
.1748148
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0421475 124.19 0.000
5.151704
5.316969
--------------------------------------------------------------------------------
.
end of do-file
. vif
Variable |
VIF
1/VIF
-------------+---------------------1.ai_dummy |
1.15
0.871312
lemployees |
1.54
0.648761
1.patent_d~y |
1.06
0.942770
år |
2009 |
1.79
0.557399
2010 |
1.95
0.512837
2011 |
2.00
0.499000
2012 |
1.94
0.515475
2013 |
1.96
0.511377
2014 |
1.96
0.509433
2015 |
2.02
0.495477
2016 |
2.07
0.484148
2017 |
2.05
0.487485
2018 |
1.99
0.503635
2019 |
1.95
0.511605
2020 |
1.89
0.528401
lkapital_s~k |
2.10
0.476507
lproduktio~s |
2.36
0.422935
län |
3 |
1.03
0.969439
4 |
1.04
0.958278
5 |
1.04
0.964595
6 |
1.05
0.956384
9 |
1.01
0.989934
10 |
1.03
0.973703
12 |
1.11
0.900523
13 |
1.04
0.963972
14 |
1.13
0.883504
17 |
1.01
0.985790
18 |
1.03
0.969817
19 |
1.02
0.977575
20 |
1.02
0.978343
21 |
1.04
0.965591
22 |
1.03
0.974967
23 |
1.02
0.975732
24 |
1.01
0.993113
25 |
1.04
0.963785
-------------+---------------------Mean VIF |
1.44
. do "/var/folders/xg/ksbxg5b96_gdgrx7mmv324z80000gn/T//SD25519.000000"
. reg lsalaries i.ai_dummy c.lemployees i.patent_dummy i.år c.lkapital_stock c.lproduktionkos
i.län i.bransch
note: 1.bransch omitted because of collinearity.
Source |
SS
df
MS
Number of obs =
-------------+---------------------------------- F(35, 3944)
3,980
= 1272.37
Model | 4551.55013
35 130.04429 Prob > F
= 0.0000
Residual | 403.102033
3,944 .102206398 R-squared
=
-------------+---------------------------------- Adj R-squared =
Total | 4954.65217
3,979 1.24520034 Root MSE
0.9186
0.9179
=
.3197
-------------------------------------------------------------------------------lsalaries | Coefficient Std. err.
t P>|t|
[95% conf. interval]
---------------+---------------------------------------------------------------1.ai_dummy | .0481807 .0172443
lemployees | .8820383
2.79 0.005
.0143721
.0819894
.005878 150.06 0.000
.870514
.8935626
1.patent_dummy | -.0744018 .0155626
-4.78 0.000
-.1049133 -.0438903
|
år |
2009 | .0018985 .0277689
0.07 0.945 -.0525444
.0563413
2010 |
.017952 .0264435
0.68 0.497 -.0338923
.0697963
2011 | .0445109 .0260872
1.71 0.088 -.0066348
.0956567
2012 | .1190433 .0265737
4.48 0.000
.0669438
.1711428
2013 |
.155016 .0264813
5.85 0.000
.1030977
.2069342
2014 | .1540954 .0264535
5.83 0.000
.1022316
.2059592
2015 | .1801989 .0261436
6.89 0.000
.1289427
.2314551
2016 |
.195489 .0259179
7.54 0.000
.1446753
.2463028
2017 | .2061172 .0261414
7.88 0.000
.1548652
.2573691
2018 | .2213861 .0267237
8.28 0.000
.1689926
.2737796
2019 | .2380902 .0270027
8.82 0.000
.1851496
.2910308
2020 | .2382568 .0274877
8.67 0.000
.1843654
.2921482
|
lkapital_stock | -.0119149 .0027121 -4.39 0.000
lproduktionkos | .1069495 .0040849 26.18 0.000
-.0172321 -.0065977
.0989408
.1149581
|
län |
3 | .0227236
.043698
0.52 0.603 -.0629493
.1083964
4 | .0195732 .0388411
0.50 0.614 -.0565772
.0957237
5 | -.1157633 .0313363 -3.69 0.000
-.1772001 -.0543265
6 | .0094181 .0415162
0.23 0.821 -.0719771
.0908133
9 | .0686585 .0892637
0.77 0.442 -.1063488
.2436657
10 | .0605833 .0637474
0.95 0.342 -.0643976
.1855642
12 | -.0670115 .0159766 -4.19 0.000
-.0983346 -.0356884
13 | -.1665969 .0333049 -5.00 0.000
-.2318933 -.1013005
14 | -.0376157 .0149657 -2.51 0.012
-.0669569 -.0082745
17 | -.2845006 .0633554 -4.49 0.000
-.4087129 -.1602882
18 | -.0569796 .0397084 -1.43 0.151
-.1348305
.0208712
19 | -.003613 .0435158 -0.08 0.934
-.0889286
.0817026
0.03 0.975 -.1669546
.1723627
-0.64 0.523
.0578474
20 |
.002704 .0865356
21 | -.027996
.043785
-.1138394
22 | -.1142017 .0508277 -2.25 0.025
-.2138528 -.0145506
23 | -.1240919 .0465228 -2.67 0.008
-.2153029
-.032881
24 | .0238006 .0670864
0.35 0.723 -.1077267
.1553278
25 | .0924353 .0420182
2.20 0.028
.1748148
.0100558
|
1.bransch |
0 (omitted)
_cons | 5.234337 .0421475 124.19 0.000
5.151704
5.316969
--------------------------------------------------------------------------------
.
. vif
Variable |
VIF
1/VIF
-------------+---------------------1.ai_dummy |
1.15
0.871312
lemployees |
1.54
0.648761
1.patent_d~y |
1.06
0.942770
år |
2009 |
1.79
0.557399
2010 |
1.95
0.512837
2011 |
2.00
0.499000
2012 |
1.94
0.515475
2013 |
1.96
0.511377
2014 |
1.96
0.509433
2015 |
2.02
0.495477
2016 |
2.07
0.484148
2017 |
2.05
0.487485
2018 |
1.99
0.503635
2019 |
1.95
0.511605
2020 |
1.89
0.528401
lkapital_s~k |
2.10
0.476507
lproduktio~s |
2.36
0.422935
län |
3 |
1.03
0.969439
4 |
1.04
0.958278
5 |
1.04
0.964595
6 |
1.05
0.956384
9 |
1.01
0.989934
10 |
1.03
0.973703
12 |
1.11
0.900523
13 |
1.04
0.963972
14 |
1.13
0.883504
17 |
1.01
0.985790
18 |
1.03
0.969817
19 |
1.02
0.977575
20 |
1.02
0.978343
21 |
1.04
0.965591
22 |
1.03
0.974967
23 |
1.02
0.975732
24 |
1.01
0.993113
25 |
1.04
0.963785
-------------+---------------------Mean VIF |
.
end of do-file
1.44