2014_15 Andersson ny
Kandidatuppsats Statistiska institutionen Bachelor thesis, Department of Statistics Nr 2014:15 Ny indikator för svensk arbetsmarknad - En faktoranalys som sammanfattar 14 variablers variation A new indicator for the Swedish labour market - A factor analysis comprising the variation of 14 variables Sofie Andersson Självständigt arbete 15 högskolepoäng inom Statistik III, HT2014 Handledare: Hans Nyquist Andersson (2015), Stockholms universitet Sammanfattning Titel: Ny indikator för svensk arbetsmarknad Författare: Sofie Andersson Handledare: Hans Nyquist Datum: 7 januari 2015 Syfte: Att replikera arbetsmarknadsindikatorn LMCI som skapats av Federal Reserves men för svensk arbetsmarknad. Målet är att få en övergripande blick över det svenska arbetsmarknadsläget istället för att analysera varje variabel för sig. Metod: Likt Federal Reserve har skapat sin arbetsmarknadsindikator har faktoranalys använts. Analysen har gjorts på 14 observerade faktorer som beskriver olika dimensioner av svensk arbetsmarknad för att få fram latenta faktorer som beskriver variationen hos variablerna. Resultat: Faktoranalysen resulterade i tre latenta faktorer som tillsammans beskriver cirka 81 procent av den totala variationen hos de 14 observerade variablerna. Enbart den första faktorn beskriver 44 procent av variationen. Resultatet roterades för att tydligt visa vilka variablers variation som förklaras av vilken latent faktor. De tre latenta faktorerna som bäst förklarar variationen och korrelerar med de observerade variablerna är ”Arbetsmarknadsläget”, ”Nyhetsrapportering” och ”Politik”. Genom att illustrera de tre faktorerna i tre olika koordinatsystem visar de två förstnämnda på en uppgång sedan den ekonomiska krisen år 2009. ”Politik” ökade stadigt fram till år 2010 men har sedan dess försvagats. Nyckelord: faktoranalys, Federal Reserve, LMCI, arbetsmarknad, Riksbank 2 Andersson (2015), Stockholms universitet Förord Jag vill tacka min handledare Hans Nyquist på Stockholms universitet för all hjälp under processen. Jag vill även tacka Nordeas chefsanalytiker Andreas Wallström för uppsatsämnet och vägledning. Tack! __________________________________ Sofie Andersson Stockholm, 2015-01-07 3 Andersson (2015), Stockholms universitet Innehållsförteckning 1 Inledning .................................................................................................................................. 5 2 Federal Reserves Labor Market Conditions Index .................................................................... 6 3 Data ......................................................................................................................................... 7 3.1 Använda källor .................................................................................................................. 7 3.2 Variabler .......................................................................................................................... 12 4 Metod .................................................................................................................................... 16 4.1 Grundläggande faktoranalys ............................................................................................ 16 4.2 Faktoranalysmetoder ....................................................................................................... 18 4.3 Rotation .......................................................................................................................... 19 4.4 Faktoranalys i praktiken ................................................................................................... 20 5 Resultat .................................................................................................................................. 22 5.1 Datainsamlingsmetod ...................................................................................................... 22 5.2 Faktoranalysen................................................................................................................. 22 7 Slutsats ................................................................................................................................... 30 Källförteckning ......................................................................................................................... 31 Bilaga A .................................................................................................................................... 33 4 Andersson (2015), Stockholms universitet 1 Inledning Riksbanken har två uppgifter inom den svenska ekonomin: att upprätthålla ett fast penningvärde och att främja ett säkert och effektivt betalningsväsende. Den förstnämnda uppgiften uppnås genom att föra en penningpolitik som håller en låg och stabil inflation på 2 procent som i sin tur även ska leda till en hållbar tillväxt och hög sysselsättning. För att kunna uppfylla målen beslutar Riksbanken om nivån på den så kallade reporäntan, det vill säga den ränta som gäller för banker som lånar eller placerar pengar i Riksbanken. (Riksbank.se, 2011) Inflationsutvecklingen är den viktigaste indikatorn som Riksbanken använder sig av för att besluta vilken nivå reporäntan ska ligga på, men direktionen ser även till utvecklingen i realekonomin såsom tillväxten och sysselsättningen. För Riksbanken är det alltså viktigt att inte bara besluta reporäntan utifrån inflationen utan även hur den övriga ekonomin ser ut. (Riksbank.se, 2011) Liksom Sverige har USA en centralbank, Federal Reserve. På samma sätt som den svenska centralbanken utför Federal Reserve penningpolitik för att påverka penningmängden och krediterna i den amerikanska ekonomin, detta görs bland annat genom att bestämma en nivå för landets styrränta. Målet med penningpolitiken är att maximera sysselsättningen i landet och att ha stabila priser i landet. (Federalreserveeducation.org, 2014) För både Sverige och USA är arbetsmarknaden en viktig del då styrräntan bestäms. Frågan är då om sysselsättningen är den enda indikatorn som visar hur läget för arbetsmarknaden ser ut. Federal Reserve har skapat det så kallade Labor Market Conditions Index (LMCI), en arbetsmarknadsindikator vars syfte är att sammanväga 19 olika arbetsmarknadsvariabler i en faktormodell. Syftet med indikatorn är att ge en övergripande bild över arbetsmarknadsläget utifrån en större mängd variabler och inte bara utifrån till exempel sysselsättning eller arbetslöshet. Ännu har ett liknande mått inte skapats i Sverige. Syftet med denna studie att replikera den modell som skapats av Federal Reserve men istället använda svenska arbetsmarknadsvariabler för att slutligen få fram en indikator över hur det svenska arbetsmarknadsläget ser ut. Modellen skapas genom att använda faktoranalys och innefattar 14 svenska variabler. I kapitel 2 presenteras bakgrunden kring den amerikanska arbetsmarknadsindikatorn LMCI. I kapitel 3 sammanfattas variablerna som används för att utföra faktoranalysen för svensk arbetsmarknad. Först presenteras de källor som använts och sedan en beskrivning av de 14 variabler som inkluderats i faktoranalysen. I kapitel 4 beskrivs metoden ur ett teoretiskt perspektiv och ur ett praktiskt perspektiv. I kapitel 5 presenteras de resultaten. Därefter diskuteras vidare studier i kapitel 6 och slutligen i kapitel 7 sammanfattas studien. 5 Andersson (2015), Stockholms universitet 2 Federal Reserves Labor Market Conditions Index Under de senaste åren har den amerikanska arbetsmarknaden återhämtat sig sedan den ekonomiska krisen 2009. Enligt Federal Reserves centralbankschef Janet Yellen har flera jobb som förlorades under krisen skapats på nytt och i september 2014 låg arbetslösheten på 5,9 procent vilket är en minskning med 4,1 procentenheter sedan kulmen i oktober 2009. (Federal Reserve, 2014) Den amerikanska arbetsmarknaden består av ett flertal komponenter. Vanligast är att man tittar på arbetslösheten och så kallad ”payroll employment”, vilket motsvarar sysselsättningen. Dock mäter dessa enbart en dimension av arbetsmarknadsaktiviteten. Det är inte ovanligt att andra indikatorer skickar motsägelsefulla signaler kring arbetsmarknadens utsikter och det kan därmed vara svårt att veta hur mycket vikt man ska lägga vid varje indikators signal. Den stora frågan är hur all information från dessa indikatorer ska sammanställas. (Federal Reserve Bank of Boston, 2007) Ett tillvägagångssätt för att kunna sammanfatta samtliga arbetsmarknadsvariablers information är att skapa en statistisk modell, vilket Federal Reserv har gjort. Deras så kallade Labor Market Conditions Index (LMCI) väger samman 19 olika arbetsmarknadsindikatorer i en faktor modell vars syfte är att sammanfatta de övergripande arbetsmarknadsförhållandena. Dessa variabler sträcker sig främst från 1976 och är på månadsbasis. Den källa som används mest är Bureau of Labor Statistics. De variablerna som används täcker de mest väsentliga delarna av arbetsmarknaden såsom arbetslöshet, sysselsättning, arbetade veckor, löner, lediga platser, anställning, uppsägningar och olika undersökningar kring hushållens och företagens förväntningar. (Federal Reserve, 2014) Tabell över samtliga 19 variabler återfinns i Bilaga A. 6 Andersson (2015), Stockholms universitet 3 Data Federal Reserve använder sig av ett flertal variabler för att skapa den amerikanska arbetsmarknadsindikatorn. För att kunna replikera faktormodellen för svensk arbetsmarknad har motsvarande variabler tagits fram genom att använda Statistiska Centralbyrån (SCB), Arbetsförmedlingen och Konjunkturinstitutet. I detta kapitel presenteras de källor som har använts vid datainsamlingen samt en kortare presentation av variablerna som används i analysen. 3.1 Använda källor Statistiken till studien är insamlad från Statistiska Centralbyrån, Konjunkturinstitutet och Arbetsförmedlingen. Alla tre tillhandahåller databaser över svensk arbetsmarknadsstatistik och publicerar aktuell data varje månad. 3.1.1 Statistiska Centralbyrån Statistiska Centralbyrån (SCB) är, sedan reformen i mitten av 1990-talet, ansvarig för sektorsövergripande statistik. SCB ansvarar idag för den officiella statistiken inom ett flertal områden. Två av dessa är arbetsmarknad1 och befolkning vilket används i denna studie. (Statistiska Centralbyrån, 2014) Enligt lagen om den officiella statistiken (SFS 2001:99 med senare ändringar) skall officiell statistik finnas för allmän information, utredningsverksamhet och forskning. Den skall även vara objektiv och allmänt tillgänglig. När officiell statistik blir offentlig skall den vara försedd med beteckningen ”Sveriges officiella statistik”. (Notisum.se, 2014) Arbetskraftsundersökningarna Arbetskraftsundersökningarna (AKU) tar fram månatlig, kvartalsvis och årlig statistik över utvecklingen på den svenska arbetsmarknaden. Den beskriver även de aktuella arbetsmarknadsförhållandena för befolkningen i åldersgruppen 15-74 år. AKU är den enda källan som löpande ger en övergripande bild om den svenska arbetsmarknaden med sysselsättning, arbetade timmar, arbetslöshet och liknande. Undersökningen genomförs varje månad. Målpopulationen är sedan 2007 den svenska befolkningen mellan 15 och 74 år. Dessförinnan var målpopulationen individer mellan 16 och 64 år. Dock finns det fortfarande möjlighet att ta del av AKU för den tidigare målpopulationen (16-64 år) för undersökningar efter 2007, vilket görs i denna studie. Urvalsgruppen består av 29500 individer som varje månad besvarar frågor gällande sin arbetsmarknadssituation under en specifik vecka (referensvecka) i månaden. Individerna i urvalet väljs ut från Statistiska Centralbyråns Registret över totalbefolkningen (RTB). Uppgifterna i registret delas in i två sorters variabler: bakgrundsvariabler och arbetsmarknadsvariabler. De först SCB ansvarar för följande områden inom arbetsmarknad: sysselsättning, förvärvsarbete och arbetstider, lönesummor, sjuklöner, vakanser och arbetslöshet samt arbetskraftsundersökningar. 1 7 Andersson (2015), Stockholms universitet nämnda motsvarar information om bland annat kön, ålder och födelseland, och hämtas från RTB medan de sist nämna motsvarar information som respondenten ger genom att besvara frågor om deras arbetsmarknadssituation. Under uppgiftsinsamlingen för Arbetskraftsundersökningarna finns det risk för undertäckning som främst beror på att immigranter (”invandrare” + ”hemvändare”) registreras i RTB med en viss eftersläpning. Det innebär att respondenter som borde få enkäten inte får den och blir därmed bortfall. I undersökningen finns det även risk för övertäckning som i detta fall främst beror på eftersläpning i rapporteringen av dödsfall och utvandring. Undersökningen har så kallade roterande urval vilket innebär att individerna i urvalet ingår i undersökningen vid flera tillfällen. Varje person intervjuas sammanlagt åtta gånger under två år. Ett kvartal innefattar tre olika urval, ett för varje månad i kvartalet. Dessa urval delas i sin tur upp i åtta olika rotationsgrupper. Systemet för rotationer är relativt komplex men kan enkelt förklaras av att 7/8 av varje månadsurval under kvartalet återkommer med tre månaders mellanrum medan 1/8 av urvalet byts ut mot nya individer. Urvalet delas upp i olika strata och dras utifrån fyra olika startpunkter för att undvika eventuell systematik som kan finnas i ramen och därmed undviks bias i stickprovet. Statistiska Centralbyrån har även ett tilläggsurval som innefattar de sista 8000 individerna i urvalet för att bättre kunna redovisa statistik om individer som inte arbetar. Datainsamlingsmetoden som används är CATI (Computer Assisted Telephone Interview) och innebär att individerna intervjuas i datorstödda telefonintervjuer. Det innebär att frågeformuläret finns lagrat elektroniskt i ett intervjuprogram som används av intervjuaren. Det finns risker med objektsbortfall när individer i urvalet inte går att kontakta, vilket kan bero på att deras telefonuppgifter saknas. Om respondenten i fråga vägrar att svara rapporteras det dock inte som bortfall utan en vägran. (Mirza, 2014) Att göra telefonintervjuer sägs vara ett snabbt och ett relativt billigt tillvägagångssätt att samla in data. Det finns även utrymme för intervjuaren att medverka till att svaren blir av högre kvalitet än annars då det finns möjlighet att reda ut oklarheter samt att uppmuntra respondenten att ge utförliga och exakta svar. Dock finns det risker att intervjuaren påverkar respondenten negativt vilket gör att svaren kan bli felaktiga, så kallade intervjuareffekter. En nackdel med en snabb datainsamling är att andelen ej anträffbara personer kan förväntas bli stor, det vill säga bortfallet. Som tidigare nämnt är ett problem med telefonintervjuer att få in alla i urvalets telefonnummer då vissa respondenter har hemliga nummer eller mobiltelefonnummer står som skrivet på en sambo eller liknande. Nu för tiden går det även att ha ett ”filter” i en telefonsvarare och därmed 8 Andersson (2015), Stockholms universitet avgöra vilka samtal som går igenom och vilka som inte gör det. En annan negativ aspekt med telefonintervjuer är om intervjuaren möter en så kallad ”gatekeeper”, en person som svarar på telefonen som ej är den valda respondenten och inte vill släppa fram intervjuaren till den rätta personen. Miljön vid telefonintervjuer är oftast inte den bästa då respondenten kan befinna sig i sin hemmamiljö, det kan vara folk i bakgrunden eller liknande. Detta innebär att intervjuaren inte kan räkna med att svaren är genomtänkta när de ska ges utan någon längre betänketid. Frågorna som ställs av Statistiska Centralbyrån gällande respondentens arbetssituation kan ses som känsliga vid en intervju vilket också kan resultera i svar som inte är korrekta till skillnad från som frågan hade ställts i en enkät. Fördelarna med datorstödda intervjuer är att insamlingen och bearbetningen går snabbt samt att intervjuaren sällan frångår protokollet då intervjufrågorna visas på en dataskärm i rätt ordning utifrån de svar som respondenten har angett. En nackdel med metoden är att det ställs stora krav på konstruktionen av frågeformulären och på programmeringen samt på testningen av intervjuerna, eftersom alla tänkbara svar måste förutses innan samt att olika instruktioner och hopp mellan frågor måste läggas in som täcker alla tänkbara svar. (Dahmström, 2005) 3.1.2 Arbetsförmedlingen Arbetsförmedlingens främsta syfte är att hjälpa arbetssökande att hitta ett jobb och att hjälpa företag att hitta rätt kompetens. En viktig del i deras arbete är att hjälpa arbetssökande som står längre från arbetsmarknaden för att på sikt minska utslagning och öka sysselsättningen i landet. De arbetar på uppdrag av riksdagen och regeringen. För att hjälpa arbetssökande erbjuder även Arbetsförmedlingen arbetsmarknadspolitiska program som är beroende av konjunkturen på arbetsmarknaden. Arbetsförmedlingen publicerar veckovis och månatlig statistik över antalet personer inskrivna vid Arbetsförmedlingen indelade på bland annat öppet arbetslösa och deltagare inom de olika arbetsmarknadspolitiska programmen. De redovisar även platsstatistik som omfattar företags anmälda rekryteringsbehov till Arbetsförmedlingen och via självservicesystemet Annonsera Direkt. Statistiken som publiceras hos Arbetsförmedlingen skall inte förväxlas med den officiella arbetsmarknadsstatistiken som Statistiska Centralbyrån tillhandahåller och som presenteras via Arbetskraftsundersökningarna (AKU). (Arbetsformedlingen.se, 2014) 9 Andersson (2015), Stockholms universitet 3.1.3 Konjunkturinstitutet Konjunkturinstitutet är en statlig myndighet och tillhör finansdepartementet vars uppgift är att analysera den ekonomiska utvecklingen i Sverige och i utlandet. De gör även prognoser som används som beslutsunderlag för politiken, företag och organisationer, samt forskar inom nationalekonomi. (Konj.se, 2014) Varje månad frågar de svenska företag och hushåll om deras syn på den svenska ekonomin. Resultatet bildar den så kallade Konjunkturbarometern vars syfte är att ge indikationer om viktiga ekonomiska variabler. Barometern består av två delar: företagsbarometern och hushållsbarometern. Undersökningen är kvalitativ, vilket innebär att de tillfrågade inte behöver ange några svar i absoluta tal såsom kronor, ören eller volymförändringar i antal enheter. Enkäten innefattar endast välkända begrepp för att undvika förvirring, då syftet är att frågorna ska kunna besvaras utan ett tidigare utredningsarbete. Referenstiden skiljer sig mellan de två olika enkäterna: företagens frågor avser de tre senaste månaderna och de tre kommande månaderna medan hushållsundersökningen avser de tolv senaste och kommande månaderna. Konjunkturbarometern I Företagsbarometern tillfrågas cirka 6500 företag varje månad om hur de upplever ekonomin i nuläget och vilka förväntningar de har på framtiden. Urvalsramen är Statistiska Centralbyråns Företagsdatabas (FDB), ett heltäckande register över samtliga företag i landet, och urvalsobjektet i undersökningen är verksamhetsenhet (VE) inom samtliga branscher. Konjunkturinstitutet delar upp företagen i olika branscher som definieras utifrån SNI 2007 vilket även är standard för SCB sedan januari 2008. De fyra olika branscherna är: • Tillverkningsindustri • Byggindustri • Handel • Privata tjänstenäringar I denna studie används ”Totala näringslivet” som är en sammanvägning av de fyra branscherna. Storleken på företagen avgör huruvida de kommer med i urvalet eller inte. Cut-off-värdet för antalet anställda beror på strukturen i en bransch och antalet företag i urvalet varierar något från år till år. Cut-off-värdet är vanligast 20 anställda eller fler. Det finns risk för undertäckning i urvalet, det vill säga att det finns företag som inte finns med i urvalsramen på grund av till exempel felklassificering eller att de ännu inte har registrerats. I och med att dessa företag inte får enkäten ses de som bortfall. Det finns även risk för övertäckning då vissa företag kan ha felklassificeras eller är ”döda” men är fortfarande med i urvalsgruppen. Det innebär att dessa företag får enkäten trots att de inte är med i urvalsramen. 10 Andersson (2015), Stockholms universitet Enkäten som skickas ut innehåller olika frågor beroende på vilken bransch det tillfrågade företagen är verksamt inom. Var tredje månad innehåller enkäterna fler frågor. De skickas ut via post och e-post. Frågorna som ställs är av tre typer: • Utfalls- och förväntansfrågor • Omdömesfrågor (subjektiv bedömning av den tillfrågade gällande en vid ekonomisk variabel) • Kvantitativa frågor (till exempel kapacitetsutnyttjande) Svaren som mottas från företagen viktas sedan beroende på företagets storlek (ju större desto större vikt), svarsbortfall och populationsuppräkning. (Konjunkturinstitutet, 2014) Postenkät är ett vanligt sätt att samla in data. En nackdel med denna metod är att risken för bortfall är stor. Dock använder sig Konjunkturinstitutet av först en påminnelse som skickas ut via post eller e-post och sedan av telefonpåminnelse. Dessa påminnelser gör att metoden blir relativt tidskrävande. En nackdel är också att enkäten skickas till företagsledningen, men det är inte möjligt att avgöra huruvida det är en individ från ledningen som svarar på enkäten. En fördel med metoden är att den är billig att genomföra och det finns möjlighet att ställa många olika slags frågor som kan vara för känsliga för att ställa i en intervju. Man undviker även intervjuareffekter som kan påverka svar negativt. (Dahmström, 2005) I Hushållsbarometern intervjuas 1500 svenska hushåll varje månad gällande deras syn på den egna och den svenska ekonomin, deras förväntningar på räntor, arbetslöshet och inflation samt deras inköpsplaner av kapitalvaror och sparande. Liksom Statistiska Centralbyrån är Konjunkturinstitutet en del av Sveriges officiella statistik och ansvarar för statistiken gällande hushållens inköpsplaner. Målpopulationen i undersökningen är alla svenskar mellan 16 och 84 år och urvalet av hushåll är slumpmässigt utifrån konsumentdatabasen PAR Konsument som innehåller 4,5 miljoner individer uppdelat på 3,6 miljoner hushåll. Intervjuerna äger rum under de 15 första dagarna i varje månad och sker via telefon. Vid uppringning till ett hushåll får den person som står näst på tur att fylla år svara på frågorna. Konjunkturinstitutet redovisar hushållens svar med och utan extremvärden. De observationer som befinner sig i första och fjärde kvartilen rapporteras som extremvärden. (Konjunkturinstitutet, 2014) 11 Andersson (2015), Stockholms universitet För- och nackdelarna med att göra telefonintervjuer återfinns i föregående stycke om Arbetskraftsundersökningarna. 3.2 Variabler Nedan följer en sammanställning av de variabler som använts för att skapa en faktormodell för svensk arbetsmarknad så som Federal Reserve har skapat en för den amerikanska arbetsmarknaden. Dock gick det ej att hitta exakt motsvarande variabler för Sverige och därmed inkluderas endast 14 variabler i studien. För att undvika manuell inmatning av ny statistik har variablerna valts ut från databasen Macrobond2 så modellen automatiskt kan uppdateras varje månad. I studien inkluderas ingen variabel för svensk löneutveckling, då det finns ett flertal lönevariabler som beskriver löneutvecklingen inom olika sektorer men inte en gemensam som summerar den övergripande löneutvecklingen. Det inkluderas även inte en variabel för övergångstiden från arbetslös till sysselsatt då Arbetsförmedlingen inte tillhandahåller sådan information. Studien innefattar statistik över antal uppsägningar men inte hur många som frivilligt sade upp sig, eftersom sådan statistik inte gick att finna. I tabell 3.1 sammanställs de variabler som inkluderas i studien. Indikator Förkortning Källa Enhet Arbetslöshetsgrad al SCB Procent av arbetskraften Arbetskraftsdeltagande ak-tal SCB Procent av population Tillfälligt anställda tillfa SCB Procent av population Privat sysselsättning syssp SCB Procent av population Offentlig sysselsättning sysso SCB Procent av population Sysselsättningsgrad syssg SCB Procent av population timmar SCB Timmar/vecka Kvarstående lediga platser lediga_k Arbetsförmedlingen Procent av population Nyanmälda lediga platser lediga_n Arbetsförmedlingen Procent av population tillanst Arbetsförmedlingen Procent av population Uppsägningar uppsag Arbetsförmedlingen Procent av population Undersökningar Hushållsförväntningar på arbetslöshet hip Konjunkturinstitutet Nettotal Brist på arbetskraft brist Konjunkturinstitutet Procent som svarade "ja" Anställningsplaner anstplan Konjunkturinstitutet Nettotal Sysselsättning och arbetslöshet Arbetsveckor Genomsnittligt arbetade timmar Lediga platser Anställningar Sökande som fick anställning Uppsägningar Tabell 3.1: Svenska variabler inkluderade i faktoranalysen Macrobond är ett program som tillhandahåller statistik, tidsserier, grafritare och analytiska verktyg som används av Nordeas research och strategiavdelning. 2 12 Andersson (2015), Stockholms universitet Notera att samtliga variabler som används i arbetsmarknadsindikatorn för Sverige är säsongsrensade, vilket innebär att variationer och effekter i tidsserierna som beror på säsong är avlägsnade. Arbetslöshet Arbetslösheten i Sverige, som i studien kallas ”al”, är insamlad från Statistiska Centralbyråns Arbetskraftsundersökningar. Definitionen för en arbetslös är enligt Statistiska Centralbyrån personer som varit utan arbete under referensveckan men som har sökt arbete under de senaste fyra veckorna, det vill säga under referensveckan och tre veckor bakåt. Personen kunde även arbeta under referensveckan eller börja inom 14 dagar från det att referensveckan är slut. En arbetslös innefattar även en person som fått ett arbete och som börjar inom tre månader, förutsatt att de har kunnat arbeta under referensveckan eller kunnat börja arbeta inom 14 dagar från och med att referensveckan är slut. (Mirza, 2014) Variabeln ”arbetslöshet” mäts i procent av den totala arbetskraften. Sysselsättningsgrad och arbetskraftsdeltagande Ur Arbetskraftsundersökningarna har även sysselsättningsgrad och arbetskraftsdeltagande tagits fram. Sysselsättningen i Sverige är det antal personer mellan 16 och 64 år som arbetar. Definitionen av en sysselsatt person är enligt Statistiska Centralbyrån en person som under referensveckan utförde något arbete (minst en timme), antingen som avlönad arbetstagare, som egenföretagare eller oavlönad medhjälpare i företag tillhörande ens respektive eller annan medlem av samma hushåll. En sysselsatt person är även någon som inte utfört något arbete enligt ovan men som hade en anställning, arbete som medhjälpande hushållsmedlem eller egen företagare och varit tillfälligt frånvarande under hela referensveckan. Orsaken till frånvaron kan vara sjukdom, tjänstledighet, semester eller liknande. Personer som deltar i vissa arbetsmarknadspolitiska program definieras också som sysselsatta. Detta innefattar till exempel offentligt skyddat arbete, Samhall, start av näringsverksamhet eller anställning med lönebidrag eller anställningsstöd. (Mirza, 2014) Sysselsättningsgrad är antalet sysselsatta som en andel av den totala befolkningen. Arbetskraftsdeltagande är antal personer i arbetskraften som en andel av den totala befolkningen, där arbetskraften är summan av antalet arbetslösa och antalet sysselsatta. I resultatet kommer sysselsättningsgrad att definieras som ”syssg” och arbetskraftsdeltagande och ”ak-tal”. Sysselsatta privat sektor och offentlig sektor Data över antal sysselsatta inom privat (”syssp”) respektive offentlig sektor (”sysso”) kommer från Arbetskraftsundersökningarna. Antal sysselsatta i offentlig sektor är en summa av anställda inom statlig verksamhet och antal anställda inom kommunal verksamhet. (Mirza, 2014) Detta ses 13 Andersson (2015), Stockholms universitet som en approximation för totalt anställda inom offentlig sektor. Variablerna ”syssp” och ”sysso” är antal sysselsatta inom sektorn dividerat med den totala befolkningen. Tillfälligt anställda Definitionen av en tidsbegränsad, eller tillfälligt, anställd är enligt Statistiska Centralbyrån en person med vikariat, anställningsstöd, säsongsarbete, provanställning eller objekts- /projektanställning samt övriga former av tidsbegränsade anställningar. (Mirza, 2014) Variabeln ”tillfa” motsvarar antalet tillfälligt anställda dividerat med den totala befolkningen och även den är tagen från Arbetskraftsundersökningarna. Genomsnittligt arbetade timmar Variabeln ”timmar” är statistik insamlat taget från Arbetskraftsundersökningarna. Den visar antalet timmar som respondenterna i genomsnitt har arbetat under referensveckan. (Mirza, 2014) Kvarstående lediga platser Data över kvarstående lediga platser hos företag är insamlat från den månatliga statistiken som publiceras på Arbetsförmedlingens hemsida. Variabeln ”lediga_k” visar antal platser som fortfarande är lediga vid månadens slut, det vill säga en ledig plats som rapporterats in av arbetsgivaren direkt till Arbetsförmedlingen eller via Annonsera Direkt som inte har blivit avrapporterad. (Arbetsformedlingen.se, 2014) Variabeln mäts i antal kvarstående lediga platser dividerat med totala befolkningen. Nyanmälda lediga platser Liksom antalet kvarstående lediga platser publicerar Arbetsförmedlingen i sin månatliga statistik data över nyanmälda lediga platser som arbetsgivaren har anmält och/eller som har skrivits in på Arbetsförmedlingens hemsida under månaden. (Arbetsformedlingen.se, 2014) Denna variabel (”lediga_n”) inkluderas också i arbetsmarknadsindikatorn. Variabeln mäts i antal nyanmälda lediga platser dividerat med totala befolkningen. Sökande som fick anställning Variabeln ”tillanst” innefattar personer registrerade hos Arbetsförmedlingen som har anmält sig som arbetande från sökande under referensmånaden. Detta innebär att de befinner sig i någon sökandekategori som innebär arbete eller en person som är avaktualiserad (en inskriven som inte längre är i behov av Arbetsförmedlingens tjänster). (Arbetsformedlingen.se, 2014) Variabeln mäts i antalet sökande som fick anställning dividerat med totala befolkningen. Uppsägningar Arbetsförmedlingen publicerar även varje månad varsel för referensmånaden. Enligt främjandelagen är en privat eller offentlig arbetsgivare skyldig att anmäla varsel till Arbetsförmedlingen inför 14 Andersson (2015), Stockholms universitet driftsinskränkning av minst fem arbetstagare. Detta innebär att mindre driftinskränkningar inte ingår i statistiken. Variabeln kallas i denna studie ”uppsag”. (Arbetsformedlingen.se, 2015) Hushålls förväntade arbetslöshet om 12 månader Utifrån Konjunkturinstitutets Hushållsbarometer har variabeln ”hip” tagits fram och används i denna studie för att skapa en arbetsmarknadsindikator. Variabeln beskriver hushållens förväntningar på den nationella arbetslösheten om 12 månader. Frågan som ställs i enkäten lyder: ”Hur tror Du att arbetslösheten kommer att utvecklas under de närmaste 12 månaderna? Kommer den att…?”. Följande svarsalternativ ges till den tillfrågade: öka mycket, öka något, vara ungefär som nu, minska något, minska mycket och vet inte. (Konjunkturinstitutet, 2014) Då svarsalternativen är på ordinalskala kan de rangordnas men inte mer än så. Dock måste de kodas för att kunna få fram ett siffervärde som går att använda i faktoranalysen. (Dahmström, 2005) Konjunkturinstitutet har valt att beräkna nettotalet av förväntad arbetslöshet genom följande formel: (Konjunkturinstitutet, 2014) Nettotal = öka mycket + öka något – minska något – minska mycket Företagens anställningsplaner Utifrån Konjunkturinstitutets Företagsbarometer har två frågor valts ut som variabler i arbetsmarknadsindikatorn. Den första variabeln är ”anstplan” vilket är företagens förväntningar på antalet anställda under de kommande tre månaderna, det vill säga huruvida antalet kommer att öka, minska eller vara oförändrat. Även denna variabel är i ordinalskala och måste därför kodas om till ett nettotal. Ett exempel på hur detta räknas fram är att 40 procent av företagen uppger att antalet anställda kommer att öka och 10 procent att det kommer att minska. Nettotalet blir då 30 (40-10=30). Ju högre värde på variabeln desto fler företag tror att antalet anställda kommer att öka och har därmed planer på att anställa under de tre kommande månaderna. (Konjunkturinstitutet, 2014) Företags nuvarande brist på arbetskraft Den andra variabeln är tagen från den kvartalsvisa Företagsbarometern som Konjunkturinstitutet skickar ut till företag där frågan ställs huruvida företagen upplever brist på arbetskraft under referenskvartalet. Variabeln som används i arbetsmarknadsindikatorn och kallas ”brist” och anger andel företag som svarat ja i procent. (Konjunkturinstitutet, 2014) 15 Andersson (2015), Stockholms universitet 4 Metod En statistisk metod för att undersöka underliggande samband eller mönster hos ett stort antal variabler är faktoranalys. Metoden komprimerar och sammanfattar data som består av ett flertal variabler och observationer. Det grundläggande antagandet för faktoranalys är att det är möjligt att förklara korrelation mellan variablerna i termer av underliggande faktorer, så kallade gemensamma faktorer. De gemensamma faktorerna skall förklara den variation som gör att variablerna korrelerar. Dock kan det finnas variation inom varje variabel som är unik för just den variabeln, detta förklaras av unika faktorer som inte bidrar till samvariationen mellan variablerna. (Kim and Müller, 2007) 4.1 Grundläggande faktoranalys Sambandet mellan en gemensam faktor, unika faktorer och observerade variabler illustreras grafiskt i figur 4.1 och algebraiskt i ekvation (4.1). Figur 4.1: En-faktormodell 𝑥! = 𝜆! 𝜉 + 𝜀! 𝑥! = 𝜆! 𝜉 + 𝜀! 𝑥! = 𝜆! 𝜉 + 𝜀! (4.1) Samvariationen mellan variablerna 𝑥! , 𝑥! och 𝑥! är en linjär funktion av den gemensamma faktorn ξ som är icke-observerbar. Koefficienterna framför den gemensamma faktorn kallas ”patttern loadings” eller faktorladdningar. Den gemensamma variationen mellan ξ och respektive variabel är kvadraten av faktorladdningen och kallas för kommunalitet. Ju högre värde på laddningen 16 Andersson (2015), Stockholms universitet och kommunaliteten desto mer har faktorn och variabeln i gemenskap. Den variationen som är gemensam för en variabel och dess unika faktor är variabelns totala varians minus kommunaliteten. Det finns tre antaganden inom faktoranalys som måste antas för att kunna genomföra analysen: 1) 𝐸 𝑥! = 𝐸 𝜉! = 𝐸 𝜀! = 0 2) 𝑉𝑎𝑟 𝑥! = 𝑉𝑎𝑟 𝜉! = 1 (4.2) 3) 𝐸 𝜉! 𝜀! = 0 och 𝐸 𝜀! 𝜀! = 0 Det är inte alltid möjligt att förklara sambandet mellan de observerade variablerna med endast en gemensam faktor. Detta innebär att det finns två eller fler icke-observerade faktorer som förklarar samvariationen mellan variablerna. Detta illustreras grafiskt i figur 4.2 och algebraisk genom ekvation (4.3). Figur 4.2: Två-faktormodell 17 Andersson (2015), Stockholms universitet 𝑥! = 𝜆!! 𝜉! + 𝜆!" 𝜉! + 𝜀! 𝑥! = 𝜆!" 𝜉! + 𝜆!! 𝜉! + 𝜀! 𝑥! = 𝜆!" 𝜉! + 𝜆!" 𝜉! + 𝜀! 𝑥! = 𝜆!" 𝜉! + 𝜆!" 𝜉! + 𝜀! 𝑥! = 𝜆!" 𝜉! + 𝜆!" 𝜉! + 𝜀! 𝑥! = 𝜆!" 𝜉! + 𝜆!" 𝜉! + 𝜀! (4.3) De gemensamma faktorerna kan antingen vara korrelerade, 𝐶𝑜𝑟𝑟(𝜉! , 𝜉! ) ≠ 0, eller okorrelerade, 𝐶𝑜𝑟𝑟 𝜉! , 𝜉! = 0. När faktorerna är okorrelerade är faktorerna ortogonala, vilket innebär att de två faktorerna kan representeras av två axlar i ett koordinatsystem där axlarna är vinkelräta. Syftet med faktoranalys är att hitta det minsta antalet gemensamma faktorer som bäst beskriver sambandet mellan de observerade variablerna och att genom rotation hitta den mest intuitiva faktorlösningen. Syftet är även att identifiera laddningarna, kommunaliteterna och den unika variansen för respektive variabel samt att hitta en intuitiv tolkning av de gemensamma faktorerna. (Sharma, 1996) 4.2 Faktoranalysmetoder Det finns olika metoder för att utföra en faktoranalys. Två vanliga metoder är ”Partial Axis Factoring” (PAF) och ”Maximum Likelihood Factor Analysis” (MLFA). I denna studie kommer den så kallade ”Maximum Likelihood”-metoden att användas då det gav ett mer intuitivt resultat. Syftet med metoden är att hitta en faktoranalys-lösning där de gemensamma faktorerna har störst sannolikhet att återskapa den faktiska korrelationsmatrisen mellan variablerna. (Kim and Müller, 2007) Nedan beskrivs kortfattat hur faktoranalys genomförs i teorin samt skillnaden mellan de två olika metoderna. 4.2.1 Faktoranalys i teorin Den estimerade korrelationsmatrisen Σ består av p x p korrelationer där p är antalet variabler för ett stort antal observationer. Ekvation (4.4) visar Σ som en matris med faktorladdningar i en modell där faktorerna är ortogonala. 𝚺 = 𝚲𝚲! + 𝚯𝟐 (4.4) Λ motsvarar faktorladdningar för en modell med p antal variabler och r antal gemensamma faktorer och Θ motsvarar en p x p diagonal matris med de unika faktorernas varianser. Den faktiska korrelationsmatrisen kallas för S och innefattar de observerade korrelationerna mellan variablerna. En faktoranalys skapar estimat för faktorladdningar genom att minimera skillnaderna/avvikelserna mellan de observerade korrelationerna i S och den modellerade korrelationsmatrisen Σ. 18 Andersson (2015), Stockholms universitet 4.2.2 Principal Axis Factoring vs. Maximum Likelihood Factor Analysis Att göra en faktoranalys med antingen ”Principal Axis Factoring” eller ”Maximum Likelihood Factor Analysis” ger olika resultat, det vill säga olika estimat för faktorladdningarna, eftersom de bakomliggande antaganden skiljer sig åt. PAF gör inga antaganden gällande avvikelserna och minimerar därmed (de ovägda) skillnaderna mellan elementen/korrelationerna i den faktiska och den estimerade matrisen på följande sätt: ! 𝐹!"# = ! 𝑡𝑟 𝑆 − Σ ! = ! ! 𝑠!" − 𝜎!" ! (4.5) där s!" är elementen i den faktiska korrelationsmatrisen S och σ!" är elementen i den estimerade korrelationsmatrisen Σ. Den andra metoden, MLFA, antar att variablerna är normalfördelade. De gemensamma faktorerna bestäms genom att minimera ekvation (4.6): 𝐹!" ≈ ! ! 𝑠!" − 𝜎!" 𝜃!! 𝜃!! ! (4.6) där 𝜃! och 𝜃! är stickprovets unika varians för variabel i respektive j som sammanfattas i matris Θ som ses i ekvation (4.4) . (de Winter and Dodou, 2012) 4.3 Rotation När faktoranalysen har utförts och faktorladdningarna för respektive variabel är kända, skall resultatet tolkas. Målet är att kunna definiera vilka icke-observerbara variabler de skapade faktorerna motsvarar som är korrelerade med de observerade variablerna. En anledning varför resultatet kan vara svårt att tolka är för att variablerna kan korrelera med mer än en faktor. Ett sätt att skapa ett mer intuitivt resultat är att skapa en så kallad rotation, där de axlar som faktorerna bildar i ett koordinatsystem roteras. Det går att rotera både ortogonalt (varimax eller quartimax) och oblique. En ortogonal rotation innebär att de gemensamma faktorerna förblir okorrelerade även efter rotationen då axlarna fortfarande är vinkelräta, medan oblique rotation inte har det kravet. I den här studien kommer rotationen att ske ortogonalt genom varimax-rotation. Målet med varimax-rotation är att skapa en faktorstruktur som maximerar en variabels korrelation med en enda faktor och låter därmed korrelationen med de andra faktorerna vara låg. Det innebär att korrelationen med en gemensam faktor skall gå mot 1 medan de andra korrelationerna går mot 0. Detta uppnås genom att maximera variationen hos de kvadrerade faktorladdningarna under bivillkoret att kommunaliteten för varje variabel förblir konstant. Detta innebär att kom19 Andersson (2015), Stockholms universitet munalitetens variation för samtliga observerade variabler med faktor j motsvarar följande ekvation: 𝑉! = ! !!! ! !!!" !!!! ! ! ! ! !!! !!!" ! !!! !!!" = !! ! (4.7) där p är antalet variabler i analysen och 𝜆!! är den genomsnittliga faktorladdningen för faktor j i kvadrat. Ekvation (4.8) visar den totala variationen för samtliga gemensamma faktorer. 𝑉 = ! ! !!! 𝑉! 𝑝 ! ! !!! 𝜆!" ! !!! ! ! !!! 𝜆!" 𝑉 = !!! 𝑉 = 𝑝 − 𝑝! ! ! ! !!! 𝜆!" (4.8) ! ! ! !!! 𝜆!" 𝑝! − och eftersom antalet variabler inte ändras går ovanstående ekvation att skriva om till ekvation (4.9). 𝑝𝑉 = ! !!! ! ! !!! 𝜆!" − ! ! ! !!! !!" ! (4.9) Genom att maximera ekvation (4.9)4r5, under bivillkoret att varje variabels kommunalitet är konstant, skapas den så kallade transformationsmatrisen som anger vikter som multipliceras med faktorladdningarna så de istället representeras av de nya roterade axlarna. (Sharma, 1996) 4.4 Faktoranalys i praktiken Faktoranalysens första steg är att avgöra huruvida variablerna som skall analyseras är lämpligt för faktoranalys. Det finns ett två sätt att avgöra detta och de ”regler” som finns skall endast ses som tumregler. Ena sättet är att se till storleken av korrelationerna mellan variablerna. Höga korrelationer indikerar att det bör finnas underliggande faktor/-er och variablerna kan därmed grupperas utifrån deras homogenitet. Ett andra sätt är att se till variablernas partialkorrelation. Är dessa små anses faktoranalys vara en lämplig metod. Nästa steg i faktoranalys är att avgöra hur många faktorer som skall användas. En metod är den så kallade ”egenvärde-större-än-ett” regeln. En faktors egenvärde är den del av den totala variationen som förklaras av den faktorn och är summan av faktorns kommunaliteter med samtliga variabler. Metoden sållar bort samtliga faktorer som inte har ett egenvärde över 1. Det går även att an- 20 Andersson (2015), Stockholms universitet vända sig av en ”scree-plot”, ett koordinatsystem med egenvärden som y-axel och faktorer som x-axel. Regeln säger att man ska använda sig av så många faktorer som finns till vänster om ”armbågen”. Figur 4.3 visar ett exempel på scree-plot där två faktorer skall inkluderas i analysen. Figur 4.3: Scree-plot som visar faktorers respektive egenvärde Därefter analyseras resultatet. Detta sammanfattas i en tabell som beskriver varje variabels laddning gentemot respektive faktor. Variabelns kommunalitet med en faktor är kvadraten av faktorladdningen och motsvarar den del av variansen som är gemensam med faktorn. Den totala kommunaliteten för varje variabel är summan av de kvadrerade laddningarna till respektive faktor. Nästa steg är att utvärdera den estimerade faktorlösningen, det vill säga hur väl faktorerna mäter korrelationen mellan de observerade variablerna. Detta kan avgöras genom att granska korrelationen mellan residualerna. Om korrelationerna är små och RMSR (root-mean-square residual)3 är lågt indikerar det att faktorerna beskriver till stor del korrelationerna mellan variablerna. Nästa steg är att försöka tolka faktorerna och avgöra vad den underliggande icke-observerbara variabeln/dimensionen som står för. Ju högre laddning en variabel har gentemot en faktor, desto mer gemensamt har de. En gräns för ett ”högt” värde på en laddning finns inte men en tumregel är att en korrelation är hög om laddningen är över 0,60. Slutligen avgörs det huruvida en rotation skall göras för att skapa en mer tydlig uppdelning av vilka variabler som påverkas av vilken faktor som i sin tur gör resultatet enklare att tolka. Detta kan, som tidigare nämnt, göras genom varimax-rotation eller quartimax-rotation. (Sharma, 1996) 3 𝑅𝑀𝑆𝑅 = ! !!! ! ! !"#!" !!! !(!!!)/! där 𝑟𝑒𝑠!" är korrelationen mellan variabel i och j och p är antalet variabler. 21 Andersson (2015), Stockholms universitet 5 Resultat I detta avsnitt presenteras faktoranalysen från datainsamling till resultatet av antal gemensamma faktorer och vad de betyder. 5.1 Datainsamlingsmetod Innan arbetsmarknadsindikatorn för Sverige skapas måste all data för samtliga variabler samlas in från Macrobond. Statistiken sammanställdes i ett gemensamt dokument som sedan importerades till Eviews4. Alla variabler utom två var på månadsbasis: företagens anställningsplaner och deras brist på arbetskraft. Den förstnämnda interpolerades från kvartalsbasis till månadsbasis för januari 1996 till nutid medan ”brist” endast behövdes interpoleras från januari 1996 till december 2000 då den sedan började rapporteras in på månadsbasis. Det finns ett flertal metoder att genomföra en interpolering, i detta fall användes metoden quadratic-match average (≈ kvadrat-matchning medelvärde). Metoden skattar en jämn kurva genom att använda sig av data från det nuvarande kvartalet, föregående kvartal och efterföljande kvartal. Kurvan används sedan för att interpolera data inom det önskade kvartalet. Då variablernas data inte är en aggregerad siffra över kvartalet används medelvärdesberäkning som tvingar medelvärdet av de interpolerade månadernas värden att matcha original-kvartalsvärdet. (Startz, 2013) Interpolering är inte alltid att föredra då ”påhittade” siffror används. I denna studie har det valts att interpolera två variabler för att få så lika variabler som den amerikanska indikatorn som möjligt. 5.1.1 Standardisering Samtliga variabler har standardiserats till medelvärde 0 och en standardavvikelse på 1. Detta har gjorts då enhetsmåtten skiljer sig åt. Modellen som skapas i faktoranalysen standardiseras också till (0,1) och därmed visar resultatet hur varje månads arbetsmarknadsläge skiljer sig från genomsnittet. 5.2 Faktoranalysen Första steget i faktoranalys-processen är att se huruvida variablerna är lämpliga för en faktoranalys utifrån korrelationerna mellan variablerna och variablernas partialkorrelation. Tabell 4.1 visar samtliga korrelationer mellan variablerna. Ett värde nära 0 innebär en låg korrelation medan ett absolutvärde nära 1 indikerar en hög korrelation. Resultatet visar att ett flertal variabler korrelerar högt med varandra vilket tyder på att det finns underliggande faktor/-er och att faktoranalys är en lämplig metod. Partialkorrelationerna som återfinns i Bilaga A visar också att faktoranalys är en lämpligt då dessa är små. 4 Eviews är en mjukvara som erbjuder verktyg till att göra statistiska analyser, prognoser och modelleringar av olika slag. Den kan även skapa grafer och tabeller. (Eviews.com, 2015) 22 Andersson (2015), Stockholms universitet al al syssp sysso syssg tillfa timmar lediga_k lediga_n tillanst uppsag hip anstplan ak-tal brist syssp 1,00 0,51 0,46 0,45 0,81 0,44 0,11 0,39 0,44 0,38 0,07 -0,06 0,00 0,11 0,51 1,00 0,99 -0,04 0,86 0,86 0,73 0,83 0,81 0,79 0,21 0,11 0,09 -0,28 sysso 0,46 0,99 1,00 -0,13 0,83 0,84 0,72 0,84 0,79 0,79 0,21 0,12 0,10 -0,29 syssg 0,45 -0,04 -0,13 1,00 0,23 0,07 -0,10 -0,14 0,04 -0,13 -0,09 -0,03 -0,11 0,07 tillfa 0,81 0,86 0,83 0,23 1,00 0,72 0,42 0,74 0,72 0,65 0,15 0,06 0,04 -0,11 timmar lediga_k 0,44 0,86 0,84 0,07 0,72 1,00 0,71 0,86 0,90 0,46 -0,12 -0,23 0,44 0,07 0,11 0,73 0,72 -0,10 0,42 0,71 1,00 0,58 0,63 0,55 0,13 0,09 0,13 -0,20 lediga_n 0,39 0,83 0,84 -0,14 0,74 0,86 0,58 1,00 0,93 0,46 -0,11 -0,24 0,46 0,15 tillanst 0,44 0,81 0,79 0,04 0,72 0,90 0,63 0,93 1,00 0,37 -0,18 -0,32 0,49 0,23 uppsag 0,38 0,79 0,79 -0,13 0,65 0,46 0,55 0,46 0,37 1,00 0,51 0,46 -0,31 -0,57 hip 0,07 0,21 0,21 -0,09 0,15 -0,12 0,13 -0,11 -0,18 0,51 1,00 0,73 -0,73 -0,62 anstplan ak-tal -0,06 0,11 0,12 -0,03 0,06 -0,23 0,09 -0,24 -0,32 0,46 0,73 1,00 -0,86 -0,78 Tabell 5.1: Korrelationsmatris Steg två i faktoranalys-processen är att avgöra hur många faktorer som skall användas. För att avgöra detta skapas faktoranalysen i Eviews med de 14 standardiserade variablerna. Den första output som skapas visar de estimerade icke-roterade laddningarna. Resultatet återfinns i tabell 5.2. Resultatet av faktoranalysen i Eveiws ger totalt 14 stycken gemensamma faktorer. Näst måste det avgöras hur många av dessa som skall användas. Ena metoden att bestämma antalet faktorer är att eliminera de faktorer som har ett egenvärde (varians) som är mindre än 1. De tre gemensamma faktorerna som har ett egenvärde över 1 visas i tabell 5.2. Det kan även avgöras utifrån en ”scree-plot” som illustreras i figur 5.1. Även den visar att faktoranalysen ska innefatta tre faktorer. Figur 5.1: Scree-plot 23 0,00 0,09 0,10 -0,11 0,04 0,44 0,13 0,46 0,49 -0,31 -0,73 -0,86 1,00 0,74 brist 0,11 -0,28 -0,29 0,07 -0,11 0,07 -0,20 0,15 0,23 -0,57 -0,62 -0,78 0,74 1,00 Andersson (2015), Stockholms universitet Icke-‐roterade laddningar Faktor 1 Faktor 2 Faktor 3 Arbetslöshet Privat sysselsättning Offentlig sysselsättning Sysselsättningsgrad Tillfälligt anställda Genomsnittligt antal arbetade timmar Kvarstående lediga platser Nyanmälda lediga platser Sökande som fick anställning Uppsägningar Hushållsförväntningar på arbetslöshet Anställningsplaner Arbetskraftsdeltagande Brist på arbetskraft Varians Andel av total varians Kumulativ -‐0,57 0,99 -‐0,77 0,89 0,70 -‐0,66 0,83 0,77 -‐0,82 0,21 0,10 0,09 0,69 -‐0,22 -‐0,03 -‐0,01 0,00 0,00 0,50 -‐0,05 0,43 0,51 0,38 -‐0,77 -‐0,90 0,94 0,02 0,83 6,16 0,44 0,44 3,82 0,27 0,71 Kommunalitet -‐0,68 0,12 0,63 0,45 0,15 0,38 0,01 0,07 0,13 -‐0,06 -‐0,05 -‐0,11 -‐0,07 0,21 1,34 0,10 0,81 Unikhet 0,80 0,99 1,00 1,00 0,76 0,58 0,87 0,85 0,84 0,64 0,82 0,91 0,48 0,78 0,20 0,01 0,00 0,00 0,24 0,42 0,13 0,15 0,16 0,36 0,18 0,09 0,52 0,22 Tabell 5.2: Resultat av faktoranalys i Eviews Nästa steg i faktoranalysen är att analysera resultatet i tabell 5.2. Tabellen visar variablernas laddning med respektive faktor, det vill säga hur väl de korrelerar med den underliggande faktorn, samt variablernas unika variation. Tabellen visar även variablernas totala kommunalitet med alla tre faktorer samt faktorernas egenvärde. Resultatet visar att faktor 1 förklarar 44 procent av den totala variationen. Privat sysselsättning förklaras nästan till 100 procent av faktor 1. Faktor 1 förklarar även stor del av variationen hos offentlig sysselsättning, sysselsättningsgrad, tillfälligt anställda, genomsnittligt antal arbetade timmar, kvarstående lediga platser, nyanmälda lediga platser, sökande som fick anställning och arbetskraftsdeltagande. Faktor 2 förklarar å andra sidan till stor del variationen hos antal uppsägningar, hushållsförväntningar på arbetslösheten, företagens anställningsplaner och företagens brist på arbetskraft. Faktor 3 motsvarar den underliggande faktorn som förklarar arbetslöshet. I nästa steg utvärderas den estimerade faktorlösningen för att se hur väl faktorerna mäter den faktiska korrelationen mellan de observerade variablerna. För att avgöra detta har en korrelationsmatris mellan residualerna skapats och återfinns i Bilaga A. Korrelationsmatrisen tyder på låga korrelationer, vilket innebär att faktorerna väl beskriver korrelationerna mellan variablerna. Detta styrks även av ett lågt RMSR-värde på 0,04. Det icke-roterade resultatet visade sig vara relativt intuitivt. Dock korrelerar arbetslöshet med både faktor 1 och faktor 3, likaså variabeln för offentlig sysselsättning. Därför roteras resultatet, 24 Andersson (2015), Stockholms universitet vilket ger ett mer tolkningsbart resultat. I Eviews används varimax-rotation och resultatet återfinns i tabell 5.3. De roterade laddningar visar ännu tydligare vilka variabler som påverkas av samma underliggande faktor som inte går att observera, vilket gör att de korrelerar. Roterade laddningar Faktor 1 Arbetslöshet Privat sysselsättning Offentlig sysselsättning Sysselsättningsgrad Tillfälligt anställda Genomsnittligt antal arbetade timmar Kvarstående lediga platser Nyanmälda lediga platser Sökande som fick anställning Uppsägningar Hushållsförväntningar på arbetslöshet Anställningsplaner Arbetskraftsdeltagande Brist på arbetskraft -‐0,87 0,83 -‐0,18 0,97 0,66 -‐0,26 0,67 0,67 -‐0,52 0,07 -‐0,02 0,06 0,48 0,02 Faktor 2 0,02 -‐0,10 0,06 -‐0,08 0,44 0,01 0,36 0,44 0,45 -‐0,78 -‐0,90 0,93 -‐0,04 0,85 Faktor 3 0,16 0,54 -‐0,98 0,23 0,36 -‐0,72 0,55 0,46 -‐0,61 0,14 0,06 0,19 0,50 -‐0,26 Tabell 5.3: Resultat av faktoranalys, roterade laddningar Resultatet av den roterade faktorlösningen skiljer sig från det icke-roterade resultatet, se tabell 5.3. De tre variablerna som hade en negativ faktorladdning till faktor 1 (offentlig sysselsättning, genomsnittligt antal arbetade timmar och sökande som fick anställning) korrelerar nu istället med faktor 3 och arbetslöshet har nu istället en hög korrelation med faktor 1. Faktor 2 beskriver variationen hos samma variabler som innan rotationen. Nästa steg är att tolka de tre faktorerna. De variabler som förklaras till störst del av faktor 1 sammanfattas av hur många personer som är sysselsatta och arbetslösa, samt lediga platser på arbetsmarknaden. Enligt min åsikt kan det ses som ett övergripande läge över hur arbetsmarknaden ser ut. Den totala arbetskraften i Sverige består av arbetslösa och sysselsatta, på heltid och på deltid, vilket är bland de viktiga aspekterna av arbetsmarknaden. Lediga platser är också ett tecken på hur läget på arbetsmarknaden ser ut, då det representerar hur företagen har anställt och deras möjlighet att anställa fler/varsla fler. Därmed väljer jag att benämna faktor 1 som ”Arbetsmarknadsläget”. Det kan påverkas av både nationell och utländsk ekonomi, hur det går för företagen och löner. Notera att variationen hos nyanmälda och kvarstående lediga platser kan förklaras av samtliga faktorer trots rotationen. Därför vill jag vara varsam med tolkningen av dessa två. Faktor 2 representerar den underliggande faktorn som korrelerar med hushållens och företagens förväntningar, samt i vilken utsträckning företagen säger upp sina anställda. Dessa variabler kan 25 Andersson (2015), Stockholms universitet bland annat påverkas av hur det ekonomiska läget i Sverige presenteras i media då både hushåll och företag ständigt kommer i kontakt med media av olika slag. ”Brist på arbetskraft” kan också ses som en biverkning av media då företagen kan jämföra sig med andra företag som det skrivs om och därmed ta ställning till huruvida de anser att de har brist på arbetskraft eller inte. Ofta rapporteras det i media när stora företag varslar många anställda och det blir ofta stora rubriker, vilket kan påverka andra företag som läser. Företagens uppsägningar och brist på arbetskraft går hand i hand då företagen inte säger upp sina anställda om de anser att de har brist på arbetskraft. Därför väljer jag att namnge faktor 2 till ”Nyhetsrapportering”. Den sista gemensamma faktorn förklarar variationen hos variabler som representerar offentlig sysselsättning, genomsnittligt antal arbetade timmar och sökande som fick anställning. Det som är gemensamt för dessa tre är att alla kan påverkas av politiska beslut. Offentlig sysselsättning påverkas av kommunernas och statens intäkter och resurser, vilket är en stor effekt av bland annat skattereformer. Det genomsnittligt antal arbetade timmar påverkas av marginalskatten som bestäms av politikerna. Om det råder hög marginalskatt blir incitamenten att arbeta en extra timme lägre och därmed sjunker antal arbetade timmar. På samma sätt ökar antalet arbetade timmar om marginalskatten är låg då antalet tjänade kronor efter skatt blir högre. En annan politisk aktivitet som påverkar antal arbetade timmar är åtgärder för att minska svart arbetskraft och istället se till att deras arbete kommer med i statistiken. Sista variabeln, antal sökande från Arbetsförmedlingen som fick anställning, påverkas av politiska beslut då en stor del av de sökande kan hamna i arbetsmarknadspolitiska program. Dessa program är beroende av det konjunkturella läget i Sverige och bestäms av politiker. Alla tre variabler har en stark koppling till de politiska beslut som kan tas i Sverige och därför väljer jag att kalla faktor 3 ”Politik”. 5.2.1 Grafisk analys av resultatet Figur 5.1, 5.2 och 5.3 illustrerar respektive faktors värde vid varje tidpunkt. Eftersom indikatorn är standardiserad har faktorerna ett medelvärde på noll och därmed representerar y-axeln faktorns avvikelse från medelvärdet. Faktorerna ”Arbetsmarknadsläget” och ”Nyhetsrapportering” visar båda på en nedgång vid den ekonomiska krisen år 2009. Den förstnämnda indikerar att arbetsmarknadsläget nu återhämtar sig efter krisen och är idag på näst intill rekordhög nivå. Nyhetsrapporteringen hade en ännu tydligare nedgång år 2009, vilket kan bero på att media tenderar att överdriva sina rubriker och texter för att göra dem mer intressanta. Det gör att påverkan på hushållens och företagens förväntningar påverkades väldigt negativt under krisen men är i nuläget i stigande trend. 26 Andersson (2015), Stockholms universitet ”Politik” (faktor 3) visar en mer fluktuerande trend som hade sin kulmen år 2010 men som därefter har försvagats och tycks idag fortsätta nedåt. En anledning kan vara att Alliansen blev omvalda in i regeringen år 2010 utan majoritet, vilket kan ha satt käppar i hjulen för en del politiska processer. Detta kan innebära att infrastrukturprojekt, bostadsbyggande och arbetsmarknadspolitiska program stannas upp vilket i sin tur motverkar en ökning av offentlig sysselsättning och sökande hos Arbetsförmedlingen som fick anställning. I Federal Reserves arbetsmarknadsindikator används tre latenta faktorer (Federal Reserve, 2014). Då metoden för att slå samman de tre faktorerna till en gemensam faktor inte rapporteras av Federal Reserve, har det i denna studie valts att presentera varje latent faktor för sig. I kapitel 6 presenteras vidare studier och hur det är möjligt att gå vidare med analysen, men i denna studie har det valts att endast ha faktorerna separat. 27 Andersson (2015), Stockholms universitet Figur 5.2: Arbetsmarknadsläget Figur 5.3: Nyhetsrapportering Figur 5.4: Politik 28 Andersson (2015), Stockholms universitet 6 Vidare studier Studien har visat att det finns tre latenta faktorer som beskriver den gemensamma variationen hos 14 variabler vilka beskriver läget på den svenska arbetsmarknaden. Nästa steg som kan tas är att analysera variablerna och att anta att de latenta faktorerna är beroende av sitt eget värde en viss tid tillbaka. Ekvation (6.1) är en en-faktormodell och är en modifiering av ekvation (4.1) där variablerna och latenta faktorn är beroende av tid. Ekvation (6.2) är en AR(q) process där den latenta faktorn innehåller ett slags ”minne” och kan därmed estimeras som en linjär summa av tidigare faktorer i serien. Detta kallas autoregressionsanalys. (Bourke, 1998) Detta kan analyseras med till exempel ett Kalmanfilter. 𝑥!! = 𝜆! 𝜉! + 𝜀!! 𝑥!! = 𝜆! 𝜉! + 𝜀!! 𝜉! = ! !!! 𝜆! 𝜉!!! 𝑥!! = 𝜆! 𝜉! + 𝜀!! + 𝜔! (6.1) (6.2) Det vore även intressant att ta kontakt med forskarna på Federal Reserve som har skapat arbetsmarknadsindikatorn LMCI för att ta reda på hur de slagit samman tre latenta faktorer till en gemensam. Denna studie har begränsats till att ha tre separata latenta faktorer. 29 Andersson (2015), Stockholms universitet 7 Slutsats Den amerikanska centralbanken Federal Reserve har använts sig av 19 variabler vilka beskriver olika dimensioner av den amerikanska arbetsmarknaden för att skapa indikatorn Labour Market Conditions Index. Syftet med indikatorn är att kunna beskriva det övergripande läget på arbetsmarknaden istället för att observera flera variabler som skulle kunna visa motsatta trender på arbetsmarknaden. Målet med denna studie har varit att skapa en liknande indikator över svensk arbetsmarknad genom faktoranalys. 14 variabler har samlats in från Statistiska Centralbyrån, Arbetsförmedlingen och Konjunkturinstitutet, vars gemensamma variation skulle representeras av latenta faktorer. Faktoranalysen gav tre gemensamma faktorer som tillsammans beskriver ungefär 81 procent av den totala variationen hos de 14 observerade variablerna. Enbart den första faktorn beskriver 44 procent av variationen. Resultatet roterades för att tydligt visa vilka variablers variation som förklaras av vilken latent faktor. Resultatet visar att den första latenta faktorn kallas ”Arbetsmarknadsläget” och förklarar variationen i arbetslöshet, privat sysselsättning, sysselsättningsgrad, tillfälligt anställda, kvarstående lediga platser och nyanmälda lediga platser. Faktor 2 motsvarar den latenta faktorn ”Nyhetsrapportering” då den förklarar variationen i variabler som motsvarar hushållens och företagens förväntningar. Den sista latenta faktorn, ”Politik”, förklarar variationen i offentlig sysselsättning, genomsnittligt antal arbetade timmar och antal sökande som fick anställning eftersom samtliga är beroende av skattesatser och arbetsmarknadspolitiska program. En grafisk analys av de tre latenta faktorerna visar olika trender. ”Arbetsmarknadsläget” hade en hög nivå innan den ekonomiska krisen år 2009, därefter sjönk den men har idag återhämtat sig och når näst intill rekordhög nivå igen. ”Nyhetsrapportering” hade en ännu större nedgång år 2009 men är också på väg tillbaka uppåt idag. Den sista latenta faktorn, ”Politik”, ökade stadigt fram till år 2010 där den vände och än idag fortsätter den nedåt. Arbetsmarknadsindikatorn som har skapats ger ett nytt perspektiv på hur utvecklingen på arbetsmarknaden har sett ut de senaste åren och kan användas som ett verktyg för Riksbankens direktion. 30 Andersson (2015), Stockholms universitet Källförteckning Litteratur Dahmström, K. (2005). Från datainsamling till rapport. Lund: Studentlitteratur. Sharma, S. (1996). Applied multivariate techniques. New York: J. Wiley. Elektronisk litteratur Startz, R. (2013). Eviews Illustrated for Version 8. 1st ed. [ebook] Irvine, CA: University of California, p.http://www.eviews.com. Tillänglig på: http://www.eviews.com/illustrated/EViews_Illustrated.pdf [Besökt den 23 Dec. 2014]. Mirza, H. (2014). Arbetskraftsundersökningarna (AKU) 2014. 1st ed. [ebook] Stockholm: Statistiska Centralbyrån. Tillgänglig på: http://scb.se/Statistik/AM/AM0401/_dokument/AM0401_DO_2014.pdf [Besökt den 4 Jan. 2015]. Artiklar Federal Reserve Bank of Boston, (2007). A Principal Components Approach to Estimating Labor Market Pressure and Its Implications for Inflation. Boston: Federal Reserve Bank of Boston, pp.http://www.bostonfed.org/economic/ppb/2007/ppb072.pdf. Elektroniska källor Arbetsformedlingen.se, (2015). Varselstatistik - Arbetsförmedlingen. [online] Tillgänglig på: http://www.arbetsformedlingen.se/Om-oss/Statistik-prognoser/Varselstatistik.html [Besökt den 4 Jan. 2015]. Arbetsformedlingen.se, (2014). Fakta om statistiken - Arbetsförmedlingen. [online] Tillgänglig på: http://www.arbetsformedlingen.se/Om-oss/Statistik-prognoser/Fakta-om-statistiken.html [Besökt den 23 Dec. 2014]. Bourke, P. (1998). AutoRegression (AR). [online] Paulbourke.net. Tillgänglig på: http://paulbourke.net/miscellaneous/ar/ [Besökt den 5 Jan. 2015]. Eviews.com, (2015). EViews 8 Overview. [online] Tillgänglig på: http://www.eviews.com/EViews8/ev8overview.html [Besökt den 7 Jan. 2015]. 31 Andersson (2015), Stockholms universitet Federal Reserve, (2014). Assessing the Change in Labor Market Conditions. [online] Tillgänglig på http://www.federalreserve.gov/econresdata/notes/feds-notes/2014/assessing-the-change-inlabor-market-conditions-20140522.html [Besökt den 4 Jan. 2015]. Federal Reserve, (2014). Labor Market Dynamics and Monetary Policy. [online] Tillgänglig på: http://www.federalreserve.gov/newsevents/speech/yellen20140822a.pdf [Besökt den 4 Jan. 2015]. Federalreserveeducation.org, (2014). Monetary Policy Basics - Federal Reserve Education. [online] Tillgänglig på: https://www.federalreserveeducation.org/about-the-fed/structure-andfunctions/monetary-policy [Besökt den 23 Dec. 2014]. Konj.se, (2014). Om KI - Konjunkturinstitutet. [online] Tillgänglig på: http://www.konj.se/528.html [Besökt den 23 Dec. 2014]. Konjunkturinstitutet, (2014). Metodbok för Konjunkturbarometern. [online] Tillgänglig på: http://www.konj.se/download/18.673cf6f7148e0ced3ad1bd/Metodbokkonjunkturbarometern.pdf [Besökt den 23 Dec. 2014]. Notisum.se, (2014). Lag (2001:99) om den officiella statistiken. [online] Tillgänglig på: http://www.notisum.se/rnp/sls/lag/20010099.htm [Besökt den 23 Dec. 2014]. Riksbank.se, (2011). Riksbankens roll och uppgifter | Sveriges Riksbank. [online] Tillgänglig på: http://www.riksbank.se/sv/Riksbanken/Riksbankens-roll/ [Besökt den 23 Dec. 2014]. Riksbank.se, (2011). Vad påverkar ett räntebeslut? | Sveriges Riksbank. [online] Tillgänglig på: http://www.riksbank.se/sv/Penningpolitik/Prognoser-och-rantebeslut/Vad-paverkar-ettrantebeslut/ [Besökt den 23 Dec. 2014]. 32 Andersson (2015), Stockholms universitet Bilaga A Sammanställning av variabler inkluderade i amerikanska LMCI Indicator Source Unit Unemployment rate CPS Percent of labor force Labor force participation rate CPS Percent of population Part time for economic reasons CPS Percent of labor force Private payroll employment CES Percent of population Government payroll employment CES Percent of population Temporary help employment CES Percent of population Average weekly hours (production) CES Hours Average weekly hours of persons at work CPS Hours CES $/hour, 12-month percent change CB/authors Index Hiring rate JOLTS Percent of payroll employment Transition rate from unemployment to employment CPS Percent of unemployment Insured unemployment rate ETA Percent of covered employment Job losers unemployed less than 5 weeks CPS Persent of CPS employment Quit rate JOLTS Percent of payroll employment Job leavers unemployed less than 5 weeks CPS Unemployment and underemployment Employment Workweeks Wages Average hourly earnings (production) Vacancies Composite help-wanted index Hiring Layoffs Quits Percent of CPS employment Consumer and business surveys Jobs plentiful v. hard to get CB/authors Diffusion index Hiring plans NFIB Diffusion index Jobs hard to fill NFIB Diffusion index 33 Andersson (2015), Stockholms universitet Partialkorrelationer för samtliga 14 variabler med 36 laggar Lag 1 al syssp sysso syssg tillfa timmar lediga_k lediga_n tillanst uppsag hip anstplan ak-tal brist 0,98 0,97 0,95 0,97 0,91 0,86 0,95 0,93 0,90 0,86 0,96 0,97 0,90 0,99 2 0,18 0,12 0,38 0,17 0,30 0,41 0,17 0,34 0,44 0,20 -0,26 -0,12 0,24 -0,66 3 0,06 0,19 0,44 0,17 0,23 0,22 -0,01 0,21 0,42 -0,02 -0,11 -0,31 0,34 -0,14 4 -0,27 -0,26 -0,22 -0,22 -0,13 0,11 -0,12 -0,28 -0,27 -0,07 -0,14 -0,17 -0,04 5 -0,18 -0,07 -0,10 -0,17 -0,04 0,19 0,05 -0,02 0,01 -0,11 -0,08 -0,20 -0,02 -0,33 6 -0,01 0,13 0,10 0,04 -0,03 0,01 0,04 -0,05 0,02 0,01 -0,06 -0,19 0,08 -0,13 7 8 -0,02 -0,12 -0,13 -0,13 0,02 -0,08 -0,02 -0,13 -0,17 -0,07 0,03 0,10 -0,04 -0,05 -0,12 -0,01 -0,06 -0,01 -0,20 -0,04 0,00 0,03 -0,12 -0,06 -0,06 -0,04 -0,11 -0,08 9 -0,08 0,06 -0,08 -0,02 0,05 -0,05 0,00 0,00 0,20 -0,01 -0,07 0,04 0,02 -0,05 10 0,02 -0,02 -0,05 0,02 -0,03 0,04 -0,17 -0,07 -0,09 0,00 -0,13 0,10 0,05 -0,04 11 -0,08 -0,08 0,04 -0,05 -0,05 0,07 0,05 -0,10 0,00 -0,05 -0,05 -0,02 -0,03 0,08 12 -0,20 -0,11 -0,03 -0,20 -0,21 0,02 -0,03 -0,09 0,01 0,00 -0,07 -0,06 -0,20 0,05 0,17 13 0,07 0,07 0,04 0,03 0,05 -0,06 -0,08 0,00 -0,11 0,03 -0,15 0,07 0,10 0,06 14 -0,04 -0,04 0,06 0,02 -0,03 -0,07 -0,03 0,04 0,05 0,03 -0,06 0,03 -0,02 0,00 15 -0,01 0,02 0,09 0,04 0,02 0,02 -0,12 -0,17 -0,06 -0,02 -0,07 -0,04 0,02 16 -0,02 0,03 -0,01 0,05 -0,03 0,04 0,03 -0,04 0,03 0,01 0,04 -0,03 0,05 0,00 17 0,03 -0,11 0,05 18 -0,05 0,05 -0,05 19 0,04 0,02 0,03 0,01 20 0,07 0,00 0,00 0,02 21 0,00 -0,02 -0,11 22 0,10 -0,03 0,06 -0,02 23 -0,02 0,03 0,01 0,06 24 -0,05 -0,07 -0,07 25 0,14 0,11 0,05 0,16 0,10 26 -0,03 -0,07 -0,02 -0,09 27 -0,06 -0,01 -0,05 -0,02 28 -0,13 0,01 29 -0,02 -0,10 30 -0,05 0,06 -0,02 -0,06 -0,11 0,01 -0,05 0,00 0,13 0,02 -0,11 0,13 0,01 -0,01 0,04 0,09 -0,03 0,05 -0,12 -0,10 0,03 -0,05 -0,08 0,04 -0,02 0,01 0,04 -0,02 0,10 -0,03 -0,05 0,02 0,15 0,03 0,03 0,01 0,03 -0,06 0,02 0,15 0,05 -0,06 0,02 -0,02 -0,07 -0,07 0,00 -0,02 -0,01 -0,09 -0,10 -0,05 -0,01 0,01 -0,07 0,00 -0,05 0,02 -0,06 0,03 0,05 0,03 0,01 0,01 -0,02 0,06 -0,03 0,04 0,00 0,04 0,06 0,07 0,06 0,01 0,08 -0,01 -0,03 -0,12 -0,19 -0,05 -0,02 -0,06 -0,08 -0,13 0,00 -0,09 -0,08 -0,01 0,07 -0,02 0,03 0,06 0,07 -0,16 0,07 0,05 0,03 0,03 0,09 -0,02 -0,01 -0,05 -0,02 -0,05 -0,03 0,04 -0,01 0,03 0,03 0,05 0,01 0,02 -0,02 0,03 -0,01 0,01 -0,01 -0,07 0,00 -0,05 0,09 0,01 -0,02 0,02 -0,02 0,00 -0,02 0,02 -0,10 -0,01 -0,02 0,03 0,08 -0,03 0,02 -0,03 0,02 0,01 -0,02 -0,01 -0,01 0,01 -0,05 0,04 0,01 -0,04 -0,13 -0,07 -0,04 -0,10 0,04 -0,02 31 0,02 0,05 -0,05 0,04 0,05 -0,09 -0,08 0,07 0,02 -0,10 0,01 -0,05 -0,05 -0,01 32 -0,03 -0,04 -0,03 -0,02 0,04 -0,08 -0,03 0,01 0,03 -0,03 -0,01 0,07 0,01 -0,05 33 -0,02 0,04 -0,01 0,03 0,03 -0,08 0,03 -0,10 -0,01 -0,01 -0,05 -0,06 0,00 -0,03 34 0,10 -0,06 0,01 -0,02 0,01 0,03 0,00 0,02 0,04 0,09 -0,01 -0,04 -0,06 -0,06 35 -0,01 0,01 -0,11 -0,06 0,04 -0,02 -0,04 0,03 0,03 -0,09 -0,08 -0,01 0,06 0,09 36 -0,11 -0,01 0,00 -0,07 -0,10 -0,02 0,05 -0,05 -0,05 -0,03 -0,03 0,09 -0,14 0,04 34 Andersson (2015), Stockholms universitet Residualkorrelationsmatris av faktoranalysen al syssp sysso syssg tillfa timmar lediga_k lediga_n tillanst uppsag hip anstplan ak-tal al 0,00 0,01 0,00 0,00 0,01 0,00 0,07 0,04 0,02 -0,03 0,05 0,00 0,31 syssp sysso syssg 0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 -0,01 0,00 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 -0,01 0,00 0,00 0,00 0,00 0,00 -0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 tillfa timmar lediga_k lediga_n tillanst uppsag hip anstplan 0,01 0,00 0,07 0,04 0,02 -0,03 0,05 0,00 -0,01 0,03 0,00 -0,01 0,00 -0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 -0,15 0,00 0,00 0,00 0,07 0,00 0,01 0,00 0,00 0,00 0,03 0,00 0,00 -0,15 0,00 0,02 -0,10 0,03 0,01 -0,06 0,02 0,00 0,02 0,00 0,06 0,03 0,03 0,04 -0,01 0,07 -0,10 0,06 0,00 0,03 0,02 0,03 -0,03 0,01 0,03 0,03 0,03 0,00 0,01 0,01 -0,02 0,00 0,03 0,01 -0,06 0,03 0,04 0,02 0,03 0,01 0,01 0,00 0,02 0,02 0,00 -0,04 -0,02 0,00 0,02 -0,01 -0,03 -0,02 -0,04 -0,02 0,00 0,00 -0,01 0,11 0,06 0,05 -0,03 0,08 0,00 ak-tal brist 0,31 -0,07 0,01 -0,01 0,00 0,00 0,00 0,00 0,00 -0,04 -0,01 0,01 0,11 0,02 0,06 0,02 0,05 0,02 0,00 0,00 0,00 -0,09 -0,03 0,07 0,08 0,00 35 brist 0,07 0,01 0,00 0,00 0,04 0,01 0,02 0,02 0,02 0,07 0,00 0,00 0,09 0,00
© Copyright 2024