Gravity Finaal

7/27/2019 Gravity Finaal

http://slidepdf.com/reader/full/gravity-finaal 1/17

FACULTEIT B.E.W.

Group Assignment: The Gravity Model of International Trade Applied Econometrics

Prof. Dr. Vancauteren Mark

Andy PeetersThomas Poukens

Jense Vaes

Groep D

Derde bachelorjaar TEW

Academiejaar 2011-2012



I. Gravity Equation of International Trade

1. You will need to build your dataset. Include variables on exports, imports or total trade (exports + imports), GDP of the trading partners and the international distances.In an extended version you will also need to add data like population, and other

geographic data (adjacency and language, colony, etc.). Since we are working with cross

section data, choose one particular year.

2. Look at the data and try to understand the model.

3. Look at the correlation between variables, provide some summary statistics (meanvalues, standard deviations and minimum and maximum values) and plot (i) T ij versus

y i , (ii) T ij versus y j and (iii) T ij versus d ij ;

Wij hebben ervoor gekozen om de export van katoen te onderzoeken voor verschillende landen.

Algemeen

Descriptive Statistics

N Minimum Maximum Mean

Std.

Deviation

logExport 214 ,00 20,72 13,3392 3,50020

logDistance 264 5,15 9,88 8,3593 1,18089

logGDP country i 264 11,78 16,49 13,9873 1,36605

logGDP country

j

264 9,34 16,49 12,9669 1,49220

Valid N

(listwise)

214

Correlatie

logExport logDistance

logGDP country

i

logGDP country

j

logExport Pearson Correlation 1 -,350** ,206** ,416**

Sig. (2-tailed) ,000 ,003 ,000

N 214 214 214 214

logDistance Pearson Correlation -,350** 1 -,057 ,094

Sig. (2-tailed) ,000 ,358 ,126

N 214 264 264 264

logGDP countryi Pearson Correlation ,206** -,057 1 -,028

Sig. (2-tailed) ,003 ,358 ,654

N 214 264 264 264

logGDP country j Pearson Correlation ,416** ,094 -,028 1

Sig. (2-tailed) ,000 ,126 ,654

N 214 264 264 264

**. Correlation is significant at the 0.01 level (2-tailed).



Uit bovenstaande scatterplot zien we dat de logDistance negatief gecorreleerd is met delogExport. Dit zien we ook in de correlatiematrix, die aangeeft dat de relatie negatief gecorreleerd is -0,35. Deze coëfficiënt is significant is op 1%.

Uit bovenstaande scatterplot blijkt dat logGDPpartner (GDP country i) een licht positievecorrelatie heeft met logExport. Dit blijkt ook uit de correlatiematrix, die aangeeft dat er eencorrelatie is van 0,206. Ook deze is significant op 1%.



Uit bovenstaande scatterplot blijkt dat logGDPreporter (GDP country j) een redelijk grotepositieve correlatie heeft met logExport. Dit blijkt ook uit de correlatiematrix die aangeeft dat decorrelatie 0,416 bedraagt. Deze is significant op 1%.

4. Which country-pairs are high traders, which country-pairs are low traders? Explain inyour own words what possible factors are behind this trade heterogeneity?

Hoge traders:Mexico en USA zijn hoge traders. Dit is te verklaren door het tropische klimaat dat er heerst indeze landen. Een tropisch klimaat is immers ideaal voor de groei van de katoenplant. Veelproductie betekent ook veel export, aangezien slechts een deel wordt gehouden voor binnenlandsgebruik.

Lage traders:Er zijn ook verschillende lage traders, zoals Nieuw-Zeeland en Zweden. Soms is de export laagen soms is er totaal geen export naar bepaalde landen wat aangegeven wordt door 0. Het kanechter ook verklaard worden doordat de data tussen de landen niet beschikbaar was.

5. Based on your findings, explain (no more than two short paragraphs) what you

conclude from your findings in (a), (b) and (c)?

Hoe groter de afstand tussen de landen, hoe lager de export. Dit wordt in de correlatiematrixaangetoond door de negatieve correlatie tussen logExport en logDistance (-0,350). Dezeconclusie zien we terug in de scatterplot die logExport en logDistance weergeeft.

Hoe groter het BBP van de exporteur, hoe hoger de export tussen de landen. Dit wordt in decorrelatiematrix aangetoond door de positieve correlatie (0,260). Ook dit wordt duidelijk in descatterplot die logExport en logDistance weergeeft.

Hoe groter het BBP van de importeur, hoe meer hij dus gaat importeren, en hoe meer het andereland dus gaat exporteren. Dit wordt in de correlatiematrix aangetoond door de positievecorrelatie (0,416). Dit komt dus overeen met de verwachtingen. De coëfficiënten zijn significant,

omdat de p-waarden telkens kleiner zijn dan 0,01.



II. Building the Model

a. Run the regression, T ij = a + b1y i + b2y j + b3d ij + eij , interpret the estimated slopecoefficients (including the constant). Do the sign of these coefficients make sense? What about the overall fit of your model? Interpret your coëfficients.

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,675a ,456 ,448 2,60058

ANOVAb

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 1189,325 3 396,442 58,619 ,000a

Residual 1420,230 210 6,763

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) -4,027 2,784 -1,447 ,150

logDistance -1,421 ,152 -,489 -9,323 ,000

logGDPpartner

(country i)

,685 ,132 ,265 5,172 ,000

logGDPreporter

(country j)

1,458 ,139 ,553 10,517 ,000

De regressievergelijking is als volgt:

Xij = -4,027 + 0,685 Yi + 1,458 Y j – 1,421 Dij

Een 1% stijging in distance zorgt voor een daling van de export met 1,421%Een 1%stijging in GDP Partner zorgt voor een stijging van de export met 0,685%Een 1% stijging in GDP Reporter zorgt voor een stijging van de export met 1,458%

De constante is negatief en geeft het snijpunt met de y-as weer. Dit is de waarde van de exportals alle variabelen nul zijn. Aangezien dit negatief is heeft dit geen betekenis, want export kanniet negatief zijn.

De coëfficiënten zijn zoals verwacht. Een grotere afstand zorgt voor een daling van de export eneen toename van het BBP zorgt voor hogere export. Dit komt overeen met onze eerderebevindingen op basis van de correlaties.

De adjusted R² is 0,448. Dit houdt in dat 44,8% van de variantie in de totale export verklaardkan worden door de regeressoren/variabelen.



b. Equation (1) can be augmented with other variables.For instance: T ij = a + b1y i + b2y j + b3d ij + b4 ADJ ij + b5 LANGij + eij (2) where ADJ ij is adummy variables and equal 1 when country i and country j share the same border and 0otherwise; LANGij is dummy variable and equal 1 when country i and country j share thesame language; and all other variables are defined previously. Estimate the followingmodel in OLS and interpret the new results (with the new variables).

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,675a ,456 ,443 2,61202

ANOVAb

Model

Sum of


1 Regression 1190,445 5 238,089 34,897 ,000a

Residual 1419,110 208 6,823

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) -4,164 2,823 -1,475 ,142

logDistance -1,388 ,173 -,478 -8,013 ,000

logGDPpartner ,680 ,134 ,262 5,062 ,000

Dummy

Adjacency

,272 ,738 ,023 ,369 ,712

Dummy Language ,007 ,614 ,001 ,012 ,991

logGDPreporter 1,452 ,140 ,551 10,360 ,000

De regressievergelijking is nu als volgt:

Xij = -4,164 + 0,680 Yi + 1,452 Y j – 1,388 Dij + 0,272ADJij + 0,007LANGij

Een 1% stijging in distance zorgt voor een daling van de export met 1,388%, met de andereregressoren constant (ceteris paribus).Een 1%stijging in GDP Partner zorgt voor een stijging van de export met 0,680%, met de andereregressoren constant (ceteris paribus).Een 1% stijging in GDP Reporter zorgt voor een stijging van de export met 1,452%, met deandere regressoren constant (ceteris paribus).

Als de dummy variabele ADJij de waarde 1 aanneemt, dan dit wil zeggen dat de landen aanelkaar grenzen. Indien de landen aan elkaar grenzen, dan zal het totale exportvolume met 0,272toenemen, alle andere regressoren constant gehouden.Als de dummy variabele LANGij de waarde 1 aanneemt, dan wil dit zeggen dat er in beide landen

dezelfde taal wordt gesproken. Indien dezelfde taal wordt gesproken, dan zal het totaleexportvolume met 0,007 toenemen, alle andere coëfficiënten constant gehouden.



De coëfficiënten logDistance, logGDP Partner en logGDP Reporter zijn significant op 1%. De p-waarde bedraagt 0,000 wat dus kleiner is dan 0,01. De coëfficiënten adjacency en language zijnabsoluut niet significant, de p-waarde bedragen 0,712 en 0,991. Dit is logisch omdatgemeenschappelijke taal en grenzen niet belangrijk zijn in de keuze om katoen te exporteren.Katoen is eigenlijk een basisproduct, elk land heeft het nodig.

De adjusted R² is quasi constant gebleven, dit wijst er op dat de 2 nieuwe variabelen geenrelevantie hebben in dit model.

From chapter 7 we have seen the technicalities related to a F-test. Test unitary elasticities doing a joint test on the income variables that is, H 0 : b1 = b2 = 1 versus H a :b1 6= 1 either/or b2 6= 1 How would you interpret the implications of this test? Hint: inSPSS you will have to perform this test by rearranging equation (2). Alternatively, also

test whether b1 = b2? Given the set of variables that you have, which equation would yield the best specification?

Hypothese 1:

H 0: β1 + β2 – 2 = 0H 1: β1 + β2 – 2 ≠ 0

Xij = - 4,164 + 0,680 Yi + 1,452 Y j – 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

Xij = - 4,164 + 0,680 Yi + 1,452 Yi – 2Yi + 1,452 Y j – 1,452 Yi + 2 Yi - 1,388 Dij + 0,272ADJij +0,007LANGij + eij

Xij = -4,164 + (0,680 + 1,452 – 2) Yi + 1,452 (Y j - Yi) + 2 Yi - 1,388 Dij + 0,272ADJij +0,007LANGij + eij

Xij = - 4,164 + 0,132 Yi + 1,452 (Y j - Yi) + 2 Yi - 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

Xij - 2 Yi = -4,164 + 0,132 Yi + 1,452 (Y j - Yi) - 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

ANOVAb

Model

Sum of


1 Regression 1918,580 5 383,716 56,242 ,000a

Residual 1419,110 208 6,823

Total 3337,690 213

Coefficients

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) -4,164 2,823 -1,475 ,142

logDistance -1,388 ,173 -,423 -8,013 ,000

Dummy

Adjacency

,272 ,738 ,021 ,369 ,712

Dummy Language ,007 ,614 ,001 ,012 ,991

YjminYi 1,452 ,140 ,723 10,360 ,000

logGDPpartner ,131 ,204 ,045 ,644 ,520



We kunnen Yj - Yi dus zien als één geheel, waardoor we dus een t-test kunnen toepassen. Uit det-test blijkt dat logGDP partner niet significant is aangezien de significantiewaarde 0,520 >0,005.We kunnen H0 dus niet verwerpen, dus kunnen we stellen dat β1 + β2 – 2 = 0 .Hieruit concluderen we dat β1 en /of β2 niet significant verschillend zijn van 1.

Hypothese 2:

H 0: β1 - β2 = 0H 1: β1 - β2 ≠ 0

Xij = -4,164 + 0,680 Yi + 1,452 Y j – 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

Xij = -4,164 + (0,680 - 1,452) Yi + 1,452 (Yi + YJ) – 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

Xij = -4,164 – 0,772 Yi + 1,452 (Yi + YJ) – 1,388 Dij + 0,272ADJij + 0,007LANGij + eij

ANOVAb

ModelSum of Squares df Mean Square F Sig.

1 Regression 1190,445 5 238,089 34,897 ,000a

Residual 1419,110 208 6,823

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) -4,164 2,823 -1,475 ,142

logDistance -1,388 ,173 -,478 -8,013 ,000

Dummy

Adjacency

,272 ,738 ,023 ,369 ,712

Dummy Language ,007 ,614 ,001 ,012 ,991

logGDPpartner -,772 ,184 -,298 -4,194 ,000

YiplusYj 1,452 ,140 ,754 10,360 ,000

We kunnen Yj + Yi dus zien als één geheel, waardoor we dus een t-test kunnen toepassen. Uit det-test blijkt dat logGDP partner significant is aangezien de significantiewaarde 0,000 < 0,005.We kunnen H0 dus verwerpen, dus kunnen we stellen dat β1 - β2 ≠ 0. Hieruit concluderen we dat β1 en β2 significant verschillend zijn van elkaar.



Do some analysis using the tabular approach explained in section 7.6. of SW by making,and commenting on, a table with your result similar to table 7.1 ? Conclude and explainyour final model?

Regressor (1) (2) (3) (4) (5) (6)

LogGDPpartner (Yi) 0,532** 0,623** 0,685** 0,686** 0,679** 0,68**

(0,174) (0,157) (0,132) (0,133) (0,133) (0,134)

LogGDPreporter (Y j) 1,147** 1,458** 1,457** 1,452** 1,452**

(0,160) (0,139) (0,139) (0,140) (0,140)

LogDistance (Dij) -1,421** -1,416** -1,388** -1,388**

(0,152) (0,156) (0,173) (0,173)

Dummy Adjacency (ADJij) 0,276 0,272

(0,679) (0,738)

Dummy Language(LANGij) 0,095 0,007

(0,566) (0,614)

Intercept 5,833* -10,682** -4,027 -4,079 -4,162 -4,164

(2,465) (3,192) (2,784) (2,808) (2,809) (2,823)

Summary Statistics

SER 3,4335 3,0849 2,60058 2,60662 2,60576 2,61202

Adjusted R² 0,038 0,223 0,448 0,445 0,446 0,443

n 264 264 264 264 264 264

(De individuele coëfficiënt is statistisch significant op een *5%-niveau of **1%-niveau, gebruikmakend vaneen tweezijdige hypothesetest)

Coëfficiënt ‘LogGDPpartner’ (Yi): de coëfficiënt neemt toe wanneer men de variabele Yj toevoegtaan het model (kolom 2). Wanneer men hierna nog LogDistance toevoegt, stijgt de coëfficiënt.Wanneer men hierna nog meer variabelen aan het model gaat toevoegen, blijft de coëfficiënt minof meer constant. De standaardfout neemt in het begin sterk af, maar vanaf kolom 3 blijft dezemin of meer constant. De coëfficiënt blijft in alle gevallen significant op zowel 5% als 1%.

Coëfficiënt ‘LogGDPreporter’ (Yj): de coëfficiënt Yj neemt in eerste instantie lichtjes toe, wanneerwe de variabele LogDistance’ toevoegen (kolom 3). Wanneer men hierna nog meer variabelenaan het model gaat toevoegen, blijft de coëfficiënt min of meer constant. De standaardfoutneemt in het begin sterk af, maar vanaf kolom 3 blijft deze min of meer constant. De coëfficiëntYj blijft in alle gevallen significant op 5% en 1%.

Coëfficiënt ‘distance’ (dij): deze coëff iciënt neemt in alle gevallen toe. De standaardfout neemt

ook toe. Ook deze coëfficiënt blijft significant op 5% en 1%.

Coëfficiënt ‘adjacency’(ADJij): de coëfficiënt ADJij neemt lichtjes af van kolom 5 naar kolom 6 ende standaardfout neemt lichtjes toe. De coëfficiënt is nooit significant op 5% of 1%.

Coëfficiënt ‘language’ (LANGij): de coëff iciënt LANGij daalt fel van kolom 4 naar 6 en destandaardfout stijgt lichtjes. De coëfficiënt is echter nooit significant op 5% en 1%.

Intercept: wanneer we de variabele ‘LogGDPreporter’ toevoegen aan het model (kolom 2), daalthet intercept zeer sterk. Ze wordt zelfs sterk negatief. Vanaf kolom 3 wordt het intercept terugwat groter, maar is ze niet meer significant op 5% en 1%. In de gevallen van 3 tot en met 6 blijftdeze redelijk constant.



Standard Error of the Estimate (SER): SER neemt af tot kolom 3, vanaf dan blijft ze ongeveerconstant.

Adjusted R²: deze neemt toe tot kolom 3, waarna ze weer ongeveer constant blijft. Dit wijst eropdat de toegevoegde variabelen language en adjacency niet relevant zijn voor deze regressie.

Het 3de model geeft de beste regressievergelijking weer. De adjusted R² is in dit model hethoogste, terwijl de SER relatief laag blijft. Alle coëfficiënten in dit model zijn significant behalvehet intercept, zowel op 1%- als op 5%- niveau.

c. Consider model (2) again. A researcher might be interested in analyzing whether theincome elasticities (b1 and/or b2 ) are different according to some criteria (size of thecountry, rich/poor, distant versus non-distant). Create a dummy variable that controlsfor such heterogeneity.Based on your estimation, which model do you prefer, and why?

Model 1: Verschillende intercept, dezelfde helling:

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,675a ,456 ,446 2,60573

ANOVAb

Model

Sum of


1 Regression 1190,479 4 297,620 43,833 ,000a

Residual 1419,076 209 6,790

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) -2,942 3,835 -,767 ,444

logGDPpartner ,602 ,241 ,232 2,494 ,013

logGDPreporter 1,458 ,139 ,554 10,499 ,000

logDistance -1,433 ,156 -,493 -9,208 ,000

Size ,283 ,685 ,039 ,412 ,681

Xij = -2,942 + 0,602 Yi + 1,458 Y j – 1,433 Dij + 0,283 Si



Model 2: Verschillende intercept, verschillende helling:

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,688a ,474 ,461 2,56885

ANOVAb

Model

Sum of


1 Regression 1236,962 5 247,392 37,489 ,000a

Residual 1372,594 208 6,599

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) 20,639 9,656 2,137 ,034

logGDPpartner -1,150 ,702 -,444 -1,639 ,103

logGDPreporter 1,475 ,137 ,560 10,761 ,000

logDistance -1,653 ,174 -,569 -9,481 ,000

Size -25,375 9,691 -3,478 -2,618 ,009

GDPpartnerXsize 1,998 ,753 4,109 2,654 ,009

Xij = 20,639 - 1,150 Yi + 1,475 Y j – 1,653 Dij – 25,375 Si + 0,032 (Yi * Si)



Model 3: Dezelfde intercept, dezelfde helling:

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,676a ,457 ,446 2,60459

ANOVAb

Model

Sum of


1 Regression 1191,718 4 297,929 43,917 ,000a

Residual 1417,837 209 6,784

Total 2609,555 213

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) -2,095 4,284 -,489 ,625

logGDPpartner ,538 ,281 ,208 1,915 ,057

logGDPreporter 1,459 ,139 ,554 10,506 ,000

logDistance -1,442 ,157 -,497 -9,197 ,000

GDPpartnerXsize ,032 ,053 ,065 ,594 ,553

Xij = -2,095 + 0,538 Yi + 1,459 Y j – 1,442 Dij + 0,032 (Yi * Si)

Op basis van bovenstaande tabellen verkiezen we model 2, omdat dit model de hoogste adjusted

R² (0.461) en de laagste SER (2,56885) heeft. Bovendien zijn bij model2 4 van de 6 coëfficiënten

significant op 1% en 1 op 5%. Dit 2e model houdt immers rekening met de interactie tussen size

en GDP partner en geeft betere resultaten dan model 3 waarin ook rekening wordt gehouden met

de interactievariabelen.



d. Create a time-effect.

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,692a

,478 ,450 2,59595

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 1248,289 11 113,481 16,840 ,000a

Residual 1361,266 202 6,739

Total 2609,555 213

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients


1 (Constant) -6,263 3,402 -1,841 ,067

logDistance -1,762 ,241 -,607 -7,325 ,000

logGDPpartner 1,002 ,213 ,387 4,711 ,000

logGDPreporter 1,483 ,140 ,563 10,592 ,000

Dummy Language -,329 ,645 -,030 -,511 ,610

Dummy Adjacency ,055 ,746 ,005 ,073 ,941

DUMiBEL -,107 ,694 -,011 -,155 ,877

DUMiITA ,249 ,598 ,025 ,417 ,677

DUMiDEU -,419 ,616 -,042 -,680 ,497

DUMiKOR ,097 ,675 ,009 ,143 ,886

DUMiNZL 2,583 1,090 ,215 2,371 ,019

DUMiMEX ,549 ,705 ,048 ,779 ,437

Excluded Variablesb

Model Beta In t Sig.

Partial

Correlation

Collinearity

Statistics

Tolerance

1 Size .a

. . . ,000

GDPpartnerXsize .a

. . . ,000

DUMiUSA .a

. . . ,000



Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,871a

,758 ,705 1,90045

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 1977,503 38 52,040 14,409 ,000a

Residual 632,052 175 3,612

Total 2609,555 213

Coefficientsa

Model

Unstandardized CoefficientsStandardizedCoefficients


1 (Constant) 51,793 8,012 6,465 ,000

logDistance -1,923 ,175 -,662 -11,009 ,000

logGDPpartner -1,631 ,564 -,630 -2,894 ,004

Dummy Language ,435 ,527 ,040 ,827 ,410

Dummy Adjacency ,511 ,602 ,044 ,849 ,397

Size -32,307 7,827 -4,427 -4,127 ,000

GDPpartnerXsize 2,546 ,608 5,235 4,186 ,000

DUMjAUS -2,887 1,007 -,147 -2,866 ,005

DUMjAUT -3,345 ,961 -,182 -3,482 ,001

DUMjCAN -4,521 1,005 -,230 -4,498 ,000

DUMjCHI -4,795 1,535 -,132 -3,124 ,002

DUMjCZE -3,707 ,993 -,189 -3,732 ,000

DUMjDEN -5,961 ,993 -,304 -6,005 ,000

DUMjEST -7,252 1,184 -,281 -6,125 ,000

DUMjFIN -5,891 ,988 -,300 -5,962 ,000

DUMjFRA -1,982 ,968 -,108 -2,048 ,042

DUMjDEU -1,292 ,987 -,066 -1,309 ,192

DUMjGRE -2,388 ,986 -,122 -2,423 ,016

DUMjHUN -5,079 1,100 -,220 -4,618 ,000

DUMjIRE -8,925 1,195 -,346 -7,468 ,000

DUMjISR -1,882 1,035 -,089 -1,819 ,071

DUMjITA ,302 ,984 ,015 ,307 ,759

DUMjJAP -,727 ,953 -,040 -,763 ,447

DUMjKOR ,074 ,991 ,004 ,074 ,941



DUMjLUX -15,028 1,350 -,506 -11,128 ,000

DUMjMEX -3,683 1,102 -,159 -3,343 ,001

DUMjNDL -3,698 ,959 -,201 -3,856 ,000

DUMjNZL -5,412 1,109 -,234 -4,880 ,000

DUMjNOR -6,599 1,037 -,312 -6,361 ,000

DUMjPOL -6,508 ,989 -,331 -6,578 ,000

DUMjPOR -1,784 ,950 -,097 -1,877 ,062

DUMjSLK -7,719 1,102 -,334 -7,002 ,000

DUMjSLV -5,687 ,988 -,290 -5,759 ,000

DUMjSPA -,924 ,953 -,050 -,970 ,333

DUMjSWE -6,305 1,031 -,298 -6,118 ,000

DUMjZWI -3,007 ,968 -,163 -3,107 ,002

DUMjUK -2,046 ,962 -,111 -2,127 ,035

DUMjUSA 1,171 ,996 ,060 1,176 ,241

DUMjBEL -3,197 ,988 -,163 -3,236 ,001

Excluded Variablesb


Partial

Correlation

Collinearity

Statistics

Tolerance

1 logGDPreporter .

a

. . . ,000



Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 ,874a ,764 ,706 1,89897

ANOVAb

Model

Sum of


1 Regression 1992,912 42 47,450 13,158 ,000a

Residual 616,644 171 3,606

Total 2609,555 213

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients


1 (Constant) 5,801 4,475 1,296 ,197

DUMiBEL ,142 ,522 ,014 ,271 ,786

DUMiITA 2,335 ,519 ,232 4,503 ,000

DUMiUSA 4,254 ,601 ,423 7,080 ,000

DUMiDEU 1,906 ,519 ,192 3,670 ,000

DUMiKOR 2,040 ,620 ,188 3,291 ,001

DUMiNZL 2,299 ,752 ,192 3,057 ,003

DUMiMEX 2,295 ,665 ,200 3,449 ,001

DUMjAUS -2,248 ,998 -,115 -2,253 ,026

DUMjAUT -,793 ,842 -,043 -,941 ,348

DUMjCAN -5,097 1,065 -,260 -4,784 ,000

DUMjCHI -2,071 1,473 -,057 -1,405 ,162

DUMjCZE -1,083 ,886 -,055 -1,222 ,223

DUMjDEN -2,996 ,885 -,153 -3,386 ,001

DUMjEST -,264 1,329 -,010 -,199 ,843

DUMjFIN -2,607 ,883 -,133 -2,952 ,004

DUMjFRA -3,320 1,090 -,180 -3,046 ,003

DUMjDEU -3,289 1,174 -,168 -2,802 ,006

DUMjGRE -,013 ,872 -,001 -,015 ,988

DUMjHUN -1,933 1,005 -,084 -1,923 ,056

DUMjIRE -5,312 1,123 -,206 -4,730 ,000

DUMjISR 1,279 ,932 ,060 1,372 ,172DUMjITA -,680 1,075 -,035 -,632 ,528



DUMjJAP -3,598 1,279 -,195 -2,813 ,005

DUMjKOR -,199 1,033 -,010 -,192 ,848

DUMjLUX -9,009 1,396 -,303 -6,456 ,000

DUMjMEX -4,247 1,168 -,184 -3,636 ,000

DUMjNDL -2,886 ,895 -,157 -3,223 ,002

DUMjNZL -1,074 1,067 -,046 -1,007 ,316

DUMjNOR -4,040 ,929 -,191 -4,347 ,000

DUMjPOL -5,838 ,936 -,297 -6,236 ,000

DUMjPOR ,924 ,833 ,050 1,110 ,268

DUMjSLK -3,672 1,036 -,159 -3,543 ,001

DUMjSPA -1,403 ,994 -,076 -1,412 ,160

DUMjSWE -4,262 ,929 -,201 -4,590 ,000

DUMjZWI -,884 ,855 -,048 -1,033 ,303

DUMjUK -3,346 1,082 -,182 -3,094 ,002

DUMjUSA -3,488 1,563 -,178 -2,231 ,027

DUMjBEL -1,297 ,884 -,066 -1,466 ,144

logDistance -2,106 ,226 -,725 -9,317 ,000

logGDPreporter 1,885 ,326 ,716 5,788 ,000

Dummy Adjacency ,545 ,605 ,046 ,901 ,369

Dummy Language ,255 ,546 ,023 ,468 ,641

Excluded Variablesb


Partial

Correlation

Collinearity

Statistics

Tolerance

1 DUMjSLV .a . . . ,000

logGDPpartner .a . . . ,000

Size .a . . . ,000

GDPpartnerXsize .a . . . ,000

De F-test geeft een waarde van 13, 158 en is significant aangezien de p-waarde 0,000 is. Dit is

kleiner dan 0,01 wat wijst op een significantie op 1%. Hieruit kunnen we afleiden dat de export

van katoen afhankelijk is van land tot land. Enkele variabelen werden niet opgenomen in de

regressie, dit doet SPSS waarschijnlijk met de reden om perfecte multicolliniariteit te voorkomen.

Documents

Gravity Finaal