Transmission mellan prisindex

Transkript

1 Transmission mellan prisindex Kan KPI prognostiseras med ITPI? Jonas Ingman Jonas Ingman Magisteruppsats i nationalekonomi, 15 ECTS Vårterminen 2014 Handledare: Karl-Gustaf Löfgren

2 Sammanfattning Med två välanvända ekonomiska mått för prisförändringar undersöker denna uppsats om de kan användas för prognostisering av prisutvecklingen. Med utgångspunkt i teorier om prisöverföring undersöks om ITPI som mått på producenternas och importörernas prisutveckling kan användas för att förutsäga utvecklingen av konsumenternas priser med KPI. Även det omvända sambandet testas då det visats att konsumentpriser föranleder producentpriser i tidigare utländska studier. Sambanden testas för såväl totala index som snävare indelningar bestående av livsmedel, el och bränsle, hushållsvaror och inventarier samt transportprodukter. Tidsserierna anpassas för en VAR-modell och en impulsrespons funktion används för att studera resultaten. Sammantaget visar studien att prisöverföring sker från producent och importör till konsument. Om prisöverföringen är signifikant och hur lång tid den tar varierar beroende på produktgrupp. Nyckelord: PPI, ITPI, KPI, tidsserier, VAR, pristransmission. 2

3 Innehållsförteckning Sammanfattning Inledning Bakgrund Syfte och frågeställningar Avgränsningar Definitioner Tidigare studier och teori Tidigare studier Teori Prisindex i producent- och importled Konsumentprisindex Skillnader mellan KPI och PPI Pristransmission Metod VAR Impulsrespons-funktion Bestämma antal laggar till modellen Stationäritet och enhetsrot Differentiering av en icke-stationär tidsserie Data Datainsamling Anpassning av data Beskrivning av data Totala KPI-KS och ITPI Livsmedel El och bränsle Inventarier och hushållsvaror Transportprodukter Test av serierna Resultat Totala KPI-KS och ITPI Livsmedel El och bränsle Inventarier och hushållsvaror Transportprodukter Slutsats Sammanfattande slutsats Förslag till vidare studier Referenser Appendix A: nyckel mellan COICOP och SPIN Appendix B: månadsförändringar Appendix C: fullständiga resultat Appendix D: impulsrespons funktioner (IRF)

4 1. Inledning I kapitlet beskrivs studiens bakgrund, syfte och problemformuleringar, avgränsningar samt definitioner. 1.1 Bakgrund Prisutvecklingen av varor och tjänster i Sverige har en stor betydelse för utövandet av finans-, valuta- och penningpolitik. Därför är prisutvecklingen av intresse för diverse analytiker på företag och myndigheter. I Sverige finns flertalet statistiska mått som avser att mäta priser och dess utveckling inom olika varu- och tjänstekategorier. Prisutvecklingen mäts även i olika led där varorna och tjänsterna förädlas eller konsumeras. De två bredaste och sannolikt mest använda måtten för att följa utvecklingen är prisindex i producent- och importled (PPI) och konsumentprisindex (KPI). Oväntade förändringar av KPI får effekt på hela ekonomin då penningpolitiken bland annat bedrivs efter inflationsmålet på två procent. Nedan följer ett citat från Dagens industri 10/4 2014, efter att KPI publicerats. Inflationen var i mars minus 0,6 procent. Det var klart lägre än väntat. Kronan tappar kraftigt och räntorna sjunker på beskedet, som ökar sannolikheten för en räntesänkning i juli. Utfallet var klart lägre än väntat. Enligt SME Direkts enkät räknade analytikerkåren med att KPI skulle ha sjunkit med 0,3 procent i årstakt. Riksbankens en dag gamla prognos löd också på en nedgång med 0,3 procent. KPI syftar till att mäta den generella prisutvecklingen för de varor och tjänster som hushållen konsumerar. Måttet har en rad användningsområden då det bland annat används som målvariabel för penningpolitiken, för beräkning av prisbasbelopp, beräkning av brytpunkt i inkomstskatteskalan och i många avtal för prisjusteringar. Prisindex i producent- och importled är ett ekonomiskt mått som avser att följa den genomsnittliga prisutvecklingen för producenter och importörer av varor. Priserna mäts i det första distributionsledet då varorna levereras från producenten respektive första inköpsledet då varorna kommer in i Sverige. Prisindexet används bland annat för fastprisberäkning av bruttonationalprodukt och handel med utlandet samt vid prisreglering i avtalssammanhang. Även då KPI och PPI har olika syften och därmed är metodologiskt utformade på olika sätt tros, i varje fall delar av PPI, innehålla information om framtida utveckling av KPI. Enligt grundläggande ekonomisk teori kan man vänta sig ett positivt samband mellan producent- och importpriser och konsumentpriser. Den mest etablerade teorin tar sin utgångspunkt i utbudssidan och att prisförändringar i producerade och importerade varor förs vidare via produktionskedjan till konsumenten, så kallad vertikal pristransmission. Det innebär att producent- och importpriserna leder utvecklingen av konsumentpriserna. Teorin är dock inte entydig då det finns förespråkare som menar att sambandet kan vara det omvända. 4

5 Användningen av KPI och PPI för att reda ut sambandet har ifrågasatts då det i flera tidigare studier visats sig vara obefintligt eller svagt. Dessa har ofta fokuserat på att undersöka breda aggregat inom prisindexen såsom totala PPI och KPI, som inkluderar alla producerade varor och konsumerade varor och tjänster. Relativt få har även tagit med importpriser utan fokuserat på de varor som produceras i landet till försäljning på hemmamarknaden och för export. Att sambandet på de totala aggregaten visats sig vara svaga är föga förvånande, då sammanvägningar av den typen är heterogena sinsemellan. Totala producentprisindex kan även väntas innehålla en betänklig mängd dubbelräkningar då indexet mäter produkter som ingår i flera steg av produktionskedjan. Det är därför av särskilt intresse att se om det finns ett samband på mer anpassade indelningar för ändamålet. Denna studie fokuserar enbart på de varor i PPI som säljs i och importeras till Sverige, det vill säga prisindex för inhemsk tillgång (ITPI). Sambandet mellan ITPI och KPI undersöks på såväl breda aggregat som finare indelningar av produktgrupper. För att studera sambandet en viss tidpunkt används enbart historiska värden av de båda indexen som förklarande variabler för att se vilket index som föranleder det andra. Då prisindexen använder olika klassifikationer för indelning av produkter skapas en klassifikationsnyckel för att kunna göra en mer relevant jämförelse mellan indexen. Denna studie tar således ett nytt grepp då den till skillnad från tidigare studier undersöker huruvida KPI kan påverkas av ITPI för snävare produktgrupper. Även användandet av VAR-modellen för framtida utveckling tycks inte tidigare använts på svenska prisindex. Ett eventuellt påverkanssamband mellan ITPI och KPI skulle underlätta för att prognostisera KPI. Då dess utveckling får en indirekt ekonomisk påverkan på de flesta människor i Sverige, då såväl räntor och valutor som skatter och bidrag påverkas av förändringar i indexet. Om sambandet visar sig vara det omvända kan det framförallt tänkas ge vägledning i granskningsarbete vid framtagande av prisindex på Statistiska centralbyrån. 1.2 Syfte och frågeställningar Det huvudsakliga syftet med denna uppsats är att med kvantitativa metoder undersöka hur historiska index av ITPI och KPI förklarar deras framtida utveckling. Frågeställningar som behandlas i denna studie är: Föranleder totala ITPI utvecklingen av totala KPI med konstant skatt för åren ? Föranleder ITPI utvecklingen av KPI för snävare indelningar, utvalda produktgrupper, för åren ? Är sambandet det omvända det vill säga att KPI föranleder ITPI för åren ? 5

6 1.3 Avgränsningar Studien skrivs på uppdrag av Statistiska centralbyrån och är en empirisk undersökning som avser utröna om den historiska utvecklingen av prisindex i producent- och importled kan användas för att förklara utvecklingen av konsumentprisindex och vice versa. Studien omfattar svenska prisindex och begränsas till åren Fokus ligger på att försöka besvara frågeställningar under avsnitt 1.2. Studien är empirisk och utveckling av teorier på området lämnas därhän. I viss mån diskuteras möjliga bakomliggande faktorer, men ingen djupare analys av varför sambanden ser ut som de gör ges. 1.4 Definitioner PPI: prisindex i producent- och importled, är ett samlingsbegrepp för producenternas och importörenas priser. I producenternas priser ingår produkter som exporteras och säljs på hemmamarknaden. Se avsnitt för ytterligare beskrivning. ITPI: är en delmängd av PPI och ett prisindex för inhemsk tillgång. Indexet är en sammanvägning av producentpriser för produkter på hemmamarknaden och importpriser för produkter som används i Sverige. Se avsnitt för ytterligare beskrivning. SPIN 2007: är en statistisk standard för klassificering av produkter. Produkterna länkas till aktiviteter som definieras i SNI (standarden för svensk näringsgrensindelning) som i sin tur bygger på EU:s standard NACE. PPI publicerar index på olika produkter indelat efter SPIN 2007 grupp KPI: konsumentprisindex, mäter den genomsnittliga utvecklingen av priser för den privata inhemska konsumtionen. KPI mäter vad konsumenten faktiskt betalar och varuskatter och moms ingår. Från 2014 beräknas förutom KPI ett konsumentprisindex med konstant skatt, KPI-KS. Konstant skatt innebär att effekten från förändringar av skatter och subventioner, utom lönerelaterade, exkluderas. Se avsnitt för ytterligare beskrivning. COICOP: Classification of individual consumption according to purpose, är en internationell klassificering för att utifrån användningsområde klassificera individers konsumtion. KPI använder klassificeringens huvudgrupper

7 2. Tidigare studier och teori Kapitlet börjar med att beskriva tidigare relevanta studier. Vidare behandlas teorin bakom de index som används och skillnader mellan dem. Kapitlet avslutas med att beskriva varför det kan tänkas finnas ett samband mellan serierna. 2.1 Tidigare studier Det finns flera internationella studier som undersöker sambandet mellan producentpris- och eller importpris- och konsumentprisindex för olika länder och tidsperioder. Sambandet på den svenska marknaden har bland annat undersökts av Riksbanken (Dellmo 1996) för perioden 1980 till Studien använde sig av ITPI vilket jämfördes med KPI. I studien delades ITPI-data in efter varornas användningsområde i tre index: konsumtionsvaror, insatsvaror och investeringsvaror. Dessa indelningar samt totala ITPI jämfördes med totala KPI genom en regressionsmodell. Modellen använde förutom prisindexen även förklarande variabler för arbetskraftskostnad, efterfrågeläget i ekonomin och en dummyvariabel för en skattereform i början av talet. De fann att konsumtionsvaror påverkar KPI mest, medan sambandet på totalerna var svagt. En annan av få studier som bland annat använder svenska data är Selçuk AKÇAY (2011). Författaren undersöker sambandet för fem europeiska länder med låg inflation. Säsongsjusterad månadsdata från 1995 till 2007 används för totala KPI och producentprisindex. Syftet med studien är att undersöka kausaliteten mellan prisindexen. För att undersöka i vilken riktning kausaliteten går används Toda och Yamamotos kausalitetstest. För två av de undersökta länderna går sambandet från PPI till KPI medan det för ett av länderna går åt båda håll, det vill säga att även konsumentpriset påverkar producentens pris. Författaren finner inget stöd i någon riktning för ett samband mellan PPI och KPI i Sverige. Clark (1995) har undersökt prisöverföring från den första delen av produktionskedjan till konsumenten för olika tidsperioder mellan 1958 och 1995 i USA. I studien användes en VAR-modell (vector autoregression). Resultatet visar att producentprisindex inte systematiskt tjänar som en god predikator av KPI. Sambandet tycks ha avtagit med tiden. Även Weinhagen (2002) använde en VAR-modell när han studerade prisöverföring mellan varor som ingår i producentprisindex i USA. Detta genom att dela in varorna efter hur processade de är, från råmaterial till färdiga produkter. Resultatet indikerar att prisöverföring mellan mindre och mer processade varor inom producentprisindex förekommer, således sker en dubbelräkning av prisförändringar när producentpriser aggregeras till ett totalindex. Prisöverföring har även studerats för specifika varor. Olika typer av livsmedel utmärker sig som de produkter som är mest genomlysta. Peltzman (2000) tar dock ett brett grepp och använder ett urval av 77 olika konsumentprodukter och 165 producentprodukter för att undersöka asymmetrisk prisöverföring, det vill säga om prisöverföringen ser olika ut beroende på om priserna stiger eller sjunker. Med hjälp av en VAR modell visar studien att konsumentpriserna reagerar snabbare på ökningar än sänkningar av producentpriser för två tredjedelar av alla produkter. 7

8 2.2 Teori Prisindex i producent- och importled Producentprisindex mäter förändringen av priser på produkter sålda av producenter verksamma i Sverige. Indexet ska spegla en genomsnittlig förändring av producenternas priser på alla transaktioner som sker i landet. Av praktiska skäl är indexet baserat på en urvalsundersökning. Urvalet utgörs av drygt 1500 företag som rapporterar priset på cirka 1700 produkter som säljs inom Sverige och cirka 1600 produkter som exporteras. Produkterna i undersökningen representerar på så vis ett större antal produkter. Produkterna tilldelas vikter efter hur stort värde varutypen generarer hos företaget och totalt i landet. Produkterna vägs samman till index på olika varugruppsnivåer och till ett totalaggregat som representerar allt som produceras i landet. De ingående företagen i undersökningen rapporterar priset på samma produkt månadsvis. Indexet publiceras en gång i månaden och redovisas, dels på olika marknader såsom hemma- och exportmarknad, dels på olika varugrupper enligt klassificeringen SPIN Importprisindex är uppbyggt på samma vis som producentprisindex och ska spegla en genomsnittlig förändring av priserna på importerade varor som används i Sverige. Priserna mäts i första inköpsledet då varorna kommer in i Sverige. Undersökningen består av cirka 1800 produkter fördelade på knappt 1000 företag. Redovisningen av importprisindex sker samtidigt och enligt samma klassifikation som producentprisindex. Importprisindex sammanvägt med prisindex för hemmamarknaden bildar prisindex för inhemsk tillgång, ITPI. Genom ITPI återges således den samlade utvecklingen för varor som säljs vidare i Sverige. Alla prisindex för producent- och importled redovisas med basår 2005 som är lika med 100. De har beräknats enligt nuvarande utformning sedan 1963 då en systematiserad internationell branschnomenklatur infördes. Det primära syftet med indexen är att beräkna nominella belopp till belopp i fasta priser inom främst nationalräkenskaperna. Statistiken används även som underlag till ekonomisk analys och för att prisreglera avtal. (SCBDOK 3.1, 2013 s.3-7) Konsumentprisindex KPI ska mäta den genomsnittliga utvecklingen av priser för hela den privata inhemska konsumtionen. Målpopulationen utgörs av alla produkter och tjänster som erbjuds till privata konsumenter i alla försäljningsställen. Priserna ska avse vad konsumenterna faktiskt betalar för varorna och tjänsterna. Indexet baseras på ett urval av produkter och försäljningsställen som uppdateras årligen. Vägningstalen för de ingående produkterna och tjänsterna tar hänsyn till den privata konsumtionens sammansättning. Insamlingen av priser sker månadsvis genom butiksbesök, telefonintervjuer, internet och genom att ta del av butikers kassaregister. Varje månad publiceras ett totalindex samt index uppdelat på produktgrupper enligt klassifikationen COICOP. Indextalen redovisas med basår 1980 som är lika med 100. (SCBDOK 3.2,

9 s.2-13) Sedan februari 2014 beräknas även ett index med konstant skatt benämnt KPI-KS. För indexet finns även historiska siffror. Direkta effekter av skatter i försäljningsledet till konsumenter räknas bort. Indexet beräknas enbart för det högsta aggregatet av KPI, det vill säga totala KPI. (SCB KPI-KS 2014 s.1-3) Indextal för KPI finns att tillgå från En av huvudanvändare av indexet är Riksbanken då KPI är den explicita målvariabeln för penningpolitiken. Då indexet är det gängse måttet av inflation har det ett stort användningsområde bland annat för ekonomiska beslutsfattare och reglering av diverse skatter, bidrag och lån. KPI används även, liksom PPI, för fastprisberäkning av nationalräkenskaperna. (SCBDOK 3.2, 2013 s.2-13) Skillnader mellan KPI och PPI Även då KPI och PPI i mångt och mycket är uppbyggda på liknande vis och syftar till att följa prisutvecklingen finns skillnader som sannolikt minskar jämförbarheten mellan indexen. Skillnaderna grundar sig till stor del på indexens olika primära användningsområden. PPI används främst för att fastprisberäkna transaktionsflöden mellan företag och ämnar därför mäta priser för alla varor som produceras och importeras till Sverige. Det innebär att såväl varor som köps av andra producenter som varor som köps av konsumenter, direkt eller indirekt via detaljhandlare, ingår i indexet. Medan KPI mäter förändringar av privatpersoners levnadskostnader och därför ingår enbart varor och tjänster för privat konsumtion. Det innebär att kompositionen av produkter som ingår, såväl som vikter, i KPI och PPI skiljer sig. PPI omfattar även enbart varor medan både varor och tjänster ingår i KPI (Central Statistics Office 2013). Sett till vikter utgör tjänster cirka hälften av totala KPI. Ytterligare ett potentiellt problem vid jämförelse av indexen blir speciellt tydligt då totala PPI och KPI används. Detta då PPI omfattas av en relativt stor andel som inte kommer konsumenten tillgodo. Till exempel järnmalm som framställs och säljs vidare till ett betydande värde. Järnmalmet bearbetas och blir diverse produkter som i sin tur används av andra producenter. Således kan en prisförändring observeras i flera produktgrupper i PPI och en form av dubbelräkning sker då producenternas priser i alla led mäts. (Clark 1995 s ) Även skatter, till exempel moms och varuskatter, behandlas olika då dessa inkluderas i KPI men inte i PPI. Således kan en förändring av en skattesats få effekter på KPI men inte observeras i PPI. Vid jämförelse av totalerna kan skillnaden undvikas genom att använda KPI-KS. En beräkningsmässig skillnad finns då sammanvägningen från enskilda produkter till olika aggregat av produktkategorier sker på något olika vis. I PPI används enbart viktade aritmetiska medelvärden medan KPI använder en blandning av geometriska och aritmetiska medelvärden. Den geometriska beräkningen kan sägas ta hänsyn till substitutionseffekter då höjda priser får ett mindre genomslag på aggregaten. (Bureau of Labor Statistics 2014) 9

10 2.2.4 Pristransmission Hur prisförändringar i ett tidig led av utbudskedjan påverkar ett senare led kallas för vertikal pristransmission. Hur pristransmissionen ser ut brukar beskrivas med tre olika egenskaper: magnituden, hastigheten och typen av förändring. Magnituden syftar till att beskriva storleken på prisförändringen som slår igenom i senare led, om den överhuvudtaget slår igenom. Hastigheten med vilken den eventuella prisförändringen slår igenom bestäms av marknadens aktörer i de olika stegen till exempel grossister, distributörer och återförsäljare. Det kan förekomma betydande fördröjningar mellan leden beroende på exempelvis konkurrenssituation på marknaden, antal mellanhänder och vilka kostnader som är förenade med att justera priserna. Även då det råder en stor konkurrens på marknaden kan små prisförändringar medföra så stora kostnader att det inte är lönsamt att justera priserna i ett senare led. (Vavra et al. 2005, s.5-9) Med vilken hastighet prisförändringen slår igenom inverkar till stor del på denna studie. Eftersom både KPI och PPI publiceras månadsvis med föregående månads indextal går det inte att ta hänsyn till de fall där prisförändringarna slår igenom snabbt i båda led. Det är till exempel troligt att grönsaker importeras och konsumeras under samma månad. För den typen av varor kan vi inte avgöra i vilket led förändringen inträffade först i och därmed inte vilket index som föranleder det andra. Tidigare studier har visat att det kan finnas skillnader av hur transmissionen sker mellan prisuppgångar och - nedgångar för vissa typer av varor. Den vanligaste asymmetrin är att prisuppgångar får ett större och snabbare genomslag i senare led än då priset sjunker. Det innebär att pristransmissionen har ett tydligare samband vid kostnadsökningar än kostnadssänkningar. Asymmetrin kan vara ett tecken på bristande konkurrens i senare led. (Peltzman 2000, s. 466). Det är sannolikt att styrkan i sambandet varierar bland annat beroende på vilka produkter som avses och hur marknadsmakten ser ut på den aktuella marknaden. Om och hur mycket av prisförändringarna som slår igenom i ett senare led av produktionskedjan bör även bero på hur stor andel av den totala kostnaden som insatsvaran utgör. Insatsvaror som avser färdigtillverkade produkter utgör en större del av kostnaden än till exempel råmaterial som kräver mycket bearbetning innan det blir en färdig produkt för konsumenten. Förutom priset på insatsvaran finns övriga kostnader som kan bestå av löner, transporter och energi (Konkurrensverket 2011, s.15). På så vis kan prisförändringar för oprocessade produkter, i PPI, tänkas få ett mindre genomslag i KPI än produkter som är färdiga att användas av konsumenten. Ekonomisk teori inom vertikal pristransmission är inte entydig i vilken riktning producent- och importpriser samt konsumentpriser påverkar varandra. En något mindre intuitiv teori är att kausaliteten i sambandet är det motsatta, det vill säga att konsumentpriserna påverkar utvecklingen av producent- och importpriserna. Förespråkare av detta synsätt menar att sambandet tar sin utgångspunkt i efterfrågesidan. Kostnaden för produktionen reflekterar alternativkostnaden av insatsvaror, som i sin tur reflekterar efterfrågan på 10

11 konsumentvaror. På så vis påverkas insatsvarans pris av efterfrågan och förväntningar på framtida efterfrågan, vilket reflekteras av konsumentpriset. (Guglielmo et al. 2002, s ) 3. Metod Detta kapitel beskriver den empiriska metoden samt anpassningar och test av modellen. 3.1 VAR Liksom flera tidigare studier om sambandet mellan prisindex i olika led används även här en VAR(vector autoregression)-modell. Modellen tycks dock inte tidigare använts på svenska prisindex. VAR-modellen utvecklades av Christopher Sims på 80-talet för att beskriva finansiella och ekonomiska tidsserier. Modellen är flexibel och lätt att använda då den inte kräver underbyggda teoretiska antaganden om den kausala påverkan mellan variablerna. Till skillnad mot strukturella modeller där en variabel antingen är endogen eller exogen så är variablerna i VAR endogena. Därmed bestäms dynamiken i modellen utifrån datamaterialet. VAR-modellen är en multivariat autoregressiv modell för tidsseriedata. Att den är multivariat och autoregressiv innebär att analysen inte sker på en tidsserie isolerat som i en univariat modell. Utan kan istället ses som ett system där varje variabel uttrycks som en linjär kombination av variabelns och alla andra variablers historiska värden. En förändring av en variabel kan således få effekt på de andra. Definitionen av en VAR med en variabel är väldigt lik en univariat autoregressiv och kan skrivas som: (1) Ovan modell beskriver en linjär VAR av order P, VAR(P), som är antal tidslaggar som inkluderas. är den undersökta variabeln i tidsperiod t, C en konstant och feltermen., C, och är vektorer av storleken k*1, där k är antal observationer. Koefficienterna utgör en k*k matris. En modell i matrisform med två variabler, bivariat, med P=1 kan beskrivas som: (2) där ~(0, ) och cov(. Variansen av feltermerna är oberoende av tiden. (Zivot et al. 2003, s ) 11

12 3.2 Impulsrespons-funktion En VAR-modells koefficienter kan vara svårtolkade då modellen innehåller flera variabler med ett antal historiska värden som påverkar varandra. För att kunna tolka en variabel isolerat kan en impulsresponsfunktion användas. Systemet simulerar en chock på till exempel en standard avvikelse på feltermen medan övriga feltermer sätts till 0. Funktionen använder nedan samband för att kunna uttyda hur en variabel påverkar de andra och sig själv framåt i tiden. En enkel modell där C=0 kan skrivas som: tidsperioder: eller genom att substituera med, som: och för k Om B <1, vilket gäller under stationäritet se avsnitt 3.3, så att vilket innebär att kan uttryckas som en funktion av residualerna:. Utsätter vi systemet i formel 2 s.11, anta att konstanten är lika med noll, för en chock på en standardavvikelse enbart på vid t=0, får vi: och i tidsperiod 1 att På så vis framgår att en chock i påverkar sig själv en period framåt med x och en period framåt med q. (Cochrane 2005, s.37-38) 3.3 Bestämma antal laggar till modellen En central del av en VAR är att ta med ett lämpligt antal historiska värden av variablerna. Intuitivt kan det vara lockande att ta med många tidslaggar i modellen då det kan tänkas att dessa i någon mån ökar förklaringsgraden. För många laggar reducerar dock antalet frihetsgrader utan att göra modellen mer passande. Medan för få leder dock till en misspecifikation av modellen. Med Akaikes informations kriterium (AIC) kan optimalt antal laggar väljas. AIC straffar modellen som har med onödiga parametrar då små värden på AIC anses som en bra modell. 12

13 där P är antal parametrar och T antal perioder. Därmed kan testet sägas göra en avvägning mellan att få mindre värden på summan av residualerna i kvadrat mot att inkludera ytterligare parametrar. (Montogomery et al. 2008, s.59) 3.4 Stationäritet och enhetsrot Det är vanligt att ekonomiska tidsserier uppvisar tecken på icke-stationäritet. Tidsserier är strikt stationära om medelvärdet, variansen och kovariansen av serierna inte är beroende av tiden och är ändliga. Om villkoret för stationäritet inte uppfylls kan estimering med en VAR leda till att signifikanstester av modellen inte är pålitliga och därmed kan resultatet visa på samband mellan variabler som inte är korrelerade, det vill säga resultaten är inte väntesvärdesriktiga. (Weinhagen 2005, s.43) En modell av typen: är inte stationär om β=1. Detta kan visas då vi tar variansen av båda sidor: Vilket inte har någon lösning som uppfylls under antagandet om stationäritet, förutom då, vilket ger oändligt många lösningar. Processen är autoregressiv med en enhetsrot. Det kan visas att alla absolutvärden av β som är större än 1 beskriver en icke-stationär process. Ett test för icke-stationäritet görs lämpligen med ett Dickey-Fuller-test (DF). Testets nollhypotes är att β=1, med en enhetsrot, och alternativhypotesen att β < 1 enligt. Testet kan utvidgas för att testa en modell med fler än en laggar till en ADF. (Verbeek och Marno 2004, s.269) Differentiering av en icke-stationär tidsserie En icke-stationär serie kan differentieras för att bli stationär. Differentieringen innebär att vi skapar nya tidsserier från de gamla exempelvis genom att subtrahera. På så vis får vi förändringen mot föregående period istället för värdet på y och serien sägs vara integrerad av ordningen 1 (I(1)). Om det är nödvändigt kan serien differentieras, d, i flera steg tills den är stationär (I(d)). (Montogomery et al. 2008, s.36,39) 13

14 4. Data I detta kapitel beskrivs datamaterialet som används, hur det anpassas för jämförelse och modeller. Vidare görs en visuell analys av tidsserierna samt att de testas för att kunna ta fram en optimal modell. 4.1 Datainsamling Datamaterialet i denna studie består av månadsvisa tidsserier av prisindexen ITPI och KPI från januari 1990 till december Tidsserierna har hämtats från prisenhetens databaser på SCB. De flesta av serierna som använts är offentliga och finns publicerade på myndighetens hemsida. Indexen finns tillgängliga utifrån olika produktgrupper som baseras på dess klassifikationer; COICOP för KPI och SPIN2007 för ITPI (se avsnitt 1.4). Klassifikationen och därmed aggregeringar av produkter och tjänster i KPI tar sin utgångspunkt i 12 huvudgrupper som beskriver olika användningsområden, se tabell 1. Under varje huvudgrupp finns ett antal undergrupper som mer detaljerat beskriver vad som ingår i huvudgruppen. I tabell 1 redogörs för de undergrupper som ingår i studien. I grupp 07 används en sammanvägning av undergrupperna 071, 0721 och Att just dessa undergrupper valts ut beror på att hela 07 består av en betydande andel tjänster, såsom transporttjänster och reparationer. En jämförelse av hela 07 med lämpliga index av ITPI blir därmed vansklig då ITPI främst 1 beskriver prisutvecklingen på produkter. Tabell 1 Indelning KPI, efter COICOP huvudgrupper och vägningstal (SCB 2013, SM1302) Huvudgrupper Undergrupper, som används i studien Vägningstal Livsmedel och alkoholfria drycker Alkoholhaltiga drycker och tobak Kläder och skor Boende El och bränsle 50,46 05 Inventarier och hushållsvaror Hälso- och sjukvård Transport Inköp av fordon 38, Reservdelar och tillbehör 7, Drivmedel 38,41 08 Post och telekommunikationer Rekreation och kultur Utbildning 4 11 Restauranger och logi Diverse varor och tjänster 61 KPI total ITPI innehåller en mindre del tjänster av typen el, vatten och industriella tjänster. 14

15 Vägningstalen i tabell 1 beskriver den privata konsumtionens sammansättning och användes för beräkningar av KPI under Till exempel spenderar den genomsnittliga konsumenten 14,1 procent av total konsumtion på huvudgrupp 07 transport. Inköp av fordon, reservdelar och tillbehör samt drivmedel står för cirka 60 procent 2 av konsumtionen under 07. Vägningstalen uppdateras årligen. Denna studie fokuserar på att undersöka sambandet mellan ITPI och KPI för ett axplock av grupperna samt de totala indexen. De rena grupper som undersöks är 01 livsmedel och alkoholfria drycker, 045 el och bränsle, 05 inventarier och hushållsvaror. En sammanvägning av 071 inköp av fordon, 0721 reservdelar och tillbehör och 0722 drivmedel görs till en grupp som hädanefter benämns som 071_2 eller transportprodukter. Dessa har relativt höga vägningstal och innehåller i huvudsak produkter. Till skillnad mot KPI:s klassifikation som tar sin utgångspunkt i användningsområde så utgår ITPI:s klassifikation SPIN2007 från näringsgren. ITPI omfattar de flesta produktgrupper från Även SPIN2007 har undergrupper till varje produktgrupp som snävare specificerar vilka produkter som ingår. 4.2 Anpassning av data Utgångspunkten i arbetet har varit att behålla data såsom det publicerats med hänseende till produktgruppsindelningar och vikter. Sammanvägningar till nya produktgrupper har dock varit nödvändigt, framförallt av ITPI-serier för att anpassas till COICOP. Att prisindexen använder olika klassifikationer innebär att det inte alltid finns en direkt koppling mellan produktgrupperna i ITPI och indelningen i KPI. Exempelvis kan ITPI:s undergrupp Förpackningar av plast tänkas vara insatsvaror i flera av KPI:s huvudgrupper. De flesta produktgrupper har dock ett godtagbart 1:1-förhållande, som KPI:s 071 mot ITPI:s motorfordon sammanvägt med motorcyklar och cyklar. (SCB 2007) För att matcha ihop vilka produktgrupper i ITPI som ska sorteras under de grupper i KPI som undersöks används en nyckel från Eurostat, Correspondence table COICOP 1999-CPA Nyckeln används dock med viss reservation då den inte är utformad efter svenska förhållanden och en del produktgrupper uppenbart inte ingår i KPI:s motsvarighet. Till exempel tas inte levande hästar med i ITPI för att jämföras med KPI:s inköp av fordon. Avstegen är dock få och den reviderade nyckeln som används presenteras i appendix A. (Eurostat 2014) Sammanvägningen av ITPI:s produktgrupper sker med de vikter som används vid beräkning av indexet. Valet av vikter kan ifrågasättas då de egentligen visar till hur stort värde en produkt produceras eller importeras inte 2 (38,19+7,31+38,41)/141 15

16 hur mycket produkten motsvarar av den privata konsumtionen. Dock blir beräkningen väsentligt mycket mer hanterbar än om vikterna anpassas efter KPI. Sammanvägningarna sker med ett viktat aritmetiskt medelvärde på månadsförändringarna. För deskriptiv jämförelse i nästa avsnitt räknas indexen om till bas jan 1990=100. Innan tidsserierna testas för stationäritet etc. logaritmeras de för att förebygga om sambandet inte är linjärt. Bearbetning och analys av data har skett med programmen Microsoft SQL Server 2008, Microsoft Office Excel 2010 och SAS Beskrivning av data Totala KPI-KS och ITPI Vid jämförelse av totala KPI-KS med totala ITPI framkommer att båda indexen har en stigande trend som varit avtagande sen finanskrisen inträffade under senare delen av 2008, se figur 1. KPI-KS har från 1990 till 2013 stigit med i snitt 2,3 procent per år, medan motsvarande förändringen av ITPI varit 2,5 procent. I figuren framkommer även att under den tidigare finanskrisen i början av 90-talet sjunker ITPI medan KPI-KS inte tycks påverkas på samma sätt. Även om indexen tycks följa varandra är det visuellt svårt att avgöra om det ena föranleder det andra. Figur 1 Utveckling av totala ITPI och KPI-KS, jan 1990= KPI-KS ITPI Livsmedel För grupp 01, livsmedel, liknar utvecklingen i stort den för de totala indexen (se figur 2). Skillnaden mellan indextalen i slutet av tidsserierna är dock större för livsmedel. Mycket på grund av en hastig ökning av importoch producentpriserna under slutet av 2007 och början KPI för gruppen innehåller skatteförändringar. Dessa är svåra att uttyda från nedan bild, men framkommer tydligt då månadsförändringar studeras. I appendix B presenteras förändringarna mot föregående månad, där framgår de momsförändringar som genomförts under 16

17 talskrisen. Den allmänna momsen höjdes till 25 procent vid halvårsskiftet 1990 för att sedan sänkas till 18 procent på livsmedel från Under 1993 höjdes den åter igen till 21 procent för slutligen sänkas till dagens nivå på 12 procent i utgången av 1996 (Lewin 2009, s.3-19). Prisförändringarna som följer av de förändrade skatterna är inte relevanta vid jämförelse av ITPI. Dessa hanteras med en dummyvariabel som antar värdet 1 då skatten infördes. Figur 2 Utveckling av ITPI och KPI grupp 01, jan 1990= KPI01 ITPI El och bränsle Utvecklingen av grupp 045 har varit dramatisk då konsumentpriserna stigit med nästan 250 procent och import- och producentpriserna med drygt 150 procent. Priserna följer varandra relativt väl, vilket kunde förväntas då produkten i indexen i mångt och mycket är densamma det vill säga elektricitet och bränsle för uppvärmning. Priserna på denna typ av varor i båda leden påverkas till stor del av samma faktorer såsom väder och globala oljepriser. På förhand är det inte troligt att det ena indexet skulle föranleda det andra då förändringar sannolikt sker i samma period. Sammanvägningen av ITPI innehåller dock en hel del obearbetade bränslen som inte väntas få omedelbart genomslag i konsumentpriserna. Av samma anledning som för livsmedel skapas en dummyvariabel för skatteförändringar. 17

18 Figur 3 Utveckling av ITPI och KPI grupp 045, jan 1990= KPI045 ITPI Inventarier och hushållsvaror Grupp 05 innehåller en minst sagt spretig sammansättning av varor. För att täcka KPI-gruppen används inte mindre än 30 undergrupper i ITPI. Av ITPI:s sammanvägning utgör metaller och trä en stor andel. Dessa varutyper steg kraftigt fram till början av finanskrisen under 2008 i ITPI. Utvecklingen tycks dock inte ha överförts i speciellt hög grad till konsumentpriserna då utvecklingen i KPI i stort varit horisontell från 1996 och framåt. En dummyvariabel har skapats för momsförändringar. Figur 4 Utveckling av ITPI och KPI grupp 05, jan 1990= KPI05 ITPI

19 Transportprodukter Gruppen 071_2 som innehåller fordon, drivmedel och tillbehör till fordon har en liknande utveckling i de olika leden. Till skillnad mot de andra undersökta grupperna tycks dock KPI här ha större prisförändringar än ITPI. Till stor del kan skillnaden i indexen förklaras av förändrade skatter på bensin, vilka har höjts kraftigt under perioden. Särskilt tydligt framgår höjningarna i mars 1990 och januari 1993 se figur 14 i appendix B. Även under den gröna skatteväxlingen mellan höjdes skatterna kraftigt på bränsle och fordon (Lewin 2009, s.3-19). En dummyvariabel antar vid skatteförändringarna värdet ett. Figur 5 Utveckling av ITPI och KPI grupp 071_2, jan 1990= KPI071_2 ITPI071_ Test av serierna Nästa steg är att ta fram den bäst lämpade VAR-modellen för respektive tidsserie. Huvudspåret inom transmissionsteorin och denna studie är att ITPI leder utvecklingen av KPI. Givet detta torde ITPI vara en oberoende variabel, men det är ändå intressant att se om sambandet kan vara det omvända. Därför anges båda variablerna som endogena, det vill säga de kan vara beroende av varandra. Dummyvariabeln för skatteeffekterna är dock exogen till KPI-serierna. Redan innan testet för stationäritet genomförs framgår det visuellt, i ovan figurer, att villkoret inte uppfylls. Då samtliga serier innehar en trend differentieras de till att motsvara månadsförändringar istället för att jämföras med jan Ingreppet på datat väntas inte skapa några analytisk problem då det är just förändringarna som är intressanta att jämföra. Innan tester görs måste antal laggar specificeras till respektive modell. Vid ett första test ger AIC vid handen att 12 är det optimala antalet. Få av laggarna är dock signifikanta, ett undantag är den tolfte vilket uppvisar 19

20 tillräckligt höga t-värden för samtliga serier. Samtidigt visas tecken på autokoorrelation på flera av de laggade värdenas residualerna med Portmanteau test. Uppenbart kan en hel del av sambandet härledas till säsong, vilket inte uppfyller kravet om stationäritet. Detta hanteras på liknande sätt som trenden då förändringen divideras med motsvarande förändring föregående år. De ännu en gång omarbetade serierna får således tolkas som säsongsjusterade månadsförändringar. Åtgärden förkortar tidsserierna med ett år till att omfatta februari 1991 till december 2013, totalt 275 observationer. Efter bearbetning föreslås fortfarande 12 laggar för flera av serierna. Då det är få som uppvisar signifikanta värden från de första laggarna till den tolfte frångås Akaikes optimala antal laggar och det näst bästa enligt testet premieras. I nedan tabell framgår det valda antalet till respektive grupp. Grupp _2 Total Antal laggar till modellen Då stationäritet är en förutsättning för att kunna göra korrekta tolkningar av estimaten från VAR-modellen testas det med Dickey Fullers ADF-test. Med höga värden på test-statistikan för samtliga serier kan nollhypotesen om att de inte är stationära förkastas. 5. Resultat Med utgångspunkt i föregående kapitels modell presenteras och analyseras här resultaten. För lejonparten av de testade grupperna kan slutsatsen dras att den totala modellen är statistiskt signifikant på 5- procents-nivån. I tabell 2 under kolumnen modellens signifikans presenteras resultatet från Walds test där nollhypotesen är att den sammanlagda signifikansen av de förklarande variablerna är lika med noll. Nollhypotesen förkastas för båda de totala indexen (KPI-KS- och ITPI-total) vilket således innebär att laggade värden av båda variablerna förklarar variationen vid en given tidpunkt. Nollhypotesen för både ITPI och KPI förkastas även på modellerna för el och bränsle samt inventarier. Medan ej signifikanta värden uppvisas för KPI livsmedel och KPI transportprodukter. I appendix C presenteras de fullständiga resultaten för modellerna. Den generella slutsatsen när förklaringsgraden,, studeras är att den historiska utvecklingen förklarar relativt lite av utvecklingen i period t. Totala KPI-KS och ITPI i period t-1 förklarar enbart 3,3 procent av KPI-KS i period t. Sannolikt då KPI-KS har andra förklarande variabler som försummats i modellen. 20

21 Tabell 2 Sammanfattande resultat för VAR-modellen till respektive grupp med index för KPI och ITPI som beroende variabler Beroende variabel Antal laggar Modellens signifikans Totaler av index KPI-KS-Total 1 0,0333 0,0101 ITPI-Total 1 0,0269 0,0247 Grupp 01, livsmedel KPI 2 0,0215 0,3223 ITPI 2 0,1058 <0,001 Grupp 045, el och bränsle KPI ,1587 <0,0001 ITPI ,1361 <0,0001 Grupp 05, inventarier och hushållsvaror KPI 3 0,1333 <0,0001 ITPI 3 0,0817 0,0019 Grupp 071_2, transportprodukter KPI 2 0,0353 0,0858 ITPI 2 0,1252 <0, Totala KPI-KS och ITPI För att tydliggöra hur en förändring av den ena variabeln påverkar den andra framåt i tiden används impulsrespons-funktioner (IRF). För varje figur där IRF visas beskriver den horisontella axeln månader efter chocken, på två standardavvikelser, inträffat och den vertikala axeln förändringen i procent på den svarande variabeln. Estimaten omgärdas av 95-procentiga konfidensband och då båda banden är över eller under noll på den vertikala axeln är påverkan signifikant. I appendix D visas hur en chock i variabeln påverkar sig själv framåt i tiden. Även då förklaringsgraden är väldigt låg för både ITPI och KPI-KS indikeras att laggen av ITPI påverkar utvecklingen av båda indexen, se appendix C. IRF, figur 6, visar att KPI påverkas en period framåt efter chocken i ITPI. Chocken på två standardavvikelser motsvarar cirka 1,7 procents förändring av ITPI, vilket leder till att KPI väntas stiga med cirka 0,08 procent nästa månad. Två månader efter chocken har effekten nästintill försvunnit. ITPI:s respons på en chock i KPI är inte signifikant men en tendens till ett positivt samband finns. 21

22 Figur 6 Totaler av index KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI 5.2 Livsmedel Lite förvånande är det då modellen för KPI livsmedel inte är signifikant medan ITPI livsmedel till viss del förklaras med modellens historiska värden. I appendix C framgår att i modellen för ITPI livsmedel är båda laggarna av ITPI signifikanta. Ingen av de historiska värdena för KPI är signifikanta då varken KPI eller ITPI ska förklaras i period t. För att hitta en förklaring till sambanden måste vidare analys göras. Utifrån teorierna om pristransmission skulle en förklaring till att priserna inte tycks föras vidare vara bristande konkurrens. Det är dock troligt att många av prisförändringarna i båda indexen sker i samma period, då en stor andel består av färskvaror. Vilket innebär att vi inte kan reda ut om ITPI leder KPI eller tvärtom. Det kan även tänkas att det är kostsamt att ständigt ändra priserna efter hur priserna på insatsvaror fluktuerar. Till exempel beror priset på spannmål till stor del av ett börshandlat världsmarknadspris. Det kan då tänkas att det krävs en längre tid av upp- eller nedgång innan detaljhandeln ändrar priset. IRF, figur 7, indikerar dock att så inte är fallet då en chock av ITPI avtar relativt snabbt, men är aldrig signifikant. Inte heller den alternativa teorin, om att priset på insatsvaror påverkas av priset i konsumentled, tycks gälla för livsmedel. Då ITPI:s respons på en chock i KPI är obefintlig. 22

23 Figur 7 Livsmedel KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI 5.3 El och bränsle Prisindexen för el och bränsle tycks ha ett tydligt men lite märkligt samband. Påverkan på KPI blir som störst tre perioder efter chocken inträffat i ITPI. Däremot leder en chock i KPI till en signifikant negativ respons av ITPI. Det är svårt att hitta en förklaring till detta då indexen till stor del innehåller produkter som tillverkas eller importeras och säljs momentant såsom elektricitet och fjärrvärme. Figur 8 El och bränsle KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI Även då serierna är stationära kan det tänkas att ytterligare säsongsrensning behöver göras. Detta då till exempel elektricitet tenderar att öka i pris under den kalla årstiden. Att differentiera mot föregående år som gjordes innan modellen kördes räcker nog inte då prishöjningarna inte nödvändigtvis inträffar i samma månad 23

24 som året innan. Ett glidande medelvärde av flera månader kan möjligtvis vara mer lämpligt att differentiera mot. Det finns ytterligare en besvärande omständighet vad avser sammansättningen av varor i de olika indexen. Nyckeln mellan klassifikationerna ger att hela gruppen 19.2, raffinerade petroleumprodukter, i ITPI ska inkluderas, vilket bland annat innehåller eldningsolja och bensin. Bensin finns dock inte med i KPI 045 då det är en undergrupp till huvudgruppen 04 vilket avser boendekostnader. Det kan även tänkas att bränslen får en stor vikt i ITPI då till exempel eldningsolja används mer frekvent av industrin än av privatpersoner. Sammantaget bidrar det till att bränslen gentemot elektricitet blir överviktade i ITPI jämfört med KPI. Således visar IRF till höger, något förenklat, att stigande priser på el i KPI leder till lägre priser på bränsle i ITPI. Det är dock svårt att med motsvarande argument förklara varför stigande priser av bränsle leder till stigande priser på el, vilket indikeras då ITPI chockas. Slutsatsen blir att gruppen behöver definieras snävare; en uppdelning av elektricitet och bränsle skulle underlätta analysen. 5.4 Inventarier och hushållsvaror Ett intressant mönster för inventarier och hushållsvaror kan urskiljas i KPI då ITPI utsätts för en chock. IRF visar att påverkan är minimal efter en period för att sedan bli signifikant mellan andra och fjärde perioden. Det tycks således som att det tar lite tid för konsumentpriserna att påverkas av de höjda priserna på insatsvarorna. Vilket stämmer väl överens med sammansättningen av produkter i ITPI som består av en hel del relativt oprocessade insatsvaror såsom metaller och trä. Då KPI istället chockas blir påverkan av ITPI inte signifikant. Figur 9 Inventarier och hushållsvaror KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI 24

25 5.5 Transportprodukter Utav de undersökta grupperna är denna den enda där tecken visas på att producenternas och importörernas pris skulle kunna vara efterfrågestyrt. Då ITPI visar på en svag signifikant respons då KPI chockas. Sambandet är dock inte entydigt eftersom även KPI påverkas, betydligt starkare, när ITPI istället chockas. Figur 10 Transportprodukter KPI:s respons på chock av ITPI ITPI:s respons på chock i KPI Även för denna produktgrupp som innehåller drivmedel, fordon och delar till fordon är överviktning av ITPI tydlig. Till exempel tillverkas en hel del delar till fordon av producenter som är underleverantörer till företag där kompletta fordon sammanställs. Fordonsdelar kan visserligen även köpas av privata konsumenter men sker sannolikt i en väsentligt mindre utsträckning än producenternas inköp. 6. Slutsats Resultaten från föregående kapitel sammanfattas och kopplas med uppsatsen syfte och problemformulering. Vad framkom egentligen med studien och hur kan forskningen i ämnet gå vidare? 6.1 Sammanfattande slutsats Uppsatsen syfte var att se om historiska index av ITPI och KPI förklarar deras framtida utveckling. Framförallt om ITPI föranleder utvecklingen av KPI på totala aggregatet och för snävare indelningar. Därmed skulle ITPI kunna användas vid prognostisering av KPI. Detta samband har stark förankring i teorin om pristransmission. Studien skulle även svara på om sambandet är det omvända det vill säga att prisutvecklingen i tidigare led drivs av utvecklingen i konsumentpriserna. Det omvända sambandet har visat sig vara en realitet i somliga tidigare studier med utländska prisindex. 25

26 Utgångspunkten var att totalerna av indexen var allt för heterogena då de per definition innehåller alla möjliga produkter. Det totala aggregatet av KPI innehåller även en betydande del tjänster vilka inte har någon motsvarighet i ITPI och därför bör skalas bort. Likaså innehåller ITPI en hel del dubbelräkningar då alla producenter inkluderas i det totala aggregatet, vilket inte heller torde vara optimalt vid jämförelse. Ett första steg var att göra KPI och ITPI mer jämförbara genom att dela in indexen i snävare indelningar för vissa produktgrupper i tron att dessa skulle ha ett tydligare samband än totalerna. Indelningen gjordes även för att se om sambandet ser olika ut beroende på varutypen. VAR-modellerna som användes får anses som väl lämpad för sitt syfte och genom IRF tydliggörs indexens historiska påverkan på varandra. Tidsserierna behövde dock anpassas en del för att kunna använda modellen. De differentierades två gånger för att representera årsjusterade månadsförändringar. Rent generellt ska det påpekas att de historiska värdena inte förklarar en speciellt stor del av den framtida utvecklingen även då flera av modellerna var signifikanta. Denna slutsats var inte speciellt oväntad då det finns flertalet variabler som kan väntas ha inverkan på indexens utveckling och medvetet försummades i modellen. Sammantaget visade modellerna att det är ITPI som leder KPI och inte tvärtom. Förhållandet tycks råda på samtliga undersökta grupper och även för totalerna. Transportprodukterna visade visserligen en tendens till att även KPI kan leda ITPI om än i mindre omfattning. För livsmedel var inte ITPI:s utveckling signifikant för att prognostisera KPI. Detta tros bero på att denna typ av produkter har en snabb omsättningshastighet, varorna säljs till konsumenter kort efter att det har importerats eller producerats. För dessa produkter skulle möjligtvis veckodata behövas för att tydligare fastställa sambandet. Hur lång tid det tar innan KPI responderar på en chock av ITPI varierar något beroende på produktgruppen. För hushållsvaror och inventarier samt el och bränsle är responsen som störst efter två respektive tre månader, påverkan dröjer även kvar i fyra månader innan den inte längre är signifikant. Medan de totala indexen och transportprodukter enbart är signifikanta den första månaden efter chocken. El och bränsle uppvisade ett märkligt samband då ITPI:s respons är negativ på positiva prisförändringar i KPI. Det märkliga sambandet tros snarare kunna hänföras till att säsongsmönster fortfarande finns kvar i residualerna snarare än en faktisk påverkan. Såväl de totala indexen som vissa snävare indelningar kan användas för prognostisering av KPI. Skillnaderna mellan estimeringarna torde stödja att jämförelser görs efter anpassade indelningar. Författarens slutsats är att indelningarna bör göras på än mer homogena produkter än underlaget till denna studie. Denna studie använde de faktiska vikterna som används i ITPI. För att ytterligare bättra på sammanvägningarna skulle även ITPI:s vikter kunna anpassas efter KPI på en finare nivå. De beskrivna förbättringarna skulle sannolikt leda till bättre underlag för prognostisering, men skulle samtidigt var svårt med offentlig data. Trots detta kan denna studie vara ett kunskapsunderlag som bidrar till att underlätta för prognostisering av framtida förändringar i KPI. Då studien lyfter fram hur snävare produktindelningar kan användas samt att VAR-modellen tycks lämplig för ändamålet. 26