Relationship between Stocks and Unemployment

Short link: http://wp.me/p7ciWq-1H

This paper is an ongoing research into the relationship between the level of unemployment and the level of stocks, in other words, between the unemployment rate and the stock index. It may be modified over time with the findings.

I’m beginning with a focus on data available concerning France.

France is an interesting case, as this country is experiencing some degree of deregulation in labour laws and habits, from less to more liberalism. One of the consequence is to increase the unemployment, since terminating labour contracts is facilitated by a more accommodative regulation. On the other side – the side of stock markets – the huge influx of liquidities generated by the requirement to rescue a depressed economy resulting from a shift towards more restrictive budgetary policies – a consequence of the worldwide spread of the liberal argument that a better functioning of the economy requires reducing the size of state intervention – results in stimulating stocks, hence reducing dividends to prices ratios, hence inciting companies to cut labour costs.

However, the preliminary findings show an inverted relationship, with a lag of about one year (12 months), i.e. the unemployement rate falls about a year after a stock market rise.

Data

Country : France
Data sources : DARES (unemployment)
INSEE (activity and population)
Working days calendar
Data are monthly
Period covered : January 1996 to September 2015

Variables

RFE : Unemployment rate (%)
CAC40 : France Stock Market Index
jo : working days in France (around 21)
DATEMONTH : time index in form YYYY.(M/12)

Analysis

Multiple Regression – LOG(RFE)
Dependent variable: LOG(RFE)
Independent variables:
LOG(LAG(jo,1))
LOG(LAG(CAC40,15))
LOG(DATEMONTH)

Standard T
Parameter                          Estimate       Error           Statistic      P-Value
CONSTANT                      -82.4664      21.3816       -3.85689    0.0002
LOG(LAG(CAC40,15))   -0.354393       0.02704 -13.1062       0.0000
LOG(DATEMONTH)       11.4289           2.81522     4.05968    0.0001

Analysis of Variance
Source              Sum of Squares Df  Mean Square F-Ratio P-Value
Model              1.90852                2   0.954258          89.11    0.0000
Residual           2.23826               209                       0.0107094
Total (Corr.) 4.14677 211

R-squared = 46.0241 percent
R-squared (adjusted for d.f.) = 45.5076 percent
Standard Error of Est. = 0.103486
Mean absolute error = 0.0817462
Durbin-Watson statistic = 0.121789 (P=0.0000)
Lag 1 residual autocorrelation = 0.919605

Stepwise regression
Method: forward selection
P-to-enter: 0.05
P-to-remove: 0.05

Step 0:
0 variables in the model. 211 d.f. for error.
R-squared = 0.00% Adjusted R-squared = 0.00% MSE = 0.0196529

Step 1:
Adding variable LOG(LAG(CAC40,15)) with P-to-enter =0
1 variables in the model. 210 d.f. for error.
R-squared = 41.77% Adjusted R-squared = 41.49% MSE = 0.0114988

Step 2:
Adding variable LOG(DATEMONTH) with P-to-enter =0.0000696167
2 variables in the model. 209 d.f. for error.
R-squared = 46.02% Adjusted R-squared = 45.51% MSE = 0.0107094

Final model selected.

Output

The output shows the results of fitting a multiple linear regression model to describe the relationship between LOG(RFE) and 3 independent variables. The equation of the fitted model is

LOG(RFE) = -82.4664 – 0.354393*LOG(LAG(CAC40,15)) + 11.4289*LOG(DATEMONTH)

Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95.0% confidence level.

The R-Squared statistic indicates that the model as fitted explains 46.0241% of the variability in LOG(RFE).

The adjusted R-squared statistic is 45.5076%. The standard error of the estimate shows the standard deviation of the residuals to be 0.103486.

The mean absolute error (MAE) of 0.0817462 is the average value of the residuals.

The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in the data. Since the P-value is less than 0.05, there is an indication of possible serial correlation at the 95.0% confidence level.

The highest P-value on the independent variables is 0.0001, belonging to LOG(DATEMONTH). Since the P-value is less than 0.05, that term is statistically significant at the 95.0% confidence level.

Charts

Advertisement

Le Désastre du chômage des jeunes

Lien court : http://wp.me/p7ciWq-w

La dérégulation du droit du travail et les « incitations » – fiscales notamment – à l’embauche créent un effet d’aubaine et incitent à licencier plutôt qu’à embaucher. Leur premier effet est non pas de réduire, mais d’accroître le chômage.

Les graphiques qui suivent sont parlants.  Le taux de chômage des moins de 25 ans est particulièrement élevé, des chiffres toujours en hausse.

Explications

Ce graphique représente sous forme de boîtes (appelées “boîtes à moustaches”) les taux de chômage (catégorie A) selon les tranches d’âge et le sexe, sur la période allant de janvier 1996 à septembre 2015.

Pour chaque catégorie (combinant la tranche d’âge et le sexe), le rectangle central va du quartile inférieur au quartile supérieur, c’est-à-dire inclut 75% des taux de chômage observés pour la catégorie. La ligne centrale correspond à la médiane, c’est à dire la ligne séparant en deux moitiés les taux de chômage effectifs sur toute la période donnée.

Les lignes supérieures et inférieures (“les moustaches”) vont du maximum au minimum pour la catégorie concernée. Plus la distance est grande entre ces extrêmes plus le nombre de chômeurs montre de variation – ce que l’on pourrait considérer comme un indice de précarité.

Le signe “+” indique la position de la moyenne de la catégorie.

Les sources pour les données sont la DARES (statistiques de Pôle Emploi, catégorie A) et l’INSEE (population active par sexes et tranches d’âge).

Le graphique qui suit donne les détails des taux de chômage estimés, pour chaque âge, de 16 ans à 65 ans

Explications
En utilisant les boîtes (voir ci-dessus) ce graphique représente des estimations des taux de chômage (catégorie A) pour chaque année d’âge (ensemble femmes et hommes), pour la France et sur la période allant de janvier 1996 à septembre 2015.

Il s’agit d’estimations. En effet, ne disposant pas des chiffres de la population dite active (c’est-dire ayant un emploi, ou en recherchant un) pour chaque année d’âge, j’ai utilisé les effectifs de chaque tranche d’age comme diviseur. Il va de soi que les taux de chômage réels sont nécessairement supérieurs à ceux présentés par le graphique, car toutes les personnes de l’âge donné ne sont pas nécessairement désireuses d’être employées.

Le chômage des jeunes monte continuellement depuis 2008

Après un court répit dans les six premiers mois de 2012, le chômage des jeunes  a repris son ascension. Vraisemblablement, comme il était noté ci-dessus, l’effet d’aubaine des mesures prises par le gouvernement à partir de la fin 2012 en est la cause principale

A un horizon de deux mois, aucune amélioration n’est en vue. Tout au plus peut-on envisager des fluctuations de court terme, en hausse et en baisse – cette dernière donnera lieu à l’expression médiatique de satisfécits  sans que pour autant la tendance à la progression s’infléchisse durablement.

… évolution pour les femmes de moins de 25 ans

… et pour les hommes de moins de 25 ans

… à suivre