UK Trade and the Gravity Model

The UK’s decision to leave the European Union (EU) sparked fresh interest in international trade. In this project, you are to assess the importance of EU membership on the UK’s exports (in 2014) using a linear regression model.

Trade flows are typically modeled using a gravity model.  Gravity models assume that there are forces that attract nations to trade with one another. Namely distance, economic output (GDP), and population. Cultural and historical factors, like a shared language or colonial ties, are also important as they reduce transaction costs.

In the context of a gravity model, you would expect the UK to export more of its goods to other members of the EU. Thus, membership of the European Union should act as an attractive force. However, the UK’s

European trade partners are not a random subsample of nations. They are closer and wealthier than other countries.

The UK is also a member of the World Trade Organization (WTO). This is a larger trading bloc of countries, of which the EU is also a member. Like with the EU membership variable, you would expect WTO membership to be positively associated with trade flows. But which trading bloc is most important for the UK’s exports

in 2014?

Data Description

The UKtrade2014 .Rdata file is a dataset concentrated on countries that traded with the United Kingdom in 2014. Each observation in these data represents a trade partner. For example, the first row of data is for AFG which is the isocode for Afghanistan. The variables contained in the dataset are detailed below.

Analysis

Load the data via the command load("UKtrade2014 .Rdata"). You are required to run the following three regressions:

1.

ln(Exports) = β0 + β1 EU + β2 WTO + i

2.

ln(Exports) = β0 + β1 EU + β2 WTO + β3 ln(Distance)+

β4 ln(Population) + β5 ln(GDP) + i

3.

ln(Exports) = β0 + β1 EU + β2 WTO + β3 ln(Distance)+

β4 ln(Population) + β5 ln(GDP)+

β6 CommonLanguage + β7 EverColonized + i.

The above specifications mean that you are required to log transform some of the variables.

Once you run the three regressions create a regression output table using the package stargazer. I have created a sample regression table, after omitting all coefficient values, standard errors, and other model information, below. As you can see I have altered a number of the default settings to make the table easier to read and digest.

Your task is to write a 1,000-word report on the regression model results. Be careful not to mechanically describe the coefficients. For example, you could easily fill a word document with a 1,000-word description of the numbers that are in the regression table.  However, that would not be very informative and would undermine the task at hand here. Another common error students make is to assume that demonstrating that you know how to carry out a hypothesis test is worthy of a high mark. The reality is that you will be marked on your ability to interpret any such test in a broader context and it is more important to tell me in practical and analytic terms what any econometric result means rather than to recite the exact degrees of freedom, or why you are using t distribution in the first place.

Instead, you should think more broadly about what the coefficients mean. Let’s say the coefficient estimate

increase in distance is associated with a 0.1 percent reduction in the value of exports.  However, the true

economic meaning of this coefficient depends on several factors, in particular the model specification. What other explanatory variables are in the model? The importance of model specification implies that comparisons between model results will provide more depth to any analysis and thus improve the report’s quality. For example, in what way does the EU coefficient estimate change between the three models AND why does this occur? Don’t be afraid to speculate in your report and also feel free to pepper your report with statistics and plots from the dataset, e.g.: “85 percent of the countries in the data are members of the WTO”, and so forth.

The 1,000-word limit will be strictly enforced. You will need to be judicious in your editing and decide what you think are the most important and insightful pieces of evidence provided by your modeling. There is no singular “correct” analysis that I expect reports to conform to; instead, it is your task to persuade me of your interpretation of the results.

Report

The project should be typed in 12 point font size, double spaced, and should not exceed 1,000 words in length (excluding graphs, tables, equations, R-script commands, and bibliographical references).

The project should contain a cover page with the following information:

●  Title

●  Full name and degree

●  Email address

●  Student ID number