Analyse: Her bor de dårlige betalere

Transkript

1 Analyse: Her bor de dårlige betalere 11. juni 2013 Resumé At være registreret i RKI kan have store negative økonomiske og sociale konsekvenser både for den enkelte og samfundet. Antallet af de såkaldte dårlige betalere har været stødt stigende i en længere periode, hvilket har medført et alvorligt samfundsproblem personer var i januar 2013 registreret i RKI. Dette er 13 pct. eller godt personer - flere end der var i juli Registreringerne dækkede betalingsanmærkninger for et samlet beløb på næsten 16 mia. kr., hvilket svarer til et gennemsnit på kr. pr. registrerede person. Der var i januar personer under 30 år registreret i RKI. Netop personer under 30 år er den aldersgruppe, hvor der er flest registreringer pr. indbygger. Kontakt Morten Aastrup Direkte moa@finansraadet.dk Finansrådet har på baggrund af RKI-registret fra Experian analyseret den geografiske forskel i koncentrationen af dårlige betalere i landets kommuner. Koncentrationen varierer bredt på tværs af kommunegrænserne, hvilket kan være forårsaget af en lang række forhold. Til at identificere de kommunale karakteristika, der præger kommunernes koncentration af dårlige betalere, har vi opstillet en statistisk model med disse data kombineret med socioøkonomiske variable fra Danmarks Statistik og Undervisningsministeriet. Modellen viser blandt andet: Uddannelsesniveau og ledighedsprocent har stor indflydelse på registreringsandelen af dårlige betalere i en kommune. Tilsammen er disse to faktorer i stand til at forklare i omegnen af 70 pct. af forskellen på tværs af kommunerne. Gennemsnitsindkomsten pr. husstand bidrager ikke med signifikant forklaringskraft til modellen. Der findes mange kommuner med høje gennemsnitsindkomster og høje registreringsandele. Et gennemsnit af folkeskolekaraktererne i 9. klasses eksamen i matematik fra giver en bedre forklaringskraft end et tilsvarende gennemsnit for fagene dansk og engelsk. Der er altså indikationer af, at

2 Side 2 matematikundervisningen nedsætter risikoen for at blive dårlige betalere i højere grad end de generelle kompetencer i folkeskolen. Modellen estimerer følgende effekter (som skal fortolkes med forsigtighed): - 1 pct.-point højere ledighed giver 0,5 pct.-point højere registreringsandel. - 1 karakterpoint højere gennemsnit i matematik giver 0,8 pct.-point lavere registreringsandel. Modellen viser signifikante regionale forskelle i registreringsandele, selv når der er taget højde for socioøkonomiske faktorer: - I Nordjylland er registreringsandelen 0,6 pct.-point lavere end landsgennemsnittet. - I Midtjylland er registreringsandelen 0,3 pct.-point lavere end landsgennemsnittet. - På Sjælland (ekskl. Hovedstaden) er registreringsandelen 1 pct.- point højere end landsgennemsnittet. Alt dette hjælper til i diagnosticeringen af samfundsproblemet. Samtidig står det klart, at man ved hjælp af målrettet undervisning i uddannelsessystemet vil være i stand til at modvirke den kedelige tendens. Flere dårlige betalere belaster den enkelte og samfundet Der har gennem de senere år været en kraftig stigning i antallet af dårlige betalere i Danmark. De dårlige betalere registreres i RKI-registret, som fungerer som et opslagsværk for banker og virksomheder, når de skal stille kredit til rådighed for forbrugerne. Stemples man som dårlig betaler nedsætter det derfor sandsynligheden for eksempelvis at få et lån i banken eller have muligheden for at købe en bil på en afdragsordning hos producenten. Stigningen i antallet af dårlige betalere må antages til dels at afspejle tidens svære økonomiske vilkår. Men tendensen signalerer også en strukturel ændring i danskernes forhold til tilbagebetaling af gæld. Denne tendens har en direkte effekt på de mennesker, der registreres som dårlige betalere, idet det kan volde store problemer i eksempelvis anskaffelsen af en lejlighed el. lign. Men også for samfundet kan tendensen have store konsekvenser. Når kreditorer i stigende grad taber penge på dårlige betalere omsættes disse forventede tab til øgede finansieringsomkostninger for alle kreditorer, fordi det påvirker den fælles risikopræmie 1. Prisen på investeringer bliver med andre ord dyrere, og det bremser den økonomiske udvikling. 1 Det skal understreges, at en kreditvurdering i videst mulig omfang er individuel, men da den er baseret på skøn, vil der også være et fælles element i risikopræmien. Derudover er mange debitorer ikke i stand til at udføre en ligeså omfangsrig kreditvurdering som bankerne, hvilket øger det fælles element.

3 Side 3 Stærkt datagrundlag hjælper med at identificere problemet Finansrådet har i denne analyse bearbejdet data fra Experians RKI-register over dårlige danske betalere. De senest tilgængelige data, som denne analyse vedrører, er indsamlet med udgangspunkt i januar Det giver således et dugfriskt billede på den aktuelle situation i Danmark. Datasættet indeholder oplysninger om antallet af dårlige betalere fordelt på de danske kommuner, hvor mange dårlige betalere, der er i hver kommune, og hvor dårlige de er målt på beløbsstørrelse. Helt overordnet har der over den seneste tid været en tendens til, at danskerne i stigende grad ikke overholder deres betalingsforpligtelser: personer var i januar 2013 registreret i RKI. Dette er 13 pct. eller godt personer - flere end der var i juli Registreringerne dækkede betalingsanmærkninger for et samlet beløb på næsten 16 mia. kr., hvilket svarer til et gennemsnit på kr. pr. registrerede person. Der var i januar personer under 30 år registreret i RKI. Netop personer under 30 år er den aldersgruppe, hvor der er flest registreringer pr. indbygger. De negative tal smitter af på resten af økonomien, blandt andet fordi banker og virksomheder isoleret set vil kræve en højere risikopræmie på kreditter. Det påvirker dynamikken i samfundsøkonomien negativt, herunder investerings- og købelysten. Derudover kan en registrering i RKI få vidtrækkende og uheldige konsekvenser for den enkeltes privatøkonomi. Fakta om de dårlige betalere I det følgende analyseres de aktuelle tal med udgangspunkt i at identificere særlige karakteristika, der har betydning for andelen af dårlige betalere. Dette analyseres dels ved en deskriptiv gennemgang, og dels ved at opbygge en statistisk model. Der er stor spredning i Danmarks dårlige betalere, både når det gælder, hvor stor en andel af befolkningen, der er registreret i RKI, og når der er tale om beløbenes størrelse. Dertil kommer, at de to nøgletal fra RKI-registret varierer meget geografisk. I Nordjylland var 4,7 pct. af befolkningen registreret i RKI i januar 2013, mens det tilsvarende tal for Region Sjælland lå på 6,3 pct. Derudover havde hver registreret person i Sjælland flere sager, og gennemsnitsbeløbet var kr. imod et væsentligt mindre beløb på kr. i Nordjylland.

4 Side 4 Figur 1. Registreringsandel af dårlige betalere fordelt på kommuner Kilde: Anm.: Experian og Finansrådet. Registreringsandelen viser procentandel af kommunens befolkning på 18 år eller derover, der er registreret i RKI registret. På figur 1 ses registreringsandelen af dårlige betalere fordelt på kommuner. Heraf fremgår det, at der er en særlig høj koncentration af dårlige betalere i det sydvestlige Sjælland (inklusiv Lolland-Falster) og den vestlige udkant af København. Resten af landet har generelt lavere koncentration af dårlige betalere, herunder især midt-, nord- og vestjylland. Når man i stedet ser på, hvor meget de dårlige betalere i de enkelte kommuner i gennemsnit skylder, vendes billedet - på Sjælland især - lidt på hovedet, jf. figur 2. Det ses tydeligt, at de dårlige betalere i Nordsjælland til trods for en relativ lille koncentration er registreret for relativt høje beløb. I mange tilfælde er gennemsnitsbeløbet pr. registreret person større end kr., hvilket er betydeligt højere end landsgennemsnittet på kr.

5 Side 5 Figur 2. Gennemsnitsbeløb pr. registreret person fordelt på kommuner Kilde: Anm.: Experian og Finansrådet. Gennemsnitsbeløbet viser, hvor stort et misligholdt beløb den enkelte person i gennemsnit er registreret med i RKI registret. Dertil er det værd at bemærke, at de dårlige betalere i store dele af Jylland, Fyn og Lolland har væsentligt lavere gennemsnitsbeløb i klemme end landsgennemsnittet. Hvad karakteriserer de dårlige betalere? Den store geografiske variation i koncentrationen af dårlige betalere rejser en lang række spørgsmål vedrørende årsagerne hertil. I forsøget på at danne et bedre kvantitativt grundlag til at forstå, hvilke karakteristika, der præger kommunernes koncentration af dårlige betalere, er det relevant at undersøge sammenhængen mellem registreringsandelen og en række socioøkonomiske variable, som giver en indikation af levestandard og uddannelsesniveau i de respektive kommuner.

6 Side 6 Tabel 1: Forklarende variable og forventede fortegn på sammenhæng Variabel Kilde Forventet fortegn Ledighed Danmarks Statistik + Gennemsnitsindkomst pr. husstand Danmarks Statistik - Højest fuldførte uddannelse i husstand: - Kort videregående Danmarks Statistik + - Lang videregående Danmarks Statistik - Folkeskolekarakter-gns. - Matematik Undervisningsministeriet - - Dansk/Engelsk Undervisningsministeriet - I tabel 1 fremgår et udsnit at relevante variable, som har været tilgængelige på kommuneniveau. Først og fremmest antages ledigheden at være af høj betydning for en kommunes koncentration af dårlige betalere. Når mennesker rammes af ledighed, er det behæftet med en lønnedgang, som i nogle tilfælde ikke er tilstrækkeligt til at betale regningerne. Derudover er ledighedsniveauet i en kommune en god indikator for befolkningens generelle levestandard, som må forventes at have betydning for betalingsevnen. Der foreligger tilgængelige data for ledigheden (pct. af arbejdsstyrken) for januar 2013, hvilket er anvendt i det følgende. En anden indikator for den gennemsnitlige levestandard i en kommune kunne være den gennemsnitlige indkomst pr. husstand. Danmarks Statistik har opgjort denne for 2011, hvilket indgår i det følgende. Der er dermed et mismatch mellem perioden for indsamling af data for dårlige betalere og husstandsindkomster, men dette vurderes ikke at have afgørende betydning i denne analyse, fordi indkomstvariationen på tværs af kommunerne vurderes at være relativ stabil. Det undersøges også, om husstandenes højest fuldførte uddannelse har betydning for koncentrationen af dårlige betalere. Til det formål er der indsamlet data for, hvor stor en andel af kommunernes husstande, der har en henholdsvis kort og lang videregående uddannelse som den højest fuldførte i husstanden. Det kan dog være problematisk at anvende disse som variable i en tværsnitsmodel, da de enkelte andele ikke siger noget om den generelle uddannelsessammensætning i kommunerne. Til sidst kan det være relevant at se på, hvorvidt karaktererne i folkeskolen afspejler betalingsevnen hos lokalbefolkningen. Dette forekommer naturligt, da karaktererne i et vist omfang må forventes at indikere befolkningens evne til at imødekomme sine forpligtelser, herunder tilbagebetaling af gæld.

7 Side 7 Figur 3. Sammenhænge mellem registreringsandel og forklaringsvariable Kilde: Experian, Danmarks Statistik og Finansrådets beregninger. Det kan tilmed være interessant at se på, hvorvidt der vil være forskelle i sammenhængen mellem registreringsandelen og henholdsvis matematik og dansk/engelsk. I analysen indgår derfor data for elevernes gennemsnitlige karakterer i henholdsvis matematik og dansk/engelsk over perioden Disse gennemsnit forventes at give en indikation af de faglige kompe-

8 Side 8 tencer fordelt på matematiske og sproglige kundskaber. Forventningen er, at kommuner med bedre gennemsnitskompetencer inden for matematik vil have en lavere registreringsandel på grund af bedre økonomisk forståelse. I figur 3 ses de foreløbige krydsplot med den aktuelle registreringsandel på y-aksen og de forklarende variable på x-aksen. Det er en indledende manøvre, der har til formål at undersøge den umiddelbare sammenhæng mellem de relevante variable og registreringsandelen. Der ses som forventet en tydelig sammenhæng mellem ledigheden i kommunerne og registreringsandelen. Derimod synes gennemsnitsindkomsten i kommunerne umiddelbart ikke at være tæt forbundet med registreringsandelen. I intervallet kr., hvor størstedelen af kommunerne er placeret, er registreringsandelen jævnt fordelt uden umiddelbare sammenhænge. Trendlinjen trækkes ned, fordi en lidt støre andel af kommunerne med husstandsindkomster over har lavere registreringsandele. Det er dog værd at bemærke, at en relativ stor del af kommunerne med høje indkomster har en høj registreringsandel, hvilket giver en mere uklar sammenhæng. Ser man på folkeskolekaraktererne, er der umiddelbart en pæn sammenhæng med registreringsandel. Først og fremmest bør det understreges, at der må forventes en klar sammenhæng mellem kommuner med gode karakterer i dansk/engelsk og matematik, således at billedet for de to respektive sammenhænge ligner hinanden. Der er dog en indikation af, at punkterne ligger tættere omkring trenden ved matematikkarakterer. Hvad angår uddannelsesniveauerne i kommunerne, er sammenhængen ikke helt så klar. For både korte og lange videregående uddannelser er der en tendens til skæve fordelinger, idet populationen klynger sig sammen i mindre intervaller. Dette giver relativ stor vægt til yderpunkterne, når trendlinjen dannes. Der er dog indikationer på, at kommuner med en relativ stor andel af højtuddannede, har lavere registreringsandele, ligesom kommuner med højere andele af korte videregående uddannelse har højere registreringsandele. Sidstnævnte skal dog naturligvis tolkes med forbehold, idet trendlinjen ikke giver anledning til at konkludere, at en kort videregående uddannelse i sig selv øger sandsynligheden for at blive dårlig betaler. Variablen skal mere tolkes som en indikator for det generelle uddannelsesniveau. En høj andel husstande med en kort videregående uddannelse kunne være et udtryk for et generelt lavere uddannelsesniveau i kommunen, hvilket giver udslaget på registreringsandelen. En bredere model øger forklaringsevnen Ovenstående betragtninger er som nævnt en indledende manøvre, der ikke berettiger til faste konklusioner på baggrund af det foreliggende datamateriale. Dette skyldes, at variablene dækker over mange forhold, og de umid-

9 Side 9 delbare sammenhænge er derfor ikke udtryk for isolerede effekter. Dertil kommer, at kausaliteten ikke er defineret, når man blot betragter krydsplot. Der er med andre ord behov for at opstille en bredere statistisk model, der tillader at forklare registreringsandelen ved hjælp af flere variable. Til det formål anvendes en multipel regression, der er nærmere beskrevet i boks 1. Boks 1. Estimationsmetode Den økonometriske del af analysen tager udgangspunkt i en simpel OLS (Ordinary Least Squares), hvor registreringsandele modelleres over for en række forklarende variable på tværs af kommuner: ( ) ( ) Hvor ra k angiver registreringsandelen i kommunen, k. Denne forklares ved en konstant, β 0, og en række socioøkonomiske variable med respektive korrelationer fanget i vektoren β. Dertil kommer en række regionale dummyer, der har til formål at fange geografiske effekter. Modellen estimeres med heteroskedastiske newey-west fejlled, der styrker robustheden. I opbygningen af en bredere model til forklaringen af den kommunale variation i registreringsandele, anvender vi en general-to-specifik metode, hvor vi starter med en generel model, og herfra kredser os ind på en mere specifik model med færre variable ved at frasortere insignifikante variable. Den generelle model må forventes at være præget af multikolinearitet, fordi de forklarende variable kan være korrelerede med hinanden. Dette kan til trods for en høj forklaringsgrad - give en misspecificeret model med skævvredne parameterestimater. Målet er derfor at nå frem til en model med robuste parameterestimater, som gør det muligt at tolke på fortegnet. I bilag 1 ses en tabel, hvor alle anvendte variable er anvendt som de eneste variable udover en konstant. Dette supplerer krydsplottene fra figur 3 i vurderingen af variablenes forklaringsevne. Det fremgår, at ledigheden i sig selv er i stand til at forklare 56 pct. af variationen i registreringsandelene af dårlige betalere. Husstandsindkomsterne giver som forventet kun en mindre forklaring af variationen, mens uddannelsesvariablene giver relativt høje forklaringsgrader, dog ikke på niveau med ledigheden. Gennemsnitskaraktererne i henholdsvis dansk/engelsk og matematik giver begge gode forklaringsgrader, men det er bemærkelsesværdigt, at matematikkaraktererne giver en betydelig højere forklaringskraft nemlig 56 pct. - end gennemsnittet i dansk/engelsk, som forklarer 41 pct. af variationen.

10 Side 10 Dette er en indikation af, at kommuner med stærke faglige egenskaber i matematik har en lavere registreringsandel. Tabel 2: Modellering af registreringsandelen [1] [2] [3] Ledighed 0,476 *** (0,095) 0,467 *** (0,105) 0,604 *** (0,079) Gennemsnitsindkomst pr. husstand -0,000 (0,000) - - Højest fuldførte uddannelse i husstand - Kort videregående 0, (0,260) - Lang videregående -0,146 ** (0,059) -0,063 * -0,080 (0,053) Folkeskolekarakter - Matematik -0,013 *** -0,008 *** - (0,004) - Dansk/Engelsk 0,011 * (0,007) - -0,005 (0,004) Konstant 0,037 (0,030) 0,080 *** (0,022) 0,052 * (0,029) Obs R 2 0,70 0,68 0,64 Kilde: Anm.: Finansrådets estimationer på data fra Experian, Danmarks Statistik og Undervisningsministeriet. Modellerne er estimeret med robuste Newey-West fejlled. *, ** og *** angiver signifikansniveauer på hhv. 10, 5 og 1 pct. I tabel 2 fremgår parameterestimaterne fra tre multiple regressioner. I model [1] indgår den generelle model, hvor alle forklarende variable indgår. Ledigheden slår kraftigt igennem med høj signifikans. Gennemsnitsindkomsten er derimod ikke signifikant, og vurderes derfor ikke at kunne bidrage til at styrke modellens forklaringsevner. Uddannelsesniveauet giver forventet fortegn, dog insignifikant for andelen af husstande med korte videregående uddannelser. Dette kan skyldes, at disse to variable er omvendt korreleret med hinanden, og en stor del af uddannelseseffekten fanges derfor i lange videregående uddannelser. Folkeskolekaraktererne bidrager med stor forklaringskraft, hvilket kommer til udtryk i en meget signifikant parameterværdi for matematikkaraktererne. På grund af den meget stærke korrelation mellem dansk/engelsk- og matematikkaraktererne skifter fortegnet til positivt for dansk/engelsk-karakterne. Dette er et eksempel på misspecifikation, og man kan derfor ikke tolke på denne parameterværdi.

11 Side 11 I model [2] er husstandsindkomsterne og andelen af husstande med korte videregående uddannelser sorteret fra. Frasorteringen af disse variable giver mere robuste parameterestimater og fører kun til et ganske lille fald i forklaringsgraden, som nu ligger på 68 pct., hvilket er relativt højt. I model [3] er matematikkaraktererne erstattet med karakterne i dansk/engelsk. Forskellen giver udslag i en lavere parameterværdi med lavere signifikans og en lavere forklaringsgrad. Der er altså indikationer på, at matematikkaraktererne er ekstra udslagsgivende i forklaringen af registreringsandelen på tværs af kommuner. Signifikante regionale forskelle De store forskelle i registreringsandele på tværs af kommuner kan altså langt hen af vejen forklares af socioøkonomiske forskelle. Det kunne dog også forventes, at en del af variationen kunne forklares ved geografisk betingede forskelle. Tabel 3: Test af regionale effekter [1] [2] [3] [4] [5] [6] Ledighed 0,462 *** (0,104) 0,460 *** (0,107) 0,482 *** (0,108) 0,523 *** (0,091) 0,462 *** (0,106) 0,504 *** (0,092) Højest fuldførte uddannelse i husstand - Lang videregående -0,076 ** (0,035) -0,078 ** (0,035) -0,077 ** (0,039) -0,074 ** (0,032) -0,077 (0,049) -0,131 *** (0,044) Folkeskolekarakter -0,008 *** -0,008 *** -0,008-0,005 ** -0,008 *** -0,004 * - Matematik *** (0,002) Konstant 0,081 *** (0,023) 0,077 *** (0,023) 0,076 *** (0,023) 0,054 *** (0,020) 0,079 *** (0,023) 0,055 *** (0,020) Geografiske effekter - Nordjylland -0,006 * ,007 * (0,004) - Midtjylland - -0,003 ** (0,001) ,005 ** (0,002) - Syddanmark ,003 (0,002) ,004 - Sjælland ,010 *** (0,002) - 0,007 *** - Hovedstaden ,001 (0,002) - Obs R 2 0,70 0,69 0,69 0,75 0,68 0,77 Kilde: Anm.: Finansrådets estimationer på data fra Experian, Danmarks Statistik og Undervisningsministeriet. Modellerne er estimeret med robuste Newey-West fejlled. *, ** og *** angiver signifikansniveauer på hhv. 10, 5 og 1 pct.

12 Side 12 Dette undersøges i ved at inddrage regionale dummyer for regionerne. Der tages udgangspunkt i model [2] fra tabel 2, da denne vurderes at være en robust model at tage udgangspunkt i. Gennemgangen viser, at effekten fra de regionale dummyer varierer dels i styrke og i bidrag til forklaringskraften. I Nord- og Midtjylland er der klare indikationer på en regional effekt i den positive retning dvs. med negativt fortegn. Der er med andre ord færre dårlige betalere i Nord- og Midtjylland, selv når man renser for effekter af uddannelsesniveau og ledighed. Det er ligeledes iøjnefaldende, at dummyen for Sjælland giver et væsentligt negativt bidrag til registreringsandelen, dvs. med positivt fortegn. Som det også fremgår af figur 1, var der klare tegn på en øget koncentration af dårlige betalere i Region Sjælland, og det bekræftes af tallene, endda selvom der tages højde for uddannelses- og ledighedseffekter. Effekterne bekræftes af en samlet model i [6], hvor alle dummyerne indgår med hovedstaden implicit i konstanten. Regioneffekterne er derfor relativt til hovedstaden. Modellen giver samme rangering af regionernes koncentration af dårlige betalere. Generelt skal man være varsom med at konkludere på disse estimater. De viser, at der er en geografisk betinget forskel, men ikke præcist hvorfor. Det kunne eksempelvis afspejle forskelle i en socioøkonomisk variabel, som ikke indgår i denne model. Det kan dog også afspejle kulturelle forskelle, men for at denne hypotese kunne bekræftes, ville det kræve en mere vidtgående analyse. Konklusion Analysen giver klare bud på, hvad der karakteriserer kommuner med høje koncentrationer af dårlige betalere. Ved hjælp af multipel regression, der tillader flere forskellige forklaringsfaktorer, er der tydelige indikationer på, at socioøkonomiske faktorer som uddannelse og ledighed er af afgørende betydning for, hvor mange dårlige betalere der er i kommunerne. Dertil kommer de klare tegn på, at en kommunes folkeskolekarakterer i matematik bidrager med særlig stor forklaringskraft til modellen. Dette er en indikation på, at kompetencer inden for matematik nedsætter andelen af dårlige betalere markant. Der er også synlige indikationer på regionale effekter som når bunden i Region Sjælland, hvor der tilsyneladende er flere dårlige betalere, også når der renses for socioøkonomiske effekter. I den anden ende af landet optræder Midt- og Nordjylland som bedre eksempler med klare positive effekter, hvilket kommer til udtryk i lavere registreringsandele.

13 Side 13 Analysens resultater skal bruges med forbehold, idet der trods alt er tale om et relativt begrænset datagrundlag. Analysen er foretaget på akkumulerede data på kommuneniveau, hvilket kan begrænse muligheden for at identificere effekter af eksempelvis forskellige typer uddannelse mv. Som nævnt, er mange socioøkonomiske variable indbyrdes korrelerede, hvilket kan gøre det svært at tolke direkte på de isolerede effekter. Det understreges derfor, at man ikke bør gå i detaljer med fortolkningen af størrelsen på de respektive effekter, ligesom at kausaliteten bør undersøges yderligere. Når det er sagt, så giver analysens resultater robuste estimater, og fortegnet på de viste effekter forekommer robuste. Resultaterne bør derfor give anledning til at overveje eksempelvis udformningen af undervisningssystemet, hvis man agter at tage det stigende samfundsproblem med dårlige betalere alvorligt.

14 Bilag 1. Partielle korrelationer mellem registreringsandel og forklaringsvariable Side 14 [1] [2] [3] [4] [6] [7] Ledighed 0,761 *** (0,077) Gennemsnitsindkomst -0,0001 ** - pr. husstand (0,0000) Højest fuldførte uddannelse i husstand - Kort videregående ,080 *** (0,324) - Lang videregående ,250 *** - - (0,031) Folkeskolekarakter - Matematik ,018 *** (0,002) - - Dansk/Engelsk ,021 *** Obs R 2 0,56 0,08 0,16 0,28 0,56 0,41 Kilde: Anm.: Finansrådets estimationer på data fra Experian, Danmarks Statistik og Undervisningsministeriet. Modellerne er estimeret med robuste Newey-West fejlled. *, ** og *** angiver signifikansniveauer på hhv. 10, 5 og 1 pct.