Forskningsprocessen. Fredrik Brunes. Avdelningen för Bygg och Fastighetsekonomi. Fastigheter och Byggande

 

     

Forskningsprocessen   Fredrik Brunes  Avdelningen för Bygg‐ och Fastighetsekonomi  Fastigheter och Byggande  2014‐09‐17        TRITA ‐ FOB ‐ Rapport 2014:6  ISBN 978‐91‐85783‐42‐7   

 

1   

Innehåll  1.  Vad är forskning? ................................................................................................................ 3  2.  Vetenskapliga metoder för argumenten (Evidens) ............................................................. 5  2.1 Deduktion, dvs. slutledning .............................................................................................. 5  2.2 Hypotetisk-deduktiva metoden ........................................................................................ 6  3.  Argument och krav på dessa ............................................................................................... 7  3.1 Krav 1. Korrekta begrepp och mätning (Construct Validity)........................................... 7  3.2 Krav 2. Belägg för kausalitet (Intern validitet) – finns orsakssamband? ......................... 9  3.3 Krav 3. Empirisk generaliserbarhet – hur väl beskriver urvalet populationen? ............. 12  3.4 Argument för värderande frågor .................................................................................... 13  4.  Vetenskaplig metod: Induktion del 1, grundläggande val. ............................................... 16  4.1 Undersökningsupplägget ................................................................................................ 16  4.2 Urval ............................................................................................................................... 17  4.3 Datainsamlingsstrategi ................................................................................................... 17  4.4 Analysen av data ............................................................................................................ 25  5.  Analys av förklarande fråga med både extensiv och intensiv studie. ............................... 32  5.1 Kontrafaktisk skillnad med extensiv studie ................................................................... 32  5.2 Isolering med extensiv studie ......................................................................................... 34  5.3 Kausal generaliserbarhet ................................................................................................ 35  5.4 Orsaksmekanism och Tidsordningen med intensiv studie ............................................. 36  6.  Svaren (Inferensen) och osäkerheten ................................................................................ 41  6.1 Problem med induktion .................................................................................................. 41  6.2 Problem med deduktion ................................................................................................. 42  7.  Bidraget ............................................................................................................................. 44  References ................................................................................................................................ 47   

 



2   

1. Vad är forskning? Den här rapporten har till syfte att kortfattat beskriva forskningsprocessen. Ska man uttrycka sig lite  extremt och enkelt så är forskning egentligen ”bara” att komma på en fråga man vill ha besvarad, se  figur 1.1.        

? 

! 

Figur 1.1. Forskning, hur svårt kan det vara?    Sedan kan arbetet från frågetecken till utropstecken vara mer eller mindre problematiskt. Jag ska här  beskriva forskningsarbetet som ett linjärt arbete från ax till limpa enligt figur 1.2. Vilket absolut inte  är hela sanningen eftersom arbetet många gånger måste tas om och tidigare skeden måste ändras  för att arbetet ska kunna slutföras på ett så bra sätt som möjligt. Men, det är ett bra sätt att förklara  forskning.       

Forsknings‐  frågan 

Argument 

Svaren

Osäkerheten

Bidraget

   

      Figur 1.2. De centrala delarna i forskningen.  Det första en forskare måste göra är att komma på en intressant forskningsfråga. Vad intresserar dig  som forskare, vad intresserar samhället eller snarare vilka problem vill samhället ha lösta? Hur långt  har man kommit i att besvara en tidigare fråga? Var kan jag i så fall ta vid och fortsätta studien? Om  vi anser att vår fråga uppfyller dessa krav blir nästa uppgift att fundera på vilken typ av fråga det  handlar om. Här brukar man skilja på beskrivande, förklarande eller värderande frågor, se tabell 1.1.   Beskrivande  Vad? Hur?  Förklarande  Vad påverkar? Varför?  Värderande  Hur borde det vara?   Tabell 1.1. Typer av frågor som en forskare kan ägna sig åt.  Beskrivande frågor försöker beskriva ett tillstånd. Det kan vara: Hur stort är fastighetsbeståndet i  Kalmar? Hur stor del av svenska folket bor i villa? Hur lång tid tar en fastighetsaffär? Förklarande  frågor försöker förklara varför eller hur ett tillstånd har uppstått. Det kan vara: Varför är  fastighetsbeståndet i Kalmar 20000 lägenheter? Varför bor 60 % av svenskarna i villa? Varför tar en  fastighetsaffär två månader? Värderande frågor försöker förklara vad som vore bäst (normativa). Det  kan vara: Vad borde fastighetsbeståndet vara i Kalmar? Hur många av svenskarna borde bo i villa?  Och hur lång tid borde en fastighetsaffär ta?   Valet av forskningsfråga påverkar senare vilka metoder vi kan använda för att besvara den och vilka  argument vi har på uppkomna svar, mer om det senare. Det är inte ovanligt att man i  3   

forskningsarbetet försöker besvara samtliga typer av frågeställningar. Svårigheten med att hitta en  bra fråga är att man oftast måste ha hög kunskap inom det ämne man ska skriva. Det erhålls genom  utbildning och praktisk kunskap.  När väl forskningsfrågan är formulerad gäller det att finna belägg för ett svar, dvs. ha gott om  argument. Om vi påstår att de stigande bostadsrättspriserna i Stockholm beror på en stor inflyttning  till staden är det viktigt att ha argument för att inflyttning faktiskt sker och att de som flyttar in  verkligen är intresserade av att köpa en bostad.  Efter det att vi har samlat argument och formulerat ett rimligt svar på frågan, bör ett resonemang om  osäkerheten i svaren föras. Det finns alltid en risk att argumenten och slutsatserna är felaktiga. Det  sista steget i forskningens ”från‐ax‐till‐limpa” är i vilken omfattning det finns någon samhällsnytta  med forskningen. Det kan vara som bidrag till den sammanlagda kunskapsbanken, det s.k.  inomvetenskapliga kriteriet. Det kan även vara vilken praktisk användning forskningen har för  världen utanför forskningsvärlden, det s.k. utomvetenskapliga kriteriet.   Det var en snabbgenomgång av forskningsprocessen. Vi ska i resten av den här rapporten studera  varje moment mer ingående. 

4   

2. Vetenskapliga metoder för argumenten (Evidens) När forskningsfrågan är bestämd är det dags att samla in argument eller bevis för att kunna  formulera ett rimligt svar på forskningsfrågan. Det har genom historien funnits två grundläggande  sätt att söka sanningen och det är genom våra sinnen och genom logik. Dessa ansatser kallas  induktion och deduktion. Förenklat är deduktion att med logik förbättra en teori och sedan med data  testa teorin medan induktion är att utifrån observationer bygga teori, se figur 2.1.    Teori   

Induktion 

Deduktion

  Observationer   Figur 2.1. Induktion som teoribyggande och deduktion som teoritestande.  En medelväg som används ofta är hypotetisk‐deduktiva metoden. I det här kapitlet behandlar vi  deduktion och hypotetiska‐deduktiva metoden, i kapitel fem och sex behandlas induktion. Jag vill  poängtera att dessa tre metoder oftast används samtidigt för att få klarhet i frågeställningar.  

2.1 Deduktion, dvs. slutledning Deduktion är att argumentera genom logisk slutledning utifrån ett antal uppställda antaganden om  individers och företags egenskaper. Deduktion inom nationalekonomin inkluderar en mängd  antaganden bl.a. att individer alltid nyttomaximerar, dvs individer väljer det bästa alternativet, alltid  vet om ett alternativ är bättre, sämre eller lika bra som ett annat alternativ. På liknande sätt görs  antagandet att företag vinstmaximerar, dvs vill tjäna så mycket pengar som möjligt. Det finns  ytterligare antaganden som jag inte går igenom i den här texten. För att visa på härledning med  deduktion kan de ovanstående nationalekonomiska antaganden följande slutsats dras:   Om inkomster stiger kommer fler bostäder att byggas.   Med den deduktiva slutsatsförmågan kan vi ställa upp orsakssamband enligt figur 2.2.    Inkomster    stiger 

Individ söker  större lägenhet. 

Väljer  nyproducerade 

Produktionen  stiger 

 

Nyttomaximer Kan välja  Vinstmaximera    Figur 2.2. Antaganden om individer och företag göra att man kan förvänta sig ett visst skeende  på marknaden.    Här visas att när inkomster för individer stiger kommer individer att söka sig till större lägenheter för  att maximera sin nytta. Om de föredrar nya lägenheter framför gamla lägenheter kommer de att  välja en nyproducerad lägenhet. Företagen på marknaden kommer att märka det ökade intresset för  nya lägenheter och för att vinstmaximera väljer dem att öka sin produktion. Vi förutsätter att  försäljningspriset på lägenheter överstiger kostnaden för att bygga, annars hade byggföretagen inte  velat bygga.  

5   

Det bör tilläggas att individer inte är robotar och att allt därmed är på förhand bestämt vilket innebär  att så fort inkomster stiger kommer produktionen att stiga. Vi bör istället ha ett probalistiskt synsätt.  När inkomster stiger är det mycket stor sannolikhet att produktionen också stiger.   Ett problem med deduktiva härledningen är att antaganden kan vara felaktiga. Ett antagande  nationalekonomin gör är att individer med lika stor förmögenhet har samma nytta (lycka). Om Kalle  och Lisa har fem miljoner kronor var är de då lika lyckliga idag om Kalle igår hade en miljon medan  Lisa hade nio miljoner kronor.  Ett annat problem med deduktion uppstår om faktorer som kan vara av betydelse exkluderas eller  faktorer inkluderas som är av ringa betydelse. Anta att vi försöker bedöma företags lokaliseringsval,  men vi antar inte att företagen tar hänsyn till var konkurrerande företag är lokaliserade. Då kommer  analysen att bli delvis fel. 

2.2 Hypotetisk‐deduktiva metoden Den hypotetisk deduktiva metoden som gärna används vid studier av enstaka fall har följande  upplägg. Det handlar om att ställa en hypotes, ett påstående. Om hypotesen stämmer borde ett  antal konsekvenser uppstå. Om dessa konsekvenser inte uppstår är det rimligt att påstå att  hypotesen är felaktig, se figur 2.3.   

HYPOTES 

 

Förenklad planprocess ökar byggandet 

       

Konsekvenser av Tes 

Stor mängd av nya bygglovsansökningar

Data om  

Hur många bygglovsansökningar 

konsekvenserna 

 finns i projektet                

Tes falsifieras, stämmer  inte 

Få bygglovsansökningar 

       

Figur 2.3. Ett exempel på den hypotetiska‐deduktiva metoden.  

Om vi antar följande hypotes: en förenkling av planprocessen, dvs. om det är lättare för byggföretag  att få tillstånd att bygga, så borde det byggas mer. Då bör konsekvensen vara att fler  bygglovsansökningar görs. Om det är en rimlig konsekvens, bör insamling av data på hur många  bygglovsansökningar som de facto har gjorts efter att planprocessen förenklats. Om det visar sig att  antalet nya bygglovsansökningar inte har ökat, bör hypotesen avfärdas.  Den hypotetisk‐deduktiva metoden har liknande problem som den induktiva metoden. Vi kommer  därför i nästa kapitel att behandla den induktiva metodens uppbyggnad samt dess styrkor och  svagheter, vilket i sin tur kan användas på den hypotetisk‐deduktiva metoden. 



6   

3. Argument och krav på dessa Anta att vi har bestämt forskningsfrågan och bestämt vilken vetenskaplig metod som ska användas.  Då är det dags att samla in argument eller bevis för att kunna formulera ett rimligt svar på  forskningsfrågan. Men innan det görs måste det bestämmas vilka krav som ska ställas på argumenten,  så att rätt typ av argument insamlas. I det här kapitlet ska vi studera vilka krav som ställs på  argument vid en beskrivande, förklarande och värderande frågor. Kraven kan sammanfattas i tre  olika delar: korrekta begrepp och mätning (Construct validitet), belägg för kausalitet (intern validitet)  och möjlighet till empirisk generalisering (extern validitet). Vi behandlar dessa tre krav nedan. 

3.1 Krav 1. Korrekta begrepp och mätning (Construct Validity) Anta att vi arbetar med en beskrivande forskningsfråga. Problemet med beskrivningar av ett tillstånd  är att de kan vara hur omfattande som helst. Om jag t.ex. ska beskriva marknaden för bostadsrätter i  Stockholm, skulle jag kunna börja med att beskriva att det finns en mängd hus där flerbostadshus är  upplåtna med bostadsrätt. Många bostadsrätter ligger vid parker som har gott om utrymme för  lekande barn. Vid bostadsrätterna finns oftast ett daghem etc. Jag skulle kunna hålla på i evighet att  beskriva varenda detalj av marknaden för bostadsrätter. Av den anledningen måste förenkling ske  genom informationsminskning. Men hur gör vi för att förenkla? Det kan göras med tre steg, nämligen  genom att definiera begrepp, operationalisera och mäta.   3.1.1 Definiera begrepp Definiera begrepp innebär att det fenomen som observeras samlas under ett passande begrepp.  Anta att det i ett område genomförs ett antal bostadsaffärer till ett pris av cirka tre miljoner kronor.  Vad som dessutom noteras är att det finns två typer av aktörer, dels de som säljer sitt hus och dels  de som köper. Vi förenklar genom att kalla alla de som har råd och är villiga att köpa ett hus för  efterfrågan och ingen skillnad görs om de söker ett mindre eller större hus, om de gillar enplans‐ eller  flerplanshus, om de gillar tegel‐ eller trähus.  På liknande sätt görs en förenkling om alla hus som är till salu, de kallas för utbud. Vi förenklar  genom att enbart inkludera hus som är av stadigvarande bruk avsedda för boende. Det innebär att  bl.a. sommarhus, industrihus, kontorshus mm exkluderas. Slutligen görs även en förenkling av själva  försäljningen. Alla överlåtelser av hus från köpare till säljare kallas för transaktion. Vi har nu, utifrån  fenomenet att hus byter ägare i en stad, förenklat detta förlopp med tre begrepp och nästa steg är  att definiera dessa tre begrepp. Det kan göras genom att varje begrepp ges ett antal egenskaper, se  tabell 3.1.    

 

7   

Begrepp  Utbud 

Definition genom egenskaper  ‐ Hus för stadigvarande bruk  ‐ Hus som uppfyller statens krav.  Efterfrågan  ‐ Villiga köpare av hus.  ‐ Som har råd.  Transaktion  ‐ En överföring av ägande från säljare till  köpare.  ‐ Ska ske på en marknad där alla som vill får  lägga ett bud, ej reglerad.  ‐ Ej köp mellan kompisar eller släkt som  genererar en rabatt.  ‐ Tillräcklig marknadsföringstid så att alla som är  intresserade har möjlighet att lägga ett bud.   Tabell 3.1. Begrepp och dess egenskaper. 

Operationaliseras  Antal (styck)  Antal (styck)  Antal (styck)  Pris (kr) 

Här har jag, i den andra kolumnen, definierat vad som menas med de tre begreppen utbud,  efterfrågan och pris. Definitionen har gjorts genom att räkna upp de egenskaper som ska vara  förknippade med begreppet. Till exempel begreppet utbud som vi förknippar med hus för  stadigvarande bruk och inte något tillfälligt. Boendet ska dessutom uppfylla de byggnadstekniska  krav staten har för byggnader som används för boende, det kan vara tillgång till kök, badrum, förråd  mm.  3.1.2 Operationalisera Nu har vi definierat olika begrepp och nästa steg i förenklingsprocessen, är att fundera i vilka enheter  begreppen ska mätas, se tabell 4.1. Det är oftast relativt enkelt i fastighetsbranschen där ”hårda”  värden som lägenheters storlek eller gjorda affärer mäts i kvadratmeter respektive kronor. I andra  sammanhang, som t.ex. faktorn ”läget” kan det vara svårare att göra om till mätbara enheter.  I vårt fall har samtliga begrepp intervallskala eftersom det går att mäta utbud i antal hus som är till  salu. Vad gäller efterfrågan mäts det i antalet personer som är villiga att köpa hus. Och till sist  begreppet transaktion som kan mätas både i hur många försäljningar som sker och hur höga priser  husen säljs för.   Men om ingen lämplig enhet finns måste enheter eller i alla fall skalnivåer skapas. Det finns tre  sorters skalnivåer. Den första är den nominala skalnivån vilket innebär att begreppet enbart kan  delas in i olika kategorier, hus kan t.ex. delas in i vilket material stommen är uppförd i, det finns hus  med trä‐, tegel‐ och betongstomme, se tabell 3.2.   Stomme  Trä  Tegel  Betong 

Nominal skalnivå  XXX  XX  X 

Ordinal skalnivå  2  3  1 

Intervallskala  2  1  5 

  Tabell 3.2. Tre olika skalnivåer.  Här visar kryssen i tabellen ”Nominal skalnivå” antalet hus med trä, tegel eller betongstomme. Den  andra skalnivån är den ordinala som förutom den nominala skalan delar in husen i olika kategorier  även rangordnar de olika kategorierna. I tabell 4.2 har rangordning gjorts där hus med  betongstomme anses bättre än trästomme som i sin tur anses bättre än tegelstomme. Vad vi  däremot inte kan säga med den rangordningen är hur mycket bättre ett hus med betongstomme är  8   

än ett hus med tegelstomme. Den tredje skalnivån är intervallskala. Då betygsätts olika typer av hus  och betyget visar hur mycket bättre något är; betyg två för trästomme och betyg ett för tegelstomme  innebär att trästommen är dubbelt så bra. 3.1.3 Mäta Nu när vi har bestämt hur begreppen ska operationalisera behövs ett verktyg för att kunna mäta. Här  ställs två krav på ett sådant mätverktyg; det ska ha både hög validitet och reliabilitet. Med det menas  låga systematiska och slumpmässiga fel. Jag ska förklara med ett exempel, se tabell 3.3.   Mätinstrument 

Faktiskt temp.  Mätinstr. 1  Mätinstr. 2  Mätinstr. 3 

Temp Temp Temp Temp Genom‐ snittlig  temp  100  100  100  100  100  80  120  90  110  100  81  79  80  80  80  100  100  100  100  100 

Validitet  Reliabilitet

‐  Hög  Låg  Hög 

‐  Låg  Hög  Hög 

 Tabell 3.3. Faktisk temperatur på det kokande vattnet och tre olika mätinstrument.  Här finns tre stycken mätinstrument för att mäta temperaturen på kokande vatten. Som vi alla vet  kokar vatten vid 100 grader vilket alltså är det korrekta värdet.  Mätinstrument 1 visar ett väldigt  skiftande mätresultat på de fyra olika mätningarna. Men det genomsnittliga värdet på 100 grader är  korrekt. Det innebär att mätinstrumentet inte har något systematiskt mätfel, dvs. mätinstrumentet  har hög validitet. Däremot skiftar mätningarna mycket, dvs. det slumpmässiga mätfelet är stort,  vilket innebär att mätinstrumentet har låg reliabilitet.   Mätinstrument 2 har en stabil serie runt 80 grader. Eftersom vi vet att rätt temperatur är 100 grader  har mätinstrumentet ett högt systematiskt mätfel (låg validitet); den uppmätta temperaturen är hela  tiden för låg jämfört med korrekt värde. Mätinstrumentet har däremot hög reliabilitet eftersom det  slumpmässiga mätfelet är lågt, värden ligger klistrade runt 80 grader. Till sist mätinstrument 3 som  mäter korrekt vid samtliga fyra mätningar och har därmed hög validitet (inget systematiskt mätfel)  och hög reliabilitet (inget slumpmässigt mätfel). 

3.2 Krav 2. Belägg för kausalitet (Intern validitet) – finns orsakssamband? Belägg för kausalitet (orsakssamband) är av vikt vid förklarande frågor. Hur vet vi att det finns  orsakssamband mellan två faktorer? Svaret är att det kan man aldrig med säkerhet veta, men vi kan  ha ett antal argument för att orsakssamband finns. En bra beskrivning på argument för kausalitet har  Teorell och Svenssons i sin bok ”Att fråga och att svara”. Orsakssamband kan definieras utifrån fyra  kriterier. Låt oss säga att vi antar att x påverkar y. Det kan vara att efterfrågan påverkar prisnivån. För  att kunna argumentera för det påståendet är det viktigt att det mellan efterfrågan och pris råder  kontrafaktisk skillnad, isolering, tidsordning och orsaksmekanismer, se figur 3.2 Vi ska nedan gå  igenom dessa krav.       

Kontrafaktisk skillnad  Isolering       Tidsordning  Orsaksmekanismer 

  Figur 3.2. Fyra argument för att orsakssamband finns.  9   

3.2.1 Kontrafaktisk skillnad Kontrafaktisk skillnad, innebär att om x inträffar så inträffar även y och om x inte inträffar så kommer  y inte heller att inträffa, se tabell 3.4.   Efterfrågeförändring  Inträffar  Inträffar inte  Inträffar  Inträffar inte 

Prisförändring  Inträffar  Inträffar inte  Inträffar inte  Inträffar 

Samband  Kontrafaktisk skillnad  Inte kontrafaktisk skillnad 

  Tabell 3.4. Kontrafaktisk skillnad vilket innebär att efterfrågeförändring styr prisförändring.  Här visas på rad två och tre att om efterfrågan stiger så ska prisnivåerna också stiga. Och om  efterfrågan inte stiger ska inte heller prisnivåerna stiga. Om så sker har vi belägg för kontrafaktisk  skillnad. På rad fyra och fem visas när kontrafaktisk skillnad inte kan beläggas, här stiger efterfrågan  men inte priset och vise versa.  3.2.2 Isolering Nästa kriterium för orsakssamband är isolering, dvs. vi ska vara säkra på att det verkligen är x som  påverkar y och inget annat. Risken är annars att någon annan faktor, z, påverkar både x och y, och  sambandet är istället spuriöst, dvs. det tycks finnas ett samband men det sambandet är falskt. Vi ska  se på ett exempel: anta att vi mäter ett barns ålder, vikt och kunskapsnivå, se tabell 3.5.   Kunskapsnivå  10  20  30 

Vikt  4  8  12 

Ålder  1  2  3 

  Tabell 3.5. Data om kunskapsnivå, vikt och ålder. Finns det något orsakssamband dem emellan?  Här visas finns en tydlig korrelation mellan vikten och kunskapsnivån, dvs. ju högre vikt desto högre  kunskapsnivå. Är det då verkligen vikten som påverkar barnens kunskapsnivå? Nej, det är snarare så  att den bakomliggande faktorn är att barnen blir äldre och därmed blir både större och mer kunniga.  Det är alltså åldern som avgör både kunskapsnivån och vikten och det finns följaktligen inget  orsakssamband mellan vikt och kunskap utan enbart en korrelation, se figur 3.3.   

Vikt 

Kunskap 

     

Ålder 

  Figur 3.3. Kausaldiagram för vikt, kunskap och ålder.    3.2.3 Tidsordningen Det tredje argumentet för orsakssamband är tidsordningen. Här är det viktigt att x i tid kommer före  y och att det inte är tvärtom. I vårt fall är det av intresse att se att efterfrågeförändring faktiskt  kommer före prisförändring, se figur 3.4.  10   

  Efterfrågan och Pris   

Efterfrågan 

Pris 

        Figur 3.4. Tidsordningen viktig för att utreda kausalitet. 

Tid 

Här visas hur efterfrågan och pris ändras över tid och vi ser framförallt hur ändringar i efterfrågan  tidsmässigt kommer före prisförändringar, vilket tyder på en koppling i tid. Om det vore tvärtom så  gäller inte argumentet om tidsordning mellan efterfrågan och pris. 3.2.4 Orsaksmekanismer Det fjärde argumentet som bör uppfyllas för att det ska finnas ett orsakssamband är  orsaksmekanismer. Det innebär att ju mer vi vet om hur x påverkar y desto bättre går det att  argumentera för att orsakssamband finns, se figur 3.5.    

Pris på  bostadsrätter  stiger. 

Efterfrågan    stiger      Efterfrågan  stiger   

Fler personer  går på  visningar 

Fler personer  deltar i  budgivningen 

Pris på  bostadsrätter  stiger. 

  Figur 3.5. Överst visas orsak och verkan utan några orsaksmekanismer. Nedan visas även    mellanliggande orsaksmekanismer.  Här visas överst att när efterfrågan stiger så stiger även priset.  Men för att kunna argumentera för  ett samband bör mellanliggande händelser som sammanbinder dessa förändringar redovisas. Här ser  vi att när efterfrågan stiger, dvs. fler människor än tidigare är villiga att köpa hus kommer man i  högre grad gå på visningar. Det innebär att ännu fler kommer att delta i budgivningen än tidigare.  Med fler personer i budgivningen än tidigare kommer det slutgiltiga priset att bli högre än tidigare.  Prisnivån på bostadrätter stiger. Och vid utredande av orsaksmekanismerna ser vi de mellanliggande  stegen.  Låt oss sammanfatta de fyra kraven på argumenten för orsakssamband. I exemplet med  efterfrågeförändring och prisförändring är det viktigt att studera om prisförändringar har skett utan  att efterfrågeförändring skett (kontrafaktisk skillnad). Det är dessutom intressant att se om något  annat påverkar båda variablerna vilket gör att sambandet mellan pris och efterfrågan kanske är falskt  (isolering). Om vi har data på efterfråganförändringar och prisförändringar, är vi intresserade att se  om efterfrågeförändring i tid kommer före prisförändring. Till sist för att kunna förstå hela kedjan av  händelser är det intressant att studera vilka mellanliggande steg som gör att efterfrågeförändring  påverkar prisförändring.  11   

3.3 Krav 3. Empirisk generaliserbarhet – hur väl beskriver urvalet populationen? Många gånger är forskningsfrågan uttryckt att man vill säga något om en hel population och man vill  gärna göra det genom att undersöka populationen. Men många gånger är populationen så pass stor  att man får nöja sig med att undersöka en mindre del av populationen. I sådana fall är det viktigt att  urvalet på bästa sätt representerar populationen vilket kallas empirisk generaliserbarhet. Vi skiljer  mellan deskriptiv och kausal generalisering. I det avsnittet ska vi först studera deskriptiv  generalisering och sedan kausal generalisering.  3.3.1 Deskriptiv generalisering Med deskriptiv generalisering avses beskrivande frågor. Anta att vi ska bedöma marknadsvärdet för  fastigheter i Norra Ängby. För att ta reda på det finner vi data i både Södra och Norra Ängby. Norra  och Södra Ängby är relativt olika varandra där Södra Ängby består av tegelhus med närhet till  Mälaren och Norra Ängby består av trähus med längre avstånd till Mälaren, se figur 3.6.    

Vällingby 

Norra Ängby 

Södra Ängby

Jämförelse‐  objekt  Babben 1  Oredarn 2  Betner 3  Gervais 12  Don Rickles  Pryor 1  Nilsen 12  Malmberg 4  Andersson 2  Lindstedt 3  Brunes 1  Brunes 2 

Område 

Pris 

Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Södra Ängby  Norra Ängby  Norra Ängby 

8 900 000  9 000 000  8 900 000  8 900 000  9 100 000  9 150 000  9 150 000  9 000 000  9 000 000  8 900 000  4 000 000  6 000 000 

   Figur 3.6. Karta med Norra och Södra Ängby samt tabell 3.5 med genomförda affärer.  Här visas 12 jämförelseobjekt, 10 som sålts i Södra Ängby och två i Norra Ängby. Anta att  marknadsvärdet för en fastighet är fem miljoner kronor i Norra Ängby och anta att vi använder  urvalet i Södra Ängby för att bedöma marknadsvärdet. Vi kommer då att hamna på en bedömning på  cirka nio miljoner kronor. Men eftersom dessa jämförelseobjekt (=urvalet) har låg representativitet  för en fastighet i Norra Ängby kommer bedömningen på nio miljoner kronor att ha ett högt  systematiskt urvalsfel. Om vi däremot använder de två jämförelseobjekten (=urvalet) i Norra Ängby  kommer vi att bedöma marknadsvärdet till någonstans mellan mellan fyra och sex miljoner kronor,  vilket ger en hög representativitet men låg precision, dvs. höga osystematiska urvalsfel.  3.3.2 Kausal generalisering Med kausal generalisering avses förklarande frågor. Vi vill utifrån ett urval säga något om varför ett  visst tillstånd uppstått i populationen. I fallet med medelpriset i Norra Ängby kanske vi har argument  för att boytan påverkar medelvärdet, dvs.de fyra kraven på kausalitet är uppfyllda (kontrafaktisk  skillnad, isolering, tidsordning och orsaksmekanism). Men vi önskar också att detta kan generaliseras  12   

till andra marknader. Om boytan även påverkar priset på andra marknader, är den kausala  generaliserbarheten. Mer om kausal generaliserbarhet i kapitel sex. Även vid kausal  generaliserbarhet kan problem med systematiskt fel (bristande representativitet) och osystematiska  fel (bristande skattningsprecision) uppstå.   Låt oss sammanfatta. Vi har ovan gått igenom vilka krav vi har på argumenten. Det är korrekta  begrepp och rätt mätning. Det är kausalitet, att vi har funnit orsakssamband. Det är empirisk  generaliserbarhet, att vi kan dra generella slutsatser om en population utifrån ett urval.  

3.4 Argument för värderande frågor Vi ska avsluta det här kapitlet med att studera värderande frågor. Med värderande frågor försöker vi  ta reda på hur det borde vara eller vad som borde göras. Problemet med värderande frågor är att det  omöjligen går att säkerställa vad som är rätt eller fel. Vilket av ”Man borde bygga fler bostadsrätter i  Stockholm” eller ”Man borde bygga fler villor i Stockholm” som är mest korrekt är svårt att  bestämma. Vad som borde göras måste ses ur ett perspektiv vilka mål vi har i samhället och hur  situationen är idag. Ur den aspekten så är de beskrivande och förklarande frågorna en del av den  värderande frågan. Utifrån beskrivningen får vi en uppfattning om hur situationen är idag och utifrån  förklarande frågor får vi vetskap om varför situationen har uppstått. Om vi då dessutom vet vartåt vi  vill, kan vi använda de orsaksförklaringar vi fått fram för att peka på vad vi tycker borde göras för att  nå vårt mål.  Anta att det på en marknad i genomsnitt bor fem personer per lägenhet (beskrivande). Anta att  förklaringen till den trångboddheten är att för lite mark upplåts av staden för byggande av bostäder.  Det kan förstås finnas flera bidragande orsaker men anta att detta är den viktigaste orsaken för  samhället. Då blir svaret på den värderande frågan att vad som borde göras är att upplåta mer mark.   Ett ytterligare problem med värderande frågor är att det kan vara svårt att avgöra vilket mål som är  viktigast. Anta att samhället har att välja mellan att bygga en väg i Stockholm eller i Piteå. Med ett  samhällsekonomiskt mål ska vägen byggas där nyttan minus kostnaden ger högst överskott. Då  kommer vägen att byggas i Stockholm. Men anta istället att staten har ett fördelningsmål där man  gärna vill förbättra för invånarna i Piteå oavsett om kostnaderna för Staten överstiger nyttan för  Piteborna. Då ska vägen byggas i Piteå.  3.4.1 Argumentationsanalys Argumentationsanalys är ett praktiskt verktyg som kan användas för att bedöma värderande frågor.  Den utgår från ett påstående, en tes: ”Sverige bör ha högre invandring”, ”Alla i Hälsingland borde få  resebidrag” etc. För att bedöma tesens styrka försöker man hitta argument för och emot tesen.  Dessa argument har olika styrka beroende på två faktorer, argumentens hållbarhet och relevans.  Hållbarheten beror på hur rimligt det är att acceptera ett argument. Relevansen beror på relationen  mellan argumentet och tesen som ska bevisas. Om argumentet har hög relevans för tesen är det  svårt att avfärda tesen om argumentet har hög hållbarhet. Anta att tesen är: ”Jorden är rund”, då  finns ett antal argument för och emot det argumentet, se tabell 3.5.   

 

13   

Argument 

Hållbarhet 

Relevans 

Styrka 

Det finns fotografier från  satelliter som visar att  Jorden är rund. 

Hög 

Hög 

Hög 

Vikingarna trodde att  Jorden var platt. 

Hög 

Låg 

Låg 

Geodetiska forskare  Låg  påstår att Jorden är platt.  

Hög 

Låg 

Fredrik Brunes anser att  Jorden är platt. 

Låg 

Låg 

Låg 

  Tabell 3.5. Styrkan hos argument beror på hållbarheten och relevansen. Det första argumentet har hög hållbarhet, det är högst troligt att det finns fotografier som faktiskt  visar att Jorden är rund. Argumentet har också hög relevans vilket innebär att om vi accepterar  argumentet så ökar det styrkan hos tesen. Det andra argumentet har antagligen hög hållbarhet;  Vikingarna trodde verkligen att jorden var platt. Relevansen är dock mycket låg. Argumentet stärker  inte tesen eftersom Vikingarna var okunniga när det gäller forskning generellt och antagligen vad  gäller planetsystemet i synnerhet. Sålunda har argumentet låg styrka.  Det tredje argumentet har låg hållbarhet, det är inte sant att geodetiska forskare anser att Jorden är  platt. Argumentet har hög relevans eftersom geodetiska forskare är experter på jorden, det är deras  forskningsämne. Men på grund av den låga hållbarheten hos argumentet har argumentet låg styrka.  Det fjärde påståendet har låg hållbarhet. Ärligt talat så tror jag inte att jorden är rund. Argumentet  har också låg relevans eftersom jag är en ”nolla” eller i alla fall inte en auktoritet i ämnet. Påståendet  har med andra ord mycket låg styrka.  3.4.2 Beskrivning av argumenten Vad jag har gjort hittills är att värdera argumenten. Men innan vi når det stadiet måste vi identifiera  alla argument, det görs i den deskriptiva delen av argumentationsanalys, se tabell 3.6.    

 

14   

Verktyg 

Förkortning 

Beskrivning 

Exempel 

Tes 

T 

Ett påstående som inte stöder något annat  påstående men däremot stöds av en mängd  andra påståenden. 

Jorden är rund. 

Pro  argument 

 

Ett påstående som stödjer ett annat  argument eller tesen. 

Det finns fotografier  från satelliter som  visar att Jorden är  rund. 

Kontra  argument 

 

Ett påstående som motsäger ett annat  argument eller tesen. 

Vikingarna ansåg att  jorden var platt. 

Premiss 

 

Ett påstående som ökar relevansen hos ett  annat påstående eller tesen.  

Fotografier visar alltid  verkligheten. 

Ett påstående som minskar relevansen hos  ett annat påstående. 

Fotografier kan  förvanskas. 

Relevans  invändning   

 

Table 3.6. Verktygen i en argumentationsanalys

Den deskriptiva delen består av fyra faktorer. Ett argument som stödjer en tes är ett proargument.  De kan vara många och är därför indexerade. Ett argument som motsäger en tes är ett  kontraargument. De är också många och är därför indexerade. Det kan finnas kedjor av pro‐ och  kontraargument. Ett påstående  är till exempel ett kontraargument mot det proargument som  stödjer ännu ett proargument. Det kan vara lite knepigt att utreda argumentsordningen. Men det är  ett bra verktyg att använda för att belysa alla argument för och emot en tes.   Två andra definitioner är premiss och relevansinvändning. En premiss är ett argument som ökar  relevansen hos ett annat argument som stöd för tesen. Argumentet   ökar relevansen hos pro  argumentet,  , som stöd för tesen. Relevans invändningens syfte är att minska relevansen hos andra  är en relevans invändning som minskar relevansen hos premissen  pro‐ och kontra argument.  . I praktiken börjar man med den deskriptiva fasen och identifierar alla argument. Efter det  värderas både pro‐ och kontraargument. Utifrån den subjektiva värderingen görs sedan en  bedömning av tesens styrka.   



15   

4. Vetenskaplig metod: Induktion del 1, grundläggande val. Induktion bygger på datamaterial som systematiskt analyserar för att besvara en forskningsfråga. Vi  ska nedan gå igenom de steg som är viktiga att beakta vid en studie med induktion.  De fyra stegen är  undersökningsupplägget, urval, datainsamling och analys. Jag ska nedan gå igenom dessa steg.   

4.1 Undersökningsupplägget Undersökningsupplägget kan översiktligt delas in i experimentella och icke experimentella studier.  Experimentella studier bygger på en experimentgrupp som manipuleras och en kontrollgrupp som  inte utsätts för manipulation. Anta att en experimentgrupp väljs ett antal städer där hyresregleringen  avskaffas samt som kontrollgrupp ett antal städer där hyresregleringen behålls. Efter ett antal år  studeras grupperna för att se om det har blivit någon skillnad på fastighetsmarknaden. Eftersom  experimentell forskning är relativt ovanlig inom fastighetsekonomi utelämnas en djupare beskrivning  av dessa metoder. Istället ska vi ägna stort utrymme åt de icke experimentella metoderna som i sin  tur kan delas in i intensiv (fåfalls) och extensiv (flerfalls) studie, se figur 4.1.               Figur 4.1. Intensiv studie och extensiv studie  Beroende på tillgängliga forskningsresurser och data görs valet. Valet görs också självklart beroende  på vilken fråga som ska besvaras. Anta att det är en beskrivande fråga: ”Vad är prisnivån i Göteborg?”.  Då är extensiv studie mest naturlig. Om frågan utökas till ”Varför är prisnivån i Göteborg X kr?” kan  extensiv studie också användas men även kompletteras med en intensiv studie. Slutsatsen är alltså  beroende på frågeställning och tillgängliga data bestäms om en intensiv eller extensiv studie ska  göras. Både intensiv‐ och extensiv studie kan göras i olika varianter. En intensiv studie kan vara  jämförande där man jämför ett antal fall utifrån ett antal aspekter. Den kan även innebära att man  enbart studerar ett fall. Ett exempel på data från en extensiv studie visas i tabell 4.1.  År    2008  2009  2010  2011 

Hus A  Pris  4,8  5,0  5,2  5,1 

Boyta  90  90  90  90 

Hus B  Pris  4,7  4,6  4,4  4,7 

Boyta  90  90  90  90 

Hus C  Pris  5,5  5,5  5,3  5,2 

Boyta  120  120  120  120 

Hus D  Pris  5,3  5,2  5,2  5,3 

Boyta  120  120  120  120 

  Tabell 4.1. Tvärsnittsdata och tidsserie ger tillsammans paneldata.  Data kan delas upp i tvärsnittsdata och tidsseriedata. Tvärsnittsdata är data på flera olika  analysenheter vid ett specifikt tidstillfälle, i tabellen finns data på prisobservationer och boyta för  fyra olika analysenheter år 2008. Men tabellen innehåller även data för flera tidpunkter, här år, vilket  kallas för tidsseriedata. För hus A finns data vid fyra olika tidpunkter. I den bästa av världar finns det 

16   

paneldata, dvs. både tvärsnitts‐ och tidsseriedata. Det innebär att data finns för samtliga fyra hus för  samtliga fyra år, dvs. all data i tabell 4.1. 

4.2 Urval Nästa frågeställning är vilken strategi som ska användas för att hitta fall. Här finns ett antal strategier,  det går att använda sig av alla analysenheter som finns. Anta att hälsan hos svenska folket ska  undersökas och för det undersöks alla svenskar, en totalundersökning genomförs. Problemet med  den strategin är kostnaden, det kommer att bli väldigt dyrt. Ett bättre alternativ är att göra ett urval  och välja ett antal individer för att dra slutsatser om hela populationen, se figur 4.2.   

Population 

Urval 

           Figur 4.2. Utifrån urvalet drar vi slutsatser som populationen.  I stora drag finns två typer av urval, slumpmässigt och strategiskt. Det slumpmässiga innebär att man  drar ett antal fall ur populationen, där varje fall i populationen har lika stor chans att bli draget.  Fördelen med ett slumpmässigt urval är att om urvalet är tillräckligt stort kommer urvalets  egenskaper att på ett bra sätt beskriva populationen. Slumpmässigt urval kan göras enligt ett antal  varianter, dels den obundna, dels den bundna genom kluster‐ eller stratifierat urval.   Ibland, speciellt vid intensiva studier, kan det vara mindre lämpligt med slumpmässigt urval. Då är  det bättre med ett strategiskt urval. Det innebär att forskaren bestämmer vilka som ska ingå i urvalet.  Här finns både för och nackdelar, om forskarens bedömning är korrekt kan ett representativt urval  erhållas men om bedömningen är felaktig kommer slutsatserna om populationen att vara felaktiga.  Anta att vi vill säga något om svenskars syn på skattenivåer. Vi väljer att fråga ett antal direktörer  från Djursholm. Det mindre lyckade och korkade urvalet gör att slutsatserna om svenskarnas syn på  skattesystemet kommer att vara felaktigt. 

4.3 Datainsamlingsstrategi Nu har vi bestämt oss för vilken undersökningsstrategi som ska användas och hur urvalet ska göras.  Nästa uppgift är att samla in data. Det finns generellt fyra sätt att gå tillväga. Det är genom historiska  data, enkäter, intervjuer och direkta observationer. Låt oss studera sätten lite mer ingående nedan.  Dessa skiljer sig viktigt emellan vad gäller vem som utför arbetet. Existerande källor har ju någon  annan gjort och kallas för sekundär data medan övriga metoder ansvarar forskaren själv för och  kallas här primärdata.  4.3.1 Historiska data Historiska data i fastighetsbranschen kan vara skrivna entreprenadkontrakt, hyreskontrakt, gjorda  fastighetsaffärer mm, se figur 4.3. Fördelen med historiska data är att det ofta är skarpt läge; det är  17   

händelser som har inträffat. Det här är situationer där aktörer har avslöjat sina preferenser genom  att de facto göra en affär1. Till skillnad från en situation där aktören utan förbindelse påstår något om  sitt handlande2.  Tidpunkt  2013‐01‐09  2013‐01‐15  2013‐02‐01  2013‐02‐10  2013‐02‐22  2013‐02‐23  2013‐03‐01  2013‐04‐01  2013‐04‐12 

 

Fastighet  Copernicus 2  Kepler 4  Newton 1  Newton 2  Brunes 1  Brunes 2  Brunes 3  Einstein 2  Galileo 3 

Köpesumma  350 000 000  450 000 000  510 000 000  320 000 000  930 000 000  950 000 000  980 000 000  350 000 000  250 000 000 

  Figur 4.3. Två källor till information. Ett hyreskontrakt och data över gjorda transaktioner. 

För att kunna använda historiska data krävs att ett antal kriterier är uppfyllda. Det är äkthet, närhet i  tid och rum samt tendens. Anta att vi vill beskriva ett händelseförlopp i ett bygge genom att gå  igenom protokollet från ett byggprojektmöte. Är protokollet äkta? Eller har någon suttit och  fabricerat texten. Om det är skrivet av någon som inte var närvarande vid mötet så minskar källans  närhet i tid och rum. Om det dessutom visar sig att den som skrivit protokollet har ett incitament att  försköna sin egen insats, minskar dokumentets trovärdighet än mer. Anta att författaren är  byggprojektledare för ett projekt som går dåligt. Då kan det finnas en tendens hos författaren att  svartmåla de externa omständigheterna som rådde vid bygget.  4.3.2 Enkäter och intervjuer Enkäter och intervjuer kallas på engelska för survey. Enkäter är frågor som skickas till den svarande  (som vi fortsättningsvis kallar för respondent) per e‐post eller brev. Vid intervjuer ställer forskaren  frågor muntligt och intervjuer kan göras vid fysiskt möte mellan forskaren och respondenten eller per  telefon.  I den bästa av världar Vid frågor med enkäter eller intervjuer bör processen helst vara enligt figur 4.4. Här ställer forskaren  en fråga som innehåller informationen A. Förhoppningsvis förstår respondenten frågan helt enligt  det, dvs. som ett A. Respondenten funderar på frågan och utan några systematiska fel i sitt  resonemang (typ känsla av krav på svar) är deras svar B. Till sist skickar respondenten över sitt svar  till forskaren utan att några missförstånd uppstår, så att forskaren förstår att svaret är B.                                                                        1 2

När aktören visar på ett beteende kallas det för revealed preferences. När aktören uttalar sig om sitt beteende kallas det för stated preferences.

18   

A 

A

B 

B

       

Figur 4.4. I den bästa av världar erhålls svar på önskad fråga och forskaren tolkar svaret 

  Tyvärr är verkligheten inte alltid så enkel. Av den anledningen blir en av forskarens viktigaste  uppgifter vid enkäter och intervjuer att minimera skadan i processandet hos intervjupersonen samt i  överföring mellan forskare och intervjuad.  Svårigheter För att peka på svårigheter ska jag använda en översiktlig modell baserad på Maltén (1998), se figur  4.5. Processen börjar med att forskaren omvandlar frågan till ord, det kallas att koda. Viktigt är att  frågan formuleras på ett noggrant sätt så att den överensstämmer med dess syfte. Respondenten  lyssnar och avkodar budskapet och har då förhoppningsvis erhållit budskapet [1]. Respondenten kan  vid intervju få återkoppling [5] för att försäkra sig att hen verkligen förstått fråga: ”Du undrar om jag  anser att jorden är rund eller platt?”.   

Sammanhang 

  1

 

KOD‐ NING 

 

AV‐ KOD‐ NING 

3

2

       

Forskare 

AV‐ KOD‐ NING 

4 KOD‐ NING 

Respondent 

5

  Figur 4.5. Intervjusituationens olika aspekter.  Nästa steg i processen är när respondenten förstått frågan och avger ett svar [2]. Det vi önskar hos  respondenten är att den inre processen sker utan systematiska avvikelser. Det vill säga att  respondenten svarar så ärligt som möjligt. I det här sammanhanget ska man även inkludera i vilket  sammanhang intervjun eller enkäten görs [3]. Finns det störande moment. Kanske andra personer  som kan påverka respondenten. Respondenten kan även känna press från forskaren att leverera ett  svar.   Det sista steget är att respondenten har kommit fram till ett svar som vederbörande formulerar i ord  eller genom att kryssa i en ruta i ett svarsformulär [4]. Nästa risk i processen är hur respondenten 

19   

kodar sitt svar och hur forskaren avkodar svaret. Även här bör det finnas möjlighet till återkoppling  från forskaren till respondenten [5], ”du menar att jorden är platt?”  Det vi har skissat på är en modell på hur kommunikation generellt går till och hur det kan påverka  mätresultatet från en intervjustudie. Mätresultatet beror på vilken typ av survey man genomför, dvs.  är det telefonintervju, besöksintervju eller enkät. Vi ska nu nedan återigen studera frågan [1], den  inre processen [2] och svaren [4].  [ 1 ] Frågan Det finns tyvärr många fallgropar vid konstruerande av frågan. Jag ska ta upp ett antal problem som  jag tror är de viktigaste. Det är oftast saker som kan anses som självklara men som forskaren ändå  glömmer bort. En grundläggande aspekt är att definiera frågan tydligt i tid och rum. Till  exempel: ”Hur länge har du bott här?” Vad menas med här? I området eller i staden eller i landet.  Och vad menas med hur länge? Ska svaret vara i år eller i månader.  En annan viktig detalj är att ta en  sak i taget och inte blanda ihop flera frågor i en: ”Tror du att priset på stövlar och ägg kommer att gå  upp?” Om jag svara ja menar jag då att både stövlar och ägg kommer att gå upp, eller skulle jag svara  ja om jag enbart ansåg att äggpriserna kommer att stiga.  Frågan ska dessutom vara balanserad så att man inte påverkar svaranden i en viss riktning. ”Är ni för  A?” är en obalanserad fråga medan ”Är ni för eller emot A?” är en balanserad fråga. Andra fallgropar  är bl.a. vid attitydfrågor där respondenten ska delge sin åsikt; vad tycker du om monarkin? Vilket är  Sveriges bästa parti? Om frågan ställs fel finns risk för överrapportering; Är högertrafik bra? Det finns  en tendens hos respondenter att hellre hålla med och svara ja än att säga emot. Det tycks ligga i vår  natur. Det finns dock situationer där man kan ana en underrapportering: respondenterna säger inte  vad de tycker för att det inte är socialt hållbart. Då kan det vara bra att ha avsiktligt ledande frågor.  Till exempel: ”Många läkare anser att ett glas vin om dagen kan vara bra för hjärtat. Hur mycket vin  dricker du i veckan?”   Ytterligare inverkan på svaret kan frågeordningen ha. Ett tips är att ställa känsliga frågor sist. Det  minskar risken att förstöra resten av frågorna på grund av att den intervjuade blir på dåligt humör. En  beprövad teknik, utvecklad av Gallup, är tratt‐tekniken vilket innebär att man börjar med en allmän  fråga för att sedan ställa specifika frågor. Om syftet är att fråga om ett områdes naturkvaliteter, kan  man börja med att fråga allmänt vad folk tycker om staden och om området för att sedan gå på  djupet med ”Vad tycker ni om miljön i södra Surahammar?”. ”Varför tycker ni det?”. Fördelen med  att börja med helheten är att folk har lättare att besvara specifika frågor om de först fått begrunda  det hela utifrån en allmän fråga.   [ 2 ] Inre process Det finns en mängd aspekter att belysa när det handlar om respondentens inre process. Det kan t.ex.  vara formuleringen av frågan eller frågeordningen som vi belyste i föregående avsnitt. I den här  avdelningen ska jag belysa problemet med minnet. Hur säkra kan vi vara på att den svarande minns  rätt? Det vi önskar hos den svarande är hög tillförlitlighet (hög reliabilitet), dvs. att svaret inte  varierar över tid, och hög validitet, dvs. att svaret stämmer överens med vad som faktiskt har hänt.  En känd politiker har utfrågats ett antal gånger om han var glad eller ledsen när Berlinmuren föll  1989. Hans svar har varierat över tid, dvs. ibland minns han det som att han var glad och ibland  minns han det som att han var ledsen. Hans svar har därmed låg reliabilitet. (Den senaste 

20   

informationen jag har i frågan är att han var glad.) Om han de facto var glad när Berlinmuren föll har  hans senaste svar hög validitet, dvs. den överensstämmer med vad som faktiskt hände.  För att belysa minnets påverkan på respondentens svar ska vi börja med att studera minnet. En teori  om minnet är ”glömske kurva”, dvs. ju längre tid som förflyter mellan händelsen och erinran (när  man ska svara på vad som hände vid händelsen), desto större är risken för glömskan. En annan teori  är inferensteorin där möjligheten att minnas en händelse beror på tidigare erfarenheter, dvs. före  händelsen men även på erfarenheter man gör mellan händelsen och erinringstidpunkten.  Den härskande teorin just nu är att allting som händer lagras i hjärnan. Knepet är att hitta minnet,  ungefär som att hitta en bok i ett bibliotek. Utifrån ett sådant angreppssätt blir det viktigt hur vi  minns händelser, dvs. kodar, och vilka verktyg vi har för att hämta ur minnet, s.k. erinran. Det som  lagras ska knytas till det som redan finns lagrat, det gör det lättare att minnas. Kodning är beroende  på omständigheter kring händelsen och på tidigare upplevelser, kunskaper, attityder och känslor hos  personen. Det går inte i efterhand att påverka hur människor kodat ett minne, om det inte gäller  undervisning där man kan använda tidigare kunskaper, attityder och känslor för att förbättra  inlärning.  Däremot går det att påverka erinring. Till att börja med går det inte att bortse från att tiden ändå har  en viss påverkan. Därför bör erinringsperioden, dvs. mellan händelse och erinran vara så kort som  möjlig. Ett sätt att erinra är att försöka finna associationer till annan lagrad kunskap. Detta genom  minnesmärken. ”Sverige vände 0‐4 till 4‐4 mot Tyskland. I samband med det, hur mycket tittade du  på sport?” Genom att ställa frågor kring denna enklare händelse, försöker man öka erinran från  händelser som inträffade samtidigt. Utöver beaktande av kodning och erinran finns andra detaljer  som påverkar möjligheten att erinra, det är intervjusituationen, dvs. intervjuares närvaro, hotande  frågor och intervjutiden.  [4] Svaren från intervjuade. Hur svaren ges från respondenten beror förstås på vilka möjligheter forskaren ger respondenten att  svara på ett bra sätt. Man brukar skilja på öppna och stängda frågor. Öppna frågor är där  respondenten med egna ord får formulera sitt svar, medan stängda svar innebär att respondenten  kryssar för något, av forskaren bestämt svarsalternativ. Det är förstås möjligt att ha både och.  Öppna frågor är mest användbara när det finns många möjliga svar som det i förväg inte går att  förutse. En annan fördel är att om forskaren vill ha en förståelse för hur viktigt ett ämne är för  respondenten, så kan man få en uppfattning om det genom hur respondenten uttrycker sig.  Nackdelen med öppna svarsalternativ är att de är resurskrävande och det kan vara svårt för  forskaren att få med all information som delges honom. Givna svaralternativ kan vara enligt figur 4.6.  ”Kostnadsöverskridanden beror på att projektet ändrat utformning”   Ja, absolut  Ja, troligen   Kanske  Nej, troligen inte 

21   

Nej, absolut inte Vet ej Kommentar:   

 

Figur 4.6. Ett exempel på en fråga med givna svarsalternativ. 

Här uppfylls ett antal elementära krav. Svaren är ömsesidigt uteslutande. Om vi svarar med kryss i ett  alternativ så kan det inte tolkas som svar även för något annat alternativ. Svaren är uttömmande, dvs.  inget alternativ saknas. Ibland saknas alternativet ”vet ej” vilket innebär att svarsalternativen inte är  uttömmande.   Svarsalternativen är överblickbara vilket innebär att den svarande lätt förstår vilka alternativ han har  att välja mellan). Till sist ska även nämnas att svarsalternativen är balanserade, dvs. det finns lika  många och starka ”Ja” alternativ som ”Nej” alternativ. Användande av skattningsskalor ska ha en  neutral punkt, ”vet ej” och vara symmetriska för att ge bästa svar. Om man ska ha fem‐, sju eller  niogradig skala, bör man kunna motivera om man ska ha fler än fem. Det finns studier om  positionseffekter (primacy och recency effects) för att slippa dessa kan man ändra ordningen på  svarsalternativen till de olika respondenterna.  Fördelen med givna svarsalternativ är att de är resursbesparande, de går enkelt att använda till  statistiska metoder för olika beräkningar.  4.3.3 Direkta observationer Direktobservation är en typ av datainsamling där forskaren i realtid studerar vilka val  analysenheterna gör. Det finns i stort två sätt att utföra direktobservationer: Genom dold eller öppen  studie av analysenheten. Vid dold analys känner inte analysenheten till att den blir studerad vilket  den gör vid öppen analys.   I komedin ”Psalmer från köket” som utspelas under bostadsforskningens storhetstid på 50‐talet  studerar forskare hur ensamstående män i Norge utnyttjar sina kök för att utforma kök på ett  optimalt sätt. I filmen sitter forskaren i en tennisstol i köket i forskningsobjektets hem, det är sålunda  frågan om en öppen analys.  Ungkarlen, som frivilligt deltar i undersökningen, börjar efter ett tag att tröttna på att blir studerad.  Han borrar därför ett hål i taket ovanför forskaren för att i sin tur studera när forskaren sitter i sin  tennisstol för att studera ungkarlen (och börjar undra vart han har tagit vägen). Ungkarlens  observation av forskaren är sålunda en dold analys. Den öppna analysen kan dessutom delas in i  passivt och aktivt deltagande. Ovanstående exempel med forskaren är ett exempel på passiv  observation. En form av aktivt deltagande är den deltagande observation som innebär att forskaren  aktivt deltar i de aktiviteter forskningsobjektet utför. Eftersom jag tror att deltagande observation är  ganska vanligt i realiteten men sällan utnyttjat kommer jag nedan att utveckla tekniken med  deltagande observation.  Deltagande observation Deltagande observation är ofta förknippat med sociologi, dvs. i studier av hur samhället i stort  fungerar, och etnologi, dvs. hur människor fungerar. I de fallen innebär deltagande observationer 

22   

kanske flera månader eller år av observationer tillsammans med en folkgrupp. Det kan vara allt från  indianska stammar, patienter på ett ålderdomshem till norska nynazister.  Deltagande observation är inte så vanlig i bygg‐ och fastighetsbranschen. Inte i dess renodlade form i  alla fall. Däremot i mindre utsträckning eftersom ekonomisk forskning bör vara kopplad till  verkligheten. Ekonomi handlar om att fatta beslut. Att då aldrig ha deltagit vid faktiska beslut är en  brist forskaren bör åtgärda. Många forskare bedriver därför deltagande observationer i och med att  de samtidigt med sin forskning är involverade i olika processer och på så sätt får insikt i hur  marknaden fungerar och beslut tas. Det kan vara i form av konsultuppdrag där forskaren gör  analysarbeten åt fastighetsföretaget, eller som aktivt deltagande i olika organ såsom bolagsstyrelser  mm.   Anta att vi med deltagande observation ska studera fastighetsvärderare för att få mer insikt i hur de  utför marknadsvärdebedömningar. Kortfattat består vårt arbete med deltagande observation i fyra  moment, dessa är: tes, förarbete, genomförande och slutsatser, se figur 5.8. Oftast behöver man  arbeta med samma moment flera gånger och återvända till ett tidigare moment, därav de streckade  linjerna i figur 4.7.     

TES 

Förarbete 

Genomförande 

Analys 

   

Figur 4.7. Översiktlig bild av processen vid deltagande observation. 

Tes En tes är det påstående eller fråga som vi vill testa med vår studie. I vårt exempel är  tesen: ”Fastighetsvärderarna använder sig av olika tumregler vid marknadsvärdebedömning något  som riskerar att försämra värderingen”. Huruvida man ska börja med en tes, ett påstående, finns det  delade meningar om. De flesta anser att det är bra att ha något påstående att fokusera på när man  börjar sina studier för att det ska bli lättare att fokusera. Men att detta inte får hindra en att vara  vidöppen för andra eller ytterligare teser.  Förarbete Vårt förarbete blir att studera beslutsfattande generellt och den forskning om fastighetsvärdering  som finns. Här finns teser om att värderarna skulle ha en viss tendens till ankring och confirmation  bias. Ankring är att värderarna är påverkade av tidigare uttalanden om fastigheters värden.  Confirmation bias innebär att värderaren har bestämt sig tidigt vad marknadsvärdet är och sedan i  stor omfattning söker data som stöder hans bedömning och bortser från data som motsäger  bedömningen.  Fördelar med att läsa in sig är att man inte gör saker som tidigare gjorts. Nackdelen är att man  kanske låser sig i förklaringsmodeller som tidigare forskare kommit fram till. I förarbetet får du även  tillfälle att beakta din egen känslomässiga inställning till ämnet och gruppen du ska studera. Kanske  har du en kraftig åsikt om gruppen som gör att dina observationer kommer att påverkas negativt. I  förarbetet ingår också att bestämma vilken grupp du ska undersöka. Kanske finns det en mängd 

23   

företag du skulle kunna göra din undersökning på och då är det bra att välja ett som är bra. Vid val av  ställe finns det de som anser att djupgående på ett ställe är att föredra framför flera ställen.  Genomförande Genomförandet bygger initialt på att ett förtroende upparbetas hos dem där observationen ska göras.  Det gäller att hitta dörröppnare, folk i organisationen som tycker att du ska få tillträde till arenan. När  du väl har fått in en fot gäller det att hålla uppe förtroendet. Antagligen kommer de observerade att  till att börja med kanske vara på sin vakt. Men förhoppningsvis kommer de efter hand att strunta i  din närvaro. Detta är av vikt för din studie. Du kan då på allvar analysera hur de beteer sig.  När väl förtroende upparbetats, men glöm inte att det måste underhållas löpande, fortskrider ditt  observerande. Du kommer att lägga märke till individernas verbala‐ och icke‐verbala kommunikation.  Under genomförandet för du anteckningar. Du kan dela in dina anteckningar i observationsdata. Där  skriver du, nästan, ordagrant vad som sägs och görs. Observationsdata i vårt fall är t.ex. hur många  jämförelseobjekt värderaren använder. Hur han bedömer framtida hyresintänkter etc. Vi börjar även  analysera utifrån ett teoretisk perspektiv så smått under genomförandet. Vi antecknar dessa analyser  i dina teoretiska observationer. Kanske ser vi att någon använder en viss metod på ett visst sätt.  Kanske noterar vi att någon tidigt bestämt ett värde och i stor utsträckning försöker argumentera för  det genom att ändra i olika parametrar.  Vi gör även metodologiska anteckningar. Dessa ska vara vägledning i det fortsatta arbetet. Här  antecknar vi vad vi bör vara mer uppmärksamma för i fortsättningen av studien. Att genomföra en  deltagandeobservation kan göras på heltid, vi arbetar på ett ställe under en längre tid. Men det finns  ett alternativ som deltid deltagande, kanske bara under ett tillfälle ett antal dagar etc.  Analys Det finns inga klara gränser mellan analysdelen och genomförandedelen. Du börjar med analys i och  med dina teoriobservationer. När du väl ska fokusera på analysen kan man dela in den i tre delar.  Dels tolkning av första graden där allt råmaterial skrivs ned. Helst varje uttalad bokstav, varje  andetag. Då får vi en känsla för värderarens arbetsmetod och resonerande.  Tolkning av andra graden innebär att vi försöker ta hänsyn till många relevanta sammanhang  (kontexter) för att förklara en handling. Här tar vi hänsyn till värderarens begränsade tillgång till  information. Vi tar även hänsyn till omständigheter som stress, relationen till kunden etc.  Vid tolkning av tredje graden gör vi än mer teorianknytning av handlingar vi har observerat. Kanske  säger teorin att confirmation bias är påtaglig vid värdering av svåra objekt, när marknaden har låg  aktivitet. Här försöker vi se om våra observationer stämmer med tidigare teori och om den kan  utveckla eller motsäga rådande teorier.  Slutsatser om deltagande observationer Fördelen med deltagande observation jämfört med t.ex. intervjuer är bl.a. att det underlättar tillgång  till information som de inte vill prata om. Det blir också möjligt att studera det aktörerna de facto gör  jämfört med vad de säger att de gör, vilket de gör i enkäter och intervjuer.

24   

4.4 Analysen av data I det här avsnittet ska vi behandla hur intensiva‐ och extensiva studier, var för sig, kan analysera data  för beskrivande frågor. För förklarande frågor är det optimala arbetssättet att använda både  intensiva‐ och extensiva studier, det behandla i nästa kapitel.   4.4.1 Generalisering av beskrivande fråga med extensiv studie Generalisering av beskrivande fråga med extensiv studie görs oftast genom punktestimering,  intervallskattning eller hypotestestning. Vi ska gå igenom de tre metoderna med hjälp av ett  exempel. Anta att vi vill veta marknadsvärdet för fastigheter i Norra Ängby, Stockholm, och det finns  prisobservationer på samtliga fastigheter, se figur 4.8.     5,1  5,0  4,9  4,5  4,9  5,5  5,3  4,5  5,0  5,1  4,9  4,7  5,2 

5,2  4,8  4,9  4,5  4,9  5,2  5,4  4,5  5,0  5,1  4,8  4,7  5,0 

5,3  4,7  4,8  4,5  5,0  4,8  5,4  5,5  4,9  5,0  5,0  4,7  5,0 

5,2  4,6  5,2  4,5  5,0  4,8  5,4  5,5  4,8  5,0  5,1  4,7  5,0 

4,8  5,0  5,0  4,9  5,1  4,7  5,4  5,5  4,8  5,1  5,2  4,7  5,0 

4,7  5,1  5,5  5,1  5,2  4,6  5,4  5,0  4,8  5,0  5,3  5,3  5,0 

4,7  5,2  5,5  5,1  5,3  5,0  5,4  5,0  4,9  4,9  4,9  5,3  5,0 

4,6  5,2  4,5  5,1  5,4  5,1  5,4  5,0  4,8  4,8  4,8  5,3  5,0 

           

Figur 4.8. Till höger samtliga prisobservationer i karta och till vänster dessa observationer i    miljoner kronor.  Statistisk kallas alla dessa transaktioner för population och det går relativt lätt att räkna ut  populationens medelvärde (µ), vilket är fem miljoner kronor. Men, som tidigare nämnts, finns det  oftast inte information om hela populationen utan analysen görs utifrån ett urval. Så istället för  prisobservationer på hela populationen har finns enbart prisobservationer på ett urval på 10  fastigheter. Vi ska nedan gå igenom hur vi använder urvalet för att dra slutsatser, eller med andra ord  göra kvalificerade gissningar, om populationen.   Punktestimering Punktestimering innebär att urvalets medelvärde, vilket även kallas stickprovsmedelvärdet ( ),  används för att dra slutsatser om populationens medelvärde. Anta att 10 stycken observationer har  dragits slumpmässigt, de rödmarkerade i figur 4.9, och räknar ut stickprovsmedelvärdet till 5,08  miljoner kronor.   

 

25   

  5,1  5,0  4,9  4,5  4,9  5,5  5,3  4,5  5,0  5,1  4,9  4,7  5,2 

5,2  4,8  4,9  4,5  4,9  5,2  5,4  4,5  5,0  5,1  4,8  4,7  5,0 

5,3  4,7  4,8  4,5  5,0  4,8  5,4  5,5  4,9  5,0  5,0  4,7  5,0 

5,2  4,6  5,2  4,5  5,0  4,8  5,4  5,5  4,8  5,0  5,1  4,7  5,0 

4,8  5,0  5,0  4,9  5,1  4,7  5,4  5,5  4,8  5,1  5,2  4,7  5,0 

4,7  5,1  5,5  5,1  5,2  4,6  5,4  5,0  4,8  5,0  5,3  5,3  5,0 

4,7  5,2  5,5  5,1  5,3  5,0  5,4  5,0  4,9  4,9  4,9  5,3  5,0 

4,6  5,2  4,5  5,1  5,4  5,1  5,4  5,0  4,8  4,8  4,8  5,3  5,0 

             

  Figur 4.9. Två urval med tio observationer i varje urval.   Vi antar sålunda att populationens medelvärde också är 5,08 miljoner kronor vilket är en ganska bra  gissning eftersom korrekt värde är 5 miljoner kronor. vad den rätta populationen är, även om  gissningen inte är helt korrekt. Men det är trots allt en skillnad mellan stickprovsmedelvärdet och  populationens medelvärde. Skillnaden kallas för slumpmässigt urvalsfel. För att beakta det  slumpmässiga urvalsfelet går det att bredda analysen genom att även utföra en intervallskattning.  Intervallskattning Anta att vi istället för urvalet ovan hade dragit tio andra objekt. Utifrån dessa tio skulle vi erhållit  stickprovsmedelvärdet 4,9 miljoner kronor. Det stämmer inte heller med populationens medelvärde  även om värdet är relativt nära populationens medelvärde men vi får åter igen ett urvalsfel.  Hur beaktas problemet med slumpmässigt urvalsfel. Vi kan lita på och använda centrala  gränsvärdessatsen, vars innebörd är att om det görs många urval och för varje urval beräknas ett  stickprovsmedelvärde, så kommer medelvärdet av alla dessa stickprovsmedelvärden att bli  populationens medelvärde, i  det här fallet 5,0 miljoner kronor. Verkar det konstigt, se tabell 4.2.    

 

26   

Urval 

Prisobservationer 

  1  2  3  4  5  6  7  Urval 1  5,3  5,2  5,2  4,5  5,0  5,1  5,1  Urval 2  4,8  4,6  4,5  5,2  5,0  4,6  4,6  Urval 3  4,9  4,6  5,0  4,8  5,2  5,1  5,0  Urval 4  5,2  4,8  5,2  5,0  4,7  4,8  5,1  Urval 5  5,0  4,9  4,9  4,8  4,8  5,1  5,1  Urval 6  5,1  5,2  5,3  5,2  5,1  5,1  5,2  Urval 7  5,1  4,9  5,0  5,0  4,9  4,8  5,1  Urval 8  4,8  4,9  4,8  4,9  4,8  4,8  4,9  Urval 9  4,8  5,0  4,9  4,9  4,9  4,9  5,1  Urval 10  5,1  5,0  5,1  5,1  4,9  4,8  4,8  Medelvärdet av samtliga stickprovsmedelvärden 

8  5,0  5,1  5,0  5,2  5,1  5,2  5,2  4,9  5,0  4,8 

9  5,1  5,1  4,8  5,3  5,2  5,1  5,0  5,0  5,0  5,2 

10  5,3  5,1  4,4  5,3  5,0  5,0  5,1  5,0  5,0  5,0 

Stickprovsmedelvärdet  (     5,08  4,86  4,90  5,06  4,99  5,15  5,01  4,88  4,95  4,98  4,986 

 Tabell 4.2. Medelvärdet av samtliga stickprovsmedelvärden.  Här visas 10 olika urval. På rad ett, ”Urval 1” visas 10 slumpmässiga prisobservationer och längst till  höger har stickprovsmedelvärdet beräknats. Sedan har ytterligare nio urval gjorts där 10  prisobservationer har dragits i varje urval. Vid varje urval har ett stickprovsmedelvärde beräknats,  kolumnen längst till höger. Till sist har medelvärdet av alla dessa stickprovsmedelvärden beräknats  vilket i det här fallet blev 4 986 000 kronor vilket är väldigt nära det sanna medelvärdet på 5 000 000  kronor. Det här är kärnan i centrala gränsvärdessatsen, om ett tillräckligt stort antal urval (stickprov)  görs där stickprovsmedelvärdet beräknas kommer medelvärdet av alla dessa stickprovsmedelvärden  att bli populationens medelvärde. Om vi redovisar de 10 stickprovsmedelvärden i en frekvenstabell  kommer de att fördela sig runt populationens medelvärde på ett visst sätt, se figur 4.10.   Stickprovsmedelvärdet (  

5,0 

5,08 

  Antal medelvärden 

  Figur 4.10. Medelvärdet av samtliga medelvärden kommer vid många dragningar att få  formen av normalfördelning.    Här motsvarar varje kloss ett stickprovsmedelvärde. Vid dragning av oändlig mängd  stickprovsmedelvärden kommer de att fördela sig enligt den dragna linjen i figur 5.11. Fördelningen  kallas Students t‐fördelning med medelvärdet µ och spridningen  ⁄√ , där µ är populationens  medelvärde, s är standardavvikelsen i stickprovsmedelvärdet och n är antalet enheter i urvalet.  Fördelningens utseende varierar beroende på urvalsstorleken (n). Ju större n är desto mer kommer  den att likna normalfördelningen. Problemet är att vi enbart har ett urval och därmed enbart ett  stickprovsmedelvärde, vilket representeras av den röda klossen i figur 4.11.  

27   

Antal medelvärden 

5,0 

Stickprovsmedelvärdet (

 

  Figur 4.11. Om man inför ett intervall, d, så kan man täcka in populationens medelvärde.    Kom ihåg att vi inte känner till det sanna populationsmedelvärdet, så vi vet inte var i fördelningen  den röda klossen befinner sig. För att vi ska vara säkra på att det beräknade stickprovsmedelvärdet  (den röda klossen) täcker populationens medelvärde, införs ett intervall (d) runt  stickprovsmedelvärdet. I vårt exempel skulle d kunna vara 200 000 kronor. Det innebär att utifrån  stickprovsmedelvärdet på 5 080 000 kronor bedöms att populationens medelvärde finns i intervallet  4 980 000 – 5 180 000 kronor. Och eftersom vi i detta påhittade exempel känner till populationens  sanna medelvärde så vet vi att intervallet täcker detta.  Nästa fråga är hur stort intervallskattningen ska vara? Utan att gå in på hur formeln härleds kan d  erhållas med formeln,  2 ⁄√  . Med intervallet d går det med 95 % säkerhet anta att intervallet  täcker populationens medelvärde, dvs. 19 gånger av 20 kommer intervallet att täcka populationens  medelvärde.   Men varför 95 %? Varför inte ett större eller mindre intervall? Det finns inget bra svar på den frågan.  Det är en konvention som forskarvärlden använder. Vi skulle kunna ha ett mindre intervall och säga  att populationens medelvärde med 60 % säkerhet ligger inom ett intervall, men då skulle vi enbart  gissa rätt sex av tio gånger. Vi skulle även kunna ha ett större intervall och då säga att intervallet med  99 % säkerhet täcker intervallet. Nackdelen med den strategin är att intervallet blir så stort att det  blir meningslöst.  Hypotesprövning Hypotesprövning (Signifikanstest) är den tredje varianten att utifrån ett urval dra slutsatser om  populationen. Vid hypotesprövning vill man avgöra om ett påstående om populationen är sant eller  falskt. Förenklat består hypotesprövningen av fem moment  1. Ett påstående (en hypotes) görs. Det skulle kunna vara att populationens medelvärde är 5,0  miljoner kronor. En alternativ hypotes fastställs också. I det här fallet att populationens  medelvärde är skiljt från 5,0 miljoner kronor.  2. En teststorhet ska väljas som kan använda för att avgöra om påståendet (hypotesen) ska  avfärdas eller inte. En vanlig teststorhet är t=  μ ⁄ ⁄√  som har sitt ursprung i att  stickprovsmedelvärdet ( ) har en sannolikhetsfördelning som är Students t‐fördelad med  medelvärdet µ och standardavvikelsen  ⁄√ . Då vet vi att 95 % av gångerna kommer   att  28   

⁄√ . Nu kan vi genom linjär variabeltransformation3  hamna mellan μ t ⁄√  och μ utforma teststorheten t så att den med 95 % säkerhet kommer att vara mellan ‐t och +t, se  figur 4.12.    Antal t‐värden  Antal medelvärden 

   

‐t * 

√

 

 

Medel pris

  t * 

√

 

Figur 4.12. Linjär variabeltransformation 

  ‐t

t‐värdet

t

 

3. Nästa steg är att bestämma kritiska värden på t för att avgöra om vi ska avfärda hypotesen  eller inte. Det kritiska värdet beror på vilken säkerhetsnivå vi bestämmer och urvalets storlek.  I vårt exempel med 95% säkerhet och ett urval på 10 enheter gör att vi väljer kritiska värdet  2,23.   4. Sista steget är att göra ett urval och räkna fram t för att jämföra med satta gränsvärden. Åter  till vårt exempel. Anta att vi påstår att medelvärdet är fem miljoner, då är det vår hypotes. Vi  väljer att använda t som teststorhet och vi drar samma tio som vi drog allra först. Vi får då    lika med 5,08. Vi använder det i teststorheten och får värdet  μ ⁄ ⁄√ 5,08 5 / 0,68/√10 0,37.  5. Sista steget är att dra slutsatser om populationen, ska vi förkasta hypotesen eller inte? Och  eftersom 0,37 i det här fallet är mindre än det kritiska värdet 2,23 kan vi inte avfärda  hypotesen. Vi beslutar oss alltså för att populationens medelvärde är 5 miljoner kronor.  Låt oss sammanfatta. Med ett urval på 10 fastigheter med prisobservationer kan slutsatser dras om  marknadsvärdet i hela populationen i Norra Ängby. Punktestimering innebär att ett exakt värde på  uppskattningen av populationens medelvärde ges. Intervallskattning innebär att slutsatser är att ett  visst intervall täcker marknadsvärdet. Slutligen hypotestestning som innebär att bestämmer sig för  om ett påstående är korrekt eller inte.  Övriga metoder Två andra statistiska metoder är Chi‐två metoden och Teckentest. Chi‐tvåmetoden kan användas vid  analys av frekvenstabeller. Anta att hyresgästerna anser att tre typer av lägenheter är lika bra. 30  personer tillfrågas om deras åsikt om lägenheterna. Om lägenheterna är lika bra bör de 30  personerna fördela sina röster jämnt, dvs 10 personer per lägenhet. Om vi däremot noterar på att  lägenheterna väljs 9,9 och 12 personer går det med viss sannolikhet säga att hela populationen anser  att lägenheterna är olika attraktiva. 

                                                             3

Se kapitlets appendix.

29   

Teckentest är ett analysverktyg man kan användas när data inte är av intervallskala utan ordinal (dvs.  det går att rangordna men inte avgöra hur mycket några detaljer skiljer sig från varandra). Anta att vi  vill veta om hyresgästerna tycker att två typer av lägenheter är lika bra eller inte.  Hyresgästerna får  bedöma lägenheterna på en 1‐3 skala. Utifrån detta jämför vi och sätter plus på de som tycker att  den ena lägenheten är bättre än den andra. De som satta samma nummer på båda lägenheterna får  värdet noll. Det går då att påstå, med Y procents säkerhet, att populationen anser att lägenhet A är  bättre än lägenhet B.  4.2.2 Generalisering av beskrivande fråga med intensiv studie Det bästa sättet att erhålla generalitet är att använda extensiva studier enligt ovan. Men anta att det  bara finns ett fåtal fall? Det går även då att göra generaliseringar men de blir inte lika bra som vid  statistisk slutledning. Vid ett fåtal fall går det att göra ett strategiskt urval, dvs. välja aktivt vilka fall  som ska undersökas, istället för att låta slumpen avgöra vilka fall som ska inkluderas. Vid strategiskt  urval finns två vägar att gå, antingen ett urval baserat på hög representativitet eller ett urval baserat  på förväntningar.  Generalisering genom representativitet Representativitet innebär att fall väljs som anses på bästa sätt representerar populationen. Om vi  t.ex. vill undersöka fastigheters genomsnittspris i Stockholms innerstad kan två hus från  Kungsholmen, två hus från Södermalm och två hus från Östermalm väljas. Dessa har ungefär liknande  övriga egenskaper vad gäller ålder, kvalitet mm. Ju fler liknande egenskaper desto bättre. Vi kan med  fördel använda klusteranalys för att välja urval, se figur 4.13.   

Östermalm 

Södermalm 

Kungsholmen 

Analysenhet  Bomba 1  Punchen 12  Setuppen 4  Lineuppen 2  Skohornet 1  Häcklaren 34 

Område  Kungsholmen Kungsholmen Södermalm  Södermalm  Östermalm  Östermalm 

Prisobservation (kr)  150 miljoner  145 miljoner  142 miljoner  140 miljoner  155 miljoner  160 miljoner 

 Figur 4.13. Klusteranalys är ett sätt att dela upp fallen när flera egenskaper finns.  Då läggs ”lika” analysenheter i samma grupp. Observera att ”lika” inte behöver innebära att alla  centrala egenskaper är lika för analysenheter i samma grupp. Nu har vi fått ett urval som  ungefärligen representerar Stockholms innerstad och det är möjligt att beräkna ett medelvärde,  vilket här blir ungefär 149 miljoner.  Bästa sättet att få representativitet är ett strategiskt urval. Det finns dock två problem med  arbetssättet. För det första måste vi känna till populationens centrala egenskaper. För det andra  kanske de egenskaper vi känner till inte är relevanta för vår undersökning.  Generalisering genom förväntningar – ”Maximal och minimal sannolikhet4” Ett annat sätt att göra urval är att ta en analysenhet där sannolikheten är stor att ett fenomen  existerar. Vi ska bestämma kostnader för nedklottring generellt i Stockholm. Vi väljer att studera  kostnader i Fisksätra som är känt för stor nedklottring. Kostnaden där visar sig vara 1000 kronor per                                                               4

”Most different design system”, se Przewurski och Teune (1970).

30   

invånare och år. Då kan vi generellt säga att kostnader för nedklottring i Stockholm är lägre än 1000  kr per invånare och år.   På samma sätt kan vi göra ett urval där sannolikheten är låg för ett visst fenomen. Anta att vi vill få  en uppfattning om renoveringsbehovet för bostäder från miljonprogrammet. Anta att Bredäng är  känt för att extra bra material och byggnadsteknik användes vid produktion vilket innebär att  området med andra ord borde ha högre kvalitet än ändra områden byggda på 60‐ och 70 talet. Och  därmed borde sannolikheten för stora renoveringskostnader vara låga. Om det vid undersökning av  Bredäng visar sig att renoveringskostnader är höga, borde renoveringsproblemet generellt i Sverige  vara ett stort problem.  Nackdelen med generalisering med en intensiv studie jämfört med en extensiv studie är att det inte  går att kvantifiera sannolikheten. Metoden blir också svårtolkad om det förväntade utfallet de facto  är det man kommer fram till. Om man tänkt undersöka det generella problemet med klotter i  förorten och har som tes att klottret inte är speciellt utbrett, och väljer en förort där mycket klotter  förväntas finnas, och det visar sig att mycket klotter finns där, då är det svårt att dra slutsatser om  klotter är ett generellt problem eller inte.    

 

31   

5. Analys av förklarande fråga med både extensiv och intensiv studie. I det här kapitlet ska vi studera hur data kan användas för att besvara en förklarande fråga. Vi utgår  från det tidigare exemplet med boyta och betalda priser i Norra Ängby. För att kunna argumentera  för att boyta påverkar priser ska vi använda de fyra orsakskriterierna. Vi börjar med kontrafaktisk  skillnad och isolering genom att använda en extensiv studie. Vi använder därefter en intensiv studie  för att se på tidsordning och orsakssamband. 

5.1 Kontrafaktisk skillnad med extensiv studie Anta att vi har en stor mängd data på transaktioner av villor. I datan ingår priser och boyta. Vi börjar  analysen genom att markera data om boyta och prisobservationer för hela populationen i Norra  Ängby i ett diagram, se figur 5.1.      

40 000 Pris (Y) 

                Bostadsyta (x) 

   

Figur 5.1. Svarta linjen visar på bästa sätt, bättre än den blåa och röda, relationen mellan pris  och bostadsyta. 

Med boyta (x) på ena axeln och pris (y) på den andra axeln får vi observationer i form av små punkter.  Varje punkt motsvarar ett hus med boyta (x) som sålts till priset (y). Om vi studerar observationernas  inbördes placering verkar det finnas ett samband. Ju större boyta desto högre pris. Vi kan tydliggöra  sambandet med den heldragna svarta linjen. Vad vi kan konstatera är att den bättre än andra  alternativa linjer visar på sambandet mellan boyta och pris. Den blå linjen är brantare och den röda  linjen är flackare än hur punkterna breder ut sig i diagrammet. Nästa steg i vår strävan att finna  40 000 , se  kontrafaktisk skillnad är att härleda den svarta linjens funktion ekvation som är  figur 5.2.    

 

32   

  40 000    

Priser (Y) 

     

4,9  4,0 

         

100

   

Bostadsyta (x) 

Figur 5.2. Med regressionslinjen kan vi hitta ett samband mellan boyta och priser. Linjen  förklarar en stor del av denna förändring. 

Vi avstår i den här texten att förklara hur linjen härleds. Det är relativt komplicerat. Tolkningen av  ekvationen är att för varje ytterligare kvadratmeter boyta ökar husets pris med 40 000 kronor. Vi har  här ett argument för kontrafaktisk skillnad. Med ökad eller minskad boyta stiger eller sjunker priset  med en viss faktor.   Vi kan konstatera att nästan ingen observation ligger på linjen. Avståndet mellan linjen och faktiskt  utfall kallas för feltermen och är den del av priset som boytan inte lyckas förklara. Se observation i fig.  5.2, den röda punkten. Boytan är 100 kvm och huset såldes för 4 900 000 kronor. Vi kan med boytan  förklara, med hjälp av ekvationen, 4 000 000 kronor av priset. Övriga 900 000 kronor förklaras av  andra faktorer. Hur mycket av priset som förklaras av boytan, kan göras för samtliga observationer  och vi erhåller då boytans (och hela modellens) samlade förklaringskraft av priset. Det går att  beräkna förklaringskraften med hjälp av   modellen, vilket jag i den här texten inte beskriver.  Vi har nu två uttryck för om vår ekvation förklarar sambanden mellan boyta och priser på ett bra sätt.  Dels genom den kausala effekten, dvs. lutningen på linjen. Ju högre lutning desto större kausal effekt.  Och ju lägre lutning eller noll så är den kausala effekten liten eller obefintlig. Dels förklaringskraft, om  ekvationen förklarar hela prisförändringen eller delar av prisförändringen. Ju närmare linjen samtliga  observationer befinner sig desto högre förklaringskraft. I figur 5.3 visas exempel på låg kausalitet och  förklaringskraft samt hög kausal effekt och förklaringskraft.   

 

33   

  Prisnivå 

Prisnivå 

                 

boyta  boyta  Figur 5.3. Till vänster observationer som ger både låg kausalitet och låg förklaringsgrad.   Priset ändras inte när boytan ändras och 

=noll. 

Till höger observationer som ger hög kausalitet och hög förklaringsgrad.  Priset ändras när boytan ändras och 

=ett. 

5.2 Isolering med extensiv studie Vi vill veta om vi har fångat rätt faktor, är det boytan som påverkar priset? Eller är det något annat  som påverkar både boytan och priset i samma riktning, så att det tycks finnas ett samband mellan  dessa fast det inte gör det. För att göra den kontrollen tillför vi kontrollvariabler, dvs. ytterligare  faktorer som vi också tror påverkar priset förutom boyta. Om vi vid sådan körning får ingen eller liten  förändring på koefficienten för boyta, 40 000, kan vi anta att x är isolerat. Om däremot koefficienten  ändras mycket, finns det risk för att det inte är boyta som påverkar pris utan något annat.   Anta att vi i vårt exempel tillför kontrollvariabeln antalet badrum (z). Kanske är det så att antalet  badrum är väsentligt mycket viktigare än boytan och därmed är den faktor som förklarar  prisskillnader, vilket innebär att boytan enbart är en följd av antalet badrum. Vi behöver alltså  information om antalet badrum på samma sätt som vi har samlat information om boyta och priser. Vi  adderar sedan den faktorn till ursprungsekvationen och försöker även denna gång hitta en linje som  visar på sambanden mellan faktorerna. Vi får ekvationen  30 000 100000 .   Om vi jämför den ekvationen med den tidigare ekvationen, då vi hade enbart boyta som förklarande  faktor, ser vi att koefficienten för boytan har minskat från 40 000 till 30 000. Det innebär att när vi  kontrollerar för antal badrum, påverkar fortfarande boytan priset, nu med 30 000 kronor per  kvadratmeter. Hade faktorn minskat från 40 000 till 0 hade vi inte kunnat isolera boyta som  påverkande faktor på prisnivå. Det finns ett antal förklaringar till detta. Ett kan vara att sambandet  boyta och pris är spuriöst, dvs. det finns inget samband. Det verkar för otroligt. En alternativ  förklaring är att antalet badrum har en indirekt effekt på priset via husstorlek, se figur 5.4.   

 

34   

.    

Boyta  

Prisnivå   

Boyta  

Prisnivå   

   

Antal badrum 

Antal badrum 

    Figur 5.4. Till vänster exempel på ett spuriöst samband där antalet badrum påverkar både  boyta och prisnivå. Till höger exempel på indirekt effekt där boyta påverkar prisnivå via antal    badrum.  På det här sättet kan vi pröva om flera faktorer bör inkluderas i modellen såsom kvaliteten på  byggnaden (mått i taxeringspoäng), läget, storlek på tomt mm.  

5.3 Kausal generaliserbarhet Nu har vi gått igenom hur det är möjligt att utifrån data från en intensiv studie säga något om  kontrafaktisk skillnad och isolering. Men på samma sätt som i beskrivande studier handlar det oftast  om att säga något om en population utifrån ett urval. Vi har i avsnittet ovan förutsatt att vi har data  om hela populationen. Så är oftast inte fallet i praktiken utan vi har enbart en mindre mängd data,  ett urval. Återigen tänker vi oss exemplet med Norra Ängby, men denna gång har vi enbart ett urval  av observationer med boyta och priser, de rödmarkerade observationerna i figur 5.5. För att göra  förklaringen enklare utelämnar vi i det här stycket antal badrum.     

Pris 

                   

Bostadsyta  Figur 5.5. Populationen visar på ett samband mellan bostadsyta och pris medan urvalet visar  att så inte är fallet. 

På samma sätt som med hela populationen försöker vi finna en linje som på bästa sätt visar  sambandet mellan boyta och pris. Kom ihåg att den heldragna svarta linjen är den sanna relationen  35   

och den känner vi inte till. I det här fallet får vi fram den svartprickade linjen. Den visar på bästa sätt  hur de röda punkterna är fördelade i diagrammet. Linjen har ekvationen  30 000 . Vår slutsats  blir sålunda att om boytan stiger med en kvadratmeter stiger priset med 30 000 kr. Det stämmer inte  med den relation vi fick fram när vi har tillgång till hela populationen men är relativt nära. Och  framförallt säger den att det finns en kontrafaktisk skillnad. Vi ska därför nöja oss med att försöka  konstatera om det finns kontrafaktisk skillnad eller inte. Av den anledningen är vi intresserade av om  ekvationen är  0 . Hur ska vi kunna dra slutsatser utifrån vårt urval om populationens ekvation  är  0 ?   På samma sätt som vi använde oss av ett urval och centrala gränsvärdessatsen för att bestämma en  populations medelvärde gör vi på liknande sätt här. Det innebär att om vi kunde gör flera urval och  för varje urval beräknar ekvationen så skulle medelvärdet av alla dessa ekvationer, bli  40 000 .  Och återigen är problemet att vi bara gör ett urval. Av den anledningen gör vi en hypotestest och  säger att koefficienten är lika med noll.   1. 2. 3. 4.

Hypotes  Teststorhet  Kritisk värde  Slutsats 

Om hypotesen stämmer finns ingen kontrafaktisk skillnad. Vi beräknar en teststorhet, tar fram ett  kritiskt värde. Om vi då kan avfärda hypotesen har vi kontrafaktisk skillnad. Det leder för långt att i  denna text utförligen beskriva förfarandet utan jag hänvisar till texter om regressionsanalys. 

5.4 Orsaksmekanism och Tidsordningen med intensiv studie I och med ovanstående studier av Norra Ängby med extensiv studie har vi förhoppningsvis lyckats  isolera effekten av boyta på betalda priser. Vi är ännu inte klara med våra argument för att förklara  vad som påverkar priserna. För att fortskrida och få argument för tidsordning och orsaksmekanismer,  utför vi även en intensiv studie. Det innebär att vi väljer en eller flera av de försäljningar som skett  för att komplettera vår extensiva studie, se figur 6.6. I dessa fall gör vi djupare studier. Vi intervjuar  dem som var spekulanter. Vi vill höra deras argument för att köpa bostaden. Vi jämför ett antal köp  där villorna såldes för olika priser och den stora skillnaden var bostadsytan. Vi studerar budgivningen,  hur många som deltog. Hur buden stegvis ändrades. 

  Figur 5.6. Vi studerar ett antal fall och hur prisbildningen har skett.  36   

  Vi försöker finna en rimlig orsaksförklaring mellan bostadsytan och prisnivån, se figur 5.7. En större  bostad gör att fler är intresserade och därmed går på visning så är fler med i budgivningen vilket  leder till högre priser.    Boytans    storlek

Fler intresserade  köpare   

Fler går på  visning 

Högre  budgivning 

Högre       pris 

 

Figur 5.7. Orsaksmekanismer som leder till högre pris.  Men för att kunna argumentera för orsaksmekanismer behöver vi få orsaksförklaringar. Är det  verkligen så att på grund av boytans storlek så går fler på visning? Och att fler är med i budgivningen.  Det viktigaste ledet här är från boytan till fler intresserade. Övriga steg avstår vi från i den här texten.  De faller sig ganska naturliga. Är man intresserad går man på visning och är gärna med i budgivningen  och ju fler som är med i budgivning desto högre pris. Så hur argumenterar vi för att boytans storlek  gör att fler är intresserade av att köpa? Det kan förklaras med begreppen motiv och handling.              

Motiv   ‐ ‐

Föreställning  Avsikt 

Handling  

 

     

Figur 5.8. För att finna orsaksmekanismer söker både detektiven och forskaren efter motiv för    en handling.  Det innebär att varje handling kan förklaras med ett motiv på samma sätt som detektiven söker efter  ett motiv till ett mord. Motiv kan i sin tur delas upp i två faktorer. Dels en föreställning och en avsikt.  Låt oss studera det genom ett vanligt ”hederligt” mord: Fru Larsson har mördat sin man herr Larsson.  För att binda fru Larsson till mordet behöver polisen finna ett motiv, dvs. en föreställning och en  avsikt. Fru Larsson föreställde sig att Herr Larsson var otrogen och Fru Larsson ville sätta stopp för  det, hon hade en avsikt. Därför mördade hon Herr Larsson, handlingen.  På samma sätt som polisen söker hitta motiv för en redan konstaterad handling, söker även vi inom  forskningen för motiv till en redan skedd händelse. Men för att kunna belägga att det finns en  koppling mellan motivet och handlingen, ska vi på samma sätt som tidigare granska relationen  mellan motiv och handling enligt de fyra kausala kriterierna: kontrafaktiskt skillnad, isolering,  tidsordning och orsaksmekanism. 

37   

Om vi konstaterar att fler går på visningar (en handling) när huset är större så måste vi hitta motiv för  den handlingen. Motiven består dels i en föreställning hos köpare att ju större boyta desto högre  boendekomfort. Dels en avsikt hos köpare att söka en bättre tillvaro. För att bevisa den  orsaksmekanismen behöver vi få svar på fyra argument (du känner igen dem) på att handlingen är  kopplad till motiven.  5.4.1 Kontrafaktisk skillnad Här ska vi belägga att det var just motivet om att större bostad leder till ökad komfort  (föreställningen och avsikten) som ledde till handlingen att gå på visning. Det finns fyra sätt att  belägga motivet. Den främsta är motivering från aktören själv: ”Jag går på visning eftersom en större  boyta kommer att göra att min nytta ökar.” Ett annat sätt att belägga är allmänna motivutsagor: ”Vi  tycker om stora boytor och brukar köpa när tillfälle ges.” Ytterligare sätt att belägga motiv är andra  handlingar från samme aktör. Många har en tendens att bygga ut sina hus vilket tyder på att motivet  verkar rimligt. Eller andra aktörers handlingar och aktörers motiv för handlingar i allmänhet (så fort  det är stora hus till salu tror folk att de ska bli lyckligare genom att försöka köpa)  5.4.2 Isolering Men hur säkra kan vi vara att motivet till att gå på visning var boytan. Det finns säkert andra motiv  såsom läget, standarden, antal badrum mm. Ett sätt är att be intervjuade personer att rangordna  motiven för att se på styrkan hos vårt motiv. Ett annat sätt är att över tid se om ett visst motiv  återkommer och i så fall hur frekvent.  5.4.3 Tidsordning På samma sätt som tidigare är här viktigt att motivet kom före handling. Hur belägger man det. Det  bästa är om vi har någon källa som har hög samtidighet, dvs. källan var nära i tid av motivet och  händelsen. Om det inte går att belägga finns risk för efterrationalisering. Anta att någon har köpt ett  stort hus. Och anta att det var färgen på träfasaden som fick köparen att betala mycket. Det kan i  efterhand oövertänkt att låta en sådan mindre detalj påverka ens köp. Av den anledningen försöker  man i efterhand hitta argument varför dem betalade ganska mycket. ”Vi betalade mycket eftersom  huset är stort” Det vill säga det är en efterrationalisering.  5.4.4 Orsaksmekanism Har vi argument för kontrafaktisk skillnad, isolering och tidsordning för att ett visst motiv har utlöst  en viss handling, så har vi goda belägg för att förklara en handling. Men trots det kan handlingen  ändå bero på något annat än sökt motiv. Kan det vara så att både händelse och motiv finns, men den  international förklaringen (medvetna mänskliga beteendet) ändå inte var anledningen till att  händelsen inträffade.  Det här är ganska komplicerat. Låt mig förklara med en version på ett klassiskt exempel. Du och din  kompis bergsklättraren. Din kompis tappar greppet och han hänger i en ögla som är kopplad till dina  öglor. Det går inte att rädda din kompis. Om inte han kopplas loss för att falla till marken och dö,  kommer ni båda att falla till marken och dö. Du försöker därför lossa på hans rep för att han ska falla  utan att dra med dig. I den psykologiskt stressade situationen slinter du med handen och din kniv  skär av repet till din kompis. Han faller ned och dör.   I det här exemplet finns inget medvetet mänskligt beteende i att din kompis trillade ned. Du hann  inte genomföra din plan utan ett stresstillstånd gjorde att repet skars av och han föll till marken.  38   

Samma händelse i båda fallen men med en strukturell förklaring (icke medveten mänsklig) och en  avsiktlig förklaring (medveten mänsklig). 

Sammanfattning Låt oss sammanfatta. Vi samlar bevis för att boyta är den förklarande orsaken till prisökning genom  att i en extensiv studie peka på kontrafaktisk skillnad och isolering, och att i en intensiv studie peka  på tidsordning och orsakssamband.

Appendix Linjär variabel transformation Vi har den slumpmässiga variabeln stickprovsmedelvärdet ( ) som är normalfördelad med  väntevärde µ och standardavvikelse  ⁄√ , dvs  ~ μ, ⁄√ .  Vi vill transformera stickprovsmedelvärdet till teststorheten t som är standardiserat normalfördelad  med väntevärdet noll och standardavvikelsen 1. För att göra det definierar vi t som  μ ⁄ .  Vi har då gjort en linjär variabel transformation av ( ) till t.   Vi kan bevisa att t kommer att ha väntevärdet noll och standardavvikelsen 1, dvs. t~ μ ⁄ 1⁄ μ 1⁄ μ μ 0  VAR

μ ⁄

1⁄

μ

1⁄

0

⁄

0,1 . 

1. 

Antaganden vid antaganden om parametrar i en regressionsanalys För att kunna dra slutsatser om β utifrån ett framräknat b med hjälp av ett urval gör vi ett antal  antaganden:  1. Den oberoende faktorn (x) är av oss bestämda värden och därmed inte slumpmässiga.  2. Den beroende faktorn (Y) är slumpmässig med en viss fördelning, dvs. med ett bestämt väntevärde  och standardavvikelse.  3. Feltermen är fördelad oberoende av varandra.  4. Feltermens standardavvikelse är lika stor för samtliga nivåer.  5. Feltermen för varje nivå är normalfördelad.  Slumpvariablen (ɛ) får olika värden vid varje observation, se figur A1. Vad som är viktigt för att vi ska  kunna göra slutsatser om α och β är att slumpvariabeln har samma standardavvikelse oavsett  observation (homoskedastisk) och att den är oberoende (ej autokorrelerad), dvs. den påverkas inte  av värdet på andra slumpvariabler, se figur A2. Om dessa fel uppstår kan det bero på mätfel,  modellfel eller faktiska variationer i verkligheten.   

 

39   

   

Prisnivå (kr) 

Feltermen 

          Boyta  Boyta  Figur A1. Hetroskedacitet innebär att feltermens spridning är beroende av den oberoende    variabelns storlek.   

 

Prisnivå (kr) 

Feltermen 

             

Boyta 

Boyta 

Figur A2. Autokorrelation innebär att feltermen följer ett mönster där den är beroende av  tidigare feltermer. 

   



40   

6. Svaren (Inferensen) och osäkerheten Till att börja med är rekommendationen att en forskningsrapport tydligt ska försöka besvara sin  forskningsfråga. Men hur säkra kan vi överhuvudtaget vara på att det svar vi levererar stämmer?  Osäkerheten kan härledas ur de krav vi ställde på våra argument i kapitel fyra om hög nivå på  mätningar, intern validitet och empirisk generaliserbarhet, se figur 6.1.        

Construct 

Intern 

Validitet 

Validitet 

 

Resultatets 

 

styrka

   

Empirisk 

 

generaliserbarhet 

   

Figur 6.1. Osäkerhetsaspekter när forskaren vill säga något om ett fenomen.  

Om begreppen på ett tillfredsställande sätt motsvarar fenomenet och har mäts på ett korrekt sätt  har vi uppnått hög kvalitet på mätning (construct validitet). Om urvalet sedan är valt med omsorg  och slutsatser rent statistiskt har gjorts på ett bra sätt har vi erhållit hög empririsk generaliserbarhet.  Om vi då dessutom har lyckats argumentera för de fyra kausalitetskraven (kontrafaktisk skillnad,  isolering, tidsordning och orsaksmekanismer) har hög intern validitet uppnåtts. Om allt detta är  tillfredsställande har vi nått en god säkerhet i studien.  Men tyvärr kan vi inte vara säkra på att ha funnit sanningen även om ovanstående är uppfyllt, de  vetenskapliga metoder vi har presenterat har begränsningar. Vi ska därför undesöka svagheterna hos  induktion och deduktion. 

6.1 Problem med induktion Anta att vi påstår att alla svanar är vita eftersom vi har en mängd observationer för det påståendet.   Den naive induktivisten (uttryck lånat av Chalmers) påstår att vetenskapen föds ur observationerna  och att detta räcker, om vetenskapens mål är att göra generella påståenden. Hur vet vi att vi har  observerat tillräckligt många svanar? Hur många svanar måste vi observera för att kunna säkert säga  att alla svanar är vita? Räcker 100, 1000, 10 000? Frågan är omöjlig att besvara.   Vad induktivisterna gjorde för att i viss mån överbrygga problemet var att använda  sannolikhetsteorin. Med fler observationer borde sannolikheten öka för ett påstående är sant även  om populationen är oändlig. Men hur ska gränsen sättas för antalet observationer för att något ska  anses säkert? Inom statistik analys används oftast en 95 % konfidensintervall. Det innebär inte att vi  är säkra på vårt utfall en att vi har gissat rätt 19 gånger av 20, medan vi en gång av 20 har gissat fel.  41   

Det 95 % konfidensintervallet är godtyckligt satt, det finns inget vetenskapligt belägg utan skulle lika  gärna kunna vara 90 eller 99 %. Det här godtyckliga är en nackdel med induktionen.  Låt oss ta ett nationalekonomiskt exempel. Vi antar att vi vill säga något om alla transaktioner som  sker i världen och påstår att i samtliga fall görs dessa för att maximera nyttan hos en individ. Om vi  observerar 100, 1 000 eller 10 000 transaktioner, kan vi då säga att alla transaktioner kännetecknas  av individens nyttomaximering, och att alla människor i framtiden alltid kommer att härledas av  nyttomaximering. Den totala populationen blir därmed oändlig. Om vi relaterar 100, 1000 eller  10 000 observationer till denna oändliga mängd så blir kvoten i samtliga fall oändligt liten.  Slutsatsen  utifrån ovanstående resonemang är att vi inte kan säga något alls utifrån observationer, om målet  med forskning är att få fram sanningen.   Här finns ett val för vetenskapsmannen. Antingen, enligt rationalister, dömer man ut hela metoden  med induktion eftersom den inte når fram till sanningen. Eller så nöjer man sig med en viss osäkerhet,  enligt relativister. Min tolkning av vetenskapen är att vi bör sträva mot rationalism, men eftersom det  är svåruppnåeligt blir vi alla mer eller mindre relativister.  En annan kritik mot induktivismen är att den påstår att all vetenskap/teori kommer från  observationer. Vid en historisk tillbakablick på olika forskningsområden visar att så ofta inte varit  fallet. För att kunna göra rimliga observationer måste forskaren ha en viss teoretisk kunskap för att  kunna veta vilka observationer han/hon ska leta efter.  

6.2 Problem med deduktion Deduktion utgår från logiken där slutsatser bygger på premisser. Anta att alla människor kan välja  och antas göra val utifrån sitt eget bästa. Vi antar även att det endast finns en vara, en banan, som  kostar tio kronor. Individen har 100 kronor och spenderar alltid all sin inkomst på tillgängliga varor.  Förutsägelsen blir då att individen kommer att inhandla tio bananer. Om vi dessutom antar att  samtliga människor ställs inför samma situation kan vi förutsäga antalet inhandlade bananer. Vi har:  1. Premiss 1 – Nyttomaximerade individer  2. Premiss 2 – Budgetrestriktion   

Individerna kan välja och väljer det bästa.  Inkomst 100 kronor och pris 10 kronor. 

3. Slutsats – Individen köper X antal bananer. 

10 bananer kommer att konsumeras. 

Ovanstående kan även formuleras enligt deduktionens grundform:  1. Lagar och teorier  2. Initialvillkor  3. Förutsägelser och förklaringar  Styrkan i deduktionen är att om 1. och 2 stämmer är det omöjligt att påstå att 3. är felaktig.  Följaktligen ligger svagheten hos deduktionen i säkerheten hos lagar och teorier samt initialvillkor.  Lagar och teorier är påståenden, inom varje forskningsområde, som anses säkra. I en vetenskap som  fysik med relativt starka teorier blir deduktionen säkrare än t.ex. nationalekonomi med relativt svaga  teorier. Nationalekonomins svaghet ligger bl.a. i antagandet om rationella aktörer, dvs. alla aktörer  gör val som är bäst för de själva i alla situationer. Det har visats inom forskningsfältet Behavioural  Economics att individer i många sammanhang inte är rationella, se Kahneman (2013).  

42   

Även initialvillkoren innehåller osäkerhet som påverkar förutsägelsen. I exemplet ovan finns två  initialvillkor: vilken inkomst varje medborgare har samt vad en banan kostar. Förutsägelsen blir  beroende på storleken av de två villkoren. Lösningen är att inte bestämma initialvillkorens storlek  utan beskriva de som två vektorer som kan anta olika värden. Då kan man visa hur mycket  banankonsumtionen kommer att vara vid olika inkomst‐ och prisnivåer. Vi kan dock fortfarande inte  göra exakta förutsägelser eftersom vi inte exakt kan bestämma initialvillkoren.  

43   



7. Bidraget Slutligen ska vi utifrån vår frågeställning och vårt svar fundera på vilket bidrag vår studie har gett. Det  kan vara externt bidrag, dvs. till praktiker i branschen eller internt bidrag (kumulativitet) vilket avser  bidrag till teoribyggandet på området. För att kunna förklara hur det sker måste vi först beskriva vad  en teori är. Sedan hur den utvecklas genom bidrag från ny forskning.  Teori kan enkelt förklaras som en mängd påståenden. Den kan dels vara beskrivande, där påståenden  förhållanden görs. Den kan också vara förklarande där påståenden görs om kausala samband.  Nationalekonomin är både en beskrivande och förklarande teori. Den baseras bland annat på  beskrivande påståenden om individer: individer kan välja, individer önskar nyttomaximera mm. Den  baseras även på påståenden om företag: att de försöker vinstmaximera. Inom nationalekonomin är  ett förklarande påstående: att en marknad som kännetecknas av perfekt konkurrens utan externa  effekter kommer att tillverka en kvantitet som är samhällsekonomiskt effektiv.  Man kan se utvecklingen av teorier utifrån en mängd forskningsstudier som pekar åt samma håll, se  figur 7.1.   

+ + + + + + + + + + + + + + + + + +  + + + + + + + + + + + + + + + + + +    + + + + + + + + + + + + + + + + + +    + + + + + + + + + + + + + + + + + +    + + + + + + + + ‐ ‐ + + + + + + + + +  + + + + + + + + + + + + + + + + +     Figur 7.1. Många studier leder fram till en härskande kärna av påståenden. Den kärnan är    skyddad av ett hölje av hjälpande påståenden.  Här visar boxen till vänster de studier som genomförs i ett forskningsområde. Till höger illustreras  teorin inom forskningsfältet, en härskande kärna, den svarta cirkeln, och en mängd hjälpteser i den  yttre ringen. Pilen visar hur studier till vänster antingen stärker eller försvagar rådande teorier. Anta  att forskningsfältet är nationalekonomi och studierna till vänster studerar individers val. Ett plus  betyder att studiens slutsats följer nationalekonomins härskande teorier, att individer  nyttomaximerar. Vi har dessutom ett antal minustecken som motsäger teorin. Om vi skulle hålla oss  till Karl Poppers5 strikta syn på vetenskap ska sålunda hela teorin anses falsifierad dvs. bevisad osann  pga. några motsägande studier.  Imre Lakatos6 och Thomas Kuhn7 anser istället att man ska se en studie som en del i en större  struktur av studier. Det innebär att studier som stödjer rådande teorier stärker dessa. Och  observationer som motsäger teorin läggs i observationslådan. Kanske visar det sig att dessa  undersökningar inte håller i längden, de var dåligt utförda.   Eller så kanske nya hypoteser inom den härskande teorin uppstår. Inom nationalekonomin har det  visat sig att människor inte alltid agerar för att nyttomaximera. Utifrån den forskningen har  delområdet Behavioural Econoimcs vuxit fram som pekar på individers brister vid beslutsfattandet.                                                               5

Karl Popper är en av de mest inflytelserika vetenskapsteoretikerna under 1900-talet. Imre Lakatos är en av de mest inflytelserika vetenskapsteoretikerna under 1900-talet. 7 Thomas Kuhn är en av de mest inflytelserika vetenskapsteoretikerna under 1900-talet. 6

44   

Behavioural Economics har inte ersatt grundstenarna i nationalekonomins teori utan snarare berikat  den genom att förklara avvikelser. Men om avvikelserna blir fler kommer hela det teoretiska bygget  inom paradigmet att försvagas och paradigmet hamnar i en kris, se figur 7.2.      

För‐ 

Normal‐ 

Kris‐ 

Ny normal‐ 

Ny kris och  

vetenskap

vetenskap

revolution 

vetenskap 

revolution 

  Figur 7.2. Kuhns syn på vetenskaplig utveckling.    Här visas den vetenskapliga utvecklingen enligt Kuhn. Ämnesområdet börjar med en förvetenskap  där forskningen ännu inte har bestämt några tydliga teorier. Med ökad forskning når fältet en  normalvetenskap med en härskande kärna av teorier. Om många studier pekat mot  normalvetenskapen uppstår en revolution med, förhoppningsvis, ny normalvetenskap. Det  paradigmskifte som beskrivits ovan är ganska ovanligt, och stor del av forskningsarbetet handlar mer  om att förklara ännu ej testade frågor inom rådande teorier, se figur 7.3.            

Figur 7.3. Vita luckor i forskningens kärna. 

Teoretisk generaliserbarhet – hur väl bidrar studien till teorin? Vi ska här ge en kort beskrivning av teoretisk generalisering. Rent praktiskt kan vi se det som att vi får  drar slutsatser om en teoretisk population utifrån vårt projekt, vårt urval. Frågan är på vilken  abstraktionsgrad vår studie bidrar till teorin, se figur 7.4.   

 

45   

 

Teoretisk population:    Individers agerande     

Teoretisk population: Prisbildning på  fastighetsmarknaden generellt.  Teoretisk population: Prisbildning i Sverige.

   

Figur 7.4. Teorianknytning, som fall av teoretisk population, nederst deskrivptiv beskrivning, de  två övre stegen som bidrag till förklarande teori. 

  I det enklaste fallet kan vi med vår studie säga något om hur prisbildningen sker på  småhusmarknaden. Med en regressionsanalys tolkar vi att inkomstförändringar påverkar pris med  10 %. Kanske säger vår studie något om hur priser sätts på en marknad med olika starka aktörer. Vi är  då inne på asymmetrisk information och prissättning vilket är en del av nationalekonomin. Slutligen  kanske vi kan säga något om individers agerande generellt, den översta klossen i pyramiden.     



46   

References Bhattacherjee,  A.,  (2012)  Social  Science  Research:  Principles,  Methods  and  Practices.  University  of  South Florida Scholar Commons  Björnsson,  G.,  Kihlbom,  U.,  Tersman,  F.  och  Ullholm,  A.,  (1994)  Argumentationsanalys.  Natur  och  Kultur  Chalmers, A.F., (1995) Vad är vetenskap egentligen? Bokförlaget Nya Doxa.   Fangen, K., (2005). Deltagande observation. Liber  Flyvbjerg, B., Skamris Holm, M. and Buhl, S.,  (2002) Underestimating costs in Public Works Projects  Error or Lie? Journal of the American Planning Association Vol. 68, No 3.  Flyvbjerg, B., Skamris Holm, M. and Buhl, S., (2003) How common and  how large are cost overruns in  transport infrastructure projects? Transport Reveiws Vol 23, No 1, 71‐88  Kahneman, D. (2013). Tänka, Snabbt och Långsamt. Volante  Kahneman, D. and  Tversky, A. (1973) Availibility: A  Heuristic for  Judging Frequency and Probability.  Cognitive Phsychology 5 page 207‐232.  Körner, S. och Wahlgren, L., Statistisk Dataanalys. Studentlitteratur  Maltén A., (1998). Kommunikation och konflikthantering – en introduktion. Studentlitteratur  Murray, N. och Begler. D., (2009) Writing Dissertations & Theses. Pearson  Nijkamp P. and Ubbels B., (1999) How Reliable are Estimates of Infrastructure Costs? A Comparative  Analysis. International Journal of Transport Economics, 26, 23‐53  Salzman, D. and Zwinkels, R., (2013) Behavioural Real Estate. Duisenberg school of finance –  Tinbergen Institute Discussion Paper.  Teorell, J. och Svensson T. (2007). Att fråga och att svara. Liber AB  Thurén T., (2007). Vetenskapsteori för nybörjare. Liber AB  Wärneryd m fl. (1993). att fråga ? SCB Statistiska Centralbyrån 

47