Metodavsnittet börjar med en kort bakgrund till valet av difference-in-differences metoden.
Därefter presenteras metoden följt av hur regressionerna kommer att genomföras.
Tidigare studie som har analyserat den ekonomiska effekten av ett stort idrottsevenemang utifrån de två aspekterna sysselsättning och gästnätter har inte använt difference-in-differences metoden. Användning av faktorerna sysselsättning och gästnätter är däremot återkommande i tidigare studier. Valet av metod baseras på att metoden inte är tillämpad i denna typ av studier och den anses därför lämplig att implementera. Metoden kan anses enkel för att kunna finna kausala effekter, tillvägagångssättet är ett okomplicerat sätt att mäta hur en händelse kan leda till en effekt. Det krävs att den så kallade kontrollgruppen inte har varit med om samma sak som behandlingsgruppen för att metoden ska vara användbar och för att slutsatsen ska visa ett gångbart resultat (Borjas, 2013). CGE modellen kräver ett större åtagande där även andra variabler behöver inkluderas. Tidigare studier har använt sig av olika modeller för att se på de ekonomiska effekter som kan uppstå till följd av ett större idrottsevenemang. Bland annat har studier gjorts med CGE-, ARMA(p,q)- och fasta effekts modeller. Difference-in-differences är en metod som används för att studera de förändringar som uppstår till följd av en specifik händelse. För att kunna använda metoden difference-in-differences används data för en behandlingsgrupp som sedan jämförs mot en kontrollgrupp. I denna studie kommer Dalarnas län att vara behandlingsgruppen och kontrollgruppen är Värmlands län som inte har anordnat ett större idrottsevenemang under denna tidsperioden. Om det sedan uppkommer en ekonomisk effekt kan den upptäckas genom att jämföra hur de båda grupperna förändras efter genomförandet. Genomförandet i denna studien blir världsmästerskapen i skidor 2015 och målet är att hitta någon ekonomisk effekt utifrån de två aspekterna sysselsättning och gästnätter.
Vid difference-in-differences metodens beräkning förutsätter man att skillnaden mellan behandlingsgruppen och kontrollgruppen är kontinuerlig över tid vilket är den parallella trenden. Detta visas i figur 6 nedan. DL= Dalarnas län. VL= Värmlands län.
Figur 6. Exempel parallella trender. Illustrerar hur skillnaden mellan behandlingsgrupp och kontrollgrupp bör se ut över tid.
Egenskapad (2020)
Punkt DL till DL visar trenden som antas vara utan någon behandling, i detta fall utan att vara arrangör av VM för Dalarnas län. Punkt DL till DL´ visar trenden som förväntas uppstå till följd av VM, vilket även kommer att vara difference-in-differences effekten. Punkt VL till VL visar trenden för kontrollgruppen, Värmlands län. För att kunna använda denna metod krävs det att den data som används visar på parallella trender. Om det visar sig vara en stor skillnad efter behandlingen tyder det på att världsmästerskapet har stor effekt. I avsnitt 4.2 Urval av region presenteras den valda regionen Värmlands län med en motivering till varför den regionen kan tänkas visa en liknande trend som Dalarnas län.
Den empiriska strategin är att det kausalt går att mäta effekten av VM. Placeringen av världsmästerskapet i Falun kan beaktas som en exogen chock då beslutet att Falun är värd fastställts av en internationell organisation. Utvecklingen i de två regionerna som studeras skiljer sig åt och visar på en skillnad som kan bero på världsmästerskapet. Ett antagande utifrån detta är att sysselsättning och gästnätter inte är beroende av VM och således kan effekten identifieras.
Figur 7. Identifikation av empirisk strategi för att undersöka sambandet.
Egenskapad (2020).
Grundmodellen som kommer att användas för om möjligt påvisa ekonomiska effekter ser ut enligt följande:
𝑌 = 𝛽!+ 𝛽"𝑋# + 𝛽$𝑇#+ 𝛽%(𝑋# ∗ 𝑇#) + 𝒳 + 𝜀
Y är beroende variabeln, sysselsättning och gästnätter.
De förklarande variablerna som används i regressionen är:
- VM respektive inget VM.
- Län, Dalarnas län eller Värmlands län - Interaktion mellan VM och län.
När X=1 (i) VM period. När X=0 (i) Inget VM. Variabeln behandlas som en exogen chock som inte är korrelerad med den beroende variabeln.
Behandlingsvariabel för län: Dalarna, T=1 Värmland (kontrollgrupp) T=0. Denna variabel kommer hjälpa till att visa vilket län vi är i.
Interaktion: (𝑋#∗ 𝑇#). Dalarna, under VM period=1. Dalarna & Värmland inte VM period= 0
𝛽! är skärningspunkten
𝛽" & 𝛽$ = koefficienterna för de förklarande variablerna VM och län.
𝛽% = Difference-in-differences skattning, som ska visa på effekten av världsmästerskapen i skidor år 2015 och som är den kausala effekten.
𝜀 är fel termen, i = en av undersökningsgrupperna.
𝒳 = Kontrollvariabler
𝑌'('')*'ä,,-#-. = 𝛽!+ 𝛽"𝑉𝑀#+ 𝛽$𝐿Ä𝑁# + 𝛽%(𝑉𝑀# ∗ 𝐿Ä𝑁#) + 𝒳 + 𝜀
𝑌.ä',-ä,,)/ = 𝛽!+ 𝛽"𝑉𝑀#+ 𝛽$𝐿Ä𝑁# + 𝛽%(𝑉𝑀# ∗ 𝐿Ä𝑁#) + 𝒳 + 𝜀
De förklarande variablerna ska visa effekten av VM som anses vara en exogen händelse och inte vara korrelerade med varandra.
Hypotesen är att när VM går av stapeln så skapas det en ekonomisk effekt på sysselsättning och gästnätter. Nollhypotesen: 𝐻!: 𝛽% ≥ 0.
Den kausala effekten som uppstår i samband med VM blir:
= [(Sysselsättning (Y) | Dalarnas län (T=1), VM period (X=1)) – (Sysselsättning (Y) | Värmlands län (T=0), VM period (X=1))] – [(Sysselsättning (Y) | Dalarnas län (T=1), Inget VM (X=0)) – Sysselsättning (Y) | Värmland län (T=0), Inget VM (X=0))]
Respektive:
= [(Gästnätter (Y) | Dalarnas län (T=1), VM period (X=1)) – (Gästnätter (Y) | Värmlands län (T=0), VM period (X=1))] – [(Gästnätter (Y) | Dalarnas län (T=1), Inget VM (X=0)) – Gästnätter (Y) | Värmland län (T=0), Inget VM (X=0))]
Det är viktigt att betona att det även finns andra betydande faktorer som kan förklara utfallet efter att regressionen har genomförts. Det kan inte uteslutas att det bara är VM i skidor som visar på resultatet. Därför kommer regressionen med sysselsättning även att utföras tillsammans med en kontrollvariabel som är nystartade företag. Det kan tänkas att det finns en stark korrelation mellan sysselsättning och nystartade företag. Även gästnätter skulle kunna tänkas påverkas av nystartade företag, då nystartade företag skapar aktivitet i regionen. I och med att den data som brukas för nystartade företag är på kvartalsbasis går det inte att inkludera den i regressionerna med gästnätter i detta fall. Ett problem som kan tänkas uppstå i samband med att kontrollvariabeln inkluderas är multikolinjäritet. Multikolinjäritet innebär att två variabler har en hög korrelation och visar det sig att korrelationen är över 0,8, behöver man göra något åt det (Westerlund, 2005). För att kolla om variablerna som används i denna studie har detta problem kommer en korrelationsmatris att göras. Skulle det visa sig vara hög korrelation mellan variablerna kan det vara svårt att urskilja effekten från de enskilda variablerna.
I figur 4 kan vi se att den data som används för gästnätter i Dalarnas- och Värmlands län inte följer den parallella trenden som bör finnas för att kunna använda difference-in-differences metoden. I figur 4 identifieras en tydlig regelbunden säsongsvariation. Varje år sker en ökning under månad 2 i Dalarnas län men inte i Värmlands län. Även i figur 5 för sysselsättning kan vi se en viss säsongsvariation som framförallt utmärks mellan kvartal 2–3. Utvecklingen mellan regionerna skiljer sig åt och förändringen påverkas antagligen inte bara av världsmästerskapet.
Detta blir därmed ett problem när den valda metoden används. För att hantera detta problem inkluderas 3 stycken säsongsdummyvariabler i regressionerna för sysselsättning och 11 stycken
säsongsdummyvariabler i regressionerna med gästnätter. Detta innebär att intercept termen fortfarande finns kvar i modellen och att ett kvartal respektive en månad utelämnas som inte är en dummyvariabel. Det sista kvartalet respektive den sista månaden blir därmed en referensperiod som sedan kan jämföras med värdena på säsongsdummyvariablerna. Det finns dock ytterligare ett problem som kan uppstå här, säsongsvariationen mellan regionerna sammanfaller med VM perioden vilket illustreras i figur 4. Vilket kan betyda att om en effekt skulle finnas kan den tänkas försvinna när dummyvariablerna inkluderas. Trots detta antagande används en modell med dummyvariabler för att undersöka om det finns en ekonomisk effekt.
Tabell 6. Dummyvariabler i regressioner med sysselsättning som beroende variabel.
Tabell 7. Dummyvariabler i regressioner med gästnätter som beroende variabel.
I dataprogrammet Stata körs alla presenterade modeller (totalt 12 stycken, 8 med beroende variabel sysselsättning och 4 med beroende variabel gästnätter) två gånger. Den första regressionen innehåller den exakta period som VM arrangerats. I andra regressionen räknas ett kvartal innan och ett kvartal efter VM in för sysselsättning, och för gästnätter räknas två månader innan samt två månader efter mästerskapet in i VM-perioden. Detta görs för att involvera en längre tidsperiod i regressionen som om möjligt kan visa på en ekonomisk effekt.
Ett större idrottsevenemang förväntas inte bara kan ge utslag under de exakta datumen som
mästerskapet är. Resultaten från de olika regressionerna kan jämföras med varandra.
Sysselsättningen kan tänkas ha en effekt både före och efter VM, medan gästnätter inte förväntas visa någon effekt direkt innan eller efter mästerskapet.
Period som räknas till VM-period i första rundan regressionen körs:
- Sysselsättning kvartal 1 år 2015 - Gästnätter månad 2 och 3 år 2015
Period som räknas till VM-period i andra rundan regressionen körs:
- Sysselsättning kvartal 4 2014-kvartal 2 år 2015 - Gästnätter månad 12 år 2014-månad 5 år 2015