Pris/kvm i relation till avståndsvariabel

Diagram 2. Korrelationsdiagram för period “Före”

Under perioden “Före” går det att utläsa ur Diagram 2 att korrelationen mellan kvadratmeterpriset och avståndet till närmsta tågstation har ett negativt förhållande i Västra Ingelstad, medan man har ett positivt förhållande i Östra Grevie. Eftersom pendeltågsstationerna i varken Västra Ingelstad eller Östra Grevie fanns under denna period går det inte att påstå att den negativa korrelation som uppstår i Västra Ingelstad är kopplad till tågstationens avstånd. Dels förklarar detta den stora spridningen bland transaktionerna, men även för att det är så få transaktioner, vilket gör att resultatet måste tolkas med viss försiktighet då det saknas ett perfekt samband.

Diagram 3. Korrelationsdiagram för perioden “Under”

Under detta intervall har antalet transaktioner ökat kraftig till följd av att tidsperioden innefattar fler år. Transaktionerna har även en tydligare koncentration kring avstånden 0-1000 m och visar på ett starkare samband jämfört med föregående diagram. Trendlinjen för genomsnittet pekar fortsatt på en negativ korrelation medan trenden för Västra Ingelstad och Östra Grevie har skiftat positivt. I Östra Grevie finns det ett par transaktioner som ligger längre bort från de framtida pågatågsstationernas placering och resterande transaktioner. Detta påverkar då den genomsnittliga linjens lutning och ger ett resultat som visar en negativ korrelation mellan kvadratmeterpriset och distansen till tågstationen. Dock saknas dessa typer av transaktioner för Västra Ingelstad då det endast innefattar transaktioner inom en kortare radie till den framtida tågstation. Detta i sin tur bidrar till en positiv korrelation vilket kan vara bakgrunden till ett mindre representativt resultat.

Diagram 4. Korrelationsdiagram för perioden “Efter”

I detta diagram vänder korrelationen för Västra Ingelstad och Östra Grevie igen och för denna period upplever Västra Ingelstad en negativ korrelation för kvadratmeterpriset i förhållande till avståndsvariabeln. Resultatet för Östra Grevie visar denna gång på en positiv korrelation mellan kvadratmeterpriset och avståndet vilket inte är representativt för den förväntade lutningen. Detta beror på de 15-tal transaktioner som ligger väldigt nära stationen i Östra Grevie, på prisintervallet mellan 5 000-10 000 kr/kvm, då de har ovanligt låga värden jämfört med de andra transaktionerna för att ligga så pass nära stationen. Hade dessa extremvärden uteslutits från datan skulle trendlinjerna för Östra Grevie och genomsnittet följa samma korrelationsförhållande som Västra Ingelstad upplever, vilket är ett mer representativt resultat och visas i Diagram 5 nedan.

Diagram 5. Korrelationsdiagram för perioden “Efter” med uteslutna extremvärden.

5.5 Regressionsanalys

Regressionsmodellerna är gjorda efter tre uppdelade tidsintervall som representerar de fem faserna som Yen et al. (2018) identifierar. Fas ett är under tidsintervallet “före” år 2003-2004, då det började spekuleras om stationen. Fas två, tre och fyra är sammansatta under tidsintervall “under” år 2005-2014, som innehåller allt från fallstudier, till finansiering och byggprocessen. Sista tidsintervallet “efter” sträcker sig mellan år 2015-2018 förklarar perioden då stationen stod klar och invigdes, samt några år efter att stationen sattes i bruk. Istället för att identifiera varje enskild fas för sig kommer dessa fem faser att samlas ihop till tre tidsintervall. Uppdelningen i tre tidsintervall var nödvändig på grund av de bristande antal transaktioner för småhus under den angivna perioden som behandlas i undersökta tätorter. För varje tidsintervall har två regressionsmodeller gjorts för att få fram värden utav utvalda variabler, en modell utan distansvariabeln samt en modell som inkluderar variabeln. Normalitetstest och multikollinearitet kommer bara kortfattat redovisas för varje regressionsmodell, för ytterligare information se Bilagor.

Ur databasen har därefter relevanta fastighets- och områdesanknutna attribut valts ut, de attribut som valdes var boarea, tomtarea, byggår samt distans till tågstation med hänvisning till Yen et. al (2018).

Normalitetstest kommer att göras för samtliga regressionsmodeller för att undersöka ifall transaktionsdatan är normalfördelad. Eftersom antalet observationer varierar mellan de olika tidsperioderna kommer två olika normalitetstest att appliceras. I de fall där antalet observationer är större än 50 kommer Kolmogorov-Smirnov-testet att köras, och i de fall där antalet observationer är lägre än 50 kommer Shapiro-Wilk-testet att användas. Tolkandet utav resultatet är dock detsamma, visar testerna signifikansvärden över 0,05 är materialet normalfördelat (Djurfeldt et al. 2010).

Även den inbördes korrelationen mellan de förklarande variablerna, dvs. multikollinerariteten, kommer granskas för att kontrollera så att variablerna inte är för högt korrelerade med varandra. Korrelationen kommer undersökas med hjälp av Pearson’s r och bör understiga 0,8 alternativt överstiga -0,8.

Före (2003-2004)

Tabell 2. Regressionsresultat för perioden 2003-2004. Signifikans på 95%-nivån uttrycks med *.

“Före”-perioden som visas ovan, mellan 2003-2004, består av 39 observationer som för perioden visar värden på 63,9 % i R2 för Modell 1 och 64% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 60,7% och Modell 2 ett värde på 59,6%. De utvalda attributen

förklarar alltså bostadspriserna till ca 60%. Vad gäller distansvariabeln så är denna inte signifikant, vilket är förväntat då stationen inte fanns under detta tidsintervall. Därav hade tågstationen inte någon signifikant inverkan på bostadspriserna. T-värdena för resterande förklarande variabler byggår, boarea, och tomtarea i både Modell 1 och 2 ligger alla över 1,96 vilket betyder att variablerna är signifikanta på minst 95%-nivån.

För både Modell 1 och Modell 2 valdes normalitetstestet Shapiro-Wilk eftersom antalet observationer var mindre än 50. Detta resulterade i att båda modellerna hade normalfördelade residualer. Dessutom visade korrelationstestet Pearson’s r att ingen multikollinearitet fanns mellan de förklarande variablerna i varken Modell 1 eller Modell 2. Hänvisar till bilaga 1 för vidare information.

Under (2005-2014)

Tabell 3. Regressionsresultat för perioden 2005-2014. Signifikans på 95%-nivån uttrycks med *.

För “Under”-perioden som visas ovan, mellan 2005-2014, innehöll 178 observationer. Perioden visar på lite lägre R2 samt justerade R2 värden i båda modellerna gentemot före-perioden med värden på ungefär 58% i R2 för modell 1 och 53,4% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 52% och Modell 2 ett värde på 52,4%. De utvalda attributen förklarar alltså bostadspriserna till ca 52%. Vad gäller distansvariabeln så är denna inte signifikant då banan fortfarande inte fanns under denna period, eller så var den under konstruktion i den senare delen av intervallet. T-värdena för resterande förklarande

variabler byggår, boarea, och tomtarea ligger alla på över 2 förutom variabeln byggår vilket betyder att de två resterande variablerna är signifikanta på minst 95%. Regressionskoefficienten för distansen i Modell 2 är -104 231 vilket säger att ju längre ifrån stationen man kommer, desto mer sjunker värdet för transaktionspriset.

Då antalet observationer var betydligt fler än i tidigare tidsperiod valdes istället Kolmogorov-Smirnov-testet som lämpar sig bättre som normalitetstest vid fler observationer än 50. Testet visade på normalfördelade residualer i båda regressionsmodellerna. Vidare pekade korrelationstestet på att ingen multikollinearitet fanns bland observationerna. Hänvisar till bilaga 2 för ytterligare information.

Efter (2015-2018)

Tabell 4. Regressionsresultat för perioden 2015-2018. Signifikans på 95%-nivån uttrycks med *.

För efter-perioden som visas ovan, mellan 2015-2018, innehöll 88 observationer. Perioden visade på lägre R2 samt justerade R2 värden i båda modellerna gentemot de två tidigare perioderna med värden på 45,4% i R2 för Modell 1 och 46,8% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 43,5% och Modell 2 ett värde på 44,2%. De utvalda attributen förklarar alltså bostadspriserna till ca 44%. Vad gäller distansvariabeln så är denna inte signifikant. T- värdena för resterande förklarande variabler byggår, boarea, och tomtarea ligger alla på över 2 förutom variabeln Byggår vilket betyder att resterande två variablerna är signifikanta på minst 95%. Regressionskoefficienten för distansen i Modell 2 är -62 074

vilket, liksom tidigare, säger att ju längre ifrån stationen man kommer, desto mer sjunker värdet. Dock är regressionskoefficienten för avståndsvariabeln nu lägre jämfört med den förra perioden, se tabell 3.

Antalet observationer för denna periodens två regressionsmodeller var högre än 50 och därmed valdes Kolmogorov-Smirnov-testet. Testet visade på icke-normalfördelade residualer vilket leder till att resultaten från dessa regressionsmodeller måste tolkas med försiktighet. Modellerna visade i övrigt inte ha några problem med för högt korrelerade variabler. Hänvisar till bilaga 3 för ytterligare information.