Utvärdering av modell

Paneldata observerar flertalet individer, i detta fall olika län, över flera tidpunkter. Då länen antas ha individuella särdrag är det fördelaktigt att att tillämpa paneldata. Detta för att regressionsmodellerna kan då ta hänsyn till konstanta variabler som blivit utelämnade över tid och endast påverkar ett visst län. Ett exempel på en sådan variabel kan vara skillnader i investeringsvilja mellan länen. Dessa variabler som blivit utelämnade kan vara svåra att översätta i tal och göra anpassningsbara för att inkludera i regressionsmodellen. Paneldata gör det möjligt att använda fixed effects som knyter dessa utelämnade variabler till länen och antar att de påverkas av variabler inom länet. Detta stämmer inte helt överens med verkligheten, investeringsviljan i Gotlands län kan

påverkas av investeringsviljan i Stockholm då personer som bor i Stockholm åker på semester till Gotland över sommaren. Det kan då antas att random effects hade varit en bättre modell då den även tar till hänsyn för effekter mellan länen. Men, detta antogs kunna bidra till osäkerhet för estimaten då det skulle kunna innebära att Västerbottens län påverkas av Stockholms län, vilket inte är lika logiskt som tidigare exemplet Hausman-testet påvisade även att det inte går att anta effekter mellan länen, och att fixed effects var den bättre modellen.

Fixed effects-modellen gav estimat som stämde bra överens med de förväntade effekterna för de olika variablerna, endast arbetslöshet och befolkningstäthet gav omvända effekter då arbetslöshet gav positiv effekt på priset och befolkningstätheten gav negativ effekt. Det var även dessa två variabler som modellen menar har lägst signifikans, estimaten kan med större sannolikhet än övriga estimat vara fel. Utifrån antagandet att estimaten för arbetslöshet och befolkningstäthet är felskattade blir bedömningen att modellen skattat logiska koefficienter som finner grund i ekonomisk teori.

Jämförelsen mellan fixed effects, random effects och time fixed effects i ​Tabell 5 visar på

att estimaten mellan de olika modellerna blir snarlika och variablerna följer i princip samma positiva eller negativa riktning som i den valda fixed effects. Avviker från detta gör dock reporäntan, bolånetaket, hushållens skulder och invånare per kvadratkilometer för time fixed effects-modellen. Anmärkningsvärt är att bolånetaket i time fixed effects påstår öka priset med 332 procent. Detta är högst orimligt då bolånetakets införande motiverades av att hålla ner priserna, inte öka dem. Variabeln har även fått en stark signifikans vilket antyder att time fixed effect-modellen lider av specifikationsfel. Resultaten, variablernas positiva eller negativa påverkan på pris, är i fixed effects och random effects överensstämmande vilket tyder på att resultaten är robusta. De nationella variablerna, bolånetak och reporänta visar i time fixed effects fel tecken, detta kan tänkas bero på att de inte är lämpade för den typ av modell.

Ett problem som kan förekomma är omvänd kausalitet vilket innebär att förklaringsvariablerna är korrelerade med beroendevariabeln fast i motsatt riktning. Detta innebär att det snarare är Y-variabeln som förklarar skillnaden i en X-variabel,

istället för tvärtom – vilket är utgångspunkten för regressionsanalys. Om det upptäcks problem med omvänd kausalitet kan en instrumentvariabel appliceras till modellen för att eliminera eventuella problem. De variabler i modellen som misstänks kunna lida av detta problem är nybyggnation, reporänta och skuld. Nybyggnation skulle kunna tänkas vara en variabel som lider av omvänd kausalitet. Skulle priset på bostadsrätter öka, så är det troligt att det i sin tur skulle skapa incitament för byggnadsföretag att uppföra bostadsrätter för att kunna sälja till ett högre pris. Det kan alltså mycket väl vara så att istället för att det är nybyggnationen som påverkar priset, så priset som påverkar nybyggnationen.

Det kan även diskuteras om variabeln för reporänta lider av omvänd kausalitet genom att det är bostadsrättspriset som påverkar reporäntan och inte tvärtom, vilket modellen bygger på. Gällande reporäntan kan det tänkas att Riksbanken höjer denna för att bostadsmarknaden ska kylas ned, vilket innebär att bostadspriset blir en förklaringsvariabel åt reporäntan. Detta är inte särskilt troligt eftersom Riksbanken har låtit reporäntan förbli låg, trots att bostadspriserna har ökat kraftigt. Dessutom används reporäntan främst för att hantera inflationsmålet på två procent, samt att makrotillsynsverktyg har förespråkats för att kyla ned bostadsmarknaden istället för höjd reporänta. Skuld kan också tänkas lida av omvänd kausalitet eftersom ökade bopriser tvingar individer att ta större lån och därmed blir de mer skuldsatta. Det ökade priset är alltså inte motiverat av att belåningen ökar, utan belåningen är snarare motiverad av att priset har ökat. I regressionen antas fallet vara att priset motiveras av ökad belåning.

För att få mer representabla estimat skulle modellen kunna förbättras med att inkludera fler år längre bak i tiden. Detta hade gett modellen möjlighet att hitta än mer tydliga mönster i hur variablerna påverkar priset. Med flera år skulle det också gå att dela in regressionen i två olika tidsserier och jämföra dessa emellan, ifall det finns olika trender mellan tidsserierna. Andra förbättringar skulle kunna vara att inkludera fler, eller andra variabler. Exempel på sådana skulle kunna vara penningutbud eller individers finansiella tillgångar. Variabeln för skuld är i denna analys räknad som ett genomsnitt i riket multiplicerad med antal invånare i länet, detta tar inte hänsyn till att vissa län kan vara mer belånade än andra.