Är vissa grupper mer rädda för att bli smittadeav covid-19? : En kvantitativ studie som jämför rädsla och beteendemönster hos studenter under pandemin

Är vissa grupper mer rädda för att bli smittade

av covid-19?

En kvantitativ studie som jämför rädsla och beteendemönster hos studenter under pandemin.

Författare: Daniel Fridlund och Noah Tynnerström (Födelsedatum – 870404 - 970510)

Hösten 2020

Kandidatuppsats, grundnivå 15 hp Ämne: Nationalekonomi

Handelshögskolan vid Örebro universitet Handledare: Dan Johansson

Sammanfattning

Den här uppsatsen använder sig av riskpreferenser, förväntad nyttoteori, prospektteori och altruism för att undersöka hur olika gruppers rädsla och beteendemönster skiljer sig under pandemin. Tidigare forskning visar att kvinnor är mer riskaverta och anser att covid-19 är ett större hälsoproblem i jämförelse med män. Därför kan skillnader finnas mellan könen i frågor som rör rädsla och beteendemönster under covid-19.

Uppsatsen undersöker även skillnader mellan utbildningar. Ekonomistudenter har tidigare visat sig vara mer risksökande samt mindre altruistiska, något som kan ha en påverkan för hur de agerar och känner för viruset.

Andra variabler som undersöks är bland annat utbildningsnivå, ålder, civilstånd och arbete. För att hitta eventuella samband gjordes en enkätundersökning för studenter som studerar vid Örebro universitet. Analysen baseras på svar från 191 studenter med varierande spridning mellan olika utbildningar.

Resultat visar att kvinnor är mer rädda för att bli smittad av covid-19 i jämförelse med män, dock har beteendemönstet mellan könen ändrats likvärdigt.

Undersökningen visar även att ekonomistudenter är mindre rädda för att bli smittade samt har ändrat sitt beteendemömster i mindre utsträckning i jämförelse med övriga studenter.

Innehållsförteckning

1. Inledning ... 1

1.1 Introduktion ... 1

1.2 Syfte ... 2

1.3 Metod ... 3

1.4 Etik ... 3

1.5 Avgränsning ... 4

1.6 Disposition ... 4

2. Teoretisk bakgrund ... 4

2.1 Riskpreferenser ...4

2.2 Den förväntade nyttoteorin ... 6

2.3 Prospektteori ... 6

2.4 Altruism ... 7

3. Tidigare forskning ... 7

3.1 Covid-19 ... 7

3.2 Risk ... 8

3.3 Altruism ... 9

4. Data ... 10

4.1 Population och ram ... 10

4.2 Datainsamling ... 10

4.3 Utbildning ... 12

4.4 Utformning av enkät ... 13

4.5 Internt bortfall ... 15

4.6 Data från undersökningen ... 16

4.7 Validitet och reliabilitet ... 20

5. Empirisk strategi ... 21

5.1 Regressionsanalys ... 21

5.1.1 Ordinary Least Squares ... 21

5.1.2 Ekonometrisk modell OLS ... 21

5.1.3 Ordered Probit ... 22

5.1.4 Ekonometrisk modell Ordered probit ... 22

5.2 För- och nackdelar för estimeringsmetoderna ... 23

5.3 Nollhypotes ... 23

5.4 Test för heteroskedasticitet ... 24

6. Resultat ... 25

6.1 Regressionsanalys ... 25

6.1.1 Ordinary Least Squares ... 25

6.1.2 Ordered probit ... 28

7. Diskussion och slutsats ... 30

7.1 Framtida forskning ... 32

8. Referenslista ... 33

Appendix ... 40

Tabellförteckning

... 12

... 18

... 18

... 19

... 24

... 25

... 28

Figurförteckning

... 16

... 17

... 40

... 44

1. Inledning

1.1 Introduktion

År 2020 har präglats av den pandemi som orsakats av virussjukdomen covid-19. Olika strategier har tillämpats i olika länder för att minska spridningen av sjukdomen där en del av länderna valt att införa hårdare restriktioner och stänga ned sina samhällen i olika grad. Länder kan skilja sig i hur kraven utformats och för vilka typer av platser restriktioner är gällande. Sverige är ett av länderna som valt att överlåta ett större ansvar på befolkningen där individerna i samhället förväntas att följa de rekommendationer som ges av myndigheter, där restriktionerna och lagarna varit mindre omfattande än de länder som valt att stänga ned sina samhällen. Folkhälsomyndigheten nämner att kommunikationen till befolkningen är en av de centrala delarna i arbetet mot viruset, något som förväntas ha en bättre effekt i Sverige än i andra länder då det i Sverige finns en hög grad av tillit till myndigheter

(Folkhälsomyndigheten 2020d; Regeringskansliet 2020).

Beteendet hos befolkningen påverkar den egna hälsan och smittspridning i samhället. En undersökning visar att svenskar tror att sannolikheten att bli smittad ligger mellan 25-55 procent beroende på när under år 2020 enkäten besvarades (Kantar Sifo 2020). Samma rapport nämner även att över en tredjedel är oroliga för de konsekvenser som covid-19 orsakar för individen och dennes familj. McClesky och Gruda (2020) menar att

förlustaversion kan bidra till att förklara beteendet under pandemin. Förlustaversion grundar sig på att människor är känsligare vid förluster och påverkas mer negativt, i förhållande till vinster av samma storlek, utifrån en given referenspunkt (Tversky & Kahneman 1992). McClesky och Gruda (2020) menar att den potentiella förlusten av att bli sjuk i covid-19 är en tänkbar risk i relation till det sociala och ekonomiska utbytet som fås av bland annat arbetslivets aktiviteter. Avvägningen kan innefatta känslor av rädsla för att den egna hälsan drabbas allvarligt. En annan faktor som kan förklara beteendet innefattas av altruistiska incitament. Folkhälsomyndigheten (2020b) nämner att endast 0,1 procent av de individer som är yngre än 70 år riskerar att dö av sjukdomen, där risken ökar gradvis med åldern. Eftersom risken för att drabbas allvarligt av viruset statistiskt sett är låg hos yngre individer, kan rädslan för att förlora en äldre släkting vara en faktor som upprätthåller det restriktiva beteendet hos individer. Det negativa utfallet av att sprida viruset kan vägas mot den nyttan som fås av exempelvis sociala sammanhang.

En ytterligare faktor grundar sig på rädslan för att bryta normer och regler. Arnett (1992) menar att benägenheten för risk grundar sig i inneboende känslor samt normativa och kulturella restriktioner. Dessa restriktioner kan tona ner viljan att ta risker.

Den 13 november visar statistik från Folkhälsomyndigheten (2020c) att ungefär 520 000 individer smittats av viruset i Sverige, varav 10 185 av dessa dött av covid-19.

Siffror vid tillfället visar att 54 procent av de döda är män samt 46 procent kvinnor, dock intensivvårdas dubbelt så många män i jämförelse med kvinnor. Män kan antas vara mindre riskaverta i jämförelse med kvinnor, då män utifrån ett kulturellt uppförande, kan sägas leva ut sina känslor i högre utsträckning. Något som bekräftas av Galazzo et al. (2020) då tidigare forskning visar att kvinnor generellt följer restriktioner i högre utsträckning. Tidigare studier visar även att kvinnor är mindre riskaverta i jämförelse med män (Byrnes, Miller & Schafer 1999), samt påverkas mer negativ vid en förlust (Rau 2014). Forskning visar att kvinnor generellt är mer rädda för döden, både att förlora sitt eget liv eller en närståendes, i jämförelse med män (Neimeyer, Bagley & Moore 1986; Robbins 1990). Därför kan kvinnor antas var mer rädda för covid-19, eftersom förlusten av att bli smittad eller att smitta sin omgivning kan påverka kvinnor mer.

Med en enkätundersökning som lagts upp i gruppen “Dom kallar oss studenter” är avsikten att förstå om rädsla för covid-19 skiljer sig mellan könen. Ett annat område som uppsatsen vill undersöka är skillnader mellan utbildningar. Frank och Schulze (2020) visar att

ekonomistudenter är mindre altruistiska. Ekonomistudenter agerar i större utsträckning utifrån eget intresse, som ger negativa effekter på andra individer, i jämförelse med övriga studenter. Zhou (2013) visar även att ekonomistudenter är mer risksökande i jämförelse med övriga studenter. Forskningen antyder på skillnader mellan ekonomistudenter och övriga studenter i rädsla och beteendemönster.

1.2 Syfte

Uppsatsen vill undersöka skillnader i rädsla och beteendemönster mellan grupper under covid-19 pandemin. Två huvudgrupper som undersöks är skillnader mellan kvinnor och män samt ekonomistudenter och övriga studenter.

1.3 Metod

Data för uppsatsen baseras på svar från webbenkäter som besvarats av studenter vid Örebro universitet. Resultaten som framställs i uppsatsen är baserade på primärdata som lämnats i enkäterna. Författarna till den här uppsatsen har utformat enkäten med ett formulär i Google Drive. Utgångspunkten var en annan enkätundersökning som undersökte riskpreferenser hos den svenska befolkningen under coronapandemin (Carlsson & Lindzén 2020). Enkäten granskades och kommenterades av den tillförordnade handledaren för uppsatsen. Vid ett senare tillfälle bedömde den tillförordnade handledaren i samråd med andra handledare enkäten vara klar. Innan webbenkäten publicerades utfördes en pilotstudie av ett fåtal individer, även dessa ansåg att enkäten var färdig.

Enkäten besvarades av 195 studenter, analyser kunde göras på 191 av dessa efter ett bortfall på 4 enkäter. Det externa bortfallet innefattar individer som inte kan eller vill svara på enkäten, något som författarna till studien inte kan avgöra eftersom endast fullständiga enkäter återfås. Det program som användes för att ta fram grafer och regressioner för vidare analyser är Stata, ett statistikprogram för statistiska metoder och dataanalyser.

1.4 Etik

Enkäten som respondenterna besvarade innehöll ett missivbrev. Missivbrevet informerade om de fyra forskningsprinciperna som uppfyller god forskningsetik. De fyra etiska principerna är informationskravet, samtyckeskravet, nyttjandekravet och konfidentialitetskravet.

Informationskravet nämns genom att informera om att deltagandet av enkäten är helt frivilligt samt att syftet med studien är att undersöka hur studenter i Örebro förhåller sig till risk under corona. Det nämndes även studien undersöker skillnader mellan utbildningsinriktning, kön och ålder. Samtyckeskravet nämner att enkäten är frivillig samt att individen när som helst kan välja att avsluta utan att behöva ge någon särskild anledning. Följebrevet uttrycker även att endast studenter som studerar vid Örebro universitet får fylla i enkäten, därmed förväntas minderåriga samt icke-studerande att inte delta i undersökningen. Information om nyttjande- och konfidentialitetskravet återfinns i missivbrevet som informerar om att den insamlade datan från enkäterna endast används för forskningsändamål. Det nämndes även att

respondenterna förblir anonyma eftersom den lämnade informationen inte kommer kunna härledas till respondenten (Bryman & Nilsson 2018).

Missivbrevet innehöll även information som kontaktuppgifter till uppsatsförfattarna och en kort inledning om covid-19.

1.5 Avgränsning

Populationen för studien är studenter vid Örebro universitet i åldrarna 18-65 år. Insamlingen av data skedde genom webbaserade enkäter där respondenterna besvarar de olika frågorna utifrån egen uppfattningen.

1.6 Disposition

Den teoretiska bakgrunden går igenom begreppen riskpreferenser, förväntad nyttoteori, prospektteori och altruism. Efterkommande avsnitt tar upp tidigare forskning som påvisar skillnader mellan grupper som rör covid-19, risk och beteendemönster samt altruism. Metodavsnittet nämner tillvägagångssättet för den kvantitativa metoden samt data från enkätundersökningen. Empirisk strategi och resultatavsnittet behandlar val av regressioner samt analyser av dessa. Därefter kommer ett diskussions- och slutkapitel.

2. Teoretisk bakgrund

2.1 Riskpreferenser

Riskbegreppet kan kopplas till en situation där en individ ställs inför ett val där utfallet är osäkert, sannolikheten för utfallet kan i vissa fall uppskattas (Knight 2002). Riskpreferenser skiljer sig mellan individer då de har olika inställning till risk. Riskaverta individer ogillar risk i större utsträckning. När en riskavert individ ställs inför val kommer individen oftare att välja ett utfall som är känt framför ett alternativ som är mer förknippat med osäkerhet. I motsats till riskaversion föredrar en risksökande individ att ställas inför situationer med ett osäkert utfall i högre utsträckning. En riskneutral individ kan sägas vara indifferent mot risk. Individen kan ta måttliga risker då sannolikheten av det faktiska värdet av utfallet utgör nyttan (Varian 2014).

Akerlof och Shiller (2009) skriver att känslor som rädsla och uppfattningar har en betydande roll för ekonomins utveckling.

Uppsatsen knyter samman rädsla och beteende med risk, då studier visar att rädsla ökar aversionen mot risk (Kugler, Connolly & Ordóñez 2012). Cedrini och Novarese (2014) omnämner rädslans påverkan som omfattande för alla individer och beslutsfattande för

ekonomin, framför allt under globala kriser. Göritz och Weiss (2014) studerade terrorismens påverkan på individers flygbeteenden där risken att skadas kan kontrolleras av att inte flyga över huvudtaget. Rädslan för att flyga ökade vid fler terroristattacker då fler flygresor avbokades. På liknande sätt kan rädslan för covid-19 påverka individers beteenden. Tversky och Kahneman (1979) menar att stimuli, som kan tolkas som erfarna känslor under olika situationer kan påverka de beslut individen tar i det vardagliga livet.

Risken kan ibland kännetecknas av att utfallet inte är mätbart, den bristande informationen kan ses som ett hot i sig (Knight 2002). Individen kan bilda egna uppfattningar om framtiden som baseras på scenarion med rädsla för det ovissa utfallet, i uppsatsen kan det ovissa utfallet speglas av hur allvarligt sjuk en individ eller en närstående blir av covid-19.

I denna studie graderas riskpreferenser utifrån individens nivå av rädsla. En individ som är mer rädd kan sägas ha en större aversion mot risken att bli smittad av viruset. Individens rädsla kan även grunda sig i risken att smitta en nära anhörig som tillhör en riskgrupp, där smittan skulle kunna påverka den anhörigas hälsa allvarligt. I uppsatsen baseras risken för att bli smittad av individens subjektiva uppfattning, alltså finns ingen given sannolikhet gällande risken för att bli smittad av covid-19. Uppsatsen använder sig av skalor som med de tre risktyperna kan symbolisera graden av rädsla hos respondenterna. Ett mittenalternativ i skalorna är fördelaktigt eftersom riskneutral kan ses som ett alternativ mellan risksökande och riskaversion. Samma resonemang gäller även frågan som efterfrågar om respondenten generellt anser sig vara en risktagande person.

Även en individ som studerar i större utsträckning på campus och är hemma mindre kan sägas vara mer orädd för covid-19. Individen exponeras mer för viruset eftersom denne oftare befinner sig på platser som involverar andra människor.

Uppsatsen mäter bland annat vilket samband som finns mellan utbildning och rädsla, något som kan skapa endogenitetsproblem. Eftersom generell rädsla för sjukdomar till stor sannolikhet funnits hos studenterna innan de blivit antagen till sin utbildning. Dock har majoriteten av respondenterna för denna studie blivit antagna till studier innan pandemin tog fart och därför kan det omvända resonemanget även föras. Denna studien tar inte ställningen till hönan eller ägget problematiken utan avser endast att uttala sig om samband mellan variablerna.

2.2 Den förväntade nyttoteorin

Teorin om förväntad nytta grundar sig i att individer är rationella i sitt agerande och baserar sina val på att maximera den egna nyttan. Individer värderar vad som anses vara nytta olika och har därför olika nyttofunktioner. I situationer där individer ställs inför val förväntas nyttan av olika tänkbara utfall vägas mot varandra innan beslutet tas. Den förväntade nyttan är den vägda genomsnittliga nyttan för alla tänkbara utfall av ett givet alternativ. Den förväntade nyttoteorin antar även att individer är riskaverta (Varian 2014).

2.3 Prospektteori

I likhet med den förväntade nyttoteorin antas individer vara riskaverta. Prospektteori baseras på hur individer värderar förluster mot vinster utifrån en given referenspunkt. Nyttan är icke-linjär, nyttan ändras alltså med sannolikheten för att vinna. En förlust påverkar individer mer negativt i jämförelse med vad en vinst i likvärdig storlek värderas till i positiva termer. Därför kan individer generellt sägas ha en aversion mot förluster (Tversky & Kahneman 1979). McClesky och Gruda (2020) tycker att prospektteori kan användas för att förklara beteenden under pandemin. Insjuknandet i covid-19 kan ses som en förlust, något som kan ses som en överkomlig risk i relation till den nyttan som fås vid olika aktiviteter. Tänkbara aktiviteter som värderas som positiva men riskfyllda scenarion kan innefattas av att shoppa, träffa vänner, äta på restaurang, vilja att utföra arbete på kontoret istället för att arbeta hemma eller träna på gym. Förlusten kan även innefattas av att man smittat någon med viruset. Steele (2020) nämner att rädslan att förlora någon eller dö själv är en av de primära källorna till rädsla och ångest i en människas liv. Rädslan att förlora en nära anhörig kan därmed vara ett incitament för att inte besöka allmänna platser.

Referenspunkten förändras av tidigare och nuvarande erfarenheter och intryck. När individen reagerar på intryck förändras den aktuella nivån för referenspunkten. Något som kan

appliceras på hälsan (Tversky & Kahenman 1979). I uppsatsen kan referenspunkten relateras till den egna hälsan, närståendes eller det aktuella hälsotillståndet för samhället i stort.

Upplevelsen av viruset kan påverka mer eller mindre beroende på hur de rädslan i relation till den aktuella nivån. En smittad individ kan antas få en förändrad referenspunkt från

Prospektteorin säger även att individen påverkas i sitt beslutsfattande beroende på hur olika utfall representeras (Tversky & Khaneman 1979). Något som kan appliceras på

informationen från bland annat media som påverkar individens uppfattning om vilken påverkan covid-19 har för hälsan och samhället.

2.4 Altruism

En altruistisk individ får en känslomässig avkastning vid förändrad nytta hos andra individer (Simon 1992). Den altruistiska individen kan agera på bekostnad av denne själv för att gynna andra. Begreppet kan sägas vara motsatsen till egoism eller egenintresse.

Altruism i uppsatsen kan kopplas till den rädsla studenten känner för att själv smitta andra i sin närhet. Majoriteten av studenterna vid Örebro universitet befinner sig i en relativt ung ålder och löper därmed lägre risk av att bli allvarligt sjuk i covid-19 i jämförelse med äldre individer. Anders Tegnell menar att det underliggande antagande om att inte bli hårt drabbade av viruset hos studenterna, driver på spridningen av viruset i samhället genom bland annat fester (Dawod, Minell & Stigfur 2020). En student som stannar hemma istället för att delta i folksamlingar följer inte bara regeringens rekommendationer utan agerar även altruistiskt eftersom risken för spridning reduceras.

3. Tidigare forskning

3.1 Covid-19

Galazzo et al. (2020) visar skillnader mellan könen i attityd och beteendemönster under covid-19. En studie som innefattas av 8 OECD länder med 21 649 observationer visar att det finns olikheter mellan länders uppfattning om hur allvarliga hälsoproblem som kan

uppkomma av covid-19. Studien är baserad på paneldata som tagits från två tillfällen under våren 2020, de två tidpunkterna omnämns som första och andra vågen. Studien visar även att kvinnor generellt sätt tycker viruset är ett mer allvarligt hälsoproblem i jämförelse med män. Frågor ställdes även om vad respondenterna tycker om de restriktioner som införts i landet för att förstå vilka individer som ser fördelar med restriktionerna. Resultatet visar att kvinnor generellt är mer positivt inställda till restriktionerna än män.

Undersökningen efterfrågar även hur väl respondenterna följer de restriktionerna som finns i landet, även då svarar kvinnor att de följer restriktionerna i högre utsträckning män (Galazzo et al. 2020).

3.2 Risk

Risk inom nationalekonomin har studerats i relativt stor utsträckning där skillnader påvisats mellan flera grupper. Forskning om riskpreferenser baserat på kön, ålder, kultur, inkomst och relationsstatus är exempel på områden som visat skillnader inom variablerna där en del individer är mer risktagande än andra.

Byrnes, Miller och Schafer (1999) visar skillnader mellan kvinnor och mäns riskbeteenden genom samlad forskning. I studien analyserades både subjektiva svar som framkommit genom enkäter och faktiska observerade beteenden från andra undersökningar. Resultatet visar att män generellt är mer risktagande än kvinnor, där storleken på skillnaderna varierar mellan olika områden. Risk som rökning visar på mindre skillnader mellan könen. Större skillnader påvisas i risktagande situationer som är förknippade med intellektuella- och fysiska färdigheter som involverar en villighet att utföra svårare uppgifter för att generera en större belöning. Forskarna menar att skillnader varierar beroende på ålder mellan män och kvinnor, där bilkörning är ett exempel där skillnaden ökar med åldern. Hur män och kvinnor ser på sexuella risker som exempelvis oskyddat sex avtar istället skillnaden med åldern.

McClesky och Gruda (2020) undersöker risktagande och egenskapen motståndskraft för att uppskatta graden av ångest hos individer under covid-19 pandemin. Resultat visar att högre nivåer av egenskapen motståndskraft och riskaversion var förenat med en lägre grad av ångest för individer. Studien visar även att äldre mer riskaverta individer hanterar ångest bättre än yngre individer.

En studie har använt 15 olika dataset från olika experiment som fokuserar på finansiella investeringar, där de olika experimenten bland annat skiljer sig mellan forskare, länder, instruktioner och betalningar (Charness & Gneezy 2011). Studien visar att kvinnor och män generellt sett investerar olika mycket i risktillgångar, där kvinnor investerar mindre summor och därmed kan ses som mer riskaverta än män. Forskarna diskuterar att anledningen till kvinnor skulle vara mer riskaverta än män kan bero på att kvinnor generellt påverkas mer negativt vid en förlust (Gneezy och Croson 2009).

Zhou (2013) undersökte hur riskaversion påverkas av att studera ekonomi. Studiens

respondenter bestod av studenter på olika nivåer i sin utbildning från olika länder. Resultatet visar att ekonomistudenter är mer risksökande än övriga studenter. Zhou menar att

genom utbildningen. Sjöberg & Engelberg (2009) undersökte också ekonomer och kom fram till att som läser finans är mer risktagande än andra.

G. Harrison, M. Lau och E. Rutström (2004) har i ett kontrollerat experiment som undersökte danskars riskpreferenser hittat olika signifikanta resultat som rör sociala skillnader inom befolkningen. I experimentet ställdes respondenten inför ett val med två alternativ där utfallen bestod av verkliga monetära belöningar, valet speglade individens riskpreferenser. Resultatet visade att arbetare som genomgått en universitetsutbildning har en högre aversion mot risk. Det framgår även att studenter har en högre aversion mot risk i jämförelse mot icke-studenter. Avslutningsvis visar studien det statistiskt signifikanta resultatet att singlar som bor ensamma har en något högre aversion mot risk i jämförelse med individer som delar boende.

3.3 Altruism

Marwell och Ames (1981) utförde en studie som jämförde studenters villighet att bidra till den kollektiva nyttan. I ett test fick studenterna en bestämd summa pengar att fördela mellan sig själva och ett gemensamt konto. Efter uppdelningen skulle det gemensamma kontot gångras med ett tal större än 1 och delas upp på alla studenter i experimentet.

Ekonomistudenterna visade sig i genomsnitt bidra med en mindre andel pengar till det

gemensamma kontot. Därmed kunde Marwell och Ames dra slutsatsen att ekonomistudenter i allmänhet bidrar mindre till den kollektiva nyttan och använder sig mer av freeriding.

När undersökningen efterfrågade vad som kunde antas vara en rättvis fördelning av pengarna verkade ordet i sammanhanget främmande för ekonomistudenterna. Fler än en tredjedel svarade inte på frågan eller gav komplexa okodbara svar. Av de som svarade angav majoriteten att “lite” eller “ingenting alls” var rättvist.

Frank och Schulze (2000) undersökte ekonomistudenter och övriga studenters egenintresse i en kontext som kunde påverka andra individer negativt genom ett egenfinansierat

klubbkonto. I ett experiment kunde studenten välja att ta emot en muta av olika summor pengar som ursprungligen kom från klubbkontot. Studien visade att ekonomistudenter agerade mer utifrån eget intresse då dessa tog emot mutor i högre utsträckning än övriga studenter. Frank & Schulze hittade även stöd för att det större egenintresset hos

ekonomistudenter är ett karaktärsdrag som förekommer redan innan studenterna börjat studera utbildningen.

4. Data

4.1 Population och ram

Populationen för undersökningen är individer som studerar vid Örebro universitet under höstterminen 2020. De siffror som utgör populationen är taget från student

administrationssystemet Ladok, systemet används på alla universitet i Sverige. Populationen består av 12 153 studenter i åldern 18-65 som var registrerade vid Örebro universitet under höstterminen år 2020, bland studenterna ingår inte individer som läser forskarutbildning eller uppdragsutbildning (Ladok 2020). Den ram som används för att undersöka individerna vid Örebro universitet är Facebookgruppen “Dom kallar oss studenter”, i gruppen återfinns även icke-studerande individer som inte påbörjat sina studier samt individer som avslutat

studierna.

4.2 Datainsamling

För den kvantitativa metoden användes en enkätundersökning som lades ut i två separata inlägg på facebookgruppen “Dom kallar oss studenter” år 2020. Det första inlägget lades ut den 6 november och det andra inlägget lades ut den 10 november, enkäten kunde besvaras fram till datumet den 13 november. Gruppen “Dom kallas oss studenter” fungerar som ett nätverk för studenter vid Örebro universitet samt blivande studenter. Under tiden som webbenkäten lades ut på hemsidan hade facebookgruppen ungefär 23 500 medlemmar. Avdelningen kommunikation och samverkan vid Örebro universitet är ansvariga för sidan.

Svenskarna och internet (2019) utför årliga undersökningar för Sveriges befolknings internetanvändning, de nämner att 90 procent av den studerande befolkningen använder facebook. Trots att en hög andel studenter använder facebook kan en begränsande faktor i stickprovet vara att de individer som svarar på enkäten behöver vara medlem i

facebookgruppen. Därför når inte enkäten ut till alla studenter vid Örebro universitet och definieras därmed som ett icke-slumpmässigt urval. Ett icke-slumpmässigt urval skiljer från ett slumpmässigt urval då det inte går generalisera resultatet till populationen från urvalet. Något som beror på att det icke-slumpmässiga urvalet inte ger alla individer i populationen en känd inklusionssannolikhet som är större än 0 (Dahmström 2011). Vid ett sannolikhetsurval skulle alla studenter vid Örebro universitet åtminstone ha en möjlighet att svara på enkäten, en sådan process hade varit alltför resurs- och tidskrävande för den avsedda tidsperioden som uppsatsen skrivs. Det är svårt att undersöka hur många av de 23 500 individer ur

facebookgruppen “Dom kallar oss studenter” som egentligen studerar vid Örebro universitet, eftersom det inte finns någon samlad data för de registrerade i gruppen. En alternativ lösning för bildandet av ett sannolikhetsurval hade varit att använda “Dom kallar oss studenter” som population, något som inte är möjligt eftersom register problematiken uppkommer i

facebookgruppen (Dahmström 2011).

Undersökningens stickprov kan ge en skev bild av populationen om vissa studentgrupper är mer benägna att gå med i facebookgruppen på sociala medier. Det kan även finnas alternativa platser och forum för olika studentgrupper vid Örebro universitet som innefattar studenternas intressen. Dock är tillvägagångssättet ett bra alternativ utifrån rådande omständigheter med de restriktioner och rekommendationer som uppmanas under en pågående pandemi. Örebro universitet uppmanar alla studenter att undvika vistelser på campus för att minska

smittspridningen (Örebro universitet 2020). Det sker även en hög grad av distansundervisning, en anledning till att enkäterna inte delades ut manuellt.

Tidigare konstaterades det att uppsatsen använder sig av ett icke-sannolikhetsurval, därför kan inte uppsatsen uttala sig fullt ut om populationen. Däremot jämförs andelar i Tabell 4.1 för att se hur bra urvalet stämmer överens med populationen.

Tabell 4.1 Jämförelse av population och urval “studenter vid Örebro universitet under höstterminen 2020” i procent.

Kategori-

variabel Undergrupp Population procent

Urval procent Utbildning Ekonomi 10% 11% Övrig utbildning 78% 74% Utbildnings- längd Utbildningslängd 1-2 62% 43% Utbildningslängd 3-4 31% 23% Utbildningslängd 5- 7% 34% Kön Man 38% 21% Kvinna 62% 79% Ålder Ålder -21 34% 40% Ålder 22-26 44% 39% Ålder 27- 22% 21%

Anmärkning: Kolumnen “Undergrupp” utgörs av en övergripande kategorivariabel. Kategorivariabler som ingår i tabellen: Utbildning, Utbildningsnivå, Kön och Ålder. Procentsatserna anger andelen för varje underkategori relativt till hela kategorivariabeln.

Källa: Författarens bearbetning av data från administrationssystemet Ladok.

4.3 Utbildning

Studenter vid universitet läser oftast ett huvudområde. I program som består av 180

högskolepoäng (HP) finns ett huvudämne som utgör åtminstone 90 HP. Även studenter som läser fristående kurser kan antas läsa fler kurser inom ett huvudområde. “Utbildning” i uppsatsen anger det huvudområde en student läser vid Örebro universitet.

Uppsatsen har utformat och kategoriserat utbildningarna efter de program och ämnesområden som finns vid Örebro universitet. Indelningen för de olika utbildningarna återfinns i

Två tidigare enkätundersökningar baserat på universitetsstudenter gav 70 respektive 206 svaranden i sina enkäter (Fundeborg Hellqvist & Nilsson 2015; Åberg 2013). Med en uppfattning om svarsfrekvensen, gjordes antagandet att vissa studentgrupper skulle svara i högre utsträckning än andra. Därmed skulle studien kunna uttala sig om kvinnor och ekonomistudenter och de grupper med ett större antal svarande.

Det övervägdes att använda en institutionsindelning för att besvara frågan om studenters utbildningsinriktning. Vid Örebro universitet finns 8 olika institutioner, något som vid en första anblick tyckas vara ett bra val eftersom antalet studenter per grupp hade varit större än användandet av fler antal grupper. Dock uppstår problemet med att kunna uttala sig utifrån varje grupp då ämnena inom varje institution är alltför blandade. Exempelvis innehåller institutionen för Handelshögskolan innehåller Ekonomi-, Statistik, Informatik och Hospitality Management studenter, ämnen som skiljer sig åt i alltför stor utsträckning. I stora drag

studerar informatikstudenter hur information kan bearbetas och presenteras med en stor koppling till IT. Ekonomistudenter utvecklar till stor del kunskap som involverar hushållning med begränsade resurser. De två olika inriktningarna studerar som sagt två alltför separata ämnen, därför kan inte statistiska uttalanden göras för hela institutionen. Ett annat exempel är institutionen för juridik, psykologi och socialt arbete som kan sägas ha ett liknande problem eftersom ämnena skiljer sig kraftigt. En student kan ha flera inriktningar som utgörs av flera olika ämnen, studenten kan exempelvis studera två ämnen eller fler mer än en termin. I enkäten uppmanades därför respondenterna att nämna en huvudsaklig inriktning.

4.4 Utformning av enkät

Webbenkäten är utformad på ett sätt där de 8 frågorna som rör attityder och beteendemönster under covid-19 kommer först. Sedan kommer mer grundläggande frågor som bland annat utbildning, utbildningsnivå och kön. Totalt uppgår enkäten till 15 stycken frågor.

Frågor som rör risk och beteendemönster är baserade på två typer av skalor, unipolära skalor och bipolära skalor. Unipolära skalor har en pol där skalan går från exempelvis “Ingen skillnad” till “Stor skillnad” av samma sak, den bipolära skalan går från en pol till en motsatspol. De bipolära skalorna innehåller en naturlig mittpunkt som separerar de olika polerna, svarskalan är vanlig när det kommer till att mäta attityder (SCB 2016).

Krosnick & Tahk (2008) fann att sju skalsteg presterade bäst för bipolära skalor, då de bland annat gav en mer detaljerad information än en skala med fem steg. Eftersom majoriteten av

de åtta förstkommande frågorna var bipolära användes enbart sjugradiga skalor för att uppnå en lägre variation i enkäten (SCB 2016). Skalorna för de första åtta frågorna består av två extrempunkter med etiketter, mellan extrempunkterna finns siffror för att efterlikna en intervallskala med jämnt avstånd mellan de olika svarsalternativen (SCB 2016).

I enkäten användes slutna svarsalternativ i majoriteten av frågorna. De slutna

svarsalternativen blir mindre tids- och ansträngningskrävande att besvara då inget eget svar behöver formuleras. Enkätundersökningar som involverar öppna frågor kan vara svåra att generalisera om svaren varierar för mycket mellan respondenterna, något som ökar risken för partiellt bortfall (SCB 2016). Frågan om kön kan kategoriseras som en delvis öppen fråga eftersom svarsalternativet “Annat” finns med. Ålder hade ett öppet svarsalternativ inom intervallet 18 till 65 år, med detta gavs en detaljerad information av respondenterna (SCB 2016). Senare delades ålder in i tre olika kategorier, något som var till fördel vid regressioner. Vid de enkätfrågor där respondenten ombads att jämföra sitt nuvarande beteende med tiden före pandemin kan svaren variera beroende på vilken tidpunkt som frågan ställs, eftersom minnesfel eller förändrade uppfattningar av tidigare händelser (Trost 1994).

Svarsalternativen i enkäten använder enskilda ord för att beskriva en kvantitet eller attityd, istället för precisa svar där respondenten själv bedömer hur mycket exempelvis “väldigt mycket” är (SCB 2016). För de första åtta frågorna kan tolkningar av frågorna skilja sig eftersom kvantifieringarna är vaga, individer utgår från en egen uppfattad referenspunkt för inställning och upplevelser och har inte en given betydelse. Svaren kan leda till skillnader mellan respondenterna på grund av tolkningsskiljaktigheter av svaren trots att respondenterna egentligen menar samma sak. Dock kan metoden vara det bästa alternativet eftersom frågor av den subjektiva typen ofta gör det svårt att besvara med faktiska frekvenser (SCB 2016).

Uppsatsen kan endast jämföra till vilken grad studenterna har ändrat sitt beteende eftersom konkreta kvantiteter inte tas upp. Utgångspunkten för hur mycket en individ är ute innan pandemin efterfrågas inte, därför kan exempelvis en respondent som nämner att denne studerar på campus “så lite som möjligt” fortfarande studera mer än en respondent som nämner “studerar så mycket som möjligt”. Vid frågan om man är en risktagande person i allmänhet kommer förmodligen studenten jämföra sig med andra individer i dess närhet och basera sitt svar utifrån hur denne står sig till risk i relation till gruppen. Liknande resonemang gäller för de åtta första frågorna i frågeformuläret eftersom uppfattningarna är subjektiva.

4.5 Internt bortfall

Enkäten besvarades av 195 respondenter, varje respondent behövde svara på alla 15 frågor som ingick i enkäten för att kunna skicka in den. På så sätt uteblir det interna bortfallet som annars skulle ske om en del respondenter endast valde att besvara en del av frågorna. Vid databearbetning behövdes några enskilda frågor som besvarats sorteras bort.

Där enkäten efterfrågade “Kön” fanns flera svarsalternativ där majoriteten svarade kvinnor följt av män. En respondent svarade “Annat”, något som försvårade databearbetningen och därför fick sorteras som bortfall. Studien använder sig av estimeringmetoden Ordinary Least Squares, något som kräver att binära variabler innehåller värdena “1” eller “0”, därför uteslöts observationen från estimeringen.

Fler bortfall tillkom där enkäten efterfrågade respondentens civilstånd. 3 av respondenterna angav svarsalternativet “Vill ej uppge”, dessa observationer uteslöts för att kunna skapa den binära variabeln “Relation” som är lika med “1”, samt “Inte i en relation” som är lika med “0”. Av de 195 respondenter som besvarade enkäten föll 4 stycken bort vilket ger oss ett totalt antal på 191 observationer i estimeringen.

4.6 Data från undersökningen

Nedan är en sammanfattning av enkätens huvudsakliga studiefrågor som rör covid-19 och beteendemönster. Figur 4.1 och Figur 4.2 visar svarsfrekvensen hos enkäten.

Figur 4.1 Svarsfrekvens för fråga 1-4.

I fråga 1-8 fick respondenten svara utifrån en 1-7 gradig skala. Fråga 1 “Är du rädd för att bli smittad av covid-19?” (1 = Inte alls rädd och 7 = Väldigt rädd) har ett medelvärde på 4,04 med en standardavvikelse på 1,68. Fråga 2 “I vilken grad anser du att ditt vardagliga beteendemönster har förändrats under covid-19?” (1 = Ingen skillnad 7 = Väldigt mycket) har ett medelvärde på 5,32 med en standardavvikelse på 1,41. Fråga 3 “Går du utanför ditt hem i samma utsträckning som innan spridningen av covid-19?” (1 = Går ut mycket mer och 7 = Går ut mycket mindre) har ett medelvärde på 5,55 med en standardavvikelse på 1,16. Fråga 4 “Har ditt beteende gällande handel online efter covid-19 förändrats? Ex. mat,

kläder, teknikartiklar etc.” (1 = Handlar mycket mindre och 7 = Handlar mycket mer) fick ett medelvärde på 4,42 med en standardavvikelse på 1,27.

Figur 4.2 Svarsfrekvens för fråga 5-8

Fråga 5 “Deltar du lika aktivt i aktiviteter som involverar två personer eller mer? Ex. träning, fotboll, brädspel m.m.” (1 = Deltar mer och 7 = Deltar mindre) fick ett medelvärde på 2,58 med en standardavvikelse på 1,39. Fråga 6 “I vilken utsträckning studerar du på campus?” (1 = Så lite som möjligt och 7 = Så mycket som möjligt) fick ett medelvärde på 2,09 med en standardavvikelse på 1,64. Fråga 7 “Har din medvetenhet om hälsorisker ökat generellt efter pandemin?” (1 = Stämmer inte alls och 7 = Stämmer helt) fick ett medelvärde på 5,18 med en standardavvikelse på 1,56.

Nedan visar Tabell 4.2 de huvudsakliga studiefrågorna för uppsatsen och deras medelvärde, standardavvikelse och observationer. Tabell 4.3 anger de övriga frågorna från enkäten som inte används vid regressionsanalysen. Tabell 4.4 anger de oberoende variablernas

Tabell 4.2 beroende variablers medelvärde, standardavvikelse och observationer. Beroende variabler Beskrivning Medel- värde Standard- avvikelse Observatio- ner Covidrädd

OLS (1) “1. Är du rädd för att bli smittad av Covid-19?” med en skala på 1-7 där 1=Inte alls och 7=Väldigt rädd.

4,04 1,68 191

Covidrutin

OLS (2) “2. I vilken grad anser du att ditt vardagliga beteendemönster har förändrats under covid-19?” med en skala på 1-7 där 1=Ingen skillnad och 7=Väldigt mycket.

5,32 1,41 191

Studieplats OLS (3)

“6. I vilken utsträckning studerar du på campus?” med en skala på 1-7 där 1=Så lite som möjligt och 7=Så mycket som möjligt.

2,09 1,64 191

Tabell 4.3 Enkätundersökningens övriga frågor medelvärde, standardavvikelse och observationer.

Övriga enkätfrågor Beskrivning Medel-

värde

Standard- avvikelse

Observatio ner Covidhem “3. Går du utanför ditt hem i samma utsträckning

som innan spridningen av covid-19?” med en skala på 1-7 där 1=Går ut mycket mer och 7=Går ut mycket mindre.

5,55 1,16 191

E-Handel “4. Har ditt beteende gällande handel online efter covid-19 förändrats? Ex. mat, kläder, teknikartiklar etc.” med en skala på 1-7 där 1=Handlar mycket mindre och 7=Handlar mycket mer.

4,42 1,27 191

Aktivitet “5. Deltar du lika aktivt i aktiviteter som involverar två personer eller mer, Ex. träning, fotboll, brädspel m.m.” med en skala på 1-7 där 1=Deltar mer och 7=Deltar mindre.

2,58 1,39 191

Covidmedvetenhet “7. Har din medvetenhet om hälsorisker ökat generellt efter pandemin?” med en skala på 1-7 där 1=Stämmer inte alls och 7=Stämmer helt.

Tabell 4.4 Enkätundersökningens medelvärde, standardavvikelse och observationer.

Förklarande variabler Beskrivning Medel-

värde

Standard- avvikelse

Observa- tioner

Ekonomistudent =1 om respondenten studerar Ekonomi 0,16 0,36 30

Utbildning

Annat (basgrupp) =1 om respondenten studerar ett annat program än ekonomi 0,84 0,36 161

Risktagande “Är du en risktagande person i allmänhet?“ med en skala på

1-7 där 1=Stämmer inte alls och 7=Stämmer helt. 2,88 1,69 191 Covidsmittad

Ja =1 om respondenten varit smittad med covid-19. 0,15 0,36 29

Covidsmittad

Vet ej =1 om respondenten inte vet om det smittats av covid-19 0,27 0,45 52

Covidsmittad Nej

(basgrupp) =1 om respondenten inte har blivit smittat av covid-19 0,58 0,50 110

Covidsmittad*Risk-

tagande Interaktionsvariabel mellan “Risktagande" och “Covidsmittad Ja” 0,55 1,52 29

Kvinna =1 om respondenten är kvinna. 0,80 0,40 152

Man (basgrupp) =1 om respondenten är man 0,20 0,40 39

Ålder 22-26 =1 om respondenten är 22-26 år gammal 0,39 0,49 74

Ålder 27-65 =1 om respondenten är 27-65 år gammal 0,21 0,41 40

Ålder 18-21 (basgrupp) =1 om respondenten är 18-21 år gammal 0,40 0,50 77

Arbetar =1 om respondenten arbetar heltid eller deltid. 0,47 0,50 90

Arbetar inte (basgrupp) =1 om respondenten inte arbetar 0,53 0,50 101 Relation =1 om respondenten är gift, i förhållande eller sambo. 0,56 0,50 108

Inte i Relation (basgrupp)

=1 om respondenten ej är i relation 0,43 0,50 83

Studerat 3-4 terminer =1 om respondenten studerat 3-4 terminer 0,22 0,42 43 Studerat 5-7+ terminer =1 om respondenten studerat 5-7+ terminer 0,34 0,48 65

Studerat 1-2 terminer (basgrupp)

=1 om respondenten studerat 1-2 terminer 0,43 0,50 83

Anm: Basgrupp refererar till den grupp som används av den beroende variabeln t.ex. kvinnors skillnad i rädsla för covid i jämförelse till män. Variabeln Covidsmittad Vet Ej används för att kunna estimera skillnaden mellan Covidsmittad Ja och Covidsmittad Nej utan att tappa observationer.

För att göra en betydelsefull statistisk analys krävs en normalfördelningskurva över enheterna som observeras för variabeln (Dahmström 2011). Dahmström anser att en

normalfördelningskurva bör innehålla minst 30 observationer. I uppsatsens regressioner uppnås 30 enheter för nästan alla variabler som mäts. Ekonomistudenter uppgår till 30 stycken vilket är precis det antal som krävs för en normalfördelningskurva. De som varit covidsmittade uppgår till 29 respondenter och är en observation från gränsen som Dahmström (2011) nämner. Något som även gäller den kombinerade interaktionsvariabeln

Covidsmittad*Risktagande som innehåller 29 observationer.

4.7 Validitet och reliabilitet

Reliabiliteten säger något om hur tillförlitlig en mätning är. En mätning som är grundad och inte är utsatt för slumpmässig påverkan kan sägas ha en hög grad av reliabilitet (Dahmström 2011). Pandemin är en kris som antas vara temporär. Därför kommer beteendemönstren ändras allt eftersom smittspridningen avtar. Uppfattningar om sjukdomen kan även ändras då ny och mer säkerställd forskning uppkommer. Covid-19 är högst aktuellt under perioden som uppsatsen skrivs, därmed kan diskussioner i media påverka respondenternas uppfattningar om virusets påverkan (Dahmström 2011). Enkäten var standardiserad, när enkäten lades ut för att kunna besvaras gjordes inga ändringar i den, därmed har alla respondenter besvarat samma frågor.

För att få en förståelse för hur hög validiteten för uppsatsen är, kan lämplighet och relevans diskuteras i mätningarna (Dahmström 2011). Uppsatsen mäter rädsla och beteendemönster hos individer där variablerna ska beskrivas av statistika som uppkommer från

undersökningen samt mäta egenskaperna på ett systematiskt sätt. Dahmström (2011) nämner att stabiliteten i attitydfrågor dels beror på hur insatt respondenterna är i ämnesområdet och om frågeställningar tidigare har tänkts igenom. Pandemin är ett världsomfattande ämne som påverkat individer mer eller mindre, ämnet är därför relevant och robust vid undersökningar.

5. Empirisk strategi

5.1 Regressionsanalys

Vid en regressionsanalys undersöks vilken effekt en eller flera oberoende variabler har på en beroende variabel (Wooldridge 2018). Rädsla för covid-19 är exempel på en beroende variabel, vilket undersöks i Ordinary Least Squares (1) samt Ordered probit (1). De

oberoende variablerna används för att undersöka deras enskilda påverkan på den beroende variabeln, exempelvis om kön påverkar rädslan för covid-19.

5.1.1 Ordinary Least Squares.

För att estimera effekten av de olika variablerna från uppsatsens undersökningsfrågor används Ordinary Least Squares (OLS). OLS är en estimeringsmetod som använder observationer från ett stickprov från en population för att estimera populationens sanna medelvärde i den undersökta variabeln (Wooldridge 2018). Estimeringen bygger på “ceteris paribus” vilket översätts till “allt annat lika” och används för att estimera de sanna

parametrarna som bestämmer de förklarande variablernas påverkan på den beroende

variabeln. Metoden använder stickprovets observerade värden och drar en rät linje mellan alla punkter samtidigt som den minimerar avståndet mellan alla värden och linjen. Avstånden mellan dessa värden och linjen kallas för residualen och kan vara negativ, därför kvadreras dessa värden.

5.1.2 Ekonometrisk modell OLS

Den generella ekonometriska modellen för OLS med k parametrar har formeln: 𝑦 = 𝛽0+ 𝛽1𝑥1+. . . +𝛽'𝑥' + 𝑢.

Där y är den beroende variabeln som undersöks, 𝑥'är de oberoende variablerna och u är

feltermen. 𝛽₀interceptet,𝛽₁är parametern för 𝑥₁och 𝛽_'är parametern för 𝑥_'. Med de beroende variablerna Covidrädd (1), Covidrutin (2) och Studieplats (3) tar OLS i denna uppsats formeln: 𝐵𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 = 𝛽1 𝐾𝑣𝑖𝑛𝑛𝑎 + 𝛽2 𝐸𝑘𝑜𝑛𝑜𝑚𝑖𝑠𝑡𝑢𝑑𝑒𝑛𝑡 + 𝛽3 𝑅𝑖𝑠𝑘𝑡𝑎𝑔𝑎𝑛𝑑𝑒 + 𝛽₄ 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑_>? + 𝛽₅ 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑_{@AB AC}+ 𝛽₆ 𝑅𝑖𝑠𝑘𝑡𝑎𝑔𝑎𝑛𝑑𝑒 ∗ 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑 + 𝛽7 Å𝑙𝑑𝑒𝑟22E26+ 𝛽8 Å𝑙𝑑𝑒𝑟27F+𝛽9 𝐴𝑟𝑏𝑒𝑡𝑎𝑟C? + 𝛽10 𝑅𝑒𝑙𝑎𝑡𝑖𝑜𝑛>?+ 𝛽11 𝑇𝑒𝑟𝑚𝑖𝑛3E4+ 𝛽12 𝑇𝑒𝑟𝑚𝑖𝑛5F

5.1.3 Ordered Probit

För att vidare undersöka variablerna används Ordered probit. Ordered probit fungerar väl i de fall då den beroende variabeln är diskret och kan rangordnas på en ordinalskala (Wooldridge 2018). Detta är fallet hos uppsatsens enkätfrågor som bygger på kvalitativa frågor där

svarsalternativen rangordnas från “1” till “7”, där rangordningen kan kodas i ord, exempelvis 1 = “inte alls rädd” och 7 = “väldigt rädd”. En Ordered probit modell kan användas för att komplettera bilden av undersökningen. Likvärdiga utfall skulle ges för en probitmodell i jämförelse med en OLS vid fler än fyra kategorier för den beroende variabeln, däremot är probit bättre vid färre kategorier (Robinson 2013). För att underlätta avläsningen av resultatet används marginaleffekten och resultatet kan då läsas av som sannolikhetsfördelningen mellan de olika utfallen om den förklarande variabeln ökar med en enhet. Då OLS modellen

innehåller en interaktionsvariabel måste denna tas bort i Ordered probit modellen eftersom marginaleffekten inte kan estimeras för interaktionsvariabler i Stata (Williams 2012).

5.1.4 Ekonometrisk modell Ordered probit

Den generella modellen för Ordered probit har formeln: 𝑌_'∗ = 𝑋_'′𝛽 + ɛ𝑖

Där 𝑌_'∗ är den observerade diskreta beroende variabeln, 𝑋_'′ är en vektor som innehåller de

oberoende variablerna som estimeras med 𝛽 och ɛ𝑖 är feltermen.

För Ordered probit (1) används covidrädd som beroende variabel och modellen tar formeln: 𝐶𝑜𝑣𝑖𝑑𝑟ä𝑑𝑑 = 𝛽₁ 𝐾𝑣𝑖𝑛𝑛𝑎 + 𝛽₂ 𝐸𝑘𝑜𝑛𝑜𝑚𝑖𝑠𝑡𝑢𝑑𝑒𝑛𝑡 + 𝛽₃ 𝑅𝑖𝑠𝑘𝑡𝑎𝑔𝑎𝑛𝑑𝑒

+ 𝛽4 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑>?+ 𝛽5 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑@AB AC+ 𝛽6 Å𝑙𝑑𝑒𝑟22E26

+ 𝛽₇ Å𝑙𝑑𝑒𝑟_27F+𝛽₈ 𝐴𝑟𝑏𝑒𝑡𝑎𝑟_C?+ 𝛽₉ 𝑅𝑒𝑙𝑎𝑡𝑖𝑜𝑛_>?+ 𝛽₁₀ 𝑇𝑒𝑟𝑚𝑖𝑛_3E4 + 𝛽11 𝑇𝑒𝑟𝑚𝑖𝑛5F

Ordered probit används för att estimera sannolikhetsfördelningen för den beroende variabeln och svaren från fråga 1 “Är du rädd för att bli smittad av covid-19?” har delats in i 3 utfall. Utfall (1) omfattar de respondenter som svarat 1-2 på svarsskalan och tolkas som att

individen inte är rädd för covid-19, utfall (2) omfattar svaren 3-5 och tolkas som måttligt rädd för 19 samt utfall (3) som omfattar svaren 6-7 och tolkas som väldigt rädd för covid-19.

5.2 För- och nackdelar för estimeringsmetoderna

OLS har god estimeringsförmåga om vissa grundantaganden är uppfyllda och kan då kallas “BLUE”, Best Linear Unbiased Estimator (Wooldridge 2018). Dessa antaganden är följande: 1. Modellen bygger på linjära parametrar 2. Slumpmässigt urval 3. Ingen perfekt linjäritet 4. Exogenitet hos de förklarande variablerna. Uppfyller modellen dessa krav fungerar OLS väl och kan kallas BLUE under Gauss-Markov teoremet. Då undersökningen och

regressionsanalysen inte uppfyller alla dessa kriterier kan vi inte kalla OLS för BLUE. Mer specifikt uppfylls inte kraven om slumpmässigt urval samt exogenitet och detta gäller även för Ordered probit. Då alla i populationen inte hade möjligheten att svara på enkäten får vi inte ett slumpmässigt urval. Sedan finns det många möjliga faktorer som påverkar de beroende variablerna i OLS (1-3) och Ordered probit (1) förutom de valda förklarande variablerna. Detta skapar en viss bias i estimeringen vilket medför risken att parametrarna inte innehåller det sanna värdet för variabeln.

En av fördelarna med OLS är att det går att tydligt läsa av resultatet från estimeringen. Då de huvudsakliga enkätfrågorna har svarsalternativ som bygger på skalan 1-7 kan en estimering med OLS avläsas som medelvärdet på dessa frågor kontrollerat för de oberoende variablernas effekt på den beroende. Dock finns det en stor nackdel med OLS då den antar att avståndet mellan kategorierna hos den beroende variabeln är konstant. Den tar alltså inte hänsyn till att avståndet kan skilja sig åt mellan kategorierna t.ex. räknas avståndet mellan 1-2 samma som avståndet 6-7? Det går inte att säga med säkerhet och detta skapar problem vid estimeringen av parametrarna och därför kompletteras OLS med Ordered probit.

5.3 Nollhypotes

Det huvudsakliga målet med uppsatsen är att undersöka om det existerar skillnader mellan kvinnor och män samt om det finns skillnader mellan ekonomistudenter och icke

ekonomistudenter i dem undersökta frågorna. Nollhypotesen ställs därför upp på följande sätt och testas på 5 procents signifikans:

Nollhypotes Alternativhypotes

𝐻0: 𝛽_M@'NN? = 0 𝐻1: 𝛽_M@'NN? ≠ 0

Erhålls ett p-värde under 0,05 kan ett signifikant resultat påvisats och nollhypotesen kan förkastas (Wooldridge 2018). Nollhypotesen betyder att om variabeln är signifikant skild från noll på 5 procents signifikansnivå kan vi med 95 procents säkerhet fastställa att den

oberoende variabeln har en påverkan på den beroende variabeln.

5.4 Test för heteroskedasticitet

Heteroskedasticitet innebär att feltermen varierar för olika värden hos de förklarande variablerna (Wooldridge 2018). Detta innebär att det finns korrelation mellan feltermen och de förklarande variablerna och detta gör statistiska test för signifikans opålitliga. Ett Breusch-Pagan / Cook-Weisberg kan användas för att undersöka ifall det existerar heteroskedasticitet i modellen. Nollhypotesen är att feltermen är konstant (homoskedasticitet) och testas på 5 procentsnivån.

Tabell 5.1 Resultat för test av heteroskedasticitet. Modell Test för heteroskedasticitet på 5%

signifikansnivå

OLS (1) P-värde: 0,0156. Kan förkasta H0 OLS (2) P-värde: 0,0463. Kan förkasta H0 OLS (3) P-värde: 0,0000. Kan förkasta H0 OProb (1) P-värde: 0,2483. Kan inte förkasta H0

OLS (1), (2) och (3) visar att de innehåller heteroskedasticitet i feltermen men Ordered probit (1) gör inte det. För att göra estimeringarna säkrare används robusta standardfel vid varje modell något som gör det möjligt att fortfarande dra inferens från OLS (1-3).

5.5 VIF

Ett av kraven för god estimering vid OLS och Ordered probit är att det inte existerar perfekt multikolinjäritet mellan variablerna. Ett VIF-test kan utföras i stata för att testa för detta (Wooldridge 2018). Perfekt multikolinjäritet är ett tecken på att en eller flera variabler korrelerar starkt och detta kan störa estimeringen i regressionen. En tumregel för att mäta om det existerar ett problem med kolinjäritet är om värdet för VIF överstiger gränsen 10. Testet utförs för OLS (1-3) samt Ordered probit (1) och erhåller VIF-test resultat mellan 1-2 för alla regressioner och kan dra slutsatsen att multikolinjäritet inte uppstår i estimeringarna.

6. Resultat

Detta avsnitt innehåller resultat från enkät och databearbetning. Avsnitt 6.1.1 innehåller resultat från regressionsanalysen med OLS och avsnitt 6.1.2 Innehåller resultaten från Ordered Probit.

6.1 Regressionsanalys

6.1.1 Ordinary Least Squares

Tabell 6.1 OLS regressioner, beroende variabel från fråga 1, 2 och 6.

Variabler OLS (1) Covidrädd OLS (2) Covidrutin OLS (3) Studieplats Kvinna 0,72*** (0,30) 0,34 (0,26) -0,01 (0,30) Ekonomistudent -0,81*** (0,24) -1,23*** (0,31) -0,38 (0,27) Risktagande -0,07 (0,08) 0,03 (0,07) 0,22*** (0,07) 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑 >? -2,76*** (0,65) -0,98** (0,45) 1,19 (0,77) 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑 _{WAB AC} -0,18 (0,24) -0,19 (.23) 0,55** (0,24) Covidsmittad*Risktagande 0,42** (0,20) 0,25** (0,12) -0,02 (0,23) Å𝑙𝑑𝑒𝑟₂₂E26 -0,19 (0,29) -0,25 (0,24) -0,34 (0,32) Å𝑙𝑑𝑒𝑟27E65 -0,27 (0,38) 0,15 (0,29) -1,00*** (0,30) Arbetar 0,49** (0,24) 0,11 (0,20) -0,19 (0,21) Relation 0,24 (0,24) 0,18 (0,21) -0,35 (0,25) Termin 3-4 0,04 (0,27) 0,17 (0,24) 0,10 (0,30) Termin 5+ 0,15 (0,30) -0,22 (0,27) 0,02 (0,31) Konstant 3,76*** (0,45) 5,34*** (0,33) 1,80*** (0,40) Observationer 191 191 191 R^2 0,22 0,20 0,22

Tabell 6.1 visar resultatet för estimeringen med OLS för de beroende variablerna 1-3. OLS (1) använder Covidrädd som beroende variabel och estimerar respondenternas rädsla för att bli smittad av covid-19 (1 = Inte alls och 7 = Väldigt rädd). Modellen visar signifikans på 5 procentsnivån för variabeln Kvinna med koefficienten 0,72 och standardavvikelsen 0,30. Kvinnor svarade 0,42-1,02 högre på hur rädda de är för covid-19 i jämförelse med män, allt annat lika. Ekonomistudenter är signifikant på 1 procentsnivån med en koefficient på -0,81 och en standardavvikelse på 0,24. De respondenter som studerar ekonomi, allt annat lika, erhöll ett 0,57-1,05 lägre medelvärde på hur rädda de är för covid-19 i jämförelse med övriga studenter. Nollhypotesen Kvinna = 0 samt Ekonomistudent = 0 kan förkastas på 5 procents signifikans för OLS (1).

Ett signifikant resultat på 1 procentsnivån erhölls för Covidsmittad med koefficienten -2,76 och en standardavvikelse på 0,65. Detta betyder att de respondenter som smittats av covid-19, allt annat lika, i genomsnitt svarade 2,11-3,41 lägre på hur rädda de är för covid-19 i relation till de som inte smittats. Variabeln Covidsmittad*Risktagande visade även ett signifikant resultat på 5 procentsnivån med koefficienten 0,42 och en standardavvikelse på 0,20. En respondent som varit smittad med covid-19 och ökar sitt risktagande med enhet erhåller 0,20-0,62 högre värde på Covidrädd när man håller alla andra variabler konstanta. Det sista resultatet för den första modellen är Arbetar som är statistiskt signifikant på 5 procentsnivån med en koefficient på 0,49 och en standardavvikelse på 0,24. Respondenterna som arbetar svarade att de är 0,25-0,73 mer rädda för covid-19 i jämförelse med de respondenter som inte arbetar, allt annat lika. Denna modell har ett förklaringsvärde på 22% med 191 observationer.

OLS (2) använder Covidrutin som beroende variabel och estimerar respondenternas

förändrade vardagliga beteendemönster under coronapandemin (1 = Ingen skillnad och 7 = stor skillnad). Variabeln Kvinna visar inte något signifikant resultat. Variabeln

Ekonomistudent är återigen signifikant på 1 procentsnivån med en koefficient på -1,23 och en standardavvikelse på 0,31. Detta betyder att de respondenter som studerar ekonomi i

genomsnitt hade ändrat sitt dagliga beteendemönster 0,92-1,54 mindre i jämförelse med övriga studenter, allt annat lika. Nollhypotesen Kvinna = 0 kan inte förkastas, däremot kan nollhypotesen Ekonomistudent = 0 förkastas på 5 procent signifikansnivå i OLS (2).

Ett annat resultat visar att variabeln Covidsmittad-Ja är signifikant på 5 procentsnivån med koefficienten 0,98 och en standardavvikelse på 0,45. En respondent som smittats av covid-19, har ändrat sitt beteendemönster 0,53-1,43 mindre än någon som inte varit smittad, allt annat lika. Variabeln Covidsmittad*Risktagande är signifikant på 5 procentsnivån med

koefficienten 0,25 och standardavvikelsen 0,12. En respondent som varit smittad med covid-19 och ökar sitt risktagande med enhet erhåller 0,13-0,37 högre värde på Covidrutin, vid konstanthållning av alla andra variabler. Modellen har ett förklaringsvärde på 20% med 191 observationer.

OLS (3) använder studieplats som beroende variabel och estimerar hur mycket studenter väljer att studera på campus vid Örebro universitet (1 = Så lite som möjligt och 7 = Så mycket som möjligt). Variabeln Kvinna samt Ekonomistudent visar inget signifikant resultat på 5 procentsnivån. Nollhypotesen Kvinna = 0 och Ekonomistudent = 0 kan inte förkastas på 5 procents signifikans.

Variabeln Risktagande visar signifikant resultat på 1 procentsnivån med koefficienten 0,22 och standardavvikelsen 0,07. En ökning i risktagande innebär att respondenten svarar 0,15-0,29 högre på hur mycket de väljer att studera på Örebro Campus. Variabeln Ålder 27-65 är signifikant på 1 procentsnivån med en koefficient på -1,0 och har en standardavvikelse på 0,30. En respondent som är mellan åldrarna 27-65 år svarade 0,70-1,30 lägre i genomsnitt på hur mycket de väljer att studera på campus. Modellen har ett förklaringsvärde på 22% och har 191 observationer.

6.1.2 Ordered Probit

Tabell 6.2 Ordered Probit regression, marginaleffekt. Beroende variabel från fråga 1, med 3 utfallsklasser.

Variabler Utfall (1)

Inte rädd Utfall (2) Måttligt rädd Utfall (3) Väldigt rädd

Kvinna -0,14* (0,08) 0,04 (0,04) 0,10** (0,04) Ekonomistudent 0,24*** (0,08) -0,10* (0,05) -0,14*** (0,04) Risktagande -0,01 (0,02) 0,00 (0,00) 0,01 (0,01) 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑>? 0,33*** (0,10) -0,16** (0,08) -0,17*** (0,04) 𝐶𝑜𝑣𝑖𝑑𝑠𝑚𝑖𝑡𝑡𝑎𝑑WAB AC 0,03 (0,05) -0,00 (0,01) -0,02 (0,04) Å𝑙𝑑𝑒𝑟22E26 0,01 (0,06) -0,00 (0,00) -0,01 (0,06) Å𝑙𝑑𝑒𝑟27E65 0,03 (0,08) -0,01 (0,02) -0,03 (0,06) Arbetar -0,14*** (0,05) 0,01 (0,02) 0,13*** (0,05) Relation -0,07 (0,05) 0,01 (0,01) 0,06 (0,04) Termin 3-4 -0,04 (0,06) 0,00 (0,01) 0,04 (0,06) Termin 5+ -0,03 (0,06) 0,00 (0,01) 0,03 (0,06) Observationer 191 191 191 R^2 0,11 0,11 0,11

Anm: Parentes under koefficient visar Robusta standardfel. *, ** och *** anger statistisk signifikans på 10, 5 och 1 procents signifikansnivå. Koefficienterna är lika med noll vid addition mellan utfall 1-3 men har avrundats vilket kan göra att detta

inte stämmer i tabellen.

Tabell 6.2 visar estimeringar från enkäten med hjälp av Ordered Probit. Variabeln Kvinna visar ett signifikant resultat på 5 procentsnivån och ett på 10 procentsnivån, därmed förkastas nollhypotesen Kvinna = 0. Ekonomistudent visar signifikanta resultat på 1 procentsnivån i två av utfallen och ett resultat på 10 procentsnivån. Nollhypotesen Ekonomistudent = 0 förkastas på 5 procentsnivån.

Kvinnor har 14 procent lägre sannolikhet att inte vara rädd för covid-19 på 10 procents signifikansnivå och 10 procents högre sannolikhet att vara väldigt rädd för covid-19 på 5 procents signifikans, i jämförelse med män, allt annat lika. Ordered Probit-regressionen stärker resultatet från OLS som säger att kvinnor i undersökningen är mer rädda för covid-19 i jämförelse med män.

Ekonomistudenter har 24 procent högre sannolikhet att inte vara rädda för covid-19 på 1 procents signifikansnivå, 10 procent lägre sannolikhet att vara måttligt rädd för covid-19 på 10 procents signifikansnivå och 14 procent lägre sannolikhet att vara väldigt rädd för covid-19 på 1 procents signifikansnivå i jämförelse med övriga utbildningar, allt annat lika. Estimeringen stärker resultatet från OLS som säger att ekonomistudenter är mindre rädda för covid-19 i jämförelse med övriga utbildningar.

De covidsmittade har 33 procents högre sannolikhet att inte vara rädd för covid-19 på 1 procents signifikansnivå, 16 procents lägre sannolikhet att vara måttligt rädd för covid-19 på 5 procents signifikansnivå och 17 procents lägre sannolikhet att vara väldigt rädd för

19 på 1 procents signifikansnivå, i jämförelse med de som inte blivit smittade av covid-19, allt annat lika. Därmed stärks resultatet från OLS som säger att covidsmittade är mindre rädda för covid-19 i jämförelse med de som inte blivit smittade.

Arbetande respondenter har 14 procent lägre sannolikhet att inte vara rädda för covid-19 på 1 procents signifikans och 13 procent högre sannolikhet att vara väldigt rädd för covid-19 på 1 procents signifikans i jämförelse med de som inte arbetar, allt annat lika. Estimeringen stärker resultatet från OLS som säger att de som arbetar utöver sina studier är mer rädda för covid-19. Modellen använder 191 observationer och har ett förklaringsvärde på 11%.

7. Diskussion och slutsats

Uppsatsen har för avsikt att undersöka studenters rädsla samt beteendemönster under covid-19, regressionerna från studien visar varierande resultat. En av de huvudsakliga

frågeställningarna som undersöktes var om kvinnor är mer rädda för att bli smittade av covid-19, i jämförelse med män. Resultat från regressioner visar att kvinnor är mer rädda för att bli smittade av viruset. Resultatet kan kopplas till tidigare forskning som visat att kvinnor är med rädda för de konsekvenser covid-19 kan medföra, samt att kvinnor visat sig vara mer riskaverta, i jämförelse med män. Trots att kvinnorna i undersökningen svarar att de generellt är mer rädda än män är det ändrade beteendemönstret under pandemin likvärdigt med

männens. Tidigare forskning visade att kvinnor följer restriktioner i större utsträckning i jämförelse med män. Slutsatsen om att kvinnor följer restriktioner mer kan inte dras i denna uppsats eftersom enkäten inte efterfrågar detta. Uppsatsen kan inte heller dra slutsatsen om kvinnor i studien är mer riskaverta i sitt beteendemönster, trots att de är mer känslomässigt rädda.

En annan huvudfrågeställning som undersöktes var om rädslan för covid-19 skiljer sig mellan ekonomistudenter och övriga studenter. Regressionerna visar att ekonomistudenterna från studien är mindre rädda för covid-19. Resultatet som visar att ekonomistudenter är mindre rädda och har ändrat sitt beteendemönster mindre än övriga studenter kan vara ett tecken på en generellt mer risksökande attityd i risksituationer, något som tidigare forskning påvisat. Resultatet kan även kopplas till ekonomistudenters lägre grad av altruism och styrka tesen om ekonomers egenintresse eftersom skillnader gentemot övriga studenter påvisats i tidigare forskning. En lägre grad av exponering på allmänna platser kan vara en altruistisk handling, då individen minskar sannolikheten att sprida smittan. För att stärka tesen om altruism ytterligare hade undersökningen kunnat ta reda på information om studenters egenintresse. Webbenkäten hade kunnat efterfråga hur stor andel av en summa pengar individen hade behållit själv samt gett bort för att mäta individens inställning till altruism. För att särskilja vilken grad av påverkan risktagande och altruism har för ekonomistudenter under covid-19 behövs vidare forskning, då uppsatsen har svårt att urskilja detta. Det kan även finnas andra förklarande variabler hos ekonomistudenter som förklarar beteendet. Deras dagliga aktivitet kan bestå av sådant som inte påverkas av covid-19, det vill säga inte involverar möten med andra individer.

Regressionerna visar även att studenter som anser sig vara mer risktagande än andra studerar på campus i något större utsträckning, en plats som ökar risken för att bli smittad i jämförelse med studier hemifrån.

De studenter som blivit smittade av covid-19 är betydligt mindre rädda för viruset. Något som kan bero på att en individ som redan insjuknat i covid-19 är skyddad till viss del mot viruset under en period. En tidigare smitta medför att risken för att bli smittad av viruset igen, bli allvarligt sjuk och att smitta andra är reducerad (Folkhälsomyndigheten 2020b).

En annan faktor att ta i beaktning är att riskgrupper löper högre risk för allvarligare påverkan på hälsan av covid-19, riskgrupper innefattar individer med bakomliggande sjukdomar samt äldre (Folkhälsomyndigheten 2020a). Individer som tillhör riskgrupper kan påverka resultatet eftersom enkäten inte efterfrågade om respondenten tillhör någon riskgrupp.

Den grupp som innefattar de äldre studenterna studerar mindre på campus i jämförelse med de yngre studenterna. En orsak skulle kunna vara att den äldre åldersgruppen innefattas av fler individer som tillhör riskgrupper och att de därmed vill minimera risken för att bli smittad av covid-19. Individer med sjukdomar som bland annat fetma och diabetes har en högre risk för allvarliga konsekvenser kopplat till hälsa, något som är vanligare hos äldre (Folkhälsomyndigheten 2020e). Sociala aspekter kan också påverka resultatet.

Utbildningsnivån visar inte på några skillnader, alltså kan inte studenter som studerat under en längre tid sägas vara mindre rädd för viruset i jämförelse med en student som studerat under en kortare tid.

De personer som arbetar under tiden de studerar visar sig vara mer rädda för covid-19 i jämförelse med de som inte arbetar. Resultatet kan tyckas vara motsägelsefullt eftersom arbete antas vara självvalt. Särskilda incitament för ökad inkomst som höga skulder eller dyra levnadsvanor för studenterna är därför svåra att härleda eftersom dessa faktorer inte

efterfrågas i enkäten. En tolkning av resultatet kan vara att inkomsten från arbete värderas högre än risken att bli smittad. Hur mycket varje individ exponeras för andra individer under arbetstid och restid till arbete är också faktorer som behöver ses över för att skapa sig en tydligare bild.

Tidigare forskning visade att singlar har en större aversion mot risk i jämförelse med de som är i en relation. Uppsatsens undersökning visade en homogenitet mellan grupperna då inga

7.1 Framtida forskning

Uppsatsen visar att kvinnor är mer rädda för covid-19. Skillnader mellan rädsla hos kvinnor och män kan undersökas på en djupare nivå med mer specifikt ställda frågor kring rädsla för att förstå vad som påverkar individerna mest.

Skillnader mellan ekonomistudenters och övriga studenters rädsla för covid-19 kan kopplas till altruism och riskbeteenden. Vidare forskning kan undersöka vilket av sambanden som har starkast korrelation till rädsla för smittan.