NATIONALEKONOMISKA INSTITUTIONEN Uppsala universitet
Examensarbete C
Författare: Thor Sandberg & Rebecka Svensson Handledare: Ola Andersson
HT2020
Den förväntade nyttan av att inte följa rekommendationer
En tvärsnittsanalys av individens efterlevnad av de allmänna råden och
rekommendationerna under COVID-19 pandemin i Sverige
1
Förord
Inledningsvis vill vi rikta ett stort tack till vår handledare Ola Andersson för inspiration, lärdomar och värdefulla insikter under skrivandets gång. Vi vill även ta tillfället i akt att tacka vår seminariegrupp som genom konstruktiv kritik och sitt engagemang hjälpt oss förbättra uppsatsen.
Avslutningsvis tillägnas uppsatsen Calle Munkby - utan dig, inget oss.
2
Abstract
The purpose of this study is to investigate which groups of individuals are less likely to follow the authorities’ recommendations during the COVID-19 pandemic in Sweden. The thesis aims to explain the decision-making of these individuals during a pandemic based on the theory of Expected Utility. A linear probability model is estimated in addition to a logistic regression. The study finds that the estimated effect of gender and age are significantly different from zero when considering socioeconomic control variables. The results suggest that older individuals’ expected utility is higher when following the recommendations. For men as well as younger individuals, the theory needs an extended analysis including factors from a behavioural economics point of view.
This paper is an addition to an increasing number of studies conducted on the COVID-19 pandemic.
Keywords: compliance; expected utility theory; COVID-19
3
Innehåll
1 Inledning ... 4
2 Teori och tidigare studier ... 7
2.1 Beslut under risk... 7
2.2 Tidigare studier ... 9
3 Data ... 12
3.1 Beskrivning av data ... 12
3.2 Variabelkonstruktion ... 13
3.3 Variabelbeskrivning och deskriptiv statistik ... 15
4 Metod ... 18
4.1 Linjär sannolikhetsmodell ... 18
4.1.1 Antaganden för linjär sannolikhetsmodell ... 19
4.2 Logistisk regression... 20
5 Resultat ... 21
6 Diskussion ... 24
7 Sammanfattning ... 27
8 Referenser ... 28
9 Appendix ... 30
9.1 Figurer ... 30
9.2 Tabeller... 31
4
1 Inledning
Redan från ett tidigt skede har COVID-19 pandemin inneburit stora förändringar, där länder världen över har stängt ner delar eller hela samhällen i ett försök att bromsa virusets spridning. I takt med nya bekräftade fall och COVID-19 relaterade dödsfall, begränsas individens vardag genom utegångsförbud och andra restriktiva åtgärder (Bernard, 2021). Sveriges coronastrategi har utmärkt sig internationellt när det kommer till nationella restriktioner, då den har präglats av stor individuell frihet. Befolkningen i Sverige har ett högt förtroende för myndigheter, vilket förväntas leda till att de följer de allmänna råd och rekommendationer som ges av Folkhälsomyndigheten (Regeringen, 2020).
Rekommendationerna bygger på ett antal preventiva hälsobeteenden som syftar till att minska risken att själv bli smittad och smitta andra, bland annat genom att tvätta händerna, social distansering och att stanna hemma vid symptom (Socialstyrelsen, 2020). De icke-medicinska hälsobeteenden som uppmanas i Folkhälsomyndighetens allmänna råd och rekommendationer är frivilliga och individen möter inga juridiska konsekvenser av att inte följa dem. Den 11 mars meddelade regeringen den första formella restriktionen: att maxantalet för offentliga sammankomster sattes till 500 personer och den 27 mars blev det 50 (Thornéus, 2020). En stor skillnad gentemot restriktioner i andra länder är att svensken inte möter omfattade begränsningar i sin vardag. En central förutsättning i Sveriges liberala coronastrategi är således att individer frivilligt följer de rekommendationer som myndigheterna uppmanar till.
Tidigare studier som undersöker individens beteende under pandemier har bland annat visat att män och yngre individer är mindre benägna att engagera sig i preventiva hälsobeteenden för att undvika att bli smittad och att smitta andra. Vidare är de mindre sannolika att följa myndigheters restriktioner under en pandemi. Hälsopreventiva beteendemönster under pandemier påverkas i hög grad av hur smittsam sjukdomen är och hur mottaglig individen upplever sig vara för att bli svårt sjuk. (Bish & Michie, 2010; Nivette, Ribeaud, Murray, Steinhoff, Bechtiger, Hepp, Shanahan &
Eisner, 2020) Vidare är individens inställning till risk kopplat till hälsopreventivt beteende, där mer riskaversiva individer är mer måna om att inte bli smittade (Hauck, 2018). Riskaversion har
5 intresserat forskare inom åtskilliga discipliner. Det råder konsensus om att män är generellt mindre riskaversiva i relation till kvinnor, och att riskaversion ökar med högre ålder (Byrnes, Miller &
Schafer, 1999; Dohmen, Falk, Golsteyn, Huffman & Sunde, 2017).
Det finns en rad faktorer som påverkar individens beslutsfattande under risk. Von Neumann och Morgenstern (Perloff, 2017: 595 - 596) utvecklade teorin om förväntad nytta för att förklara hur en individ fattar beslut under osäkra förhållanden. Teorin säger att inför ett beslut beaktar individen de förväntade nyttorna av sina olika handlingsalternativ och väljer alternativet med högst förväntad nytta. Enligt Hauck (2018) beror individens nytta av ett hälsopreventivt beteende på dels dennes kostnad av att bli sjuk och risken att hon blir smittad. Risken att bli smittad är svår att definiera och således avgör individens riskpreferenser om hon kommer att engagera sig i ett hälsopreventivt beteende eller inte. Individens handlande påverkas följaktligen främst av den egna inställningen till risk och huruvida individen tar hänsyn till smittspridningen och andra människor.
Studiens syfte är att undersöka vilka individer som är mindre benägna att följa myndigheternas rekommendationer under COVID-19 pandemin och ämnar att utifrån teorin om förväntad nytta, förklara individers beslut att följa rekommendationerna eller inte. Att den svenska strategin bygger på individens egna ansvar medför goda förutsättningar att applicera en teoretisk modell som beskriver beslutsfattande under risk. Kunskap om vilka individer som inte följer rekommendationerna möjliggör för Sveriges beslutfattare att kunna rikta effektiva åtgärder mot dessa och på så sätt bromsa smittspridningen. Således är frågeställningen enligt följande:
Vilka individer är mindre sannolika att följa myndigheternas rekommendationer under COVID- 19 pandemin i Sverige?
Uppsatsens data är från en enkätundersökning som samlades in under 8 - 30 mars år 2020, då de allmänna råden endast var preventiva hälsobeteenden förutom maxantalet personer på offentliga sammankomster. Studien undersöker ett representativt urval av den svenska befolkningen, där datamaterialet innehåller både beteende- & demografiska variabler. Studiens avgränsning är
6 således svenska medborgares efterlevnad av COVID-19 rekommendationer under en kortare period i pandemin.
För att besvara forskningsfrågan estimeras en linjär sannolikhetsmodell samt en logistisk regression, där ålder och kön är determinanter mot en binär utfallsvariabel definierad som 0=följer rekommendationerna och 1=följer inte rekommendationerna. Koefficienterna för kön och samtliga åldersgrupper, utom 30 - 39, var statistiskt signifikanta även efter socioekonomiska kontroller. I diskussionen kopplas det empiriska resultatet till den teoretiska förklaringsmodellen. Utifrån de antaganden som lyfts i teorin kan äldre individers beteende förklaras utifrån antagandet om rationalitet. För män och yngre individer fungerar modellen med beteendeekonomiska invändningar.
Uppsatsen är disponerad enligt följande. I avsnitt 2 beskrivs det teoretiska ramverket och tidigare studier. Avsnitt 3 beskriver datamaterialet och de förändringar som har gjorts. Avsnitt 4 beskriver uppsatsens statistiska tillvägagångssätt och i avsnitt 5 återfinns en presentation av resultaten samt en kortare tolkning. Avsnitt 6 innehåller en mer ingående diskussion kring resultaten och en tillämpning av den förväntade nyttoteorin. Slutligen sammanfattas slutsatserna i avsnitt 7.
7
2 Teori och tidigare studier
I följande avsnitt beskrivs teorin om förväntad nytta, samt tidigare studier om risk och individens hälsopreventiva beteende under influensapandemier. Uppsatsens teoretiska grund kommer att fungera som förklaringsmodell i diskussionen. I uppsatsen definieras hälsobeteende som en kombination av hälsomedvetande, attityder och beteenden som ligger till grund för individers handlingar rörande den egna hälsan (Karolinska Institutet, u.å.). Riskbenägenhet definieras efter hur benägen en person är för att ta risker. Motsatsen är en riskavert person som ogillar risk.
2.1 Beslut under risk
Inom diverse discipliner strävar forskare efter att besvara frågan om hur människor fattar beslut under osäkra förhållanden. Ett standardsvar inom nationalekonomin är att individen kommer maximera den förväntade nyttan (Gilboa, 2009: 9). Nationalekonomiska modeller, och således teorin om förväntad nytta, utgår ofta från att individer fattar rationella beslut. I kontrast är det många folkhälsointerventioner som bygger på antagandet att individer är altruistiska, vilket går emot antagandet om rationalitet enligt den klassiska ekonomiska nyttoteorin (Hauck, 2018: 9).
Teorin om förväntad nytta togs fram för att förklara beslutsfattande under risk. Teorin utgår från individens strävan att maximera den förväntade nyttan, vilket uttrycks som det sannolikhetsviktade genomsnittet av nyttan för varje möjligt utfall (Perloff, 2017: 595 - 596). Om en individ står inför ett beslut att välja alternativ A eller B kommer alternativet med högst förväntad nytta att väljas.
EU = ∑ 𝜃𝑖 U(𝑉𝑖)
𝑛
𝑖 = 1
(1)
Där EU = förväntad nytta, 𝜃= sannolikheten för utfall i, U( ) = individens nyttofunktion, V = monetärt eller icke-monetärt värde och i = utfall 1, …., n.
När modellen appliceras på huruvida individen kommer att anta ett hälsopreventivt beteende eller inte, motsvarar termen V individens värde av att antingen vara frisk eller sjuk. Vidare beskriver nyttofunktionen individens preferenser som inkluderar riskpreferenser. Den förväntade nyttan av ett utfall styrs således av sannolikheten att bli sjuk och den funktionella formen på nyttofunktionen.
8 Det kan illustreras genom att definiera alternativen A=leva som vanligt och B=följa rekommendationer, som ger följande uttryck:
𝐸𝑈𝐴 = 𝜃𝐹𝑟𝑖𝑠𝑘𝑈(𝐹𝑟𝑖𝑠𝑘) + (1 − 𝜃𝐹𝑟𝑖𝑠𝑘)𝑈(𝑆𝑗𝑢𝑘) (2)
𝐸𝑈𝐵 = 𝜃𝐹𝑟𝑖𝑠𝑘𝑈(𝐹𝑟𝑖𝑠𝑘) + (1 − 𝜃𝐹𝑟𝑖𝑠𝑘)𝑈(𝑆𝑗𝑢𝑘) (3)
Individen jämför 𝐸𝑈𝐴 med 𝐸𝑈𝐵 och väljer alternativ A om 𝐸𝑈𝐴 > 𝐸𝑈𝐵.
Antagandet om rationalitet bygger på att individen besitter all relevant information inför ett beslut vilket sällan är fallet i verkligheten. Däremot kan individen rationellt estimera sannolikheten för att ett visst utfall inträffar och gör det antingen genom att se till tidigare frekvenser av samma utfall eller genom en subjektiv sannolikhetsbedömning. Det sistnämnda innebär att individen gör en kvalificerad gissning baserat på den information individen har tillgång till. (Perloff, 2017: 591)
Individens nytta av ett hälsopreventivt beteende beror av kostnaden av att bli sjuk och sin personliga risk att bli smittad. Eftersom risken är osäker i de flesta sammanhang innebär det att individens riskpreferenser avgör till stor del huruvida individen kommer engagera sig i ett preventivt hälsobeteende eller inte. Vid infektionssjukdomar är risken att själv bli smittad direkt relaterad till hur många andra individer som är sjuka och därmed kan en individs beslut påverka sannolikheten att andra blir smittade. (Hauck, 2018: 5) Om individen beaktar andras välmående i sitt beslut klassas hon som altruistisk. Antagandet ligger till grund för många folkhälsointerventioner och illustreras tydligast genom att se till de preventiva valen hos de redan infekterade individerna då deras agerande påverkar andra individer mest. Altruism hos infekterade individer kräver att de är medvetna om sin smittsamma status, vilket inte alltid är fallet då vissa infektionssjukdomar är symtomfria. (Ibid: 9–10)
Beteendeekonomiska invändningar mot teorin är att individer tenderar att ha en felaktig uppfattning av hur sannolikt ett visst utfall är. Två exempel på en sådan felaktig uppfattning är
9 falsk övertygelse om kausalitet och övertro på den egna förmågan (Perloff, 2017: 614–615). Det kan illustreras med följande tankebanor “Jag klarade mig igår därför kommer jag att klara mig idag” och “det är sådant som drabbar andra men det skulle inte hända mig”.
2.2 Tidigare studier
Tidigare studier av intresse berör främst beteende kopplat till risk och hälsobeteenden under influensapandemier. Således är den tidigare forskningen omfattande och prevalent inom icke uteslutande epidemiologi, psykologi och nationalekonomi.
Byrnes et al. (1999) genomförde en metaanalys av 150 studier som studerade skillnader i risktendenser mellan män och kvinnor. Resultaten visade att riskbenägenhet överlag var större hos manliga deltagare jämfört med kvinnor, men att könsskillnaden varierade beroende på vilken typ av risktagande det handlade om, samt att den minskade med högre ålder. Dohmen et al. (2017) undersökte, med hjälp av paneldata från Nederländerna och Tyskland, hur individens inställning till risk förändrades över en livstid. De fann att benägenheten att ta risker minskade linjärt fram till cirka 65 års ålder där kurvan planades ut. Furby och Beyth-Marom (1999) granskade litteratur om ungdomars beslutsfattande kopplat till riskfyllda beslut. De fann att unga generellt är benägna att fatta riskfyllda beslut, men hittade inga entydiga bevis som kunde förklara varför. Därutöver finns det studier kopplat till riskaversion. Ett exempel är Anderson och Mellors (2008) studie där de genomförde ett experiment och mätte individuella riskpreferenser och hälsobeteenden hos vuxna i åldern 18 - 87 år, genom att konstruera ett lotteri kombinerat med en enkätundersökning. Studiens resultat visade ett samband där riskaversion var negativt associerat med bland annat rökning och alkoholkonsumtion.
När det kommer till forskningen under pandemier undersökte Sadique, Edmunds, Smith, Meerding, de Zwart, Brug och Beutels (2007) individens preventiva beteende under en hypotetisk influensapandemi. Deras resultat tydde på att en stor andel människor skulle sträva efter att vidta preventiva åtgärder för att minska sin risk att bli smittad. Bish et al. (2010) genomförde en metastudie för att identifiera de viktigaste demografierna och attityderna för hälsobeteenden under
10 SARS och svininfluensan. Resultaten visade att äldre, kvinnor, icke-vita och individer med högre utbildning var mer sannolika att anta hälsopreventiva beteenden. Under svininfluensan uppgav även fler äldre att de tvättade händerna oftare, samt att de såg sig själva som mottagliga för smitta.
Upplevd mottaglighet inför sjukdomen, huruvida individerna uppfattade sjukdomen som allvarlig och övertygelse om de rekommenderade beteendenas effektivitet, var viktiga faktorer för om individen valde att engagera sig i hälsopreventiva beteenden.
När det kommer till den pågående pandemin har det visats att ålder och kön har en effekt på självkarantänsbeteende. Andersson, Campos-Mercade, Carlsson, Schneider och Wengström (2020) undersökte individens indirekta välfärdskostnad av att vara i karantän. Ett mått på kostnaden togs fram genom att ställa deltagarna inför ett beslutsexperiment. Resultaten visade att strikta karantänsregler bidrog till en oproportionerligt stor upplevd kostnad för individen, i förhållande till lindrigare restriktioner. De fann att kostnaden var betydligt högre för äldre individer och något lägre för kvinnor, universitetsutbildade och ensamstående hushåll i förhållande till den övriga populationen. I en studie av Nivette et al. (2020) fann forskarna att bristande efterlevnad, särskilt hygien-relaterade rekommendationer, var vanligt förekommande hos unga män, personer med högre utbildning och inrikes födda. Vidare fann de att unga vuxna med lågt förtroende för myndigheter följde restriktioner i en mindre utsträckning.
Campos-Mercade, Meier, Schneider och Wengström (2020) uppmätte en effekt av prosocialt beteende på individens hälsobeteende under COVID-19 pandemin i Sverige. Studien kombinerade data från the Research Institute of Industrial Economics (se Andersson et al. 2020), tillsammans med en enkät från 2018 som innehöll mått på prosocialt beteende. De skapade fyra index genom att aggregera ett antal beteendevariabler, och estimerade effekten av prosocialt beteende på respektive index med en linjär regression. Resultaten visade att en prosocial individ är mer sannolik att följa fysisk distansering, stanna hemma vid sjukdom och köpa munskydd.
Sammanfattningsvis tycks kön vara en indikator för såväl riskbeteende som benägenheten att anta ett hälsopreventivt beteende under en pandemi. Det verkar även finnas bevis för att unga individer
11 är mer riskbenägna jämfört med äldre, men att ju äldre individen blir desto mer riskaversiv blir denne. Det samstämmer med att äldre i större utsträckning antar ett hälsopreventivt beteende, men utmanas av att äldre individer upplever en högre kostnad av att vara i karantän. Utifrån ovanstående kan även ålder vara en indikator för riskaversion och benägenheten att anta ett hälsopreventivt beteende under COVID-19 pandemi.
För att undersöka relationen mellan ålder respektive kön och efterlevnad av rekommendationer, med en utgångspunkt om att män och yngre individer är mindre riskaversiva och således mindre sannolika att engagera sig i ett hälsopreventivt beteende, formuleras hypoteserna:
𝐻0 A: Män är inte mindre sannolika att följa myndigheternas rekommendationer jämfört med kvinnor.
𝐻1 A: Män är mindre sannolika att följa myndigheternas rekommendationer jämfört med kvinnor 𝐻0 B: Äldre är inte mer sannolika att följa myndigheternas rekommendationer jämfört med andra åldersgrupper.
𝐻1 B: Äldre är mer sannolika att följa myndigheternas rekommendationer jämfört med andra åldersgrupper.
Om koefficienterna i regressionsmodellen är signifikant skild från noll på 5 procent nivå förkastas nollhypotesen.
12
3 Data
Följande avsnitt inleds med en beskrivning av datamaterialets ursprung och de förändringar som har genomförts i materialet. Därefter presenteras en variabelbeskrivning i tabell 3.3.1 och slutligen presenteras deskriptiv statistik i tabell 3.3.2.
3.1 Beskrivning av data
Data har erhållits från the Research Institute of Industrial Economics och togs fram till studien the Individual Welfare Costs of Stay-at-Home Policies (2020). Studien undersökte den
individuella välfärdskostnaden som tillkommer när individen befinner sig i en karantän.
Ursprungliga data framställdes genom en enkätundersökning under perioden 8 - 30 april år 2020.
Studien Prosociality predicts health behaviors during the COVID-19 pandemic (Campos-
Mercade et al. 2020) nyttjade också delar av materialet i sin undersökning. Den del av materialet som nyttjas i den här uppsatsen innehåller information om åtta olika hälsobeteenden kopplade till COVID-19 och ett antal socioekonomiska och demografiska variabler (se tabell 3.3.1). Dessa hälsobeteenden motsvarar Folkhälsomyndighetens allmänna råd och rekommendationer under tidsperioden undersökningen utgår ifrån och kan därmed fungera som ett mått på huruvida individen anser sig ha följt rekommendationerna eller ej.
I jämförelse med den svenska populationen är urvalet representativt med avseende på kön, ålder och hushållens geografiska läge. Däremot innehåller urvalet en överrepresentation av universitetsutbildade (37 %) jämfört med populationen (23 %). Antalet observationer var ursprungligen 1672. Den minsta tiden en svarande behövde för att ordentligt genomföra undersökningen uppskattades till fem minuter (se Andersson et al. 2020). Av den anledningen exkluderades de som slutförde enkäten under den tiden tillsammans med de som inte slutförde enkäten, vilket resulterade i 1540 observationer.
13
3.2 Variabelkonstruktion
I syfte att mäta efterlevnad av myndigheternas rekommendationer konstruerades ett index som inkluderade sju av åtta beteendevariabler. I datamaterialet är variablerna konstruerades på en sjugradig skala där 1 motsvarar instämmer inte alls och 7 motsvarar stämmer mycket bra.
Indexet skapades genom att summera de sju beteendevariablerna och dividera med antalet variabler. För att behålla samma skalnivåer som innan avrundades kvoten till heltal. Ett problem med att konstruera ett index är att det potentiellt kan ge missvisande svar i de fall en respondent svarar högt på en fråga och lågt i en annan och skillnaderna slår därmed ut varandra.
Problematiken hade varit möjligt att minimera genom att skapa flertalet mindre index, i likhet med Campos-Mercade et al. (2020), istället för ett stort. Genom att begränsa till endast ett index undviks problemet med multipel testning som annars hade uppstått och det anses inte heller nödvändigt att skapa flera index för att besvara frågeställningen.
Fördelningen i indexet var kraftigt viktat till de högre nivåerna och innehöll ett otillräckligt antal observationer i de lägre, för att kunna utföra en korrekt statistisk analys. Med andra ord uppgav majoriteten av respondenterna sin efterlevnad som hög. För att ta sig runt problemet genomfördes en binär delning. Det hade varit optimalt att undvika en binär omvandling då det innebär att stora delar av variationen i data går förlorad, men mot bakgrund av ovanstående anses delningen motiverad. I den binära delningen av indexet kodades 1 - 4 om till 1, och 5 - 7 till 0, där 0 innebär följer rekommendationerna och 1 innebär följer inte rekommendationerna. Val av brytpunkt baseras på att respondenterna kan uppge sig följa rekommendationerna, med åtminstone viss säkerhet, mellan svarsalternativen 5 och 7. Det hade varit fördelaktigt med en brytpunkt som skapat ett balanserat data-set, men det är utifrån materialets distribution svårt att genomföra utan långtgående antaganden om vilka som följer respektive inte följer rekommendationerna. Därför anses delningen motiverad i syfte att besvara uppsatsen frågeställning med så få antaganden som möjligt.
Som tidigare nämnt inkluderades inte samtliga beteendevariabler i indexet. Enligt definitionen av vad som tillfaller följer inte rekommendationerna är det endast 5.78 procent av observationerna i
14 variabeln ac_sneeze som faller inom kategorin. I relation till den av beteendevariablerna som har näst lägst andel, ac_inform med 10.84 procent, är det nästintill hälften. Det är en låg andel som tillfaller följer inte rekommendationerna både i relativa (11.3 %) och absoluta mått (174). Mot den bakgrunden anses fördelarna större än nackdelarna vid uteslutandet av variabeln. Med ett större urval hade avvägningen inte varit lika motiverad då ac_sneeze mäter följsamhet för en av folkhälsomyndighetens rekommendationer.
Under antagande att sambandet mellan ålder och benägenhet att följa rekommendationerna inte är linjärt skapades åldersgrupper. Ett histogram över den bakomliggande åldersfördelningen återfinns i figur 9.1.1 i appendix.
Variabeln female hade fyra observationer som uppgav att de identifierade sig som varken man eller kvinna. Eftersom gruppen innehåller för få observationer för att utgöra en egen kategori, grupperades de tillsammans med referensgruppen kvinnor. Således är det fortfarande möjligt att urskilja om män särskiljer sig från övriga utan att behöva exkludera några observationer.
15
3.3 Variabelbeskrivning och deskriptiv statistik
Tabell 3.3.1 Variabelbeskrivning
ac_total_b 0= Följer rekommendationerna / 1=Följer inte rekommendationerna
female Kvinna / Man
age_group 15–29 / 30–39 / 40–49 / 50–59 / 60–69 / ≥70
adults Antal vuxna (över 18 år) i hushållet
children Antal barn (under 18 år) i hushållet
civilstatus Ensamstående / Särbo / Sambo / Gift / Annat
education Grundskoleutbildning / Gymnasieutbildning / Eftergymnasial utbildning (ex. Kvalificerad Yrkesutbildning) / Pågående högskoleutbildning / Högskoleutbildning / Forskarutbildning
workhome Tillåter ditt arbete att du jobbar hemifrån: Ja, i stor utsträckning / Ja, i viss utsträckning / Nej / Jag har inget jobb
income Hushållets totala inkomst per månad, efter skatt inklusive bidrag: 5000 / 15000 / 25000 / 35000 / 45000 / 55000 / 65000 / 75000 / 85 000 / ≥ 95000
smallertown Stockholm / Göteborg / Malmö / Större stad (fler än 50000 invånare) / Medelstor stad (mellan 20000 och 50000 invånare) / Småstad eller landsbygd (färre än 20000 invånare)
ac_contact Jag försöker undvika fysiska sociala kontakter (t.ex. jag närvarar vid färre sociala tillställningar)
ac_inform Jag håller mig informerad om hur spridningen av coronaviruset kan förhindras
ac_dist Jag håller ett avstånd på minst två meter till andra människor
ac_travel Jag avstår från privata inrikesresor utanför min hemkommun (t.ex. Till fritidshus och bekanta)
ac_sneeze* Om jag behöver hosta eller nysa så gör jag det i mitt armveck eller i en näsduk
ac_face Jag vidrör mitt ansikte i mindre utsträckning än vanligt
ac_hands Jag tvättar mina händer oftare än vanligt när jag inte är i min bostad
ac_stayhome Om du skulle ha milda symptom på sjukdom (t.ex. hosta) imorgon, hur väl stämmer följande påstående in på ditt beteende de följande två veckorna? Jag stannar hemma och går i självisolering
ac_total Index över generell följsamhet av rekommendationerna
Noter: De kategoriska variablerna är kodade i samma ordning som de är skrivna ovan. Exempelvis är civilstatus:
1=Ensamstående, 2 =Särbo, 3=Sambo, 4= Gift, 5= Annat.
16 Prefixet ac_ kännetecknar de variabler som mäter Folkhälsomyndighetens
rekommendationer. Variabeln income är kodat som medianen för det representerade
inkomstintervallet, exempelvis motsvarar kategorin 25000 intervallet 20001–30000 kr. Gällande workhome är alternativet Jag har inget jobb inte att förväxla med arbetslöshet, utan innehåller sannolikt exempelvis både studenter och pensionärer. De socioekonomiska kontrollerna syftar till variablerna: adults, children, civilstatus, education, workhome, income och smallertown.
Avslutningsvis är ac_total konstruerad av: ac_contact, ac_inform, ac_dist, ac_travel, ac_face, ac_hands och ac_stayhome.
17 Tabell 3.3.2: Deskriptiv statistik
(1) (2) (3) (4) (5)
Variabel N mean sd min max
ac_total_b 1,540 0.113 0.317 0 1
female 1,540 0.522 0.500 0 1
age_group 1,540 2.367 1.597 0 5
adults 1,540 1.829 0.772 1 5
children 1,540 0.537 0.912 0 5
civilstatus 1,540 2.580 1.328 1 5
education 1,540 3.241 1.465 1 6
workhome 1,540 1.514 1.252 0 3
income 1,540 37,299 22,849 5,000 95,000
smallertown 1,540 3.925 1.867 1 6
ac_contact 1,540 6.030 1.347 1 7
ac_inform 1,540 6.099 1.197 1 7
ac_dist 1,540 5.505 1.452 1 7
ac_travel 1,540 5.984 1.553 1 7
ac_sneeze* 1,540 6.482 1.026 1 7
ac_face 1,540 4.985 1.773 1 7
ac_hands 1,540 6.138 1.344 1 7
ac_stayhome 1,540 5.914 1.506 1 7
ac_total 1,540 5.825 1.079 1 7
Noter: *ac_sneeze är inte inkluderad i indexvariabeln ac_total
I tabell 3.3.2 ovan visas deskriptiv statistik över variablerna i datamaterialet. Kolumnerna är; antal observationer (N), medelvärde (mean), standardavvikelse (sd), minsta värde (min) och högsta värde (max). Samtliga variabler kan endast anta diskreta värden. Av variablerna med prefixet ac_
är det endast ac_total_b som används i analysen. Se i tabell 9.2.1 i appendix för fördelningen av de kategoriska variablerna.
18
4 Metod
I följande avsnitt presenteras den linjära sannolikhetsmodellen och logistiska regressionen samt uppsatsens ekonometriska specifikation.
För att testa uppsatsens hypoteser kommer en linjär sannolikhetsmodell och en logistisk regressionsmodell att estimeras då den beroende variabeln är binär. I en studie av Hellevik (2009) jämförs de två modellernas rapporterade signifikans och han finner att den linjära sannolikhetsmodellen förblir robust även om urvalet är litet och skevt fördelat. (Hellevik, 2009:
64) Mot den bakgrunden nyttjas i första hand den linjära sannolikhetsmodellen. För att kunna bedöma rimligheten i modellens estimat, estimeras även en logistisk modell.
4.1 Linjär sannolikhetsmodell
När en linjär regression används för att estimera en funktion vars beroende variabeln är binär benämns det som en linjär sannolikhetsmodell. Modellen är, som namnet antyder, linjär och estimerar sannolikheten att den beroende variabeln antar värdet 1, givet ett visst värde på 𝑋𝑖enligt minsta kvadratmetoden. En inneboende problematik är att den kan estimera sannolikheter utanför det faktiska sannolikhetsutrymmet (0 - 1). Däremot är det sällan ett reellt problem och modellen är fördelaktig på grund av sin robusthet och enkla intuitiva tolkning (Stock & Watson, 2015: 395 - 396).
I generell ekvationsform ser den linjära sannolikhetsmodellen ut som följande:
𝑃𝑟(𝑌 = 1 | 𝑋1, 𝑋2, … , 𝑋𝑘) = 𝛽0+ 𝛽1𝑋1𝑖+ 𝛽2𝑋2𝑖+ ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 𝑢𝑖 (4)
I fallet för modell (1) nedan, är ekvationen som estimeras:
𝐹ö𝑙𝑗𝑒𝑟 𝑖𝑛𝑡𝑒 𝑟𝑒𝑘𝑜𝑚𝑚𝑒𝑛𝑑𝑎𝑡𝑖𝑜𝑛𝑒𝑟𝑛𝑎𝑖 = 𝛽0+ 𝛽1𝑀𝑎𝑛𝑖 + 𝛽2Å𝑙𝑑𝑒𝑟𝑠𝑔𝑟𝑢𝑝𝑝𝑖+ 𝑢i (5)
19 Där 𝐹ö𝑙𝑗𝑒𝑟 𝑖𝑛𝑡𝑒 𝑟𝑒𝑘𝑜𝑚𝑚𝑒𝑛𝑑𝑎𝑡𝑖𝑜𝑛𝑒𝑟𝑛𝑎𝑖 är den estimerade sannolikheten att inte följa rekommendationerna. 𝛽0 är interceptet, 𝛽1 är koefficienten för att vara man, 𝛽2 är koefficienten för att tillhöra en viss åldersgrupp, 𝑢iär feltermen och i står för observation i=1…, n.
I modell (2) adderas kontrollvariabler. Den ekonometriska specifikationen för den fulla modellen är därmed enligt följande:
𝐹ö𝑙𝑗𝑒𝑟 𝑖𝑛𝑡𝑒 𝑟𝑒𝑘𝑜𝑚𝑚𝑒𝑛𝑑𝑎𝑡𝑖𝑜𝑛𝑒𝑟𝑛𝑎𝑖 = 𝛽0+ 𝛽1𝑀𝑎𝑛𝑖 + 𝛽2Å𝑙𝑑𝑒𝑟𝑠𝑔𝑟𝑢𝑝𝑝𝑖+ 𝑋𝑖´𝛿 + 𝑢i (6)
Tillägget från modell (1) är faktorn 𝑋𝑖´ som motsvarar modellens kontrollvariabler. Samtliga demografiska och socioekonomiska variabler inkluderas i syfte att minimera utelämnad variabel bias. Till följd av de många kategoriska kontrollvariablerna är konstanten 𝛽0 svår att tolka i den fulla modellen (2). Referensgrupperna för de olika kategoriska variablerna är: kvinnor, åldersgrupp 15–29, disponibel inkomst mellan 20 000 och 30 000, ensamstående, gymnasieexamen, möjlighet att arbeta hemifrån i stor utsträckning och bor i Stockholm.
4.1.1 Antaganden för linjär sannolikhetsmodell
De antaganden som krävs för att modellen ska ge konsistenta estimat utan bias är (Stock & Watson, 2015: 225 - 226):
1. Fördelningen av feltermen givet 𝑋1𝑖,𝑋2𝑖,…,𝑋𝑘𝑖, har ett medelvärde av 0.
2. (𝑋1𝑖,𝑋2𝑖,…,𝑋𝑘𝑖, 𝑌𝑖, i = 1, …, n, är oberoende och identiskt distribuerad.
3. Ingen perfekt multikollinearitet.
4. Inga stora uteliggare.
Då villkoret för homoskedasticitet per definition inte kan antas uppfyllt vid estimering av en linjär sannolikhetsmodell, har standardfelen i modellen justerats för heteroskedasticitet. Om en parameter uppvisar perfekt multikollinearitet är den inte möjlig att inkludera i modellen. Övriga antaganden kontrolleras inte formellt.
20
4.2 Logistisk regression
En logistisk regression estimerar sannolikheten av ett binärt utfall men använder en kumulativ logistisk fördelningsfunktion för att estimera sannolikheter mellan 0 och 1, och begår således inte samma fel som den linjära sannolikhetsmodellen (Stock & Watson, 2015: 402). I en logistisk regression är antaganden densamma som för den linjära sannolikhetsmodellen (Senaviratna, Cooray, 2019: 2). Ett alternativ till den nyttjade logistiska regressionen är probit. Modellerna skiljer sig framförallt genom att probit utgår från normalfördelningen. Skillnaderna i estimaten tenderar att vara marginella, och således hade en probit-modell varit likvärdig för ändamålet.
I generell ekvationsform ser en logistisk regressionsmodell ut som följande: (Stock & Watson, 2015: 402)
Pr(Y = 1 | 𝑋1𝑖, 𝑋2𝑖, … , 𝑋𝑘𝑖) = F(𝛽0+ 𝛽1𝑋1𝑖+ 𝛽2𝑋2𝑖+ ⋯ + 𝛽𝑘𝑋𝑘𝑖) =
= 1
1 + e−(𝛽0+𝛽1𝑋1𝑖+𝛽2𝑋2𝑖+⋯ +𝛽𝑘𝑋𝑘𝑖) (7) Där tillägget från ekvation (1) i avsnittet ovan är F som betecknar den kumulativa logistiska fördelningsfunktionen. Applicerad på studiens modell blir den ekonometriska specifikationen:
𝑃𝑟(𝐹ö𝑙𝑗𝑒𝑟 𝑖𝑛𝑡𝑒 𝑟𝑒𝑘𝑜𝑚𝑚𝑒𝑛𝑑𝑎𝑡𝑖𝑜𝑛𝑒𝑟 = 1 | 𝑀𝑎𝑛, Å𝑙𝑑𝑒𝑟𝑠𝑔𝑟𝑢𝑝𝑝) =
𝐹(𝛽0+ 𝛽1𝑀𝑎𝑛𝑖 + 𝛽2Å𝑙𝑑𝑒𝑟𝑠𝑔𝑟𝑢𝑝𝑝𝑖+ 𝑋𝑖´𝛿) (8)
För den logistiska regressionen visas variablernas oddskvot (OR) som är sannolikheten att ett utfall inträffar, dividerat med sannolikheten att det inte inträffar. Då OR är svårtolkat utan vidare beräkningar kommer de marginella effekterna att redovisas vid sidan av OR i resultatet. De marginella effekterna kan tolkas på samma sätt som koefficienterna i den linjära regressionsmodellen.
21
5 Resultat
Tabell 5.1 Linjär sannolikhetsmodell
Y=1, Följer inte rekommendationerna
(1) (2)
Female = 0, Man 0.0763*** 0.0754***
(0.0162) (0.0170)
age_group = 1, 30–39 0.00906 0.00112
(0.0342) (0.0372)
age_group = 2, 40–49 -0.110*** -0.116***
(0.0303) (0.0348)
age_group = 3, 50–59 -0.0881*** -0.0863**
(0.0301) (0.0335)
age_group = 4, 60–69 -0.143*** -0.121***
(0.0292) (0.0343)
age_group = 5, ≥70 -0.177*** -0.137***
(0.0280) (0.0358)
Konstant 0.154*** 0.185***
(0.0264) (0.0496)
Observationer 1,540 1,540
R2 0.055 0.074
Socioekonomiska kontroller NEJ JA
Noter: Robusta standardfel i parentes, *** p <0.01, ** p <0.05, * p <0.1, De socioekonomiska kontrollerna är: antal vuxna, antal barn och dummyvariabler för civilstatus, utbildningsnivå, inkomst, stad och om den svarande kan arbeta hemifrån eller inte har arbete. Referensgrupperna är: kvinnor, åldersgrupp 15 - 29, disponibel inkomst mellan 20 000 och 30 000, ensamstående, gymnasieexamen, möjlighet att arbeta hemifrån i stor utsträckning och bor i Stockholm.
Enligt studiens hypoteser har kön och ålder en effekt på i vilken utsträckning individen följer de svenska myndigheternas rekommendationer. De relevanta estimaten att observera i analysen blir således de för könet man och åldersgrupperna. Koefficienter för övriga kontrollvariabler
återfinns i tabell 9.2.2 i appendix.
I modell (1) redovisas den grundläggande modellen där referensgruppen är kvinnor i åldersgruppen 15 - 29. Samtliga koefficienter i modell (1) är statistiskt signifikanta på en procent nivå utom den för åldersgruppen 30 - 39 som inte är signifikant skild från referensgruppen.
Modellen visar även att män är 7.63 procentenheter mer sannolika att inte följa rekommendationer i förhållande till referensgruppen. Genom att se till koefficienterna för de olika åldersgrupperna
22 går det att urskilja ett mönster där äldre är mindre sannolika att inte följa rekommendationer. Det synliggörs tydligast genom att se till åldersgrupperna 60 - 69 och ≥ 70.
I syfte att minimera utelämnad variabel bias adderas samtliga socioekonomiska kontrollvariabler i modell (2). Av kontrollvariablerna var det endast koefficienterna för högskoleutbildning och utan arbete som var statistiskt signifikanta på tio respektive fem procents nivå (se tabell 9.2.2 i appendix). Sett till signifikansnivå bland variablerna av intresse är den enda skillnaden att koefficienten för åldersgruppen 50 - 59 i modell (2) är signifikant på fem procent nivå. I förhållande till modell (1) har den negativa koefficienten för åldersgrupperna 60 - 69 och ≥ 70 minskat med 0.02 respektive 0.04. Koefficienterna för man och åldersgrupperna 40 - 49 och 50 - 59 skiljer sig marginellt, medan den för 30 - 39 visar ett nollsamband. Undantaget 30 - 39 är samtliga standardfel större i modell (2). Förklaringsgraden på 0.055 och 0.074 för modell (1) respektive (2) har ingen relevant tolkning eftersom modellen sällan estimerar värden som är 1 eller 0 utan sannolikheterna emellan. Slutligen förblir riktningen för samtliga variabler densamma.
Estimaten är liknande i modell (1) och (2) och eftersom sistnämnda innehåller ett flertal kategoriska variabler kommer modell (1) vara utgångspunkten för tolkning. Resultaten visar att en genomsnittlig man är 7.63 procentenheter mer sannolik att inte följa rekommendationer jämfört med en kvinna i samma åldersgrupp. Effekten av att tillhöra en äldre åldersgrupp exemplifieras tydligast med åldersgruppen ≥70, vilka estimeras vara 17.7 procentenheter mindre sannolika att inte följa rekommendationerna än referensgruppen 15 - 29.
Enligt modellen är en man i åldersgruppen 15 - 29 den som är mest sannolik att inte följa myndigheternas rekommendationer i förhållande till samtliga andra åldersgrupper. Om effekterna appliceras på hela den svenska populationen är det att betrakta som betydelsefullt, speciellt ut ett normativt perspektiv. Det bör däremot framgå att koefficienterna estimeras utifrån en låg andel utfall i följer inte rekommendationerna. Därför är det framförallt av intresse att se riktningen och det generella mönstret än att tolka storleken på estimerade effekten.
23 5.2 Logistisk regression och marginaleffekt
(1) (2) (3) (4)
Y=1, Följer inte rekommendationerna
OR Marginaleffekt OR Marginaleffekt
Female =0, Man 2.229*** 0.0762*** 2.289*** 0.0764***
(0.376) (0.0161) (0.413) (0.0167)
1.age_group 30–39 1.049 0.00741 0.986 -0.00202
(0.236) (0.0346) (0.254) (0.0359)
2.age_group 40–49 0.358*** -0.113*** 0.327*** -0.111***
(0.102) (0.0309) (0.106) (0.0331)
3.age_group 50–59 0.472*** -0.0903*** 0.473*** -0.0836**
(0.118) (0.0308) (0.135) (0.0336)
4.age_group 60–69 0.214*** -0.143*** 0.269*** -0.123***
(0.0733) (0.0295) (0.106) (0.0350)
5.age_group ≥70 0.0861*** -0.172*** 0.135*** -0.151***
(0.0464) (0.0280) (0.0815) (0.0341)
Konstant 0.155*** 0.209***
(0.0321) (0.0921)
Observationer 1,540 1,540 1,540 1,540
Socioekonomiska kontroller NEJ NEJ JA JA
Noter: Robusta standardfel i parentes, *** p <0.01, ** p <0.05, * p <0.1, De socioekonomiska kontrollerna är: antal vuxna, antal barn och dummyvariabler för civilstatus, utbildningsnivå, inkomst, stad och om den svarande kan arbeta hemifrån eller inte har arbete. Referensgrupperna är: kvinnor, åldersgrupp 15 - 29, disponibel inkomst mellan 20 000 och 30 000, ensamstående, gymnasieexamen, möjlighet att arbeta hemifrån i stor utsträckning och bor i Stockholm.
De variabler som är statistiskt signifikanta i den linjära modellen är även det i den logistiska regressionen. Marginaleffekterna är de också snarlika koefficienterna i den linjära modellen, både sett till riktning och storlek. Koefficienter för övriga kontrollvariabler återfinns i tabell 9.2.3 i appendix.
Genom att se till storleken på koefficienterna i den linjära modellen och marginaleffekterna i den logistiska, predicerar de att nästintill samtliga följer rekommendationerna. Det här är viktigt att ta i beaktning vid tolkning. Vidare är det en låg andel i datamaterialet som uppger att de inte följer rekommendationerna vilket leder till att positiva prediktioner som också bör tolkas försiktigt. Det skulle vara ett problem om syftet var att ta fram en modell som kan predicera huruvida en individ följer rekommendationerna eller inte. Däremot verkar den estimerade effekten av kön respektive ålder kvarstå, trots alla kontroller. Resultatet av den logistiska regressionen kan således ses som stöd till estimaten i den linjära sannolikhetsmodellen.
24
6 Diskussion
I följande avsnitt syftar till att besvara uppsatsens frågeställning, alltså vilka individer är mindre sannolika att följa rekommendationerna. Teorin kommer att fungera som en förklaringsmodell för att konkretisera potentiella bakgrunder till att män och yngre väljer att inte följa dem.
Det går inte att utifrån modellen uttala sig om ett kausalt samband mellan kön respektive ålder på sannolikheten att individen följer rekommendationer. En sådan tes bygger på att det är specifikt kön eller ålder som är orsaken till efterlevnad av rekommendationer och inte någon utelämnad variabel. Således är modellen som estimeras sannolikt inte den sanna modellen som förklarar huruvida en individ följer rekommendationerna eller inte. Men utifrån urvalet och de modeller som estimerats är det däremot en låg sannolikhet att resultatet hade uppstått genom slumpen.
Resultatet visar att koefficienten man har en positiv effekt som är signifikant skild från 0 på en procent signifikansnivå med socioekonomiska kontroller. Att tillhöra någon av åldersgrupperna 40–49, 50–59, 60–69, ≥70 innebär en negativ effekt som är signifikant skild från 0 på minst fem procent signifikansnivå, även här med de socioekonomiska kontrollerna.
Utifrån studiens teoretiska modell är det möjligt att resonera kring följande förklaringar till att män och yngre individers agerande. Inför en beslutssituation med två handlingsalternativ, att leva på som vanligt eller att anpassa sitt beteende och följa rekommendationer, kommer individen välja det alternativ som ger henne högst förväntad nytta. Att män inte följer rekommendationerna i samma utsträckning som kvinnor kan utifrån modellen ses som irrationellt, eftersom de inte kan antas ha en lägre sannolikhet än kvinnor att bli svårt sjuka. Mäns beslut att inte följa rekommendationerna kan således indikera att deras riskpreferenser generellt ser annorlunda ut jämfört med kvinnor. En alternativ förklaring kan finnas i de beteendeekonomiska invändningarna mot teorin. Det kanske är vanligare hos män att ha en felaktig uppfattning om hur sannolikt ett visst utfall är eller en falsk övertygelse om kausalitet.
25 Skillnaden mellan en yngre respektive äldre individs sannolikhet att inte följa rekommendationerna kan potentiellt härledas från deras respektive beslutssituation. För en person i tjugoårsåldern är en trolig avvägning att antingen leva på som vanligt med risken att bli måttligt sjuk, eller att följa rekommendationer med en tråkigare tillvaro. En person i sextioårsåldern möter däremot en avsevärt högre kostnad av att leva som vanligt, då sannolikheten att bli svårt sjuk, eller till och med avlida, är högre. Kontrasten är som störst för de äldsta åldersgrupperna där alternativet att leva som vanligt kan innebära att ha livet som insats. Ur det perspektivet är det rimligt att anta att äldre individer har en lägre risktolerans inför sitt beslut och således följer rekommendationerna.
Resultatet pekar på att yngre är mindre riskaversiva än äldre och tillsammans med en lägre sannolikhet för dem att bli svårt sjuka, kan deras lägre engagemang i hälsopreventivt beteende förklaras utifrån teorin. Att många unga ändå uppger sig följa rekommendationerna skulle kunna indikera att de inkluderar altruistiska preferenser i sin nyttofunktion. Den teoretiska modellen behöver då ta stöd från beteendeekonomiska invändningar för att förklara det agerandet.
Oavsett vilka argument som kan lyftas mot den teoretiska inramningen och förklaringsmodellen, går det empiriska resultatet i linje med tidigare studier som undersöker ålder och köns effekt på beteenden under influensapandemier. Bish et al. (2010) fann att kvinnor och äldre var mer troliga att anta ett hälsopreventivt beteende vilket är något som våra resultat stödjer. Vidare stödjer vårt resultat Nivette et al. (2020) som visar att yngre är sämre på att följa rekommendationer under COVID-19 pandemin. Om följer inte rekommendationer tolkas som ett risktagande, verkar studiens resultat gå i linje med tidigare studier som har undersökt kön (se Anderson et al. 2008) respektive ålders (se Furby et al. 1992) effekt på risktagande. Studiens resultat tillåter inte någon empirisk slutsats av kopplingen mellan riskpreferenser och att inte följa rekommendationer, då materialet inte innehåller ett mått på individens inställning till risk. Vidare är det inte möjligt att uttala sig om kausala effekter då både kön och ålder framförallt är indikatorer för andra underliggande faktorer, snarare än att det finns några inneboende egenskaper av att exempelvis vara man eller tillhöra en viss åldersgrupp.
26 Som en följd av ovanstående resonemang är uppsatsens slutsatser inte att ses som definitiva, utan det viktigaste är de implikationer som ges inför vidare forskning. För att kunna genomföra en djupare analys med ytterligare anknytning till de beteendeekonomiska invändningar mot teorin, skulle måttet på följsamhet kunna delas upp i vad som påverkar en själv och vad som påverkar andra. Campos-Mercade et al. (2020) konstruerade flera index för att beskriva hur olika rekommendationer påverkade en själv respektive andra. Ett motsvarande tillvägagångssätt hade kunnat fördjupa uppsatsens analys. En annan väg framåt skulle kunna vara att undersöka om inkludering av interaktionstermer i regressionsmodellen hade bättre kunnat förklara sambandet mellan kön och ålder på sannolikheten att följ rekommendationerna.
Studien är en av hittills få studier som undersöker efterlevnad av rekommendationer i Sverige som under insamlandet av data hade liberala restriktioner. Att kunna se skillnader i efterlevnad genom information om kön och ålder är fördelaktigt då det relativt sett är lättillgängliga data. Däremot krävs det andra indikatorer för att fastställa den faktiska kausaliteten. Trots detta är uppsatsens resultat högst relevant. Att resultatet kvarstod efter samtliga kontroller stödjer att kön och ålder kan användas för att indirekt predicera benägenheten att inte följa rekommendationer, och således besvaras forskningsfrågan om vilka individer som är mindre benägna att följa de svenska myndigheternas rekommendationer under COVID-19 pandemin.
Slutligen tyder resultatet på att ansvariga för riktlinjer och rekommendationer bör överväga att vidta åtgärder som riktar sig mot män och yngre individer.
27
7 Sammanfattning
Syftet med studien är att undersöka vilka individer som är mindre sannolika att följa de allmänna råd och rekommendationer som myndigheter uppmanar till under COVID-19 pandemin i Sverige samt att konkretisera potentiella bakgrunder till varför vissa individer väljer att inte följa de utifrån teorin om förväntad nytta. Tidigare studier har visat att män och yngre individer är mindre benägna att följa restriktioner under andra pandemier. Mot den bakgrunden formulerades uppsatsens hypoteser att män och yngre individer är mer sannolika att inte följa rekommendationer under pandemin i Sverige. En linjär sannolikhetsmodell och en logistisk regression estimerades, där ålder och kön var determinanter mot en binär utfallsvariabel definierad som 0 = följer rekommendationer och 1 = följer inte rekommendationer. Resultatet visade att kön och ålder uppvisade en effekt signifikant skild från noll även efter socioekonomiska kontroller. Utifrån förklaringsmodellen tyder resultatet på att äldre individer har en hög förväntad nytta av att följa rekommendationer. För män och yngre individer behöver teorin hämta stöd från beteendeekonomin. En fördjupande analys av individers riskpreferenser rekommenderas i framtiden för att ge tydliga rekommendationer till olika grupper i samhället.
28
8 Referenser
Anderson, L., och Mellor, J. (2008). Predicting health behaviors with an experimental measure of risk preference. Journal of Health Economics, vol. 27, nr 5, ss. 1260–1274. ISSN 0167–6296, doi: 10.1016/j.jhealeco.2008.05.011.
Andersson, O., Campos-Mercade, P., Carlsson, F., Schneider, F. och Wengström, E. (2020). The Individual Welfare Costs of Stay-at-Home Policies. IFN Working Paper No. 1340. Stockholm:
Research Institute of Industrial Economics.
Bernard, S., Blood, D., Harlow, M., Nevitt, C., Rininsland Æ., Smith, A., Stabe, M., och Wisniewska, A. (2021). Lockdowns compared: tracking governments’ coronavirus responses.
Financial Times. 12 januari. https://ig.ft.com/coronavirus-lockdowns/ (Hämtad: 2021-01-13).
Bish, A. och Michie, S. (2010). Demographic and attitudinal determinants of protective
behaviours during a pandemic: A review. British Journal of Health Psychology, vol. 15, nr. 4, ss.
797–824. doi: 10.1348/135910710X485826.
Byrnes, J., Miller, D. och Schafer, W. (1999). Gender Differences in Risk Taking: A Meta- Analysis. Psychological Bulletin, vol. 125, nr. 3, ss. 367–383. doi: 10.1037/0033-
2909.125.3.367.
Campos-Mercade, P., Meier, A., Schneider, F. och Wengström, E. (2020). Prosociality Predicts Health Behaviors during the COVID-19 Pandemic. SSRN Working Paper No.1340. doi:
10.2139/ssrn.3604094.
Dohmen, T., Falk, A., Golsteyn, B.H.H., Huffman, D. och Sunde, U. (2017). Risk Attitudes Across The Life Course. Econ J, 127: F95-F116. doi: 10.1111/ecoj.12322
Furby, L. och Beyth-Marom, R. (1992) Risk taking in adolescence: A decision-making perspective. Developmental Review, vol. 12, nr. 1. ss. 1–44. ISSN 0273–2297. doi:
10.1016/0273–2297(92)90002-J.
Gilboa, Itzhak. (2009). Theory of Decision under Uncertainty. Cambridge: Cambridge University Press. doi: 10.1017/CBO9780511840203.
Hauck, K. (2018). Economics of Infectious Diseases. I Jones, A. (Red.) Oxford Research Encyclopedia of Economics and Finance. Oxford: Oxford University Press.
doi:10.1093/acrefore/9780190625979.013.251
29 Hellevik, O. (2009). Linear versus logistic regression when the dependent variable is a
dichotomy. Quality & Quantity, vol 43, nr. 1, ss. 59–74. doi: 10.1007/s11135-007-9077-3
Karolinska Institutet. (u.å.) Health Behavior. https://mesh.kib.ki.se/term/D015438/health- behavior?fbclid=IwAR19I_oVwbPeHok9D0N0tI5NTEmozm9l6b4n35bBPS4HeOQyVusQanm CziY#:~:text=Svensk%20definition,handlingar%20r%C3%B6rande%20den%20egna%20h%C3
%A4lsan (Hämtad: 2021-01-10)
Nivette, A., Ribeaud, D., Murray, A., Steinhoff, A., Bechtiger, L., Hepp, U., Shanahan, L. och Eisner, M. (2020). Non-compliance with COVID-19-related public health measures among young adults in Switzerland: Insights from a longitudinal cohort study. Social science &
medicine, vol. 268, nr. 113370, doi: 10.1016/j.socscimed.2020.113370
Perloff, J. (2017). Microeconomics: Theory and Application with Calculus. 4. uppl. London:
Pearson Education Limited.
Regeringen. (2020). Strategi med anledning av det nya coronaviruset.
https://www.regeringen.se/regeringens-politik/regeringens-arbete-med-coronapandemin/strategi- med-anledning-av-det-nya-coronaviruset/ (Hämtad: 2021-01-02).
Sadique, M. Z., Edmunds, W. J., Smith, R. D., Meerding, W. J., de Zwart, O., Brug, J och Beutels, P. (2007). Precautionary behavior in response to perceived threat of pandemic influenza. Emerging infectious diseases, vol. 13, nr. 9, ss. 1307–1313.
https://doi.org/10.3201/eid1309.070372
Senaviratna, N. A. M. R. och Cooray, T. M. J. A. (2019). Diagnosing Multicollinearity of Logistic Regression Model. Asian Journal of Probability and Statistics, vol. 5, nr. 2, ss. 1–9. doi:
10.9734/ajpas/2019/v5i230132.
Socialstyrelsen (2020). Föreskrifter och allmänna råd. Gemensamma författningssamlingen avseende hälso- och sjukvård, socialtjänst, läkemedel, folkhälsa m.m. ISSN 2002–1054. HSLF- FS 2020:12.
Stock, J. och Watson, M. (2015) Introduction to Econometrics. 3. uppl, Boston: Pearson Addison Wesley
Thornéus, E. och M. Toll. (2020). Förbjudet med allmänna sammankomster större än 50 personer. Aftonbladet. https://www.aftonbladet.se/nyheter/a/jdjpVe/forbjudet-med-allmanna- sammankomster-storre-an-50-personer (Hämtad: 2020-12-20).
30
9 Appendix 9.1 Figurer
Figur 9.1.1 Åldersfördelning innan gruppering
31
9.2 Tabeller
Tabell 9.2.1 Frekvenser kategoriska variabler
female Frekvens Procent Kumulativ
(%)
0 736 47.79 47.79
1 804 52.21 100.00
Total 1540 100.00
age_group Frekvens Procent Kumulativ (%)
0 240 15.58 15.58
1 296 19.22 34.81
2 252 16.36 51.17
3 341 22.14 73.31
4 233 15.13 88.44
5 178 11.56 100.00
Total 1540 100.00
adults Frekvens Procent Kumulativ
(%)
1 529 34.35 34.35
3 133 8.64 96.04
4 50 3.25 99.29
5 11 0.71 100.00
Total 1540 100.00
children Frekvens Procent Kumulativ (%)
1 239 15.52 83.70
2 184 11.95 95.65
3 54 3.51 99.16
5 6 0.39 100.00
Total 1540 100.00
civilstatus Frekvens Procent Kumulativ (%)
1 573 37.21 37.21
2 66 4.29 41.49
3 368 23.90 65.39
4 501 32.53 97.92
5 32 2.08 100.00
Total 1540 100.00
32
education Frekvens Procent Kumulativ (%)
1 129 8.38 8.38
2 537 34.87 43.25
3 276 17.92 61.17
4 49 3.18 64.35
5 530 34.42 98.77
6 19 1.23 100.00
Total 1540 100.00
workhome Frekvens Procent Kumulativ (%)
0 510 33.12 33.12
1 233 15.13 48.25
2 293 19.03 67.27
3 504 32.73 100.00
Total 1540 100.00
income Frekvens Procent Kumulativ
(%)
5000 95 6.17 6.17
15000 303 19.68 25.84
25000 319 20.71 46.56
35000 249 16.17 62.73
45000 164 10.65 73.38
55000 141 9.16 82.53
65000 108 7.01 89.55
75000 63 4.09 93.64
85000 46 2.99 96.62
95000 52 3.38 100.00
Total 1540 100.00
smallertown Frekvens Procent Kumulativ (%)
1 314 20.39 20.39
2 122 7.92 28.31
3 52 3.38 31.69
4 374 24.29 55.97
5 234 15.19 71.17
6 444 28.83 100.00
Total 1540 100.00
Noter: De kategoriska variablerna är kodade i samma ordning som de är skrivna i
variabelbeskrivningen (Se tabell:3.3.1.) Exempelvis är civilstatus: 1=Ensamstående, 2 =Särbo, 3=Sambo, 4= Gift, 5= Annat.
