8.6 Sjølvstendig samfunnsøkonomisk prosjekt

Komplett prosjektmal med vurderingskriterium — bind saman kapittel 4, 7 og 8 i eit fullstendig sjølvstendig arbeid.

90 min

10 oppgaver

ProsjektrapportProblemstillingDatakjelderVurderingskriteriumFagleg integritet

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 10 oppgaver

Kapitlets plass i kurset

Bygger på

6.7Statistisk prosjektarbeid 7.3Ikke-lineær regresjon 8.5Digitale verktøy i modellering

Det store målet i S1

Dette kapittelet er ei arbeidsbok, ikkje ei lærebok. Her finn du malen for eit sjølvstendig prosjekt der du brukar det du har lært i kapittel 4 (økonomi), 7 (regresjon) og 8 (modellering) på eit samfunnsøkonomisk spørsmål du sjølv vel.

Prosjektet er profilmålet til faget. Det viser at du kan:

- formulere eit undersøkbart spørsmål
- finne, hente og forstå reelle data
- velje og bruke matematiske verktøy
- vurdere kvaliteten på modellane dine
- presentere funn ærleg og forståeleg

Eit godt prosjekttema er konkret, datatilgjengeleg og personleg interessant. Tre utgangspunkt:

1. Ei eiga forundring. «Kvifor ser eg så få ledige stillingar som lærar i Vestland?» «Kvifor er straum dyrare på Sørlandet?» Ekte spørsmål gir betre rapportar enn påtvinga.

2. Eit samfunnsfenomen. Bustadprisar, arbeidsløyse, prisvekst, lønsskilnader, klimakostnader, energipris, valutakurs.

3. Ein lokal samanheng. Rekneskapen til ei bedrift, prisane i nærbutikken, leigeprisar i byen din.

Sjekk før du startar:
- Finst det data tilgjengeleg? Kvar?
- Kor mange datapunkt får du? (Minst 6–8 blir tilrådd for regresjon)
- Er datasettet samfunnsøkonomisk relevant?
- Kan du fullføre på 2–4 veker?

Ein typisk S1-prosjektrapport følgjer denne strukturen (4–8 sider):

1. Samandrag (1 avsnitt). Kva spurde du om, kva fann du.

2. Innleiing og problemstilling (½ side). Bakgrunn, motivasjon, presis problemstilling, eventuell hypotese.

3. Data og metode (1–2 sider). Datakjelder med URL og nedlastingsdato, korleis du handsama dataene, kva verktøy og metodar du brukte.

4. Analyse og resultat (2–3 sider). Tabellar, grafar, berekningar. Skildra det du finn — lat dataene snakke.

5. Drøfting (1 side). Kva betyr funna? Kva avgrensingar har analysen? Korrelasjon vs. kausalitet? Konfunderande variablar?

6. Konklusjon (½ side). Direkte svar på problemstillinga, og kva som kan undersøkjast vidare.

7. Kjeldeliste. Datakjelder og eventuelle litteraturreferansar.

✏️Eksempelprosjekt: Bustadprisar og rente i Noreg 2014–2024

Skissér eit fullstendig prosjekt rundt samanhengen mellom styringsrenta og bustadprisane.

Samandrag: «Vi undersøkjer samanhengen mellom styringsrenta til Noregs Bank og bustadprisane i Noreg 2014–2024.

Mot forventinga finn vi ein moderat positiv korrelasjon mellom rentenivå og prisnivå ( $r \approx 0{,}52$ ). Forklaringa er at begge steig over tid: bustadprisane gjennom heile perioden, renta kraftig i 2022–2024.

Den årlege prisveksten har derimot ein moderat negativ samanheng med renta ( $r \approx -0{,}59$ ).»

Innleiing: Bustad er ein av dei største utgiftene for hushald. Bustadprisane blir påverka av rentenivået fordi renta avgjer kva folk kan betene i lån. Spørsmål: Korleis heng styringsrenta saman med bustadprisane i Noreg 2014–2024?

Data og metode: Prisindeks for brukte bustader, årsgjennomsnitt (SSB tabell 07230, 2015 = 100), og styringsrenta som årsgjennomsnitt (Noregs Bank). Last ned som CSV og slå saman i Excel. Rekn også ut den årlege prisveksten i prosent.

År	Rente (%)	Indeks
2014	1,49	94,3
2015	1,05	100
2016	0,55	107,0
2017	0,50	112,4
2018	0,57	114,0
2019	1,15	116,8
2020	0,36	121,8
2021	0,08	134,5
2022	1,33	141,6
2023	3,54	140,8
2024	4,50	144,6

Analyse: Spreiingsplott av (rente, indeks). RegLin og RKvadrat i GeoGebra gir

\hat{y} = 6{,}5r + 111{,}7

R^2 \approx 0{,}27

r \approx 0{,}52

.
Årleg prisvekst (2015–2024) mot rente same år gir

\hat{y} = -1{,}25r + 6{,}1

R^2 \approx 0{,}35

r \approx -0{,}59

.
Drøfting:
- Den positive korrelasjonen mellom nivåa betyr ikkje at høg rente gir høge prisar. Begge variablane følgjer tida, som er ein konfunderande variabel.
- Prisveksten var lågast i åra med høg rente (−0,6 % i 2023). Det passar med teorien om at dyre lån dempar etterspurnaden.
- Med 10–11 observasjonar er uvissa stor, og pandemiåra (låg rente og prishopp i 2021) påverkar resultatet mykje.
Konklusjon: Rentenivå og prisnivå samvarierer positivt fordi begge stig over tid. Den årlege prisveksten har ein moderat negativ samanheng med renta. Vidare arbeid kan ta med fleire variablar (folketal, bygging, løn) og kvartalsdata.
Kjeldeliste: SSB, tabell 07230 «Prisindeks for brukte boliger» (ssb.no/statbank/table/07230, lese 22.10.2026). Noregs Bank, styringsrenta, årsgjennomsnitt (norges-bank.no, lese 22.10.2026).
Svar: Prosjektet over har alle delane: samandrag, innleiing med problemstilling, data og metode, analyse, drøfting, konklusjon og kjeldeliste.

Marknad og prisar:
- Bustadprisar og rente
- Bensinpris og oljepris
- Straumpris og kraftproduksjon
- Matprisutvikling under inflasjon
- Valutakurs og eksport

Arbeidsmarknad:
- Løn etter utdanningsnivå
- Arbeidsløyse og BNP
- Yrkesval og kjønnsfordeling
- Innvandring og sysselsetjing

Demografi og samfunn:
- Folkevekst i fylke
- Samanheng utdanning og inntekt
- Helseutgifter og levealder
- Internasjonal samanlikning av BNP per capita

Bedriftsøkonomi:
- Lønsemd i ulike bransjar (BRREG)
- Vekst hos einskildbedrifter
- Samanlikning av nøkkeltal

Berekraft:
- CO₂-utslepp per innbyggjar og BNP
- Elbilandel og straumnettprisar
- Klimakostnader for landbruket

Problemstilling
- Låg: Vag, vid
- Middels: Klar, men generell
- Høg: Presis, målbar, avgrensa

Datakjelder
- Låg: Ikkje oppgitt
- Middels: Oppgitt, men uklart
- Høg: Oppgitt med URL og dato, kontrollerbar

Handsaming
- Låg: Ikkje dokumentert
- Middels: Skildra kort
- Høg: Kvart val dokumentert med grunngiving

Metodebruk
- Låg: Feil eller naiv
- Middels: Rett, men overflatisk
- Høg: Rett, drøfta, val av metode grunngitt

Bruk av matematikk
- Låg: Lite/feil
- Middels: Korrekt grunnleggjande
- Høg: Korrekt og djuptgåande, derivasjon/regresjon brukt der det passar

Tolking
- Låg: Berre skildring av tal
- Middels: Tolkar, men ukritisk
- Høg: Drøftar uvisse, konfundere, kausalitet

Kritisk vurdering
- Låg: Manglar
- Middels: Nemner avgrensingar
- Høg: Drøftar avgrensingar og foreslår forbetringar

Presentasjon
- Låg: Lite struktur
- Middels: Akseptabel
- Høg: Klar struktur, gode figurar, flytande tekst

Ærlegheit
- Låg: Cherry-picking, skeiv framstilling
- Middels: Stort sett ærleg
- Høg: Diskuterer ope også resultata som ikkje passa hypotesen

Fagleg integritet

Det er freistande å «pynte» eit prosjekt ved å:

- skjule data som ikkje passar hypotesen
- velje variablar som gir høgast $R^2$
- presentere korrelasjon som kausalitet for å gjere rapporten meir dramatisk
- bruke akse-skala som overdriv effektar

Dette er ikkje fagleg arbeid — det er reklame. I yrkeslivet vil slik framferd gi konsekvensar. Som elev skal du øve på den motsette haldninga: vis det du fann, også når det er kjedeleg eller usikkert. Ein ærleg analyse med moderat $R^2$ er meir verdfull enn ein overdriven med høg $R^2$ .

1. For vid problemstilling. «Korleis heng økonomi saman?» kan ikkje svarast på.

2. For lite data. $n = 4$ er for lite til at nokon regresjon er meiningsfull.

3. Verktøy utan forståing. Klikkar i GeoGebra og rapporterer $R^2$ utan å sjekke residualar eller vurdere modelltype.

4. Ekstrapolering. Føreseie BNP i 2050 basert på data 2015–2024. Modellen kan ikkje vite kva som skjer om 25 år.

5. Korrelasjon = kausalitet. «Vi fann at fleire lærarar gir betre PISA-resultat ( $r = 0{,}3$ ). Derfor må vi tilsetje fleire lærarar.» Dette krev fleire skritt.

6. Mangel på kjelder. «Ifølgje SSB...» — utan å seie kva tabell, når han vart lesen, og kva som vart brukt.

7. Ingen avgrensingar nemnde. Ein seriøs rapport seier også kva analysen ikkje kan svare på.

Veke 1:
- Vel tema (1 time)
- Skriv problemstilling og les bakgrunn (2 timar)
- Last ned data, sjekk kvalitet (3 timar)
- Skriv første utkast av innleiinga (1 time)

Veke 2:
- Handsam og analyser dataene (4 timar)
- Lag grafar og tabellar (2 timar)
- Tilpass modellar, sjekk residualar (3 timar)

Veke 3:
- Skriv resultat og drøfting (4 timar)
- Korrekturles og forbetre (2 timar)
- Lever (sjekkliste i kapittel 6.7)

Totalt: ca. 22 timar arbeid. Juster etter omfanget på prosjektet.

📝Oppgave 1

Vel eitt av desse tre temaa og formuler ei presis problemstilling:

- Løn etter utdanning
- Straumpris og temperatur
- Bustadpris og fylke

📝Oppgave 2

For temaet du valde i oppgåve 1: identifiser to moglege konfunderande variablar og beskriv korleis dei kan forvrengje analysen din.

📝Oppgave 3

Lag ein datatabell med 6 fiktive observasjonar for ditt valde tema. Tilpass ein lineær modell og kommenter residualane.

📝Oppgave 4

Drøftingsoppgåve: Kvifor er det å planleggje og gjennomføre eit sjølvstendig arbeid med reelle samfunnsøkonomiske data, og analysere og presentere funna, truleg det viktigaste du lærer i S1? Grunngi ut frå arbeidsliv, samfunn og personleg utvikling.

📝Oppgave 5

Sluttoppgåve (samleoppgåve): Skriv ein kort prosjektplan for eit eige sjølvstendig arbeid. Inkluder: problemstilling, datakjelder, metode, tidsplan, og kva verktøy du vil bruke. Vis planen til ein medelev og be om tilbakemelding.

Oppsummering

I dette kapittelet har du lært:

- Prosjektfasane: Problemstilling → datainnsamling (t.d. SSB) → modellering og analyse → presentasjon → kritisk vurdering.
- Godt prosjektdesign: Presis problemstilling, definerte variablar, truverdige kjelder og dokumentert metode.
- Analyse: Regresjon, korrelasjon og indeksregulering blir brukte på reelle samfunnsøkonomiske data — og korrelasjon må ikkje forvekslast med kausalitet.
- Fagleg integritet: Oppgi kjelder, ikkje juster data for å «få det til å stemme», og ver open om uvisse og avgrensingar.

Nøkkelomgrep

Omgrep	Forklaring
Problemstilling	Presist, undersøkbart spørsmål
Datakjelde	T.d. SSB, Noregs Bank
Kritisk vurdering	Drøfting av gyldigheit og uvisse
Fagleg integritet	Ærleg og etterprøvbar framstilling

Viktige formlar

- Prosentvis endring:

\dfrac{\text{ny} - \text{gammal}}{\text{gammal}} \cdot 100\,\%

- Realverdi

=

nominell verdi

\cdot \dfrac{100}{\text{KPI}}

Repetisjonsoppgåver

Din fremgang

0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.