8.6 Selvstendig samfunnsøkonomisk prosjekt

Nå er det din tur

Alt du har lært i S1 — økonomifunksjonene i kapittel 4, regresjonen i kapittel 7, modelleringen i kapittel 8 — har pekt mot dette: et selvstendig prosjekt der du undersøker et samfunnsøkonomisk spørsmål du selv velger, med ekte data. Dette kapittelet er en arbeidsbok, ikke en lærebok: her er malen, eksempelet og kvalitetskravene.

Prosjektet er fagets profilmål, og det viser at du kan formulere et undersøkbart spørsmål, finne og forstå reelle data, velge og bruke matematiske verktøy, vurdere kvaliteten på modellene dine, og presentere funn ærlig og forståelig.

Først temavalget. Et godt prosjekttema er konkret, datatilgjengelig og personlig interessant, og tre innfallsvinkler fungerer godt. En egen forundring: «Hvorfor er strøm dyrere på Sørlandet?» — ekte spørsmål gir bedre rapporter enn påtvungne. Et samfunnsfenomen: boligpriser, arbeidsledighet, prisvekst, lønnsforskjeller, energipriser, valutakurs. En lokal sammenheng: en bedrifts regnskap, prisene i nærbutikken, leieprisene i din by.

Temabanken er stor: marked og priser (boligpriser og rente, bensinpris og oljepris, matpriser under inflasjon), arbeidsmarked (lønn etter utdanning, ledighet og BNP), demografi (befolkningsvekst, utdanning og inntekt), bedriftsøkonomi (lønnsomhet i bransjer via BRREG) og bærekraft (CO₂-utslipp og BNP, elbilandel).

Før du starter, fire kontrollspørsmål: Finnes det data, og hvor? Får du nok datapunkter (minst 6–8 for regresjon)? Er datasettet samfunnsøkonomisk relevant? Og kan du fullføre på 2–4 uker? Svarer du ja på alle, har du et prosjekt.

Rapportens skjelett — og et helt eksempel

En typisk S1-prosjektrapport er på 4–8 sider og følger en fast struktur: (1) Sammendrag (ett avsnitt: hva spurte du om, hva fant du), (2) Innledning og problemstilling (bakgrunn, motivasjon, presist spørsmål), (3) Data og metode (kilder med URL og nedlastingsdato, databehandling, verktøy), (4) Analyse og resultater (tabeller, grafer, beregninger), (5) Drøfting (hva betyr funnene, begrensninger, korrelasjon vs. kausalitet), (6) Konklusjon (direkte svar på problemstillingen) og (7) Kildeliste.

Se strukturen i et fullført eksempel: Boligpriser og rente i Norge 2014–2024. Problemstillingen: Hvor sterk er korrelasjonen mellom Norges Banks styringsrente og boligprisindeksen? Begrunnelsen er økonomisk: renten bestemmer hva folk kan betjene i lån. Data og metode: SSB tabell 06035 (boligprisindeks) og Norges Banks styringsrente, lastet ned som CSV, årlige snitt beregnet i Excel. Analyse: spredningsplott av (årlig snittrente, boligprisindeks) og lineær regresjon i GeoGebra ga $\hat{y} = -7{,}4r + 145$ med $R^2 \approx 0{,}42$ og $r \approx -0{,}65$.

Drøftingen er rapportens hjerte: $R^2 = 0{,}42$ er moderat — renten forklarer en del, men langt fra alt; demografi, byggekostnader og pandemiårene 2020–2022 (lave renter og boligprishopp) spiller inn. Korrelasjon er ikke kausalitet, men her finnes god teoretisk grunn til å tro at lav rente delvis driver prisene. Konklusjonen svarer direkte: moderat negativ sammenheng ($r \approx -0{,}65$); boligprisene henger sammen med rentenivået, men bestemmes ikke av det alene. Videre arbeid kunne inkludert befolkning, bygging og lønn.

Legg merke til tonen: presis, nøktern, åpen om begrensninger. Det er slik en rapport bygger tillit — ikke ved å overdrive funnene, men ved å vise at du forstår dem.

Kvalitetskravene — og fellene som feller prosjekter

Hva skiller en svak rapport fra en sterk? Vurderingskriteriene peker på det samme mønsteret hele veien: problemstillingen skal være presis, målbar og avgrenset (ikke vag og vid); datakildene skal oppgis med URL og dato, kontrollerbare; bearbeidingen skal dokumenteres valg for valg; metodebruken skal være riktig og begrunnet; matematikken korrekt med regresjon og derivasjon der det passer; tolkningen skal drøfte usikkerhet, konfundere og kausalitet; kritisk vurdering skal innrømme begrensninger og foreslå forbedringer; presentasjonen skal ha klar struktur og gode figurer; og ærligheten skal tåle dagslys — også resultater som ikke passet hypotesen, skal med.

Det siste fortjener en advarsel. Det frister å «pynte» et prosjekt: skjule data som ikke passer, velge variablene som gir høyest $R^2$, selge korrelasjon som kausalitet, strekke akseskalaen. Det er ikke faglig arbeid — det er reklame. En ærlig analyse med moderat $R^2$ er mer verdifull enn en overdrevet med høy.

De syv klassiske fellene, til slutt, som sjekkliste: (1) for vid problemstilling, (2) for lite data ($n = 4$ gir meningsløs regresjon), (3) verktøy uten forståelse (rapportere $R^2$ uten residualsjekk), (4) vill ekstrapolering (BNP i 2050 fra data 2015–2024), (5) korrelasjon solgt som kausalitet, (6) manglende kildehenvisninger («ifølge SSB» uten tabellnummer og dato), og (7) ingen begrensninger nevnt — en seriøs rapport sier også hva analysen ikke kan svare på.

Tidsplanen er overkommelig: uke 1 til tema, problemstilling og datanedlasting (cirka 7 timer), uke 2 til bearbeiding, analyse, grafer og modellsjekk (cirka 9 timer), uke 3 til skriving, korrektur og levering (cirka 6 timer). Rundt 22 timer totalt — og sjekklisten fra kapittel 6.7 tar du fram før du leverer.

Oppsummering: prosjektet som samler hele faget

Dette er S1s svennestykke. Prosessen kjenner du nå fra ende til annen: et konkret, datatilgjengelig tema → presis problemstilling → data fra SSB, Norges Bank eller BRREG med URL og dato → bearbeiding dokumentert valg for valg → analyse med regresjon, korrelasjon og indeksregning → drøfting av usikkerhet, konfundere og kausalitet → konklusjon som svarer direkte på spørsmålet → kildeliste. Rapportens syv deler gir skjelettet, og eksempelprosjektet om boligpriser og rente viste kjøttet på beina: $r \approx -0{,}65$, $R^2 \approx 0{,}42$, og en drøfting som verken overdrev eller underslo.

Kvaliteten måles på presisjon, dokumentasjon, metodeforståelse og — tyngst av alt — faglig integritet: ingen cherry-picking, ingen korrelasjon solgt som kausalitet, ingen manipulerte akser, og begrensningene åpent på bordet. De syv fellene har du som sjekkliste, og tidsplanen på cirka 22 timer over tre uker gjør prosjektet håndterbart.

Når rapporten er levert, har du gjort det kompetansemålet beskriver: planlagt og gjennomført et selvstendig arbeid med reelle datasett, analysert og presentert funn. Men du har også gjort noe mer: du har øvd på den arbeidsformen som møter deg i studier og arbeidsliv — å forvandle et ekte spørsmål til data, dataene til innsikt, og innsikten til en tekst andre kan stole på. Det er matematikk som samfunnskompetanse. Lykke til!