Kap 15: Spørreundersøkelser

Transkript

1 Kap 15: Spørreundersøkelser Se også Lopez-Feldman (2012) for implementering i Stata Hvilke data er det realistisk å få tilgang på? Kostnader Betalingsvillighet Markedssvikt Økonomifaget har mye fokus på adferd Adferd kan si mye en del om betalingsvillighet (og marginalnytte) «Random utility model» for reelle alternativ U tog (attributter) > U buss (attributter) Attributter = pris, reisetid, komfort, miljøaspekt, etc 1 Preferanser Avslørte (revealed) preferanser Hvis jeg velger A framfor B så er MU A >MU B og at MU A > p (MC) Troverdig siden en faktisk må betale prisen Kalles «indirekte metoder» Uttalte (stated) preferanser Spørreundersøkelser (uten forpliktelser) Kalles «direkte metoder» Hypotetiske konstruksjoner Felteksperiment (med insentivmekanismer) 2 1

2 Contingent Valuation i Stata Utfordring: Hvordan verdsette goder og tjenester som ikke omsettes i et marked? Hva med å spørre et tilfeldig utvalg av populasjonen om betalingsvillighet for prosjektet? Brukes en del i miljøøkonomi «Contingent», dvs betinget på en kontekst 3 Contingent Valuation (CV) Exxon Valdez -forliset fant sted i Prince Williamsundet utenfor kysten av Alaska den 24. mars 1989 og regnes som en av de mest ødeleggende miljøkatastrofene som er forårsaket av mennesker på havet noen gang Myndighetene i Alaska påla selskapet å finansiere en CV for å estimere tapet Fokus på operasjonalisering av CV CV er akseptert som metode for «erstatningskrav» ved naturkatastrofer 4 2

3 Spørreskjema Spørsmål med dikotome valg for å avsløre betalingsvillighet (WTP) Eksempel: Er du villig til å betale beløpet t for tiltaket nettopp beskrevet? Beløpet t varieres tilfeldig blant deltakerne Antas at WTP > t dersom personen svarer ja «Ja» vs «nei» blir da den avhengige variabelen i modellen: Ja=1 og Nei=0 (probit modell) 5 3

4 Gjennomføring av undersøkelser I dag er de fleste spørreundersøkelser fordekte reklamer (bevisstgjøring av kunder) Typer undersøkelser Open-ended WTP Ett spørsmål: «Hvor mye er du villig til å betale?» (oppgir beløpet) Hvordan ser data ut? Hvordan ser modellen ut? Hva er tolkning av regresjonsmodellen? Closed-ended iterative bidding Begynner lavt og øker beløpet til en får «nei» og så blir det foregående beløpet WTP Contingent ranking Setter opp mange alternativ, og en rangerer alternativene (ordered probit model) Dikotome valg (ja/nei) 8 4

5 Litt om den økonometrisk modellen Tolkning av modellen Lineær modell (prosentpoeng) Heteroskedastisitet (derfor «probit» modell) Hvordan ser datasettet ut? Hvordan skal prosjektet finansieres Bompenger, skatt, etc, 9 Alternativer: Spørreskjema Dersom personen svarer ja på første spørsmål, så økes beløpet helt til personen sier nei. Dersom personen svarer nei på første spørsmål, så reduseres beløpet helt til personen sier ja Personen får spørsmål om to beløp t 1 og t 2, hvor t 1 < t

6 Økonometrisk modell probit (ved «ja» «nei» ved t doubleb (får 2 spørsmål) 11 Data fra Portugal Eksempel Betalingsvillighet for å unngå utbygging av naturreservat («skal vi tillate gondolbane i Skjolden») bid1= første beløp (i euro) bid2=andre beløp (doblet/halvert) answer1=1 hvis ja på første spørsmål answer2=1 hvis ja på andre spørsmål 12 6

7 clear all set more off use "o:\arild\filer\kurs_econ\nytte(econ342)\forelesninger\tex\cv_tex\stata\wtp.dta", clear tab depvar generate answer1 = 0 replace answer1 = 1 if depvar ==3 depvar ==4 label define dummy 0 "No" 1 "Yes" label values answer1 dummy probit answer1 bid1 nlcom (WTP:- _b[_cons]/_b[bid1]), noheader probit answer1 bid1 age female summarize age, meanonly scalar age_m = r(mean) summarize female, meanonly scalar female_m = r(mean) nlcom (WTP:- (_b[_cons]+age_m*_b[age]+female_m*_b[female])/_b[bid1]),noheader nlcom (WTP:- (_b[_cons]+3*_b[age])/_b[bid1]), noheader nlcom (WTP:- (_b[_cons]+3*_b[age]+_b[female])/_b[bid1]), noheader * Med oppfølgerspørsmål: generate answer2 = 0 replace answer2 = 1 if depvar ==2 depvar ==4 gen bid2 =. replace bid2 = bidh if answer1 ==1 replace bid2 = bidl if answer1 ==0 doubleb bid1 bid2 answer1 answer2 doubleb bid1 bid2 answer1 answer2 age female nlcom (WTP:(_b[_cons]+age_m*_b[age]+female_m*_b[female])), noheader nlcom (WTP:(_b[_cons]+3*_b[age])), noheader nlcom (WTP:(_b[_cons]+3*_b[age]+_b[female])), noheader 13 opprinnelig beløp (tilfeldig blant 6, 12, 24, 48 nn= nei, nei ny=nei,ja yn=ja,nei yy=ja,ja bid1 bidh bidl nn ny yn yy depvar age female income depvar=1 hvis «nei» på første bid, og også «nei» på halvert bid (WTP<t L ) depvar=2 hvis «nei» på første bid, men «ja» på halvert bid (t L <WTP<t 1 ) depvar=3 hvis «ja» på første bid, men «nei» på doblet bid (t L <WTP<t H ) depvar=4 hvis «ja» på begge bid (WTP>t H ) 14 7

8 Enkel model av første beløp (probit-modell). generate answer1 = 0. replace answer1 = 1 if depvar==3 depvar==4 (171 real changes made). label define dummy 0 "No" 1 "Yes". label values answer1 dummy. probit answer1 bid1 Probit regression Number of obs = 312 LR chi2(1) = 4.85 Prob > chi2 = Log likelihood = Pseudo R2 = bid _cons nlcom (WTP:- _b[_cons]/_b[bid1]), noheader WTP Estimerer kun effekten av t (dvs bid) på sannsynligheten for a svare ja på første bid - Gjør så om til WTP basert på tidligere vist formel ˆ ˆ α α β = = ˆ ˆ 0 = δ δ = 15. probit answer1 bid1 age female Probit regression Number of obs = 312 LR chi2(3) = Prob > chi2 = Log likelihood = Pseudo R2 = bid age female _cons nlcom (WTP:- (_b[_cons]+age_m*_b[age]+female_m*_b[female])/_b[bid1]),noheader WTP nlcom (WTP:- (_b[_cons]+3*_b[age])/_b[bid1]), noheader WTP nlcom (WTP:- (_b[_cons]+3*_b[age]+_b[female])/_b[bid1]), noheader WTP Gjennomsnitt=34,26 Menn=52,39 (menn har 0 på female) for alderskategori=3 Kvinner=20,88 for alderskategori=3 16 8

9 17. generate answer2 = 0. replace answer2 = 1 if depvar ==2 depvar ==4. gen bid2 =.. replace bid2 = bidh if answer1 ==1. replace bid2 = bidl if answer1 ==0. doubleb bid1 bid2 answer1 answer2 Number of obs = 312 Wald chi2(0) =. Log likelihood = Prob > chi2 =. Coef. Std. Err. z P> z [95% Conf. Interval] Beta _cons Sigma _cons First-Bid Variable: bid1 Second-Bid Variable: bid2 First-Response Dummy Variable: answer1 Second-Response Dummy Variable: answer2 Bid2 kan være opp eller ned i forhold til bid1, avhengig av svar på bid1 Her: Direkte estimat av beta! 18 9

10 . doubleb bid1 bid2 answer1 answer2 age female Number of obs = 312 Wald chi2(2) = Log likelihood = Prob > chi2 = Coef. Std. Err. z P> z [95% Conf. Interval] Beta age female _cons Sigma _cons nlcom (WTP:(_b[_cons]+age_m*_b[age]+female_m*_b[female])), noheader Coef. Std. Err. z P> z [95% Conf. Interval] WTP nlcom (WTP:(_b[_cons]+3*_b[age])), noheader Coef. Std. Err. z P> z [95% Conf. Interval] WTP nlcom (WTP:(_b[_cons]+3*_b[age]+_b[female])), noheader Coef. Std. Err. z P> z [95% Conf. Interval] WTP Hovedutfordring Hvor mye kan vi stole på CV? Bias oppover og nedover Strategiske svar, protestsvar, etc Hypotetiske konstruksjoner (vanskelig å forholde seg til), kontekstuelle, 20 10

11 Figure 15-2 A Loss Aversion Value Function Value 11