This thesis uses multilinear regression analysis to identify the variables and the magnitude of the variables affecting the housing market in Vasastan, a district of Stockholm, Sweden. We then make an attempt to generalize the results to the entire Stockholm area, and reason around why certain factors may be important drivers of price. The factors identified to affect the prices are the number of rooms, living area, floor number, fee and age of the building. Some results we find are intuitive while others are less so. Some of the factors in our regression model can be changed without a massive change in construction price, which means there is a real world application of our thesis to increase the value of newly built apartments. / Denna uppsats använder multipel regressionsanalys för att identifiera variablerna som påverkar bostadsmarknaden i Vasastan, ett område i Stockholm, Sverige, samt magnituden på dessa variabler. Därefter gör vi ett försök att generalisera resultaten för hela Stockholmsområdet, och resonerar kring varför somliga faktorer kan vara viktiga för att driva priser. Faktorerna som visas påverka priserna är antalet rum, boyta, våning, avgift och fastighetens ålder. Vissa av resultaten anser vi är intuitiva, medan andra inte bedöms vara det. Vissa av faktorerna i vår regressionsmodell kan ändras utan att drastiskt påverka byggpriset på fastigheten, vilket innebär att det finns en verklig applikation i vår uppsats för att öka värdet på nybyggda lägenheter.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-276583 |
| Date | January 2020 |
| Creators | Gierlowski Carling, Sebastian, Dalfi, Reza |
| Publisher | KTH, Matematisk statistik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2020:122 |
Page generated in 0.0122 seconds