Kategori: Andet

Ved det amerikanske præsidentvalg i november 2020 og ved indsættelsen af den nye præsident i januar 2021 viste spændingerne og polariseringen i det politiske liv sig tydeligt. Nederlaget for den tidligere præsident, Donald Trump, blev uden for USA nok generelt opfattet som en lettelse, men lettelsen må være blandet med en bekymring over, at Trump stadig havde stor opbakning. Det har naturligt nok givet anledning til overvejelser om, hvem der egentlig var Trumps støtter. Et bud har været vrede og/eller skuffede gamle, hvide mænd. Catalist — et non-profit analyseinstitut med tilknytning til Demokraterne — har leveret et statistisk grundlag for en nærmere belysning af dette spørgsmål. Graden af skuffelse og vrede bliver ikke belyst af Catalist, men med hensyn til race, køn og alder støtter deres data antagelsen om gamle, hvide mænd.

Tabel 1: Trumps andel af stemmerne (pct.) ved præsidentvalget i 2020, fordelt på køn, race og uddannelse.

		Mænd	Kvinder
Hvide	Kort uddannelse	66	58
	Lang eller mellemlang uddannelse	49	41
	Hvide i alt	59	52
Ikke-hvide	Kort uddannelse	30	20
	Lang eller mellemlang uddannelse	31	21
	Ikke-hvide i alt	31	21

Kilde: Catalist detailed data (link)

Af tabel 1 fremgår det helt klart, at der blandt hvide mænd var et markant flertal for Trump. Men det fremgår også, at Trump havde flertal blandt hvide kvinder. Til gengæld stod Trump meget svagt blandt ikke-hvide, og navnlig blandt ikke-hvide kvinder. Vurderet ud fra denne tabel, er det de ikke-hvide og kvinderne, der sikrede valgsejren til Trumps modkandidat, Joe Biden.

En anden interessant observation fra tabel 1 er uddannelsesniveauets betydning for stemmeafgivelsen. Blandt de hvide er tilslutningen til Trump højest blandt de lavest uddannede, mens uddannelsesniveauet ikke gør nogen forskel hos de ikke-hvide.

I det datamateriale Catalyst har offentliggjort findes ingen opgørelse, der sammenholder alder med race eller køn, men ser man isoleret på alder, er der en klar tendens til at Trumps stemmeandel er stigende med stigende aldersgruppe (tabel 2). Mest markant ses for den del af befolkningen, der bor på landet og i forstæderne. De ses også af tabellen, at Joe Biden først og fremmest fandt sin opbakning i byerne.

Tabel 2: Trumps andel af stemmerne (pct.) ved præsidentvalget i 2020, fordelt på bymæssighed og alder.

Alder	Bymæssighed
	By	Forstad	Land	i alt
18-19	22	36	56	37
30-44	23	40	63	41
45-64	31	50	70	52
65+	31	50	66	52
I alt	27	46	66	47

Kilde: Catalist detailed data (link)

Analysen er baseret på en såkaldt “voter file”, dannet på grundlag af data fra folketælling og valglister, kombineret med forskellige supplerende kilder.  Sammenfletningen af data fra de forskellige kilder er i mange tilfælde baseret på modeller og forudsætninger, der bidrager til usikkerhed omkring resultaterne og tilskynder til forsigtig tolkning. Flere institutioner vedligeholder sådanne voter files, der bl.a. spiller en stor rolle for partiernes planlægning af valgkampe. Catalist, som står bag den her refererede analyse,  er en non-profit organisation, der støtter Demokraterne. 

Referencer:
Yair Ghitza og Jonathan Robinson: “What Happened in 2020”, Catalist (link)
Catalist: Catalists hjemmeside (link)

En vigtig rolle for officiel økonomisk statistik er som inddata for de modeller, Finansministeriet og andre anvender til at vurdere behovet for ændringer i den økonomiske politik og til beregning af konsekvenser af nye lovinitiativer. Hidtil har ministeriet som udgangspunkt anvendt modellen ADAM, der udvikles og vedligeholdes af modelgruppen i Danmarks Statistik (tidl indlæg 13/6-2017), men siden foråret 2017 har en arbejdsgruppe, været igang med udviklingen af en erstatning for ADAM. Den nye model har fået navnet MAKRO. Projektet skulle efter planen være afsluttet i april 2020, men er blevet forlænget med et år, såldes at afslutningstidpunktet nu er april 2021. Den grundlæggende modelramme forventes stadig at ligge klar til april 2020, så det ekstra år skal anvendes på at implementere modellen i Finansministeriets daglige arbejde. Status for arbejdet er i november 2019 blevet opsummeret i et notat af Peter Stephensen, MAKROs forskningschef.

MAKRO  vil i vidt omfang bygge på den eksisterende ADAM-model, som den skal erstatte, men også erfaringerne fra andre modeller, navnlig DREAM, der administreres af  en uafhængig institution, har været inddraget i udviklingsarbejdet. Det understreges i statusnotatet, at overgangen fra ADAM til MAKRO skal ses som et led i en løbende metodeudvikling, og ikke som en grundlæggnde omvæltning. Der lægges også vægt på, at den nye model skal have et velunderbygget empirisk fundament, der ovenikøbet skal være bredere end i ADAM. Den officielle statistik skal således stadig spille en central rolle som datagrundlag for modellen.

Referencer:
Peter Stephensen: “Status for MAKRO-modellen”, (link)
MAKRO: “MAKROs hjemmeside”, (link)

 

Tidsskriftet The Economist har i et indlæg på sin hjemmeside peget på øget anvendelse af elektronske betalinger som et middel til at begrænse skatteuddragelse. De finder støtte for antagelsen i et diagram, hvor den uformelle (grå eller sorte) økonomis andel af BNP i EU-landene er plottet mod omfanget af kortbetalinger. Data for omfanget af kortbetalinger er hentet i ECB’s statistikbank og data for den uformelle økonomi er hentet fra et arbejdspapir fra IMF (Medina og Schneider). Da den uformelle økonomi netop er karakteriseret ved, at den ikke — eller kun i meget begrænset omfang — registreres i de systemer, den normalt udgør kilderne til statistikkens måling af den økonomiske aktivitet, er der stor usikkerhed forbundet med denne opgørelse. Et diagram svarende til The Economists’s er vist i figur 1 (se note)^.

 Figur 1

Kilde: ECB Statistical Data Warehouse: “Transactions per type of payment service” og Leandro Medina and Friedrich Schneider(2018) Grafik: Veusz

Diagrammet indikerer, at i lande med at højt omfang af kortbetalinger spiller den uformelle økonomi en mindre rolle end i lande med et lavt omfang af kortbetalinger. Da uformelle økonomiske transaktioner ofte er forbundet med skatteunddragelse, kan øget udbredelse af elektroniske betalinger ses som et middel til at øge skatteindtægterne.

Sammenhængen lyder meget sandsynlig, og den indtegnede tendenslinie i figur 1 indikerer da også en tydelig sammenhæng. Men der kan også tænkes andre årsager til mindre udbredelse af uformel økonomi end omfanget af kortbetalinger. F.eks. er det i figuren tydeligt, at nordiske og vesteuropæiske lande (markeret med blå cirkler) alle har en forholdsvis lille uformel økonomi, men er vidt forskellige, når det gælder antallet af kortbetalinger. Det kan støtte en hypotese om, at forskelle i skyggeøkonomiens størrelse snarere han henføres til kulturelle forskelle.

Adskiller man analysen af de nordiske og vesteuropæiske lande fra analysen af de øvrige EU-lande, som det er gjort i figur 2, er sammenhængen mellem kortbetalinger og uformel økonomi ikke så markant. Tendenslinien for Norden og Vesteuropa (blå) er nærmest vandret, og tyder således ikke på nogen sammenhæng overhovedet, og for de øvrige EU-lande er hældningen på tendenslinien (rød) noget mindre end hældningen i figur 1. 

Figur 2

Kilde: ECB Statistical Data Warehouse: “Transactions per type of payment service” og Leandro Medina and Friedrich Schneider(2018) Grafik: Veusz

Naturligvis gør anvendelse af kortbetaling det vanskeligere at skjule en transaktion, og det er derfor oplagt, at øget anvendelse af kortbetalinger må have en begrænsende virkning på den uformelle økonomi. Så langt er konklusionen i The Economist korrekt. Men en nøjere analyse af den figur, der anvendes som støtte for konklusionen, antyder at kulturelle og institutionelle forhold kan være af større betydning.

Note:
Tendenslinierne i de to figurer i dette indlæg er såkaldte median-median linier. Tendenslinien i The Economist’s plot er en regressionslinie beregnet efter mindste kvadraters metode.

Referencer:
The Economist: “Informal payments cost governments hundreds of billions in revenue each year”, Daily Chart 30/9-2019 (link)
ECB Statistical Data Warehouse: “Transactions per type of payment service” (link)
Leandro Medina and Friedrich Schneider: “Shadow Economies Around the World: What Did We Learn Over the Last 20 Years?”,  IMF Working Paper No. 18/17,  24/1 2018 (link)

En følge af digitaliseringen er, at der løbende produceres enorme mængder af data. Det har været udgangspunktet for flere indlæg i denne blog, hvor fokus har været på de muligheder og problemer, udviklingen medfører for den officielle statistik. Men naturligvis er der andre end de officielle statistikbureauer, der har øje for de de store datamængder, og som er indstillet på at  udnytte dem. Før der træffes beslutninger af bare lidt mere end rutinemæssig karakter, vil beslutningstagerne i stigende grad spørge om der findes data, der kan belyse problemet, før en beslutning træffes. Da det vil gælde alle områder og niveauer i samfundet, bliver kendskab til data — hvordan de skabes, hvordan de bearbejdes og hvordan de anvendes — en vigtig kompetence for stort set alle. Det betyder naturligvis ikke, at alle skal være eksperter på området, men en grundlæggende viden vil være nødvendig i stort set alle professioner. Og der bliver naturligvis også behov for eksperter.

I praksis betyder det, at datakundskab (data literacy) må forventes af blive et vigtigt fag både i grundskolerne og på de sekundære og videregående uddannelser. Det giver igen anledning til at overveje, hvad faget datakundskab skal indeholde. Til støtte for udviklingen af kurser i datakundkab har Hochschulforum Digitalisierung — en tænketank oprettet af Stifterverband für die Deutsche Wissenschaft  — udgivet et arbejdspapir, der opstiller en såkaldt kompetenceramme for faget datakundkab. En kompetenceramme defineres i papiret som en model til beskrivelse af effektiv adfærd i en given opgavesammenhæng.  Rammen definerer 21 kompetencer fordelt på seks kompetencefelter. En oversigt er vist herunder.

Kompetencefelt	Kompetence
Fastlægge problemet	Identificere dataanvendelse Specificere dataanvendelse Koordinere dataanvendelse
Klargøre data	Modellere  dataanvendelse Overholde databeskyttelse og -sikkerhed Identificere datakilder Integrere data Verificere data Dataproces
Evaluere data	Analysere data Visualisere data Verbalisere data
Fortolke dataprodukter	Fortolke dataanalyser Fortolke datavisualiseringer Fortolke dataverbaliseringer
Fortolke data	Dekryptere standardisering Spore dataindsamling Rekonstruere datakoncepter
Udlede handling	Identificere handlingsmuligheder Datastyret handling Vurdere virkning

For hver af de 21 kompetencer giver kompetencerammen en nærmere beskrivelse af kompetencen og opstiller en række mere konkrete eksempler på krav til hhv. viden, færdigheder og holdninger — de tre kompetencedimensioner. Nedenfor er som eksempel vist rammens indhold for kompetencen Fortolke dataverbaliseringer under kompetencefeltet  Fortolke dataprodukter.

Kompetencefelt	Fortolke dataprodukter
Kompetence	Fortolke dataverbaliseringer
Beskrivelse	Fortolke statistiske egenskaber og modeller  således at konklusioner kan drages eller prognoser opstilles på grundlag af de bagvedliggende data og sammenhænge.
Kompetence-dimension	Viden	Kendskab til grundlæggende statistiske metoder
	Færdigheder	Forstå en beskrevet analyseproces og kritisk granske den Læse og forstå en statistisk tekst
	Holdninger	Forholde sig kritisk til beskrivelser og konklusioner Søge implicit information i teksten Forholde sig kritisk men være åben over for nye konklusioner og ny indsigter, også hvis de modsiger den nuværende situation

Rammen skelner for hver kompetence mellem tre kompetenceniveauer, og giver eksempler på kravene på de forskellige niveauer. For kompetencen Fortolke dataverbaliseringer er eksemplerne:

Laveste niveau	Kan forstå enkle forklaringer af statistiske metoder
Mellemste niveau	Kan forstå mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser
Højeste niveau	Kan forstå og granske mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser

Rammen kan således anvendes for alle uddannelsesniveauer.

Referencer:
Katharina Schüller, Paulina Busch & Carina Hindinger: “Future Skills: Ein Framework für Data Literacy Kompetenzrahmen und Forschungsbericht”,  Hochschulforum Digitalisierung Nr 47/august 2019 (link)

Brexit nærmer sig. Næsten alle økonomer og politiske kommentatorer forudser store negative økonomiske følger for både EU og UK. En samlet økonomisk vurdering af konsekvenserne forudsætter overvejelser om mange aspekter af de økonomiske mekanismer, og i den forbindelse også stillingtagen til ukendte og uforudsigelige forhold og sammenhænge. Hertil kommer, at en samlet vurdering naturligvis  skal omfatte mere end de økonomiske konsekvenser. I dette indlæg ser jeg udelukkende på de helt umiddelbare konsekvenser for EU’s indtægter og udgifter.

Som altid er den officielle statistik et godt udgangpunkt den slags overvejelser, og når det drejer sig om økonomien er nationalregnskabet det naturlige udgangspunkt. I tabellen nedenfor er de umiddelbare konsekvenser for EU’s, UK’s og de øvrige medlemslandes finanser illustreret i en nationalregnskabsmæssig opgørelse. Tabellen viser hvordan EU’s indtægter optræder som udgifter for UK og de øvrige medlemslande, og tilsvarende hvordan EU’s udgifter viser sig som indtægter i landene. Indtægter er vis med blå skrift, udgifter med rød

EU’s indtægter og udgifter, 2018, mia. euro

Indtægt for EU		Udgift for
		UK	Øvrige EU-lande	Resten af verdenen
Told mm	27,0	3,9	23,1	0,0
Moms	17,6	3,3	14,3	0,0
BNI-afgift (minus UK-rabat)	104,5	10,3	94,2	0,0
Øvrige løbende overførsler	15,8	0,5	13,0	2,3
I alt	164,9	18,0	144,6	2,3
Udgift for EU		Indtægt for
		UK	Øvrige EU-lande	Resten af verdenen
Subsidier	56,5	3,8	52,7	0,0
Forbrug	25,7	1,9	22,5	1,2
Løbende internationalt samarbejde	32,8	1,3	23,7	7,8
Øvrige løbende overførsler	2,7	0,1	2,5	0,1
Investeringstilskud mv.	41,1	1,0	40,0	0,1
I alt	158,7	8,1	141,5	9,2
Overskud (Nettofordringserhvervelse)	6,2	9,9	3,2	6,9

Kilde: Eurostats databank/bop_euins6_a (link) 

Som det fremgår af tabellen bidrager UK med omkring 11 pct. af EU’s indtægter. Den vigtigste indtægtspost er BNI-afgiften, som landene i princippet betaler i forhold til størrelsen af deres bruttonationalindkomst (BNI). Fulgte man princippet slavisk skulle UK for 2018 betale ca. 15,2 mia euro i BNI-afgift, men gennem en særlig aftale — UK-rabatten — er dette beløb nedbragt til de 10,3 mia. euro, der er vist i tabellen. Enkelte andre lande, herunder Danmark, er omfattet af tilsvarende rabatordninger, men de er af væsentlig mindre omfang.

På EU’ udgiftside står UK som modtager af ca. 5,1 pct af subsidier mm. Opgjort på denne måde betyder Brexit således, et tab for EU på omkring 10 mia. euro. Skal status quo bevares, skal de øvrige lande øge deres samlede bidrag med op mod 7 pct. Lægges hele byrden på BNI-afgiften skal denne øges med omkring 10 pct. Nedskæringer på udgiftssiden er naturligvis også mulige. Under alle omstændigheder bliver noget at diskutere for de tilbageblivende lande!

De økonomiske fordele og ulemper ved EU-medlemskabet kan ikke belyses udelukkende ud fra EU’s regnskaber. F.eks. udgøres en del af landbrugsstøtten af kunstigt høje fødevarepriser, der betales direkte af EU’s forbrugere, men ikke indgår i EU-institutionernes regnskaber. Og de dynamiske virkninger af de åbne markeder, der er en væsentlig del af EU-samarbejdet, afspejles slet ikke i disse regnskaber.

I internationale opgørelser, f.eks. fra  OECD og EU, præsenteres danske husholdninger som verdens mest forgældede. Det billede er korrekt, men ufuldstændigt, fordi der udelukkende fokuseres på gælden (bruttogæld), uden hensyn til at husholdningerne også har formue. Ser men i stedet på nettogælden — dvs. forskellen mellem formueposterne og gældsposterne — ser billedet anderledes ud, fordi de husholdningerne har betydelige formuer, der modsvarer gælden. Danmarks Statistik har i en analyse søgt at give et mere nuanceret billede af husholdningernes formueforhold. I analysen anvendes familier, og ikke husholdninger, som tællingsenhed, men den forskel påvirker ikke de gundlæggende resultater.

Analysens hovedkonklusion  er, at danske familiers finansielle stilling  ganske er solid, når man ser på det samlede billede, dvs. inddrager både aktiver og passiver i analysen. Forskellen mellem værdien af aktiverne og passiverne udgør nettoformuen, og her står danske familier som helhed ganske stærkt med en gennemsnitlig nettoformue på næsten 2 mio. kr. En summarisk opgørelse af af familiernes aktiv- og gældsposter er vist nedenfor.

 Danske familiers formue og gæld, 2017 (Gennemsnitlige beløb i 1000 kr.)

Aktiver			Gæld
Ejerboliger	1.194		Prioritetsgæld	685
Pensionsformue	903		Lån i pensinstitutter	136
Indstående i pengeinstitut	232		Anden gæld	34
Værdipapirer	211
Andre aktiver	291
I alt	2.831		I alt	855
Nettoformue	1.976

Kilde: Danmarks Statistik, www.statistikbanken.dk/FORMUE1

Som det fremgår af oversigten er det prioritetsgælden — først og fremmest lån med pant i ejerboliger — der dominerer på gældsiden. Men som det også ses, så er værdien af ejerboligerne på aktivsiden langt større end prioritetsgælden. Dertil kommer en betydelig pensionsformue. Det er på den baggrund, at analysen konkluderer, at familiernes økonomiske stilling ikke er helt så dyster, som en fokusering udelukkende på bruttogælden kunne antyde.

Analysen påpeger dog også, at den store bruttogæld kan være et problem. I en krisesituation kan ejerboligerne falde i værdi og være vanskellige at sælge, men der skal stadigvæk betales renter og afdrag på gælden. Og pensionsformuen kan der ikke trækkes på i en sådan situation.

Den gennemsnitlige nettoformue op ca. 2 mio. kr dækker over betydelige forskelle familierne imellem.  Den tiendedel af familierne, der har de højeste indkomster har en gennemsnitlig nettoformue på over 7 mio. kr og tiendedelen med de laveste indkomster har en gennemsnitlig formue på 0,2 mio. For familier midt i indkomstfordelingen (medianen) ligger den gennemsnitlige nettoformue omkring 1,3 mio. kr.

Under 5 pct af alle familier har en nettogæld på 100.000 kr. eller mere, men andelen noget større blandt familierne med de laveste indkomster. Analysen omfatter en lidt dybere redegørelse for denne gruppes arbejdsmarkedstilknytning og familietype (alder og antal børn). Der leveres også nogle overvejelser om den tidsmæssige mobilitet i formue og gæld, f.eks. i hvilket omfang familierne over tiden kommer ud af gammel gæld.

Referencer:
Danmarks Statistik:  “Er de danske familier dybt forgældede?”, DSTAnalyse, 11/6-2019 (link) 

Der læses markant mindre avis i Danmark i dag end for ti år siden. Værst er det gået for de landsdækkende dagblade, der i 2018 har mindre end en trediedel af det antal læsere, de havde i 2017, men som det fremgår af figuren nedenfor, så er også søndagsaviser og regionale dagblade ramt af tilbagegangen. Det relativt høje niveau for landsdækkende søndagsaviser i perioden 2011 – 2016 skyldes udelukkende, at den husstandsomdelte gratisavis — Søndagsavisen — kun i denne peride indgår i talllene. Antallet af læsere af en avis, er opgjort som antallet af personer, der har læst mindst to minutter i den pågældende avis. Læsertallene i figuren er opgjort som bruttotal, dvs. en person, der har læst i flere aviser indgår i læsertallet med det antal aviser, han har læst.

Figur 1: Læsere af dagblade og søndagsaviser 2007 – 2018

Kilde:Danmarks Statistikbank/DAGBLAD2

Læsertallene offentliggøres af Danmarks Statistik, men er baseret på data indsamlet af Index Danmark/Gallup.  Danmarks Statistik offentliggør kun aggregerede tal, men IndexDanmark/Gallup offentliggør læsertal for de enkelte aviser. 

Tilbagegangen har, som det fremgår af figur 2, ramt næsten alle aviser. De eneste, der skiller sig ud er Kristeligt Dagblad, der har haft en beskeden fremgang, og Information, der sammenlignet med de øvrige aviser kun har haft en beskeden tilbagegang.

Figur 2: Avisernes læsertal i 2007 og 2018

 Kilde: Læsertal fra Index Danmark/Gallup

Det er en nærliggende tanke, at det store fald i avislæsning hænger sammen med internettets stigende udbredelse. Af Danmarks Statistiks årlige opgørelser af IT-anvendelse i befolkningen (Statistikbanken/BBRIT07) fremgår da også, at den andel af befolkningen, der læser nyheder på nettet er steget fra 52 pct. i 2008 til 84 pct. i 2017.

Referencer
Danmarks Statistik: “Statistikdokumentation for Dagblade og tidsskrifter 2018”, (link)
Danmarks Statistik: Statistibanken/DAGBLAD2 (link)
Danmarks Statistik: Statistibanken/NEBRIT09 (link)
Indeks Danmark/Gallup: Halvårlige opgørelser af læsertal

Udbredelsen af internettet gør det oplagt, at statistikproducenter må overveje at anvende web-skemaer — hvor respondenten bevarer spørgsmålene på sin computer uden medvirken af en interviewer — som alternativ til traditionelle telefoninterviews. I mange tilfælde kombinerer producenten de to metoder. Det rejser naturligt spørgsmålet om metoderne giver samme resultat.

Det gør de nok i nogle tilfælde — måske også i de fleste tilfælde — men de gør det ikke altid. Pew Research Center præsenterer i en ny YouTube-video et kort redegørelse for forskellene mellem de svar, der modtages ved anvendelse af web-skemaer og de svar, der modtages i telefoninterviews. I en rapport fra 2015, har de leveret en mere dybtgående analyse af forskellene. Rapporten er baseret på besvarelser af det samme spørgeskema fra to grupper — en der blev interviewet telefonisk, og en der besvarede et web-skema. I hver gruppe indgik ca. 1500 personer.

Hovedbudskabet er, at ved de fleste typer af spørgsmål er der kun små forskelle mellem resultaterne fra de to metoder. Men undersøgelsen viser også, at navnlig ved tre typer af spørgsmål har interviewformen afgørende betydning. Det gælder nogle, men ikke alle, spørgsmål om livskvalitet, helbred og finansielle problemer, spørgsmål om social diskrimination og spørgsmål om vurderingen af  politikere. Ved telefoninterviews var respondenterne mere  tilbøjelige til at udtrykke tilfredshed med livskvalitet, helbred og finansiel situation, mere tilbøjelige til at se diskrimination som et problem, og mere tilbøjelige til at udtrykke stærkt negative holdninger til politiske modstandere.

Karakteristisk for de spørgsmål,  hvor forskellene i svar er størst, er at der kan indgå et element af social eller politisk korrekthed i opfattelsen af svarende. Ved telefoninterviews, hvor der er direkte kontakt med intervieweren bliver svarene mere socialt og politisk korrekte, end ved web-baserede interviews, hvor den interviewede er alene. Tendens til skævhed i besvarelser i retning af det socialt accepterede eller forventede er et velkendt problem i spørgeskemabaseret statistik, og det er ikke så overrakende, at skævheden bliver større, når der er direkte kontakt til en interviewer. Men det er også et vigtigt resultat af Pew’s undersøgelse, at ikke alle typer spørgsmål er belastet af denne tendens.

Tendensen til socialt acceptable svar er den klart vigtigste kilde til forskelle i undersøgelsen, men Pew understreger, at der er andre. F,eks. er der en tendens til, at den interviewede når han præsenteres for en række svarmuligheder, vil vil vælge det sidste af de opstillede alternativer ved et telefoninterview og det første ved web-undersøgelser, hvor han sidder med spørgeskemaet foran sig. 

Pew antager, bl.a. på baggrund af andre undersøgelser, at de observerede forskelle i besvarelser ved de to metoder kan tilskrives, at der svares mere ærligt, når der ikke en interviewer indblandet. Svarene fra web-skemaerne er med andre ord af bedre kvalitet. Da metoden også er billigere at gennemføre end telefoninterviews, er der gode grund til at anvende den. Men ikke alle har adgang til internet og er villige til at besvare web-skemaer. Derimod har stort set alle adgang til telefon og villigheden til at deltage i telefoninterviews er større. Det betyder, at undersøgelser baseret på telefoninterviews er mere repræsentative end web-undersøgelser. Den mulige kvalitetsgevinst ved mere ærlige svar i web-undersøgelserne må derfor holdes op mod det mulige tab i repræsentativitet.

Referencer
Pew Research Center: “Phone vs. online surveys: Why do respondents’ answers sometimes differ by mode?”,  YouTube 7/2-2019 (link)
Pew Research Center: “From Telephone to the Web: The Challenge of Mode of Interview Effects in Public Opinion Polls”, 13/5-2015 (link)