This study investigates the influence of five macroeconomic variables on housing prices in Sweden, specifically focusing on communally-owned apartments. Using multiple linear regression analysis with a dataset covering the period 1996–2023, the research identifies inflation rate and GDP per capita growth rate as significant determinants of housing prices. The analysis reveals an inverse relationship between inflation and housing prices while GDP per capita growth rate demonstrates a positive correlation. This indicates that high inflation leads to reduced demand for housing, resulting in lower prices while positive growth in GDP per capita leads to higher prices. These findings provide valuable insights for stakeholders including policymakers, private buyers and sellers, investors, and future researchers. While the study achieves a explanatory power of around 50%, it acknowledges the limitations of predictive modeling in complex economic systems like the housing market. Further research is suggested to explore additional variables and methodologies to enhance the accuracy of forecasting housing prices, thus contributing to a deeper understanding of housing market dynamics in Sweden.

Denna studie undersöker påverkan av fem makroekonomiska variabler på bostadspriser i Sverige, med särskilt fokus på bostadsrätter. Genom att använda multipel linjär regressionsanalys på en datamängd som täcker perioden 1996-2023 identifieras inflation och tillväxt i BNP per capita som signifikanta faktorer för bostadspriserna. Resultatet visar en omvänd relation mellan inflation och bostadspriser, medan tillväxt i BNP per capita uppvisar en positiv korrelation. Detta indikerar att en hög inflation leder till minskad efterfrågan på bostadspriser, vilket resulterar i lägre priser, medan en positiv tillväxt i BNP per capita leder till högre priser på bostäder. Dessa resultat ger värdefulla insikter för olika intressenter, inklusive beslutsfattare, privata köpare och säljare, investerare och framtida forskare. Trots att studien lyckas uppnå en förklaringsgrad på cirka 50 %, bekräftar den begränsningarna med prediktiv modellering i komplexa ekonomiska system såsom bostadsmarknaden. Vidare forskning föreslås att utforska ytterligare variabler och metoder för att förbättra noggrannheten i prognoserna för bostadspriser, vilket bidrar till en djupare förståelse för dynamiken på den svenska bostadsmarknaden.