8.5 Modellvurdering og praktisk bruk

Den vanskeligste delen – å vurdere modellen

Gjennom de forrige kapitlene har vi bygget opp en solid verktøykasse: lineær regresjon, polynomregresjon, eksponentialregresjon og potensregresjon. Vi vet hvordan vi tilpasser modeller til data i GeoGebra. Men nå kommer det som kanskje er det viktigste av alt: å vurdere om modellen faktisk er god.

For det er ikke nok at $r^2$ er høy. Det er ikke nok at kurven ser pen ut i et diagram. En god modell skal passe til kjente data, gi fornuftige forutsigelser, være forankret i faglig forståelse, og ikke være unødvendig kompleks. Disse fire kravene kan stå i spenning med hverandre, og det er nettopp balansegangen mellom dem som gjør modellvurdering til en kunst like mye som en vitenskap.

I dette kapittelet skal vi lære å sammenligne modeller systematisk, forstå begrensninger, og tenke kritisk om bruk av modeller i media og forskning.

Forklaringsgraden $r^2$ – og dens begrensninger

Vi har allerede møtt $r^2$ (forklaringsgraden), som forteller oss hvor stor andel av variasjonen i dataene som modellen forklarer. $r^2 = 1$ betyr at modellen fanger opp all variasjon – perfekt tilpasning. $r^2 = 0$ betyr at modellen ikke forklarer noe som helst. For lineær regresjon er $r^2$ rett og slett kvadratet av korrelasjonskoeffisienten: $r^2 = r \cdot r$.

Typisk ønsker vi $r^2 > 0{,}9$ for en god modell. Men det finnes viktige nyanser.

For det første: høy $r^2$ betyr ikke at modellen er riktig. En modell kan ha $r^2 = 0{,}99$ og likevel gi meningsløse forutsigelser utenfor dataområdet. En andregradsfunksjon tilpasset besøkstall i en dyrepark kan ha fantastisk $r^2$, men den snur nedover og forutsier til slutt negativt besøkstall – noe som åpenbart er tull.

For det andre: du kan alltid øke $r^2$ ved å legge til flere parametre. Et tredjegradspolynom gir alltid minst like høy $r^2$ som et andregradspolynom, som alltid gir minst like høy som en rett linje. Men flere parametre betyr ikke bedre modell – det kan bety overtilpasning.

For det tredje: $r^2$ sier ingenting om kausalitet. To variabler kan ha $r^2 = 0{,}95$ uten at det er noen årsakssammenheng mellom dem. Husk den konfunderende variabelen.

Bruk $r^2$ som et av flere verktøy, men aldri som det eneste.

Sammenligning av modeller i praksis

La oss se på et konkret eksempel. Vi har data for gjennomsnittlig strømforbruk per husstand i Norge fra 2000 til 2020, og vi prøver to modeller.

Den lineære modellen gir $y = -162t + 21\,470$ med $r^2 = 0{,}997$. Den sier at forbruket synker med 162 kWh per år – en fast nedgang uavhengig av nåværende nivå.

Den eksponentielle modellen gir $y = 21\,500 \cdot 0{,}9917^t$ med $r^2 = 0{,}998$. Den sier at forbruket synker med omtrent 0,83 prosent per år – en prosentvis nedgang.

Begge modellene passer nesten like godt til dataene. Hvordan velger vi?

For kort tids ekstrapolering gir begge lignende resultater. Men for lang tid avslører forskjellene seg. Den lineære modellen når null rundt år 2132 og gir deretter negativt strømforbruk – noe som er fysisk umulig. Den eksponentielle modellen nærmer seg null, men blir aldri negativ. Det er mer realistisk.

Faglig sett er prosentvis nedgang (energieffektivisering) mer naturlig enn en konstant årlig reduksjon. Nye teknologier gir gjerne prosentvise forbedringer, ikke faste. Derfor er den eksponentielle modellen trolig bedre for lengre fremskrivninger, selv om begge er usikre langt frem i tid.

Dette illustrerer et viktig poeng: to modeller kan passe nesten like godt til historiske data, men gi svært forskjellige forutsigelser. Valget mellom dem krever faglig vurdering, ikke bare statistikk.

Gyldighetsområde og modellens begrensninger

Alle matematiske modeller har begrensninger. La oss systematisere de viktigste.

Gyldighetsområde. Modellen gjelder bare for et visst område av $x$-verdier. Utenfor dette området kan den gi meningsløse resultater – negativ befolkning, temperatur under absolutt nullpunkt, eller mer elbiler enn det finnes mennesker. Når du bruker en modell, bør du alltid spørre: «For hvilke verdier av $x$ gir dette mening?»

Forenklinger. Enhver modell velger ut noen faktorer og ignorerer andre. En modell for fritt fall ignorerer luftmotstand. En befolkningsmodell ignorerer kriger og pandemier. Spørsmålet er om de ignorerte faktorene er viktige nok til å endre resultatet vesentlig.

Tidsbegrensning. En modell som passer godt nå, passer ikke nødvendigvis om 20 år. Trender endrer seg. Teknologier utvikles. Politikk skifter. En eksponentiell vekstmodell for elbiler fungerer bra i oppstartsfasen, men markedet vil mettes.

Datatilpasning er ikke forståelse. En modell med høy $r^2$ beskriver et mønster i dataene, men den forklarer ikke hvorfor mønsteret finnes. Korrelasjonen mellom sjokoladeforbruk og nobelprisvinnere er sterk ($r \approx 0{,}79$), men det betyr ikke at sjokolade gjør folk smartere. Begge variablene korrelerer med velstand og utdanningsnivå.

Å forstå modellens begrensninger er ikke en svakhet – det er en styrke. En person som vet hvor modellen svikter, bruker den mye klokere enn en som tror blindt på den.

En helhetlig analyse – dyreparkeksempelet

La oss øve oss på en fullstendig modellvurdering. En dyrepark har registrert antall gjester per år de siste 8 årene: 15 000, 28 000, 52 000, 80 000, 95 000, 103 000, 108 000 og 110 000.

Visuelt ser vi rask vekst i begynnelsen som flater ut. Vi prøver tre modeller.

Lineær modell: $y \approx 14{,}0t + 9{,}5$ med $r^2 \approx 0{,}90$. Passer dårligst. Fanger ikke opp utflatingen.

Andregradsfunksjon: $y \approx -2{,}4t^2 + 35{,}5t - 17{,}5$ med $r^2 \approx 0{,}99$. Passer best til dataene. Men den har et toppunkt ved $t \approx 7{,}4$ og forutsier deretter at besøkstallet synker. Er det realistisk? Kanskje, kanskje ikke. Hvis vi forventer at besøket stabiliserer seg (men ikke synker), er modellen problematisk.

Potensmodell: $y \approx 17{,}8 \cdot t^{0{,}92}$ med $r^2 \approx 0{,}95$. Eksponenten $b < 1$ gir avtagende vekst uten å snu nedover, noe som stemmer bedre med forventningen om stabilisering.

Hva anbefaler vi? For interpolering er andegradsmodellen best. For lengre fremskrivninger er potensmodellen tryggere fordi den ikke forutsier nedgang. Og den lineære modellen? Den er for enkel for dette datasettet.

Parsimonitetsprinsippet (Ockhams barberkniv) sier: velg den enkleste modellen som gir god tilpasning. Men «god tilpasning» må inkludere fornuftige forutsigelser, ikke bare høy $r^2$.

Kritisk vurdering – modeller i media og samfunn

Matematiske modeller er overalt i samfunnet. Klimamodeller forutsier global oppvarming. Epidemimodeller estimerer smittespredning. Økonomiske modeller påvirker politiske beslutninger. Det er viktig at du kan stille kritiske spørsmål til slike modeller.

Hvilke data er modellen basert på? Er dataene pålitelige? Er de representative? Data fra én by gjelder ikke nødvendigvis for et helt land. Data fra ett tiår gjelder ikke nødvendigvis for det neste.

Hvilken funksjonstype er valgt? Er det faglig grunnlag for akkurat den typen, eller er den bare valgt fordi den gir høy $r^2$?

Er det interpolering eller ekstrapolering? Klimamodeller som forutsier 50 år frem i tid ekstrapolerer kraftig. Det betyr ikke at de er ubrukelige – men usikkerheten er stor, og det bør kommuniseres tydelig.

Hvilke forenklinger er gjort? Under pandemien ga ulike epidemimodeller svært forskjellige forutsigelser, nettopp fordi de gjorde ulike antagelser om smitterate, tiltak og adferd. Ingen av dem var «feil» – de belyste ulike scenarier.

Hvem står bak? Kan det være interessekonflikter? En modell laget av oljeindustrien for å forutsi energibehov kan ha andre antagelser enn en modell laget av miljøorganisasjoner.

Modeller er kraftige verktøy, men de er ikke sannheter. De er forenklinger som hjelper oss å tenke klarere om komplekse fenomener. Den som forstår modellens begrensninger, bruker den best.

Oppsummering

En god modell oppfyller fire krav: den passer til kjente data (høy $r^2$), gir fornuftige forutsigelser, er forankret i faglig kunnskap, og er ikke unødvendig kompleks. Forklaringsgraden $r^2$ er et nyttig verktøy, men den er ikke tilstrekkelig alene – høy $r^2$ garanterer verken kausalitet, riktige forutsigelser, eller at modellen er den beste.

Når du sammenligner modeller, se på $r^2$, residualplot, visuell tilpasning og faglig rimelighet. Parsimonitetsprinsippet (Ockhams barberkniv) sier at du bør velge den enkleste modellen som gir en tilfredsstillende beskrivelse.

Alle modeller har begrensninger: et gyldighetsområde de fungerer innenfor, forenklinger de gjør, og en tidsbegrensning for hvor lenge de er relevante. Interpolering er generelt pålitelig, mens ekstrapolering er risikabelt og krever stor forsiktighet. Ulike modeller som passer like godt til historiske data kan gi vidt forskjellige forutsigelser.

Til slutt: tenk kritisk om modeller i media og forskning. Spør hvilke data de bygger på, hvilke forenklinger som er gjort, og om det er korrelasjon eller kausalitet. En modell er et verktøy for å tenke – ikke en fasit.