8.5 Digitale verktøy i modellering

Praktisk pipeline fra åpne SSB-data til ferdig analyse: GeoGebra, Excel og Python — hvilket verktøy når.

60 min

12 oppgaver

GeoGebraExcelPythonPipelineCSV

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 12 oppgaver

Kapitlets plass i kurset

Bygger på

8.4Modellering med reelle datasett

Brukes videre i

8.6Selvstendig samfunnsøkonomisk prosjekt

Tre verktøy, eitt mål

I sjølvstendige prosjekt med reelle data treng du verktøy som gjer jobbane som er for kjedelege eller for kompliserte å gjere for hand. Tre verktøy dekkjer alt du treng i S1.

Hovudregel: Vel det enklaste verktøyet som løyser oppgåva. Ikkje bruk Python når Excel duger; ikkje bruk GeoGebra når ein blyant og papir gjer det.

Oppgåve	Beste verktøy
Visualisere eit lite datasett interaktivt	GeoGebra
Tilpasse regresjonsmodellar med eitt klikk	GeoGebra
Byggje budsjett eller modell med «kva-viss»	Excel / Google Sheets
Rekne reallønsvekst, indeksregulering	Excel
Datasett med 100+ rader	Python (eller Excel)
Datasett med 10 000+ rader	Python
Automatisere fleire analysar	Python
Presentere eit fenomen i klassen	GeoGebra

Mange profesjonelle brukar alle tre — dei overfører dataene mellom verktøya avhengig av kva som trengst.

Den typiske arbeidsflyten i eit samfunnsøkonomisk prosjekt:

Steg 1 — Nedlasting. Gå til ssb.no/statbank, vel tabell, last ned som CSV (eller Excel).

Steg 2 — Rensing i Excel. Opne fila, fjern overskriftsrader og fotnotar, kontroller at tala er numeriske, fjern manglande verdiar eller marker dei.

Steg 3 — Analyse. For visualisering og enkle regresjonar: importer til GeoGebra. For store/komplekse: jobb i Excel eller Python.

Steg 4 — Eksport. Eksporter graf som bilete (PNG frå GeoGebra, eller Excel sin Lim-inn-som-bilete-funksjon).

Steg 5 — Rapport. Skriv tolkinga i Word eller Google Docs. Lim inn grafar og tabellar. Oppgi datakjelde og dato for nedlasting.

✏️GeoGebra: regresjonsanalyse

Du har lasta ned årleg bustadprisindeks (2015 = 100) for Noreg: $(0, 100), (1, 107), (2, 113), (3, 117), (4, 119), (5, 122), (6, 138), (7, 152), (8, 158)$ med $t$ = år etter 2015.

Finn beste regresjonsmodell.

I GeoGebra:

1. Skriv liste i CAS: data = {(0,100),(1,107),(2,113),(3,117),(4,119),(5,122),(6,138),(7,152),(8,158)}.

2. Prøv kandidatar:

f_lin = FitLine(data)         # Lineær
f_eks = FitExp(data)          # Eksponentiell
f_pot = FitPow(data)          # Potens
f_log = FitLog(data)          # Logaritmisk

3. Bruk kommandoen RSquare(data, f_lin) for å få $R^2$ for kvar.

Typiske resultat:
- Lineær: $\hat{y} \approx 7{,}3t + 95{,}3$ , $R^2 \approx 0{,}93$
- Eksponentiell: $\hat{y} \approx 99{,}9 \cdot 1{,}06^t$ , $R^2 \approx 0{,}96$

Vel eksponentiell. Teikn residualplottet i GeoGebra ved å bruke Sequence((x(Element(data,k)), y(Element(data,k)) - f_eks(x(Element(data,k)))), k, 1, Length(data)).

✏️Excel: indeksregulering og realløn

Set opp eit rekneark for å rekne reallønsutvikling 2015–2024 frå SSB-data.

Excel-oppsett:

A	B	C	D
1	År	Løn (tusen)	KPI	Realløn
2	2015	528	100	=B2100/C2
3	2018	568	109	=B3100/C3
4	2021	610	119	=B4100/C4
5	2024	700	142	=B5100/C5

Kolonne D viser realløn (i 2015-kroner). Samanlikn med kolonne B for å sjå skilnaden mellom nominell løn og realløn.
Kva-viss-analyse: Endre verdiane i kolonne C for å sjå kva som hadde skjedd ved annan prisvekst. Lag linjediagram for å visualisere både nominell løn og realløn samtidig.

✏️Python: enkel dataanalyse

Skriv eit Python-script som reknar gjennomsnittleg årleg prosentvis vekstrate for bustadprisindeksen 2015–2023.

import math

# Bustadprisindeks per år (2015 = 100)
indeks = [100, 107, 113, 117, 119, 122, 138, 152, 158]

# Rekn prosentvis vekst år for år
for i in range(1, len(indeks)):
    vekst = (indeks[i] / indeks[i-1] - 1) * 100
    print(f"År {2014+i}-{2015+i}: {vekst:+.1f}%")

# Geometrisk gjennomsnitt av vekstfaktor
geom_snitt = (indeks[-1] / indeks[0]) ** (1 / (len(indeks) - 1))
arlig_vekst = (geom_snitt - 1) * 100
print(f"\nGjennomsnittleg årleg vekst: {arlig_vekst:.2f}%")

Output:

År 2015-2016: +7.0%
År 2016-2017: +5.6%
...
År 2022-2023: +3.9%

Gjennomsnittleg årleg vekst: 5.85%

Verktøy gjer analysen lett — men gjer det også lett å lyge. Tre reglar for ærleg arbeid:

1. Vis verktøyet. I rapporten skal det stå kva verktøy som vart brukt, og kva kommandoar eller formlar. Då kan andre etterprøve.

2. Vis dataene. Legg ved CSV-fila eller lenkje til SSB-tabellen. Dersom dataene har blitt endra (rensing), forklar kva og kvifor.

3. Vis modellvalet. Dersom fleire modellar vart prøvde, oppgi alle og grunngi valet. Aldri vel modellen som gir det resultatet du ønskjer — vel den som passar dataene best.

Fallgruver med digitale verktøy

Standardinnstillingar: Verktøy gir ofte resultat utan å seie frå om at noko er rart. Sjekk alltid om det er manglande data, om einingar stemmer, om tidssoner er rette.

Avrunding: Excel viser ofte 2 desimalar i celler, men jobbar internt med fleire. Dersom du kopierer ut, kan du miste presisjon — bruk =ROUND() medvite.

Kopiering av formlar: Hugs relativ vs. absolutt cellereferanse ( $A$ 1 vs A1). Ein kopiert formel kan plutseleg peike på feil stad.

Pakkar blir oppdaterte: Eit Python-script som verka i fjor kan gi annleis svar i år dersom pandas eller numpy er oppdatert. Spesifiser versjonar i seriøst arbeid.

Visualiseringsfeller: Akse-skala kan manipulerast for å overdrive eller underdrive trendar. Ver open — start vanlegvis y-aksen på 0 for søylediagram.

FitLine(liste)            # Lineær regresjon
FitExp(liste)             # Eksponentiell regresjon
FitPow(liste)             # Potensregresjon
FitLog(liste)             # Logaritmisk regresjon
FitPoly(liste, n)         # Polynomial av grad n
RSquare(liste, modell)    # R-kvadrert verdi
Korrelasjon(liste)        # Korrelasjonskoeffisient
Gjennomsnitt(liste)       # Aritmetisk middelverdi
Standardavvik(liste)      # Standardavvik (utval)
Median(liste)             # Median

For å lage spreiingsplott: skriv inn punkta som ei liste og trykk Vis.

For å vise residualar: bruk Sequence til å lage ei liste med residualpunkt (sjå eksempel i kapittel 7.4).

📝Oppgave 1

Vel rett verktøy for kvar oppgåve (GeoGebra, Excel, Python):

Vise eit spreiingsdiagram med interaktiv regresjon i klasserommet.

Lage månadsbudsjett for hushald med følsemd for endringar i renteutgifter.

Analysere alle SSB-tabellpost-data om utdanning og arbeid for ca. 350 norske kommunar.

Sjekke om ein eksponentiell modell passar 8 datapunkt for folkevekst.

📝Oppgave 2

Skriv GeoGebra-kommandoar for følgjande:

Tilpass logaritmisk modell til punkta $(1,2),(2,5),(4,7),(8,9)$ .

Rekn korrelasjonskoeffisienten for same datasett.

Plott eit tredjegradspolynom som best passar 7 datapunkt.

📝Oppgave 3

Du har Excel-arket frå Eksempel 2 (løn og KPI 2015–2024). Skriv formlar for:

Total nominell lønsvekst i prosent (frå første til siste år).

Total reallønsvekst i prosent.

Gjennomsnittleg årleg nominell vekstrate (geometrisk).

📝Oppgave 4

Skriv eit Python-script som reknar og skriv ut:
- Gjennomsnitt og standardavvik for lønsdataene frå Eksempel 2
- Reallønsverdiar i 2015-kroner
- Total reallønsvekst i prosent

📝Oppgave 5

Pipeline-oppgåve: Skissere stegvis korleis du ville analysert samanhengen mellom kommune-utdanningsnivå og arbeidsløyse i 2024 (ca. 350 datapunkt).

📝Oppgave 6

Du jobbar med følgjande oljepris-data (USD/fat) frå Norsk Petroleum 2010–2024 og ønskjer å byggje ein modell.

[80, 111, 112, 109, 99, 52, 44, 54, 71, 64, 42, 71, 100, 82, 81]

Kva verktøy er best for denne analysen?

Kva slags modell trur du passar? Kvifor?

Kva er ein seriøs analyse her?

Korleis presenterer du dette i ein samfunnsøkonomisk rapport?

📝Oppgave 7

Drøftingsoppgåve: I yrkeslivet blir Excel-makroar og Python-script brukte til å automatisere analysar. Kva er fordelane og risikoane ved å gjere dette?

Oppsummering

I dette kapittelet har du lært:

- GeoGebra: Regresjonsanalyse med kommandoar som RegLin, RegEksp og RegPoly — og grafisk kontroll av tilpassinga.
- Rekneark (Excel): Formlar for indeksregulering, realløn, gjennomsnitt og diagram — fint for tabelldata.
- Python: Skripting for dataanalyse og simulering — gir full kontroll og reproduserbarheit.
- Fallgruver: Blind tillit til $R^2$ , ekstrapolering, avrundingsfeil og feil celle-/kolonnereferansar.

Nøkkelomgrep

Omgrep	Forklaring
RegLin / RegEksp	Regresjonskommandoane i GeoGebra
Cellereferanse	Adresse i rekneark (A1, B2, …)
Reproduserbarheit	Andre kan køyre same analyse
Simulering	Tilfeldige forsøk i verktøyet

Viktige formlar

- Realløn

=

nominell løn

\cdot \dfrac{100}{\text{KPI}}

- Forventa tal

= n \cdot p

(kontroll av simuleringar)

Repetisjonsoppgåver

Din fremgang

0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.