5.3 Modellering med reelle datasett

Når virkeligheten ikke følger formelen

I de to forrige kapitlene levde vi i en ryddig verden: pene formler med kjente parametere ga eksakte svar. Men åpne et regneark med ekte tall – antall el-biler i Norge, brukere av en ny app, smittetilfeller uke for uke – og du møter en annen virkelighet. Punktene ligger aldri perfekt på en kurve. Data inneholder alltid tilfeldig variasjon, det vi kaller støy. Vi kjenner ikke parameterne $K$, $r$ eller vekstfaktoren på forhånd. Flere ulike modeller kan passe sånn passe bra. Og enhver modell har grenser for hva den kan si.

Dette kapittelet handler om håndverket som kalles modellering: kunsten å gå fra rotete tall til en matematisk modell man kan stole på – og å vite hvor langt man kan stole på den. Arbeidsgangen har fire steg. Først velger vi hvilken type modell som passer, ut fra formen på dataene. Så bruker vi regresjon til å finne parameterne som gir best tilpasning. Deretter vurderer vi hvor god modellen faktisk er. Og til slutt tolker og presenterer vi resultatene på en ryddig måte.

Det høres kanskje teknisk ut, men i bunnen ligger et detektivarbeid: dataene er sporene, modellene er teoriene, og din jobb er å finne teorien som best forklarer sporene – uten å bli lurt av tilfeldigheter. La oss starte der enhver god detektiv starter: med å se nøye på sporene.

Å lese formen på dataene

Før du rører en kalkulator, skal du se på dataene. Formen avslører veksttypen. Lineær vekst øker med et fast beløp per tidsenhet og gir en rett linje – som et fast lønnstillegg hvert år. Eksponentiell vekst øker med en fast prosent og gir en kurve som blir stadig brattere; et fikst triks er at den blir en rett linje i et semilogaritmisk diagram. Logistisk vekst gir den karakteristiske S-kurven som flater ut mot en øvre grense – typisk for produkter som sprer seg i et marked eller epidemier i en befolkning. Og polynomisk vekst ligger imellom: den øker, men ikke så eksplosivt som eksponentiell.

La oss trene blikket på to datasett. Først antall brukere av en ny app, i tusen, uke for uke: 2, 6, 18, 50, 120, 200. Fra uke 1 til 3 tredobles tallet omtrent hver uke – det lukter eksponentielt. Men fra uke 4 til 6 bremser veksten: 50, 120, 200 er ikke lenger tredobling. Kurven er i ferd med å flate ut, og en logistisk modell passer sannsynligvis best – akkurat det vi venter når en app nærmer seg metning blant mulige brukere.

Så månedstemperaturen fra januar til juni: $-3$, $-1$, 4, 9, 14, 18 grader. Økningen per måned er $+2$, $+5$, $+5$, $+5$, $+4$ – påfallende jevn. For akkurat denne perioden passer en lineær modell godt. Men her trengs også sunn fornuft: temperaturen fortsetter jo ikke å stige inn i evigheten. Over et helt år følger den en bølge, og en sinusmodell ville vært riktigere. Samme data, ulike modeller for ulike formål – det er lekse nummer én i modellering.

Regresjon – å la dataene velge parameterne

Når modelltypen er valgt, skal parameterne tallfestes. Det gjøres med regresjon: vi lar et digitalt verktøy – GeoGebra, Excel eller kalkulator – finne den kurven av valgt type som passer dataene best. «Best» betyr som regel minste kvadraters metode: verktøyet minimerer summen av de kvadrerte avvikene mellom datapunktene og kurven.

Men hvor god ble tilpasningen? Det måler forklaringsgraden $R^2$, definert som $\displaystyle R^2 = 1 - \frac{\sum(y_i - \hat{y}_i)^2}{\sum(y_i - \bar{y})^2}$. Du trenger ikke pugge formelen, men tolkningen må sitte: $R^2 = 1$ betyr perfekt tilpasning der alle punkter ligger på kurven, $R^2 = 0$ betyr at modellen ikke forklarer noe. Som tommelfingerregel er $R^2 \geq 0{,}9$ svært godt, $R^2 \geq 0{,}7$ godt, og under $0{,}5$ svakt.

Se det i praksis. En bys befolkning i tusen er målt hvert femte år fra 2000: 50, 58, 67, 78, 90. Eksponentiell regresjon gir $N(t) = 50{,}0 \cdot 1{,}030^t$ med $R^2 \approx 0{,}998$ – en svært god tilpasning. Vekstfaktoren $1{,}030$ leser vi direkte som 3,0 % årlig vekst, og modellen spår $N(30) \approx 121$ tusen i 2030. Men husk forbeholdet: det forutsetter at veksten fortsetter eksponentielt.

Flater dataene ut, bytter vi verktøy. Kumulative smittetall gjennom en epidemi – 1, 5, 25, 100, 250, 400, 480 tusen over 60 dager – viser logistisk mønster: nesten eksponentiell start, så oppbremsing. Logistisk regresjon (FitLogistic i GeoGebra) gir $\displaystyle N(t) = \frac{500}{1 + 499e^{-0{,}12t}}$ med $R^2 \approx 0{,}996$. Den viktigste premien er asymptoten: bærekapasiteten $L = 500$ tusen er modellens anslag på hvor mange som totalt blir smittet i bølgen. Med ett forbehold til: bærekapasiteten i smittemodeller avhenger av tiltak og atferd – den kan flytte seg underveis.

Det kritiske blikket

Nå kommer den delen som skiller en regnemaskin fra en modellerer: dømmekraften. For her lurer fire feller. Den første er å tro at høy $R^2$ betyr riktig modell. En komplisert modell kan følge hver krusning i dataene – inkludert støyen – og likevel bomme på den virkelige sammenhengen. Det kalles overfitting. Den andre er ekstrapolering: modellen er bare pålitelig innenfor dataområdet den ble tilpasset på, og prediksjoner langt utenfor kan gå fullstendig galt. Den tredje er å glemme at korrelasjon ikke er kausalitet – at dataene passer en kurve, beviser ikke at den ene størrelsen forårsaker den andre. Og den fjerde er å anta at forholdene er konstante: vekstrater og bærekapasiteter kan endre seg over tid. Et godt sjekkpunkt er å se på residualene, avvikene mellom data og modell: er de tilfeldig spredt, er alt vel; har de et mønster, har modellen oversett noe.

Et klassisk skrekkeksempel: et selskap har vokst som $N(t) = 1000 \cdot 1{,}1^t$ i ti år, og noen fremskriver til år 50: $N(50) \approx 117\,000$ – 117 ganger startverdien! Men intet marked er uendelig, konkurrenter strømmer til, og kapasitet, ansatte og kapital setter grenser. Knapt noe selskap vokser eksponentielt i 50 år. En logistisk modell med bærekapasitet ville gitt en langt ærligere prognose.

Til slutt skal arbeidet presenteres, og en god modelleringsrapport svarer på sju spørsmål: Hva er dataene, og hvor kommer de fra? Hvorfor valgte du denne modelltypen? Hva ble modellen, med tallfestede parametere? Hvor god er tilpasningen ($R^2$)? Hva betyr parameterne? Hvilke begrensninger har modellen? Og hva er konklusjonen? For norske el-biltall 2015–2023 kan det se slik ut: S-formet vekst tilsier logistisk modell, regresjonen gir $\displaystyle N(t) = \frac{1200}{1 + 16e^{-0{,}35(t-2015)}}$ med $R^2 = 0{,}997$, bærekapasiteten tolkes som cirka 1,2 millioner el-biler med vendepunkt rundt 2023 – og begrensningen er at politikk, infrastruktur og teknologi kan flytte hele taket.

Fortellingen om detektiven og dataene

Du startet med rotete virkelige tall og endte med et komplett modelleringshåndverk. Først leser du formen på dataene: rett linje betyr lineær vekst, stadig brattere kurve betyr eksponentiell, og S-form med utflating betyr logistisk – som app-brukerne som tredoblet seg ukentlig til metningen satte inn.

Så lar du regresjonen tallfeste modellen: minste kvadraters metode finner kurven som passer best, og forklaringsgraden $R^2$ måler hvor godt – fra perfekte 1 ned mot verdiløse 0, med $0{,}9$ som grensen for «svært god». Slik fant vi at byens befolkning vokste 3,0 % i året, og at epidemiens bølge ville stoppe rundt 500 tusen smittede.

Men det viktigste verktøyet er det kritiske blikket. Høy $R^2$ beviser ikke at modellen er riktig – overfitting kan lure deg. Ekstrapolering utenfor dataområdet er risikosport, slik selskapet som «skulle» vokse 117 ganger på 50 år viste. Korrelasjon er ikke kausalitet, forholdene endrer seg, og residualene bør alltid sjekkes for mønster. Til slutt samler du alt i en ryddig rapport: data, modellvalg, modell med parametere, $R^2$, tolkning, begrensninger og konklusjon.

Dermed er sirkelen sluttet for hele veksttemaet: eksponentiell vekst ga oss motoren, logistisk vekst ga oss bremsen, og modellering ga oss dømmekraften til å bruke begge på virkeligheten. Det er den kombinasjonen – regnekraft pluss kritisk sans – som gjør matematikk til et verktøy for å forstå verden.