8.4 Modellering med reelle datasett

Velg modelltype, vurder kvalitet med R² og residualer, og valider mot ekte samfunnsøkonomiske data fra SSB.

70 min

15 oppgaver

ModellvalgDeterminasjonskoeffisientResidualerValideringSSB-data

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 15 oppgaver

Kapitlets plass i kurset

Bygger på

8.1Matematisk modellering

Brukes videre i

8.5Digitale verktøy i modellering

Fra rå data til en brukbar modell

Når du jobber med ekte samfunnsøkonomiske data, gir verktøyene (GeoGebra, Excel, Python) deg en regresjonslinje på et øyeblikk. Men det betyr ikke at modellen er god. Du må kunne velge riktig modelltype, vurdere kvaliteten og validere før du bruker den til noe.

Modell	Formel	Når den passer
Lineær	$y = ax + b$	Konstant absolutt vekst per tidsenhet
Eksponentiell	$y = a \cdot b^x$	Konstant prosentvis vekst (renter, befolkning)
Potens	$y = a \cdot x^b$	Skalaforhold (areal/volum, produksjonsfunksjoner)
Logaritmisk	$y = a \ln x + b$	Avtakende vekst (læring, metning, prisresponser)

Velg modelltype basert på både matematisk tilpasning og faglig forståelse. Befolkningsvekst er sjelden lineær. Boligpriser er sjelden potensfunksjoner. Hvis modellen ikke passer faglig, er den ikke god uansett

R^2

Determinasjonskoeffisienten

R^2

R^2 = 1 - \frac{\text{SS}_{\text{res}}}{\text{SS}_{\text{tot}}}

1. Plot dataene. Tegn et spredningsplott. Hvilken form har punktene?

2. Velg kandidatmodeller. Typisk 2–3 forskjellige typer som kan passe.

3. Tilpass modellene i GeoGebra/Excel/Python. Noter $R^2$ for hver.

4. Sjekk residualene for hver modell. Velg den som har høy $R^2$ og tilfeldig residualplott.

5. Vurder faglig. Gir modellen mening i konteksten? Er ekstrapolering rimelig?

6. Valider. Hvis du har nok data, hold tilbake siste 10–20 % og test prediksjonen. Hvis ikke, drøft prediksjonens usikkerhet.

✏️Eksempel 1: KPI-utvikling i Norge (SSB-data)

Konsumprisindeksen (KPI) for Norge, basisår 2015 = 100, fra SSB:

År	2015	2017	2019	2021	2023
KPI	100	105{,}5	110{,}8	117{,}9	132{,}4

Velg en modell, beregn

R^2

og diskuter.

Vi prøver to modeller (med $t =$ år etter 2015):

Lineær: $\hat{y} = 3{,}9t + 99{,}2$ . Residualer: $0{,}8;\ -1{,}5;\ -1{,}0;\ 1{,}1;\ 1{,}0$ . $R^2 \approx 0{,}97$ .

Eksponentiell: $\hat{y} = 99{,}3 \cdot 1{,}036^t$ . $R^2 \approx 0{,}99$ .

Vurdering: Begge modeller har høy $R^2$ , men eksponentiell er marginalt bedre. Faglig sett er prisvekst typisk prosentvis (inflasjon), så eksponentiell modell er mer rimelig.

Tolkning av eksponentiell modell: vekstfaktor 1,036 betyr ca. 3,6 % årlig prisvekst i snitt. Dette er konsistent med Norges Banks inflasjonsmål på ca. 2 %, men reflekterer den uvanlig sterke prisveksten i 2022–2023.

✏️Eksempel 2: Når lineær er feil

Tabellen viser arbeidsledighet i Norge i utvalgte år (% av arbeidsstyrken, SSB):

År	2014	2016	2018	2020	2022
Ledighet	3{,}5	4{,}7	3{,}8	4{,}6	3{,}2

Kan vi modellere dette lineært?

Spredningsplottet viser ingen tydelig trend — verdier hopper opp og ned. Ledigheten varierer med konjunkturer.

Lineær regresjon ( $t =$ år etter 2014): $\hat{y} = -0{,}075t + 4{,}2$ . $R^2 \approx 0{,}03$ . Modellen forklarer nesten ingen ting.

Konklusjon: Lineær modell passer ikke. Heller ikke eksponentiell eller potens vil hjelpe — dataene har ikke en monoton trend, men sykluser. Det er en grense for hva regresjon kan fange opp.

Riktig konklusjon i en rapport: «Vi finner ingen lineær trend i ledigheten i denne perioden. Ledighet henger sammen med konjunktursykluser, kriser (pandemien) og strukturelle endringer som ikke fanges av enkle regresjonsmodeller.»

Det er også et godt resultat å si at en modell ikke fungerer.

Husker du fra 7.4: residualplott viser hva $R^2$ ikke kan se.

For hver modell du tilpasser, tegn residualplott og spør:

- Er residualene tilfeldig spredt?
- Er spredningen jevn?
- Finnes det uteliggere?

Velger du modellen som passer faglig, har høy $R^2$ og tilfeldig residualplott — da har du gjort en god jobb.

En modell tilpasset perfekt til de dataene den er bygget på, kan likevel være dårlig på nye data. Det kalles overtilpasning.

Enkel validering: Hold tilbake de siste 1–3 datapunktene. Tilpass modellen på resten. Bruk modellen til å prediktere de tilbakeholdte verdiene. Hvor langt fra bommer du?

For samfunnsøkonomiske data: Validering er spesielt viktig fordi mekanismene endrer seg. En modell tilpasset 2010–2019 trenger ikke gjelde i 2024. Ekstrapolering må diskuteres.

Ekstrapolering — pass på!

Modeller er vanligvis pålitelige innenfor dataområdet de ble tilpasset til (interpolering). Utenfor (ekstrapolering) er de mye mer usikre.

Klassisk feil: Lineær regresjon på BNP 2010–2019 ekstrapolert til 2030. Modellen kan gi et tall som ser fornuftig ut, men ignorerer pandemier, kriger, teknologiskift, klimaendringer og andre disrupsjoner.

Tommelfingerregel: Ekstrapoler aldri lenger enn 10–20 % utenfor dataområdet uten å diskutere usikkerheten eksplisitt.

📝Oppgave 1

En bedrift har omsetning (mill. kr): 2018: 5,2; 2019: 5,8; 2020: 6,1; 2021: 6,9; 2022: 7,7.

Beregn årlig prosentvis vekst.

Hvilken modelltype passer best?

Tilpass modellen og rapporter $b$ .

📝Oppgave 2

Datasett: $(1, 200), (2, 141), (4, 100), (8, 71), (16, 50)$ .

Beskriv mønsteret.

Sjekk om $y = 200 \cdot x^{-1/2}$ passer.

Hva er forholdet mellom $y$ -verdier når $x$ firedobles?

Løs oppgaven Tren

📝Oppgave 3

Lineær modell $\hat{y} = 3x + 5$ er tilpasset 6 datapunkter: $(1, 9), (2, 11), (3, 14), (4, 16), (5, 21), (6, 24)$ .

Beregn residualene.

Beregn $R^2$ gitt $\bar{y} = 15{,}83$ , $\text{SS}_{\text{tot}} \approx 166{,}8$ .

Vurder modellen.

Løs oppgaven Tren

📝Oppgave 4

Tabellen viser SSB-data for konsumprisindeks for matvarer i Norge (2015 = 100):

År	2018	2020	2022	2024
Indeks	105	110	121	138

Tegn et grovt spredningsplott (med $t$ = år etter 2018) og foreslå modelltype.

Tilpass eksponentiell modell og vurder $R^2$ .

Hvilken vekstfaktor svarer dette til, og hva betyr det?

Diskuter risikoen ved å ekstrapolere modellen til 2030.

📝Oppgave 5

Tabellen viser oljepris (Brent, gjennomsnitt USD/fat) i utvalgte år:

År	2014	2016	2018	2020	2022
Pris	99	44	71	42	99

Hvilken modelltype passer?

Beregn $R^2$ for lineær modell og kommenter.

Hva ville du skrive i prosjektrapporten?

📝Oppgave 6

Du ønsker å lage et reallønnsanslag. Tabellen viser gjennomsnittlig årslønn for fulltidsarbeidende i Norge (SSB, tusen kr):

År	2015	2018	2021	2024
Lønn	528	568	610	700
KPI (2015=100)	100	109	119	142

Beregn nominell lønnsvekst totalt og årlig.

Beregn reallønnsvekst.

Tilpass eksponentiell modell til reallønnen og bruk den til å predikere 2030.

Vurder rimeligheten faglig.

📝Oppgave 7

To modeller for samme datasett gir:

- Modell A (lineær): $R^2 = 0{,}95$ , residualplott viser tydelig U-form
- Modell B (eksponentiell): $R^2 = 0{,}92$ , residualer tilfeldig spredte

Velg modell og begrunn.

📝Oppgave 8

Du ønsker å modellere antall el-biler i Norge over tid (2015–2024 fra SSB):

År	2015	2017	2019	2021	2023
El-biler (tusen)	75	142	261	460	754

Hvilke modeltyper er kandidater? Begrunn.

Tilpass eksponentiell modell og rapporter $R^2$ .

Bruk modellen til å predikere 2027 og diskuter usikkerheten.

Hva ville en logistisk modell sagt?

📝Oppgave 9

Du har 12 datapunkter. Hvordan kan du bruke dem til å validere en modell?

📝Oppgave 10

Drøftingsoppgave: Hvorfor er det farlig å bruke regresjonsmodeller på samfunnsøkonomiske data uten å diskutere strukturelle endringer (regimeskift)?

Oppsummering

I dette kapittelet har du lært:

- Fra rådata til modell: Rens dataene, plott dem, velg modellform, tilpass med regresjon og vurder med $R^2$ og residualplott.
- Reelle datakilder: SSB, Norges Bank og andre åpne kilder gir ekte tall — KPI, boligpriser, befolkning.
- Ekstrapolering: Prediksjoner utenfor dataområdet er usikre — særlig med eksponentielle modeller.
- Uteliggere og datakvalitet: Undersøk avvikende verdier før du modellerer; medianen er mer robust enn gjennomsnittet.

Nøkkelbegreper

Begrep	Forklaring
Rådata	Ubehandlede observasjoner
KPI	Konsumprisindeksen (SSB)
Ekstrapolering	Prediksjon utenfor dataområdet
Robust mål	Mål som tåler uteliggere (median)

Viktige formler

R^2

: forklart variasjon — men sjekk alltid residualene
- Indeksregulering: ny verdi

=

gammel

\displaystyle \cdot \frac{I_{ny}}{I_{gammel}}

Repetisjonsoppgaver

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.