8.4 Modellering med reelle datasett

Når dataene er ekte

Du laster ned konsumprisindeksen fra SSB, lar GeoGebra tegne en regresjonslinje — og på et øyeblikk har du en modell. Men her begynner arbeidet i stedet for å slutte. Verktøyene gir deg en modell på sekunder; jobben din er å avgjøre om det er den riktige: velge modelltype, vurdere kvaliteten og validere før modellen brukes til noe som helst.

Modellvalget starter med en huskeliste over de fire arbeidshestene. Lineær $y = ax + b$ passer ved konstant absolutt vekst per tidsenhet. Eksponentiell $y = a \cdot b^x$ passer ved konstant prosentvis vekst — renter, befolkning, inflasjon. Potens $y = a \cdot x^b$ fanger skalaforhold som areal mot lengde og produksjonsfunksjoner. Logaritmisk $y = a \ln x + b$ beskriver avtakende vekst — læringskurver, metning, prisresponser.

Men formen velges aldri av matematikken alene: faglig forståelse skal med. Befolkningsvekst er sjelden lineær; boligpriser er sjelden potensfunksjoner. Passer ikke modellen faglig, er den ikke god — uansett $R^2$.

Og om $\displaystyle R^2 = 1 - \frac{\text{SS}_{\text{res}}}{\text{SS}_{\text{tot}}}$: tolkningen er som før — $R^2 = 0{,}95$ betyr at modellen forklarer 95 % av variasjonen, og under cirka 0,70 bør du vurdere en annen modelltype. Men husk advarselen fra 7.4: høy $R^2$ er ingen garanti. Sjekk alltid residualene.

Den fulle arbeidsgangen i seks steg: (1) plott dataene, (2) velg 2–3 kandidatmodeller, (3) tilpass dem i GeoGebra/Excel/Python og noter $R^2$, (4) sjekk residualene og velg modellen med høy $R^2$ og mønsterfritt residualplott, (5) vurder faglig rimelighet, og (6) valider — hold gjerne tilbake de siste 10–20 % av dataene og test prediksjonen.

To datasett fra SSB — én suksess og én lærepenge

KPI-utviklingen. Konsumprisindeksen 2015–2024 (med $t$ = år etter 2015) testes mot to kandidater. Den lineære gir $\hat{y} = 3{,}9t + 99{,}2$ med $R^2 \approx 0{,}97$; den eksponentielle gir $\hat{y} = 99{,}3 \cdot 1{,}036^t$ med $R^2 \approx 0{,}99$. Begge passer godt — men valget avgjøres faglig: prisvekst er prosentvis av natur (inflasjon), så den eksponentielle modellen er riktigere. Tolkningen: vekstfaktor 1,036 betyr cirka 3,6 % årlig prisvekst i snitt — godt over Norges Banks inflasjonsmål på 2 %, preget av den uvanlig sterke prisveksten i 2022–2023. Slik skal en modell leses: tallene får mening mot den økonomiske konteksten.

Arbeidsledigheten. Samme metode på ledighetsraten 2014–2024 — og full stopp. Spredningsplottet viser ingen trend; verdiene hopper opp og ned med konjunkturene. Lineær regresjon gir $\hat{y} = -0{,}075t + 4{,}2$ med $R^2 \approx 0{,}03$ — modellen forklarer praktisk talt ingenting. Og verken eksponentiell eller potens hjelper: dataene har ikke en monoton trend, men sykluser, drevet av konjunkturer, pandemi og strukturelle skift som enkle regresjonsmodeller ikke fanger.

Riktig konklusjon i en rapport lyder da: «Vi finner ingen lineær trend i ledigheten i denne perioden. Ledighet henger sammen med konjunktursykluser og kriser som ikke fanges av enkle regresjonsmodeller.» Legg merke til poenget: det er også et godt resultat å vise at en modell ikke fungerer. En ærlig nullkonklusjon er mer verdt enn en pyntet $R^2$ — og den typen intellektuell redelighet er nettopp det sensor ser etter i prosjektarbeid.

Overtilpasning, ekstrapolering og datakvalitet

Tre farer truer den som modellerer ekte data — og alle tre kan unngås med gode vaner.

Overtilpasning. En modell som er trimmet perfekt til akkurat de dataene den ble bygget på, kan likevel være elendig på nye data. Den enkle valideringen: hold tilbake de siste 1–3 datapunktene, tilpass modellen på resten, og test prediksjonen på de tilbakeholdte. Hvor mye bommer du? For samfunnsøkonomiske data er dette ekstra viktig, fordi mekanismene selv endrer seg — en modell tilpasset 2010–2019 trenger slett ikke gjelde i 2024.

Ekstrapolering. Modeller er pålitelige innenfor dataområdet de ble tilpasset til (interpolering); utenfor er de på gyngende grunn. Den klassiske feilen: lineær regresjon på BNP 2010–2019 ekstrapolert til 2030 — tallet ser fornuftig ut, men ignorerer pandemier, kriger, teknologiskift og klimaendringer. Tommelfingerregel: ekstrapoler aldri lenger enn 10–20 % utenfor dataområdet uten å diskutere usikkerheten eksplisitt. Eksponentielle modeller er spesielt farlige å forlenge — de eksploderer.

Datakvalitet og uteliggere. Undersøk avvikende verdier før du modellerer: er de målefeil eller virkelighet? Og husk at medianen er mer robust mot uteliggere enn gjennomsnittet — i skjeve fordelinger som boligpriser og inntekter er median ofte det riktige målet.

Residualtipset fra 7.4 binder det hele sammen: for hver kandidatmodell, tegn residualplottet og spør om spredningen er tilfeldig og jevn, og om uteliggere finnes. Modellen som er faglig rimelig, har høy $R^2$ og mønsterfritt residualplott — det er den du kan stå inne for når noen utfordrer konklusjonen din.

Oppsummering: fra rådata til modell man kan stå for

SSB-nedlastingen ble til to lærestykker. Arbeidsgangen sitter nå: rens og plott dataene, velg kandidatmodeller ut fra både form og fagkunnskap — lineær for absolutt vekst, eksponentiell for prosentvis, potens for skalaforhold, logaritmisk for metning — tilpass dem digitalt, og velg etter trippelkravet: faglig rimelighet, høy $R^2$ og mønsterfritt residualplott.

KPI-caset viste metoden når den lykkes: to modeller med høy $R^2$, men inflasjonens prosentvise natur pekte på den eksponentielle, og vekstfaktoren 1,036 fikk økonomisk tolkning mot inflasjonsmålet. Ledighetscaset viste metoden når den — like verdifullt — mislykkes: $R^2 \approx 0{,}03$, ingen monoton trend, og en ærlig rapport om at konjunktursykluser ikke fanges av enkel regresjon. Å dokumentere at en modell ikke fungerer, er også et resultat.

Farene har du navn på: overtilpasning (valider med tilbakeholdte data), ekstrapolering (maks 10–20 % utenfor dataområdet, og diskuter usikkerheten — særlig for eksponentielle modeller) og datakvalitet (undersøk uteliggere; medianen er robust der gjennomsnittet lar seg dra).

Med dette er du klar for verktøykapittelet — GeoGebra, Excel og Python i praktisk arbeidsflyt — og deretter det selvstendige prosjektet der alt skal brukes på ekte.