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, ett mål

I selvstendige prosjekt med reelle data trenger du verktøy som gjør jobbene som er for kjedelige eller for kompliserte å gjøre for hånd. Tre verktøy dekker alt du trenger i S1.

Hovedregel: Velg det enkleste verktøyet som løser oppgaven. Ikke bruk Python når Excel duger; ikke bruk GeoGebra når en blyant og papir gjør det.

Oppgave	Beste verktøy
Visualisere et lite datasett interaktivt	GeoGebra
Tilpasse regresjonsmodeller med ett klikk	GeoGebra
Bygge budsjett eller modell med «hva-hvis»	Excel / Google Sheets
Beregne reallønnsvekst, indeksregulering	Excel
Datasett med 100+ rader	Python (eller Excel)
Datasett med 10 000+ rader	Python
Automatisere flere analyser	Python
Presentere et fenomen i klassen	GeoGebra

Mange profesjonelle bruker alle tre — de overfører dataene mellom verktøyene avhengig av hva som trengs.

Den typiske arbeidsflyten i et samfunnsøkonomisk prosjekt:

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

Steg 2 — Rensing i Excel. Åpne fila, fjern overskriftsrader og fotnoter, kontroller at tallene er numeriske, fjern manglende verdier eller marker dem.

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

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

Steg 5 — Rapport. Skriv tolkningen i Word eller Google Docs. Lim inn grafer og tabeller. Oppgi datakilde og dato for nedlasting.

✏️GeoGebra: regresjonsanalyse

Du har lastet ned årlig boligprisindeks (2015 = 100) for Norge: $(0, 100), (1, 107), (2, 113), (3, 117), (4, 119), (5, 122), (6, 138), (7, 152), (8, 158)$ 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 kandidater:

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 hver.

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

Velg eksponentiell. Tegn 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 reallønn

Sett opp et regneark for å beregne reallønnsutvikling 2015–2024 fra SSB-data.

Excel-oppsett:

A	B	C	D
1	År	Lønn (tusen)	KPI	Reallønn
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 reallønn (i 2015-kroner). Sammenlign med kolonne B for å se forskjellen mellom nominell og reallønn.
Hva-hvis-analyse: Endre verdiene i kolonne C for å se hva som hadde skjedd ved annen prisvekst. Lag linjediagram for å visualisere både nominell og reallønn samtidig.

✏️Python: enkel dataanalyse

Skriv et Python-script som beregner gjennomsnittlig årlig prosentvis vekstrate for boligprisindeksen 2015–2023.

import math

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

# Beregn 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"\nGjennomsnittlig årlig vekst: {arlig_vekst:.2f}%")

Output:

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

Gjennomsnittlig årlig vekst: 5.85%

Verktøy gjør analysen lett — men gjør det også lett å lyve. Tre regler for ærlig arbeid:

1. Vis verktøyet. I rapporten skal det stå hvilket verktøy som ble brukt, og hvilke kommandoer eller formler. Da kan andre etterprøve.

2. Vis dataene. Legg ved CSV-filen eller link til SSB-tabellen. Hvis dataene har blitt endret (rensing), forklar hva og hvorfor.

3. Vis modellvalget. Hvis flere modeller ble prøvd, oppgi alle og begrunn valget. Aldri velg modellen som gir det resultatet du ønsker — velg den som passer dataene best.

Fallgruver med digitale verktøy

Standardinnstillinger: Verktøy gir ofte resultater uten å si fra om at noe er rart. Sjekk alltid om det er manglende data, om enheter stemmer, om tidssoner er rette.

Avrunding: Excel viser ofte 2 desimaler i celler, men jobber internt med flere. Hvis du kopierer ut, kan du miste presisjon — bruk =ROUND() bevisst.

Kopiering av formler: Husk relativ vs. absolutt cellereferanse ( $A$ 1 vs A1). En kopiert formel kan plutselig peke på feil sted.

Pakker oppdateres: Et Python-script som virket i fjor kan gi annerledes svar i år hvis pandas eller numpy er oppdatert. Spesifiser versjoner i seriøst arbeid.

Visualiseringsfeller: Akse-skala kan manipuleres for å overdrive eller underdrive trender. Vær åpen — start vanligvis 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 (utvalg)
Median(liste)             # Median

For å lage spredningsplott: skriv inn punktene som en liste og trykk Vis.

For å vise residualer: bruk Sequence til å lage en liste med residualpunkter (se eksempel i kapittel 7.4).

📝Oppgave 1

Velg riktig verktøy for hver oppgave (GeoGebra, Excel, Python):

Vise et spredningsdiagram med interaktiv regresjon i klasserommet.

Lage månedsbudsjett for husholdning med følsomhet for endringer i renteutgifter.

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

Sjekke om en eksponentiell modell passer 8 datapunkter for befolkningsvekst.

📝Oppgave 2

Skriv GeoGebra-kommandoer for følgende:

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

Beregn korrelasjonskoeffisienten for samme datasett.

Plott et tredjegradspolynom som best passer 7 datapunkter.

📝Oppgave 3

Du har Excel-arket fra Eksempel 2 (lønn og KPI 2015–2024). Skriv formler for:

Total nominell lønnsvekst i prosent (fra første til siste år).

Total reallønnsvekst i prosent.

Gjennomsnittlig årlig nominell vekstrate (geometrisk).

📝Oppgave 4

Skriv et Python-script som beregner og skriver ut:
- Gjennomsnitt og standardavvik for lønnsdataene fra Eksempel 2
- Reallønnsverdier i 2015-kroner
- Total reallønnsvekst i prosent

📝Oppgave 5

Pipeline-oppgave: Skissere stegvis hvordan du ville analysert sammenhengen mellom kommune-utdanningsnivå og arbeidsledighet i 2024 (ca. 350 datapunkter).

📝Oppgave 6

Du jobber med følgende oljepris-data (USD/fat) fra Norsk Petroleum 2010–2024 og ønsker å bygge en modell.

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

Hvilket verktøy er best for denne analysen?

Hva slags modell tror du passer? Hvorfor?

Hva er en seriøs analyse her?

Hvordan presenterer du dette i en samfunnsøkonomisk rapport?

📝Oppgave 7

Drøftingsoppgave: I yrkeslivet brukes Excel-makroer og Python-script til å automatisere analyser. Hva er fordelene og risikoene ved å gjøre dette?

Oppsummering

I dette kapittelet har du lært:

- GeoGebra: Regresjonsanalyse med kommandoer som RegLin, RegEksp og RegPoly — og grafisk kontroll av tilpasningen.
- Regneark (Excel): Formler for indeksregulering, reallønn, gjennomsnitt og diagrammer — fint for tabelldata.
- Python: Skripting for dataanalyse og simulering — gir full kontroll og reproduserbarhet.
- Fallgruver: Blind tillit til $R^2$ , ekstrapolering, avrundingsfeil og feil celle-/kolonnereferanser.

Nøkkelbegreper

Begrep	Forklaring
RegLin / RegEksp	GeoGebras regresjonskommandoer
Cellereferanse	Adresse i regneark (A1, B2, …)
Reproduserbarhet	Andre kan kjøre samme analyse
Simulering	Tilfeldige forsøk i verktøyet

Viktige formler

- Reallønn

=

nominell lønn

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

- Forventet antall

= n \cdot p

(kontroll av simuleringer)

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.