The possible effects of the General Data Protections Regulations (GDPR) have been widely discussed among policymakers, stakeholders and ordinary people who are the objective for data collection. The purpose of GDPR is to protect people’s integrity and increase transparency for how personal data is used. Up until May 25th, 2018 personal data could be sampled and used without consent from users. Many argue that the introduction of GDPR is good, others are reluctant and argue that GDPR may harm data-driven companies. The report aims to answer how GDPR affects sales at the flight search engine Flygresor.se. By examining how and to what extent these regulations impact revenue, it is hoped for that these findings will lead to a deeper understanding of how these regulations affect businesses. Multiple linear regression analysis was used as the framework to answer the research question. Numerous models were constructed based on data provided by Flygresor.se. The models mostly included categorical variables representing time indicators such as month, weekday, etc. After carefully performing data modifications, variable selections and model evaluation tests three final models were obtained. After performing statistical inference tests and multicollinearity diagnostics on the models it could be concluded that an effect from GDPR could not be statistically proven. However, this does not mean that an actual effect of GDPR did not occur, only that it could not be isolated and proven. Thus, the extent of the effect of GDPR is statistically inconclusive. / De möjliga följderna av införandet av General Data Protections Regulations (GDPR) har varit väl omdiskuterat bland beslutsfattare, intressenter och människor som är målet för datainsamlingen. Syftet med GDPR är att skydda människors integritet samt öka insynen för hur personlig data används. Fram tills den 25 maj 2018 har det varit möjligt att samla in och använda personuppgifter utan samtyckte från användare. Många menar att införandet av GDPR är nödvändigt medans andra är mer kritiska och menar att GDPR kan skada lönsamheten för data beroende verksamheter. Denna rapport syftar till att svara på huruvida GDPR har påverkat försäljningen på flygsökmotorn Flygresor.se. Genom att undersöka om och i vilken utsträckning dessa regler påverkat intäkterna, är förhoppningen att dessa resultat kan leda till en djupare förståelse för hur GDPR påverkar företag. Multipel linjär regressionsanalys användes som ramverk för att svara på frågeställningen. Flera modeller utformades baserat på data som tillhandahölls av Flygresor.se. Modellerna var främst baserade på kategoriska variabler som representerade tidsaspekter så som månad, veckodag etc. Efter ett grundligt genomförande av data modifieringar, variabelselektion och modellutvärdering kunde tre modeller konstateras. Efter att ha genomfört signifikanstester och korrelationstester på modellerna kunde det fastställas att en effekt från GDPR inte kunde statistiskt säkerställas. Dock betyder detta inte att GDPR inte har haft en faktisk effekt, utan att en effekt inte kunde isoleras och bevisas.

I en företagstransaktion anlitas vanligen en investmentbank för att bistå med värdering av bolaget samt agera rådgivare. Investmentbanker agerar som en slag företagsmäklare som är antingen på köp- eller säljsidan av transaktionen. När bolagsvärdet presenteras i en pitch till säljarna brukar de använda sig av flera metoder för att beräkna värdet av företaget. För att öka precisionen i värdering av ett nordiskt industribolag ställdes frågan om multipel regressionsanalys kunde användas som ett komplement i en bolagsvärdering och hur den stod sig gentemot en klassisk värderingsmetod som Precedent Transactions Analysis. Dessa frågor kom att analyseras och besvarades genom att skapa en regressionsmodell som byggde på data hämtad från företagens finansiella rapporter. Den insamlade datan byggde på 132 transaktioner av nordiska industribolag under perioden 2009-2019. Regressionsmodellen kom sedan att jämföras mot en PTA-värdering som byggde på tidigare företagstransaktioner av bolag med liknande finansiell och affärsmässig bakgrund som bolaget i fråga skulle värderas. Denna studie visar på att regressionsanalys kan användas som en komplement till de olika värderingsmetoderna men bör ej användas för att värdera nordiska industribolag med avhandlingens val av variabler och skall inte ersätta någon av de klassiska värderingsmetoderna. / Prior to a company being sold or acquired they usually contact an investment bank to support with the valuation of the company, execute the sale and act as advisors for the actors that wish to buy or sell. Investment banks acts as a kind of company broker which is either on the buy or the sell side. When the company value is presented, they usually utilize several methods to calculate the value of the company. During the last decade the frequency of transactions on the Nordic industry market have increased significantly. To increase the precision in the valuation of a Nordic industrial company, the question was asked if multiple regression analysis could be used as a valuation method? Also, how did it compare itself against a classical valuation method like Precedent Transaction Analysis? These questions came to be analyzed and answered by creating a regression modell built of data gathered from financial reports. The regression model then came to be compared to the PTA-valuation which built on previous company transactions with companies that were alike in financial background. This study shows that regression analysis could be used as a complement to the different valuation methods. However the model should not be used to evaluate Nordic industrial companies with the choice of variables in the thesis, since the reliability of the model is unpredictable. Regression analysis as a stand-alone valuation method should be taken with great caution and not replace neither of the classical valuation methods.

This thesis was based on the subjects of mathematical statistics and industrial economics and management in order to analyze the grades of pupils in the final year of elementary school. The purpose was to find out what variables had a statistically significant impact on pupils’ final grades so that municipalities and schools could better understand what variables are important when trying to improve the average school results. A multiple regression model was used on data, obtained from the database of Skolverket, in order to examine what variables were statistically important. The final regression model acquired through a model reduction procedure showed that mostly structural covariates such as the academic background of pupils, percentage of female pupils and the percentage with Swedish background had a statistically significant impact on the academic performances of the students. R2 adjusted of the final model was 0.5289. The multiple regression model was discussed by referencing to previous research. In addition, the strategic management performance framework known as Balanced Scorecard which was introduced by Robert S. Kaplan and David P. Norton was used to discuss relevant key performance indicators to achieve the strategic objectives of schools. / Detta examensarbete, inom ämnet för matematisk statistik och industriell ekonomi, genomfördes med syftet att analysera avgångsbetygen för år 9 i den svenska skolan. Syftet var att förstå vilka variabler som hade en statistisk signifikant påverkan på elevers avgångsbetyg, så kommuner kan förstå vilka variabler som är viktiga för att förbättra de genomsnittliga skolresultaten. En regressionsanalys utfördes, på data från Skolverket, för att se vilka variabler som var statistiskt signifikanta. Den slutgiltiga regressionsmodellen, erhållen genom iterativ reducering av variabler, visade att främst strukturella kovariat, som akademisk bakgrund hos elever, andel kvinnliga studenter och andel studenter med svensk bakgrund hade en signifikant betydelse på studenters akademiska resultat. Justerad R2 var 0.5289 för den slutgiltiga modellen. I diskussionen utvärderades modellen utifrån tidigare forskning. Vidare användes teorin om balanserat styrkort, utvecklat av Robert S. Kaplan och David P. Norton, för att diskutera relevanta nyckeltal för att uppnå strategiska mål för skolan.

Inom fondförvaltning används kvantitativa metoder för att förutsäga hur företags räkenskaper kommer att förändras vid nästa kvartal jämfört med motsvarande kvartal året innan. Banken SEB använder i dag multipel linjär regression med förändring av intäkter som beroende variabel och förändring av valutakurser som oberoende variabler. Det är problematiskt av tre anledningar. Först och främst har valutor ofta stor multikolinjäritet, vilket ger instabila skattningar. För det andra det kan ett företags intäkter bero på ett urval av de valutor som används som data varför regression inte bör ske mot alla valutor. För det tredje är nyare data mer relevant för prediktioner. Dessa problem kan hanteras genom att använda regulariserings- och urvalsmetoder, mer specifikt elastic net och viktad regression. Vi utvärderar dessa metoder för en stor mängd företag genom att jämföra medelabsolutfelet mellan multipel linjär regression och regulariserad linjär regression med viktning. Utvärderingen visar att en sådan modell presterar bättre i 65,0 % av de företag som ingår i ett stort globalt aktieindex samt får ett medelabsolutfel på 14 procentenheter. Slutsatsen blir att elastic net och viktad regression adresserar problemen med den ursprungliga modellen och kan användas för bättre förutsägelser av intäkternas beroende av valutakurser. / Quantative methods are used in fund management to predict the change in companies' revenues at the next quarterly report compared to the corresponding quarter the year before. The Swedish bank SEB already uses multiple linear regression with change of revenue as the depedent variable and change of exchange rates as independent variables. This is problematic for three reasons. Firstly, currencies often exibit large multicolinearity, which yields volatile estimates. Secondly, a company's revenue can depend on a subset of the currencies included in the dataset. With the multicolinearity in mind, it is benifical to not regress against all the currencies. Thirdly, newer data is more relevant for the predictions. These issues can be handled by using regularisation and selection methods, more specifically elastic net and weighted regression. We evaluate these methods for a large number of companies by comparing the mean absolute error between multiple linear regression and regularised linear regression with weighting. The evaluation shows that such model performs better for 65.0% of the companies included in a large global share index with a mean absolute error of 14 percentage points. The conclusion is that elastic net and weighted regression address the problems with the original model and can be used for better predictions of how the revenues depend on exchange rates.

I denna studie ska prisutvecklingen undersökas inom fastighetsbranschen från 2017 till 2020 genom att bygga upp multipel linjära regressionsmodeller. Fokusområdena omfattar Östermalm, Sundbyberg och Kista. Modeller framställs för respektive område separat, och bygger på data från Svensk Mäklarstatistik. Datamaterialet täcker respektive år mellan 2017 fram till 2020 för månaderna januari, april och september. För varje modell undersöks de grundläggande kriterierna inom regressionsanalys. Det används en stegvis metod för att konstruera en så optimal modell som möjligt. Därefter genomförs en gemensam regression som inkluderar samtliga datapunkter för samtliga områden, med område som indikatorvariabel, i syfte att undersöka om geografiska skillnader har en inverkan på bostadspriserna. Därav diskuteras modellernas trovärdighet baserat på de valda förklarande variablerna samt vilka variabler som har störst inverkan på priset. Resultatet visar att Boyta är mest signifikant för bostadspriser i Kista och Sundbyberg samt att Byggnadsår är mest signifikant för priser i Östermalm. Vidare har det konstaterats att det är möjligt att utveckla en regressionsmodell på ett godtagbart sätt, men det krävs vidare studier på en mer avancerad nivå för att få en mer realistisk bild på bostadsmarknaden. / In this thesis, the price development in the real estate industry from 2017 up to 2020 will be investigated by building multiple linear regression models. The focus areas include Östermalm, Sundbyberg and Kista. Models are prepared for each area separately, and are based on data from Svensk Mäklarstatistik. The data material covers the respective years between 2017 and 2020 for the months of January, April and September. For each model, the basic criteria in regression analysis are examined. A stepwise method is used to develop the most possible optimal model. A joint regression is then carried out that includes all data points för all areas, with area as a dummy variable, in order to investigate whether geographical differences have an impact on the real estate price. Hence, the credibility of the models is discussed based on the selected explanatory variables and which variables have the greatest impact on the housing prices. The result shows that Living area is most significant for real estate prices in Kista and Sundbyberg and that Build year is most significant for real estate prices in Östermalm. Furthermore, it has been established that it is possible to develop a regression model in an acceptable way, but further studies are required at a more advanced level to get a more realistic picture of the housing market.

This thesis is a case study in collaboration with SJ AB, a government owned railway companyin Sweden. The employees aboard the trains are an essential part of operating thetrains efficiently. Therefore, it is vital to forecast absences well in order to avoid havingto cancel train trips or having employees work over time. The current process SJ usesdivides the total amount of absences into 11 categories representing reasons for not beingpresent. This is done three months in advance, but the model is not based on mathematics.This study is going to examine how well the forecasts compare to reality in addition toinvestigating which variables are possible to estimate using regression analysis. Furthermore,the extent to which the staff on board the trains are affected will be investigatedin terms of having to work less overtime. The financial impact of an enhanced model willbe researched. “Free” days, Vacation and Sickness all have significant regressors and canpotentially be forecast using regression analysis. Future work includes finding more potentialregressor variables that could be significant for more response variables in addition tousing the results of this thesis in an actual estimation model for the total absence. / Denna avhandling ärr en fallstudie i samarbete med SJ AB, ett statligt ägt järnvägsföretagi Sverige. Anställda ombord på tågen utgör en väsentlig del av att driva tågverksamheteneffektivt. Det är därför viktigt att kunna prognostisera frånvaro väl för att undvika attställa in rutter eller tvinga de anställda ombord tåget att arbeta övertid. Den nuvarandeprocessen som SJ använder delar upp den totala mängden frånvaro i 11 kategorier somrepresenterar orsaker till att inte vara närvarande. Detta görs tre månader i förväg, menmodellen är inte baserad på matematik i dagsläget. Denna studie kommer att undersökahur väl prognoserna stämmer överens med verkligheten, samt undersöka vilka variabler somör möjliga att uppskatta med hjälp av regressionsanalys. Dessutom kommer omfattningenav hur personalen ombord på tågen påverkas att undersökas. Den ekonomiska påverkanav en förbättrad modell kommer att analyseras. Lediga dagar, semester och sjukfrånvarohar alla signifikanta beskrivande variabler och kan potentiellt prognostiseras med hjälp avregressionsanalys. Framtida arbete innefattar att hitta fler potentiella beskrivande variablersom kan vara signifikanta för fler beroende variabler, samt att använda resultatenfrån denna avhandling i en faktisk prognosmodell för total frånvaro.

Arbetet syftade till att finna en passande modell för Moraberg AB:s beställningsrutiner för två färskvaror av anledning att optimera lagernivåer och minska matsvinn. Då efterfrågan hos Moraberg AB var okänd togs en modell fram för att prediktera och undersöka ifall det fanns ett linjärt samband mellan ett par parametrar och efterfrågan. Parametrarna som undersöktes var veckodag, temperatur, nederbörd och antal smittade personer i Covid-­19. Modellen baserades på historisk försäljningsdata för åren 2018– 2020. Två efterfrågemodeller togs fram, den första modellen innehöll alla nämnda parametrar förutom antal smittade personer i Covid­-19 och den andra modellen innehöll alla parametrar. Resultatet visade att temperatur, nederbörd och antal smittade personer i Covid­-19 har ett svagt beroende med efterfrågan hos företaget men parametern veckodag visade ett högt beroende med efterfrågan. Analys av modellerna visade att det inte existerade multikollinearitet samt att de inte bröt de fem antagandena om regression. Vidare visade resultatet att modell 2 presterade bättre än modell 1. Lageroptimeringsmodellen som var lämpligast för Moraberg AB, med avseende på de resurser och begräsningar som fanns inom ramen av detta arbete, var den deterministiska periodiska inspektions modellen som kan lösas med dynamisk programmering. Ett numeriskt exempel genomfördes på den valda lageroptimeringsmodellen med hjälp av modell 2. Det numeriska exemplet baserades på prognoser från vecka 17 år 2021. / This thesis aimed to find a suitable inventory model for Moraberg AB’s ordering routines to optimize inventory levels and reduce food waste for two perishable products. As the demand at Moraberg AB was unknown, a regression model was developed to predict and investigate whether there was a linear relationship between a few parameters and the demand. The parameters examined were weekday, temperature, precipitation, and number of infected people in Covid­19. The model was based on historical sales data for the years 2018–2020. Two demand models were developed, the first model contained all the mentioned parameters except the number of people infected in Covid-­19 and the second model contained all parameters.  The results showed that temperature, precipitation, and number of people infected in Covid­-19 have a weak dependence with the demand, however the parameter weekday showed a dependence with the demand. Analysis of the two models did not show any signs of multicollinearity and they did not violate the five assumptions regarding regression. Furthermore, the results showed that model 2 performed better than model 1.  The inventory model that was most suitable for Moraberg AB, regarding the resources and limitations that existed within the framework of this thesis, was the deterministic periodic ­review model that could be solved by dynamic programming. A numerical example was solved using the suitable inventory model and with the second demand model. The numerical example was based on forecasts from week 17 year 2021.

Detta projekt undersöker coronapandemins påverkan på bostadsrätter i Stockholms kommun genom två multipel linjär regressionsanalyser med avseende på kvantitativa faktorer som försäljningspris, våningsplan, area, byggnadsår, månadsavgift och tillgång till hiss. Målet med projektet är att analysera om en förändring av preferenser har skett på transaktionsnivå för bostadsmarknaden i Stockholm kommun. För att möjliggöra analysen jämförs varje beta-koefficient från två olika dataset, en innan coronapandemin och en efter coronapandemin. Resultaten från multipel linjär regressionerna i denna undersökning visar för det första att hushållen i Stockholm värderar större area högre och för det andra att värdet av tillgång till hiss har haft en signifikant ökning efter coronapandemin. Där det första resultatet påvisar en fortsatt trend på ökad behov av arbetsrum till följd av distansarbete även efter coronapandemin. Däremot har betydelse av våningsplan, byggnadsår och månadsavgift minskat. Anledningen till minskningen påstås snarare vara en effekt av att andra variabler har blivit mer betydelsefulla. / This project examines the impact of the COVID-19 pandemic on condominiums in the Stockholm region by using two multiple linear regression analyses with respect to quantitative factors as sell price, year of construction, floor, area, monthly fee and access to elevator. The goal of this project is to analyze if a change of preferences have taken place at the transaction level for the real estate market in the Stockholm region. In order to enable the analysis, every beta-coefficient is compared from two different datasets, one before the pandemic and one after. The results of the multiple linear regressions shows firstly that the households in Stockholm value higher on larger areas and secondly that the value of the access to elevators after the pandemic has increased significantly. Whereas the first result proves a continuing trend with increasing demand for workrooms due to remote work even after COVID-19 pandemic. However, the impact of floor, year of construction and monthly fee has decreased. The reason behind the decrease is interpreted rather as an effect of that other variables have been more meaningful instead.

Accurate long-term energy consumption forecasting of industrial entities is of interest to distribution companies as it can potentially help reduce their churn and offer support in decision making when hedging. This thesis work presents different methods to forecast the energy consumption for industrial entities over a long time prediction horizon of 1 year. Notably, it includes experimentations with two variants of the Recurrent Neural Networks, namely Gated Recurrent Unit (GRU) and Long-Short-Term-Memory (LSTM). Their performance is compared against traditional approaches namely Multiple Linear Regression (MLR) and Seasonal Autoregressive Integrated Moving Average (SARIMA). Further on, the investigation focuses on tailoring the Recurrent Neural Network model to improve the performance. The experiments focus on the impact of different model architectures. Secondly, it focuses on testing the effect of time-related feature selection as an additional input to the Recurrent Neural Network (RNN) networks. Specifically, it explored how traditional methods such as Exploratory Data Analysis, Autocorrelation, and Partial Autocorrelation Functions Plots can contribute to the performance of RNN model. The current work shows through an empirical study on three industrial datasets that GRU architecture is a powerful method for the long-term forecasting task which outperforms LSTM on certain scenarios. In comparison to the MLR model, the RNN achieved a reduction in the RMSE between 5% up to to 10%. The most important findings include: (i) GRU architecture outperforms LSTM on industrial energy consumption datasets when compared against a lower number of hidden units. Also, GRU outperforms LSTM on certain datasets, regardless of the choice units number; (ii) RNN variants yield a better accuracy than statistical or regression models; (iii) using ACF and PACF as dicovery tools in the feature selection process is unconclusive and unefficient when aiming for a general model; (iv) using deterministic features (such as day of the year, day of the month) has limited effects on improving the deep learning model’s performance. / Noggranna långsiktiga energiprognosprognoser för industriella enheter är av intresse för distributionsföretag eftersom det potentiellt kan bidra till att minska deras churn och erbjuda stöd i beslutsfattandet vid säkring. Detta avhandlingsarbete presenterar olika metoder för att prognostisera energiförbrukningen för industriella enheter under en lång tids förutsägelsehorisont på 1 år. I synnerhet inkluderar det experiment med två varianter av de återkommande neurala nätverken, nämligen GRU och LSTM. Deras prestanda jämförs med traditionella metoder, nämligen MLR och SARIMA. Vidare fokuserar undersökningen på att skräddarsy modellen för återkommande neurala nätverk för att förbättra prestanda. Experimenten fokuserar på effekterna av olika modellarkitekturer. För det andra fokuserar den på att testa effekten av tidsrelaterat funktionsval som en extra ingång till RNN -nätverk. Specifikt undersökte den hur traditionella metoder som Exploratory Data Analysis, Autocorrelation och Partial Autocorrelation Funtions Plots kan bidra till prestanda för RNN -modellen. Det aktuella arbetet visar genom en empirisk studie av tre industriella datamängder att GRU -arkitektur är en kraftfull metod för den långsiktiga prognosuppgiften som överträffar ac LSTM på vissa scenarier. Jämfört med MLR -modellen uppnådde RNN en minskning av RMSE mellan 5 % upp till 10 %. De viktigaste resultaten inkluderar: (i) GRU -arkitekturen överträffar LSTM på datauppsättningar för industriell energiförbrukning jämfört med ett lägre antal dolda enheter. GRU överträffar också LSTM på vissa datauppsättningar, oavsett antalet valenheter; (ii) RNN -varianter ger bättre noggrannhet än statistiska modeller eller regressionsmodeller; (iii) att använda ACF och PACF som verktyg för upptäckt i funktionsvalsprocessen är otydligt och ineffektivt när man siktar på en allmän modell; (iv) att använda deterministiska funktioner (t.ex. årets dag, månadsdagen) har begränsade effekter på att förbättra djupinlärningsmodellens prestanda.

Den Europeiska Unionen är en mångfacetterad samling länder med ett brett spektra av historisk bakgrund, geografisk placering och ekonomiska förhållanden. I denna uppsats undersöks huruvida en gemensam europeisk identitet kan bidra till en ökad tillit från medborgarna i unionen till EU som institution. Uppsatsens teoretiska underlag består av tidigare forskning. Denna forskning skapar ett fundament för den statistiska modell som används för att besvara frågeställningen. Med hjälp av data samlad ur bland annat Eurobarometerrapporter tar uppsatsen, via multipel linjär regression, fram en modell som förklarar förhållandet mellan den beroende variabeln ”förtroende för EU” och de oberoende variablerna ”uppfattning av gemensam europeisk identitet”, ”avstånd till Bryssel”, ”BNP per capita” och ”antal år som medlem i EU”. Resultatet visar en koppling mellan en högre grad av upplevd gemensam identitet hos medborgarna i ett land och ett ökat förtroende för EU. Vidare visar modellen ett negativt samband mellan förtroendet för EU och ett stigande värde på var och en av de övriga förklaringsvariablerna. Med andra ord: ju längre avstånd till Bryssel, ju högre BNP per capita och ju längre medlemskap i unionen desto lägre förtroende känner den genomsnittlige medborgaren för EU. / The European Union is a diverse group of countries characterized by a wide spectra of historical background, geographical location and economic situation. The topic of this essay is whether a common European identity can contribute to an increased level of trust from the citizens towards the EU as an institution. Previous research constitute the theoretical basis of the essay. Using this research, I create the foundation for the statistical model used to answer the question at issue. Using multiple linear regression on data gathered from Eurobarometer reports and other sources, I create a statistical model that explains the relationship between the dependent variable “trust in EU” and the independent variables “feeling of being an EU-citizen”, “distance to Brussels”, “BNP per capita” and “number of years as member of EU”. The results shows a connection between a higher level of feeling of being an EU-citizen and a higher level of trust in EU. Moreover, the model shows a negative connection between trust in EU and an increasing value on each of the other independent variables. In other words: the further away the average citizen is from Brussels, the higher level of BNP per capita her country has and the longer her country has been a member of the EU, the lower trust she has in the EU.