Background: The Active Commuting Route Environment Scale (ACRES) was developed to study active commuters’ perceptions of their route environments. The overall aims were to assess the measuring properties of the ACRES and study active bicycle commuters’ perceptions of their commuting route environments. Methods: Advertisement- and street-recruited bicycle commuters from Greater Stockholm, Sweden, responded to the ACRES. Expected differences between inner urban and suburban route environments were used to assess criterion-related validity, together with ratings from an assembled expert panel as well as existing objective measures. Reliability was assessed as test-retest reproducibility. Comparisons of ratings between advertisement- and street-recruited participants were used for assessments of representativity. Ratings of inner urban and suburban route environments were used to evaluate commuting route environment profiles. Simultaneous multiple linear regression analyses were used to assess the relation between the outcome variable: whether the route environment hinders or stimulates bicycle-commuting and environmental predictors, such as levels of exhaust fumes, speeds of traffic and greenery, in inner urban areas. Results: The ACRES was characterized by considerable criterion-related validity and reasonable test-retest reproducibility. There was a good correspondence between the advertisement- and street-recruited participants’ ratings. Distinct differences in commuting route environment profiles between the inner urban and suburban areas were noted. Suburban route environments were rated as safer and more stimulating for bicycle-commuting. Beautiful, green and safe route environments seem to be, independently of each other, stimulating factors for bicycle-commuting in inner urban areas. On the other hand, high levels of exhaust fumes and traffic congestion, as well as low ‘directness’ of the route, seem to be hindering factors. Conclusions: The ACRES is useful for assessing bicyclists’ perceptions of their route environments. A number of environmental factors related to the route appear to be stimulating or hindering for bicycle commuting. The overall results demonstrate a complex research area at the beginning of exploration. / BAKGRUND: Färdvägsmiljöer kan tänkas påverka människors fysiskt aktiva arbetspendling och därmed bidra till bättre folkhälsa. Studier av färdvägsmiljöer är därför önskvärda för att öka förståelsen kring möjliga samband mellan fysiskt aktiv arbetspendling och färdvägsmiljöer. En enkät, ”The Active Commuting Route Environment Scale” (ACRES), har därför skapats i syfte att studera fysiskt aktiva arbetspendlares upplevelser av sina färdvägsmiljöer. Huvudsyftet med denna avhandling var dels att studera enkätens psykometriska egenskaper i form av validitet och reliabilitet, dels att studera arbetspendlande cyklisters upplevelser av sina färdvägsmiljöer. METODER: Arbetspendlande cyklister från Stor-Stockholm rekryterades via tidningsannonsering och via direkt kontakt i anslutning till färdvägen. Deltagarna besvarade enkäten ACRES. Tillsammans med skattningar från en grupp av experter och redan existerande objektiva mått användes förväntade skillnader mellan färdvägsmiljöer i inner- och ytterstaden för att studera kriterierelaterad validitet. Reliabiliteten studerades som reproducerbarhet via upprepade mätningar (test-retest). Jämförelser mellan skattningar av deltagare rekryterade via annonsering och via direkt kontakt i färdvägsmiljöer användes för att studera representativitet. Skattningar av färdvägsmiljöer i inner- och ytterstaden användes vidare för att studera färdvägsmiljöprofiler. Multipel linjär regressionsanalys användes även för att studera sambandet mellan utfallsvariabeln huruvida färdvägsmiljön motverkar eller stimulerar arbetspendling med cykel och miljöprediktorer, såsom avgasnivåer, trafikens hastighet och grönska, i innerstadsmiljöer. RESULTAT: Enkäten ACRES visade god kriterierelaterad validitet och rimlig reproducerbarhet. Det var en god överrensstämmelse mellan skattningar av deltagare rekryterade via annonsering och via direkt kontakt. Färdvägsmiljöprofilerna visade tydliga skillnader mellan inner- och ytterstadsmiljöer. Ytterstadens färdvägsmiljöer skattades som tryggare och mer stimulerande för arbetspendling med cykel än innerstadens färdvägsmiljöer. Vidare verkar vackra, gröna och trygga färdvägsmiljöer, oberoende av varandra, vara stimulerade faktorer för arbetspendling med cykel i innerstadsmiljöer. Däremot verkar höga avgasnivåer, höga trängselnivåer och färdvägar som kräver många riktningsändringar vara motverkande faktorer. SLUTSATSER: Enkäten ACRES är ett användbart instrument vid mätningar av cyklisters upplevelser av sina färdvägsmiljöer. Ett antal faktorer relaterade till färdvägsmiljön verkar vara stimulerande respektive motverkande för arbetspendling med cykel. Generellt sett på visar resultaten ett relativt outforskat och komplext forskningsområde. / <p>Örebro universitet, Hälsoakademin</p> / FAAP

Background: The Active Commuting Route Environment Scale (ACRES) was developed to study active commuters’ perceptions of their route environments. The overall aims were to assess the measuring properties of the ACRES and study active bicycle commuters’ perceptions of their commuting route environments. Methods: Advertisement- and street-recruited bicycle commuters from Greater Stockholm, Sweden, responded to the ACRES. Expected differences between inner urban and suburban route environments were used to assess criterion-related validity, together with ratings from an assembled expert panel as well as existing objective measures. Reliability was assessed as test-retest reproducibility. Comparisons of ratings between advertisement- and street-recruited participants were used for assessments of representativity. Ratings of inner urban and suburban route environments were used to evaluate commuting route environment profiles. Simultaneous multiple linear regression analyses were used to assess the relation between the outcome variable: whether the route environment hinders or stimulates bicycle-commuting and environmental predictors, such as levels of exhaust fumes, speeds of traffic and greenery, in inner urban areas. Results: The ACRES was characterized by considerable criterion-related validity and reasonable test-retest reproducibility. There was a good correspondence between the advertisement- and street-recruited participants’ ratings. Distinct differences in commuting route environment profiles between the inner urban and suburban areas were noted. Suburban route environments were rated as safer and more stimulating for bicycle-commuting. Beautiful, green and safe route environments seem to be, independently of each other, stimulating factors for bicycle-commuting in inner urban areas. On the other hand, high levels of exhaust fumes and traffic congestion, as well as low ‘directness’ of the route, seem to be hindering factors. Conclusions: The ACRES is useful for assessing bicyclists’ perceptions of their route environments. A number of environmental factors related to the route appear to be stimulating or hindering for bicycle commuting. The overall results demonstrate a complex research area at the beginning of exploration. / BAKGRUND: Färdvägsmiljöer kan tänkas påverka människors fysiskt aktiva arbetspendling och därmed bidra till bättre folkhälsa. Studier av färdvägsmiljöer är därför önskvärda för att öka förståelsen kring möjliga samband mellan fysiskt aktiv arbetspendling och färdvägsmiljöer. En enkät, ”The Active Commuting Route Environment Scale” (ACRES), har därför skapats i syfte att studera fysiskt aktiva arbetspendlares upplevelser av sina färdvägsmiljöer. Huvudsyftet med denna avhandling var dels att studera enkätens psykometriska egenskaper i form av validitet och reliabilitet, dels att studera arbetspendlande cyklisters upplevelser av sina färdvägsmiljöer. METODER: Arbetspendlande cyklister från Stor-Stockholm rekryterades via tidningsannonsering och via direkt kontakt i anslutning till färdvägen. Deltagarna besvarade enkäten ACRES. Tillsammans med skattningar från en grupp av experter och redan existerande objektiva mått användes förväntade skillnader mellan färdvägsmiljöer i inner- och ytterstaden för att studera kriterierelaterad validitet. Reliabiliteten studerades som reproducerbarhet via upprepade mätningar (test-retest). Jämförelser mellan skattningar av deltagare rekryterade via annonsering och via direkt kontakt i färdvägsmiljöer användes för att studera representativitet. Skattningar av färdvägsmiljöer i inner- och ytterstaden användes vidare för att studera färdvägsmiljöprofiler. Multipel linjär regressionsanalys användes även för att studera sambandet mellan utfallsvariabeln huruvida färdvägsmiljön motverkar eller stimulerar arbetspendling med cykel och miljöprediktorer, såsom avgasnivåer, trafikens hastighet och grönska, i innerstadsmiljöer. RESULTAT: Enkäten ACRES visade god kriterierelaterad validitet och rimlig reproducerbarhet. Det var en god överrensstämmelse mellan skattningar av deltagare rekryterade via annonsering och via direkt kontakt. Färdvägsmiljöprofilerna visade tydliga skillnader mellan inner- och ytterstadsmiljöer. Ytterstadens färdvägsmiljöer skattades som tryggare och mer stimulerande för arbetspendling med cykel än innerstadens färdvägsmiljöer. Vidare verkar vackra, gröna och trygga färdvägsmiljöer, oberoende av varandra, vara stimulerade faktorer för arbetspendling med cykel i innerstadsmiljöer. Däremot verkar höga avgasnivåer, höga trängselnivåer och färdvägar som kräver många riktningsändringar vara motverkande faktorer. SLUTSATSER: Enkäten ACRES är ett användbart instrument vid mätningar av cyklisters upplevelser av sina färdvägsmiljöer. Ett antal faktorer relaterade till färdvägsmiljön verkar vara stimulerande respektive motverkande för arbetspendling med cykel. Generellt sett på visar resultaten ett relativt outforskat och komplext forskningsområde. / Faap-projektet "Fysiskt aktiv arbetspendling i Stor-Stockholm"

Knowledge of construction duration is pertinent to a number of project planning functions prior to detailed design development. Funding, financing, and resource allocation decisions take place early in project design development and are significantly influenced by the construction duration. Currently, there is not an understanding of the project factors having a statistically significant relationship with highway construction duration. Other industry sectors have successfully used statistical regression analysis to identify and model the project parameters related to construction duration. While the need is seen for such work in highway construction, there are very few studies which attempt to identify duration-influential parameters and their relationship with the highway construction duration. This research identifies the project factors, known early in design development, which influence highway construction duration. The factors identified are specific to their respective project types and are those factors which demonstrate a statistically-significant relationship with construction duration. This work also quantifies the relationship between the duration-influential factors and highway construction duration. The quantity, magnitude, and sign of the factor coefficient yields evidence regarding the importance of the project factor to highway construction duration. Finally, the research incorporates the duration-influential project factors and their relationship with highway construction duration into mathematical models which assist in the prediction of construction duration. Full and condensed models are presented for Full-Depth Section and Highway Improvement project types. This research uses statistical regression analysis to identify, quantify, and model these early-known, duration-influential project factors. The results of this research contribute to the body of knowledge of the sponsoring organization (Virginia Department of Transportation), the highway construction industry, and the general construction industry at large. / Ph. D.

Magister Commercii (Industrial Psychology) - MCom(IPS) / The present study investigated the relationship between the Sense Of Coherence and Satisfaction With Life amongst the unemployed. The study attempted to test the following hypotheses. 1. People with a high Sense Of Coherence tend to be satisfied with their lives in general. 2. Demographic variables such as age, gender, race and level of education have an influence on the subjects' scores on the Sense Of Coherence and Satisfaction With Life scales. 3. Length of unemployment has an impact on the subjects' Sense Of Coherence and Satisfaction With Life. In this study, subjects were drawn from the Department of Manpower in the Western Cape region. The data were obtained from a sample of 100 participants. Of this 100, 52 were males. Subjects were asked to complete the Sense Of Coherence and the Satisfaction With Life scales. Statistical procedures that were used are Multiple Linear Regression analysis, Product Moment Correlational Co-efficients, Analysis of Variance test (ANOVA) and the Cronbach Alphas of the various scales. It was found that Sense Of Coherence correlated significantly with Satisfaction With Life, thus supporting the first hypothesis. This led to the conclusion that a person with a strong Sense Of Coherence tends to be more satisfied with his/her life. However, a person with a weaker Sense Of Coherence finds it difficult to make sense out of his/her life. It was also found that most of the demographic variables did not reach any statistical significance. The general trend in this sample was that younger people had higher education and had been unemployed for fewer years. In comparison, older people were found to have less education and had been unemployed for more years. It was concluded that formal and informal education system will be necessary to develop and equip both young and older people with the experience and skills to use at work. This study was concluded by the discussion of the implications of the findings and suggestions for future research.

Den psykiska ohälsan har ökat bland befolkningen i Sverige vilket förutom ett personligt lidande ger stora samhällsekonomiska konsekvenser. Orsaken till denna ökning har inget definitivt svar men kan potentiellt förklaras av makro- och socioekonomiska faktorer. Denna rapport undersöker därför om det finns ett samband mellan psykisk ohälsa och makro- och socioekonomiska faktorer. Det sker även en analys av hur dessa faktorer kan förklara ökningen av psykiska ohälsa. För att ta reda på om ett samband existerar utförs en multipel linjär regressionsanalys där den beroende variabeln definieras som svåra besvär av oro, ängslan och ångest och de förklarande variablerna utgörs av förgymnasial-, gymnasial- och eftergymnasial utbildning, BNP per capita, hushållens disponibla inkomst och arbetslöshet. Analysen delas upp i grupperna kvinnor, män och totala befolkningen där data från åren 2002-2017 används. Analysen visar på ett visst samband mellan de olika regressionsvariablerna och makro- och socioekonomiska faktorer. Totala befolkningens psykiska ohälsa har framförallt ett samband med förgymnasial utbildning. De signifikanta variablerna för kvinnors psykiska ohälsa är gymnasial utbildning, BNP per capita och disponibel inkomst. För modellen för mäns psykiska ohälsa är arbetslöshet och disponibel inkomst mest signifikanta. Modellerna har approximativt uppfyllda antaganden och multikollinearitet närvarande vilket bidrar till en bristande tillförlitlighet. Vidare forskning krävs för ytterligare validering av sambanden samt för en djupare förståelse av makro- och socioekonomiska faktorers påverkan och möjliga orsakssamband. / The mental health has increased in Sweden, which besides the personal suffering affects both the society and economy. The reason behind the increase does not have any definite explanation but the answer may, at least partly, be found in macroeconomic and socioeconomic factors. This report will therefore investigate if there exists a relationship between mental health problems and macroeconomic and socioeconomic factors. An analysis of how these factors may explain the increase of mental health problems is also performed. To see if a relationship exists, a multivariable regression analysis is performed, where the dependent variable is defined as severe problems with anxiety and worry. The regression variables are education level, GDP per capita, the households disposable income and unemployment. The analysis is performed on the groups; women, men and total population and the data is collected over the years 2002 to 2017. The analysis indicates a certain relationship between the different macro and socioeconomic variables and mental health problems. For the total population, education level is the most significant. For women, education level, GDP per capita and the households disposable income are most important. For men, unemployment and disposable income are the strongest correlated variables. The models approximately fulfills the assumptions for the least square method and have multicollinearity present, which in total makes them less reliable. Further research to validate these relationships and to contribute to explanations of potential causality is needed.

This is a statistical analysis where various factors related to the Sustainable Development Goals (SDGs) have been used to explain life expectancy. The dataset contained information on how countries perform in different aspects over several years. The factors used have been considered to be well-linked to one or more of the SDGs by studying how the United Nations (UN) and Globalis have categorized them under different goals. After the dataset was investigated and measures were implemented, a multiple regression analysis was performed. The analysis showed which factors had statistically significant effects on life expectancy for the observations that were used. From this information, the final linear regression model could be obtained. Then it was discussed whether important information was omitted from the final model and another regression analysis was performed. This time, the dataset was divided into smaller subgroups where one group contained all observations where life expectancy was 75 years or more and the other data set contained all observations where life expectancy was 56 years or less. From these datasets, it was analyzed whether significant factors change depending on the associated life expectancy, which was proved to be the case. The conclusion that was drawn was therefore that the final model is a weighting of observations with different life expectancy, but the differences between observations with different life expectancies are omitted. / Det här är en statistisk analys där olika faktorer med koppling till de Globala Hållbarhetsmålen har används för att förklara den förväntade livslängden. Datasetet som användes innehöll information om hur länder presterar i olika avseenden under flera olika år. De faktorer som används har ansetts ha god koppling till något av de globala hållbarhetsmålen genom att studera hur FN samt Globalis har kategoriserat olika index under de respektive målen. Efter att datasetet undersökts och eventuella åtgärder genomförts så gjordes en multipel linjär regressionsanalys. Analysen visade vilka faktorer som hade signifikant påverkan på förväntad livslängd hos de observationer som använts. Ur denna information kunde den slutgiltiga linjära regressionsmodellen tas fram. Sedan skedde ett resonemang kring validiteten av denna modell och huruvida viktigt information utelämnas i den slutgiltiga modellen. Då genomfördes ytterligare en regressionsanalys, men denna gång hade datasetet delats upp i mindre grupper. En grupp innehöll alla observationer då den förväntade livslängden var 75 år eller mer, och den andra gruppen innehöll alla observationer då förväntad livslängd var 56 år eller mindre. Med hjälp av dessa dataset utreddes huruvida olika faktorer är olika viktiga vid olika förväntade livslängder, vilket var fallet. Slutsatsen som drogs var därför att den slutgiltiga modellen som togs fram var en sammanvägning av alla observationer med olika förväntade livslängder, men där skillnaderna mellan länder utelämnades.

El presente trabajo de investigación tiene como objetivo aplicar técnicas de análisis de regresión y aprendizaje automático (ML) para mejorar los resultados de estimación de sobre dilución en tajos explotados por el método de Sub Level Stoping (SLS) de la Compañía Minera Condestable (CMC) a través de la generación de ecuaciones de regresión y código en lenguaje de Python para las técnicas de ML. Para la estimación de sobre dilución se analizaron las reconciliaciones de tajos explotados con el método de SLS del período 2017-2019 con la aplicación de las técnicas: Análisis de Regresión Lineal Múltiple (ARLM), regresión no lineal múltiple (ARNM) y métodos de aprendizaje automático (ML) como Máquinas de Vectores de Soporte (SVM) y bosques aleatorios (RF), lo que permitió establecer comparaciones entre los resultados a nivel predictivo y tecnológico con la metodología de O’Hara aplicada actualmente en CMC para la estimación de sobre dilución de tajos SLS. La aplicación de las técnicas mencionadas implicó variables operativas como: nivel, buzamiento, densidad, burden, espaciamiento, altura, longitud, ancho, RQD, RMR y ratio de tonelada por metro de perforación (TMP) de los tajos evaluados, mientras que el objetivo o variable dependiente fue la sobre dilución. Ello permitió inicialmente identificar que las técnicas de regresión ARLM y ARNM mejoraron el coeficiente de determinación R2 de O’Hara en 5.5% y 4.4%. Luego, con la aplicación de herramientas de aprendizaje automático se identificó que ambas técnicas (SVM y RF) lograron la mejora en 0.3% y 18.5% respectivamente. El resultado de ello fue la reducción de la diferencia de costos estimados obtenidos con la metodología de O’Hara relacionados al costo adicional por carguío y transporte de carga rota de dilución. / This research work aims to apply Regression Analysis and Machine Learning (ML) techniques to improve the results of estimating over dilution in stopes mined by Sub Level Stoping (SLS) method at Compania Minera Condestable (CMC) through the generation of regression equations and code in Python language for ML techniques. For the estimation of over dilution, the reconciliations of stopes mined with the SLS method for the period 2017-2019 were analysed with the application of the techniques: Multiple Linear Regression Analysis (MLRA), Multiple Non-linear Regression Analysis (MLNRA) and Machine Learning (ML) methods such as Support Vector Machine (SVM) and Random Forests (RF), which allowed comparisons of the results at predictive and technological level with the O'Hara methodology currently applied at CMC for the estimation of over dilution of SLS stopes. The application of the afore mentioned techniques involved operational variables such as: level, dip, density, burden, spacing, height, length, width, RQD, RMR and tonne per metre drilling (TMP) ratio of the evaluated stopes, while the objective or dependent variable was over dilution. This initially identified that the ARLM and ARNM regression techniques improved O'Hara's R2 determination coefficient by 5.5% and 4.4%. Then, with the application of machine learning tools it was identified that both techniques (SVM and RF) achieved the improvement by 0.3% and 18.5% respectively. This resulted in a reduction of the estimated cost difference obtained with the O'Hara methodology related to the additional cost of loading and transporting broken stock from the dilution. / Tesis