I denna studie undersöks förklaringsfaktorer till lärares trivsel med sin skolledning. Studien använder data från Skolverkets enkätundersökning Attityder till skolan 2015 samt 2014/2015 års version av Lärarregistret. Bland annat betraktas förutsättningar för undervisningen, inflytande på arbetsplatsen, stressnivå samt bakgrundsvariabler för lärare, rektorer och skolor. För att undersöka effekterna används ordinal logistisk regression. De variabler och faktorer som uppvisar en positiv signifikant effekt på trivsel med skolledningen är lärarens inflytande över resursfördelning, lärarens upplevelse av skolledningens mottaglighet för kritik, tillgången till teknisk IT-support samt stöd för undervisningen. Lärarens stressnivå har en negativ signifikant effekt.

Den här uppsatsen är en deskriptiv tvärsnittsstudie som analyserar kommunalpolitiker och väljare 2012 i Sverige. Syftet var att undersöka om det fanns en skillnad mellan kommunpolitiker och väljare i deras inställning till förslaget om att ta emot färre flyktingar i Sverige. Vi har även estimerat hur mycket av skillnaden som kan förklaras utav bristande social representation. För att estimera detta har vi använt kumulativ ordinal regression där vi konstruerade olika modeller utifrån antagandet om proportionella odds.  Slutsatsen är att det rådde en påtaglig skillnad mellan kommunpolitiker och väljare, där väljare tenderade att tycka att förslaget var bättre än politikerna. Bristande social representation kan förklara skillnaden mellan politiker och väljare endast marginellt. Vi undersökte även hur det skiljde sig mellan kommunpolitiker och dess sympatisörer i partier som även fanns representerade i riksdagen. Slutsatserna av analysen är att samma mönster finns inom alla partier förutom Sverigedemokraterna, som tvärtom har kommunpolitiker som tycker förslaget är bättre än deras väljare. Storleken på skillnaden varierar mellan olika partier och dess väljare.

För alpina skidåkare mäter man prestationer i så kallad FIS-ranking. Vi undersöker några metoder för hur man kan analysera data där responsen består av ranger som dessa. Vid situationer då responsdata utgörs av urval av ranger finns ingen självklar analysmetod. Det vi undersöker är skillnaderna vid användandet av olika regressionsanpassningar så som linjär, logistisk och ordinal logistisk regression för att analysera data av denna typ. Vidare används bootstrap för att bilda konfidensintervall. Det visar sig att för våra datamaterial ger metoderna liknande resultat när det gäller att hitta betydelsefulla förklarande variabler. Man kan därmed utgående från denna undersökning, inte se några skäl till varför man ska använda de mer avancerade modellerna. / Alpine skiers measure their performance in FIS ranking. We will investigate some methods on how to analyze data where response data is based on ranks like this. In situations where response data is based on ranks there is no obvious method of analysis. Here, we examine differences in the use of linear, logistic and ordinal logistic regression to analyze data of this type. Bootstrap is used to make confidence intervals. For our data these methods give similar results when it comes to finding important explanatory variables. Based on this survey we cannot see any reason why one should use the more advanced models.

Readjusting Historical Credit Ratings using Ordered Logistic Re-gression and Principal Component Analysis The introduction of the Basel II Accord as a regulatory document for creditrisk presented new concepts of credit risk management and credit risk mea-surements, such as enabling international banks to use internal estimates ofprobability of default (PD), exposure at default (EAD) and loss given default(LGD). These three measurements is the foundation of the regulatory capitalcalculations and are all in turn based on the bank’s internal credit ratings. Ithas hence been of increasing importance to build sound credit rating modelsthat possess the capability to provide accurate measurements of the credit riskof borrowers. These statistical models are usually based on empirical data andthe goodness-of-fit of the model is mainly depending on the quality and sta-tistical significance of the data. Therefore, one of the most important aspectsof credit rating modeling is to have a sufficient number of observations to bestatistically reliable, making the success of a rating model heavily dependenton the data collection and development state.The main purpose of this project is to, in a simple but efficient way, createa longer time series of homogeneous data by readjusting the historical creditrating data of one of Svenska Handelsbanken AB’s credit portfolios. Thisreadjustment is done by developing ordered logistic regression models thatare using independent variables consisting of macro economic data in separateways. One model uses macro economic variables compiled into principal com-ponents, generated through a Principal Component Analysis while all othermodels uses the same macro economic variables separately in different com-binations. The models will be tested to evaluate their ability to readjust theportfolio as well as their predictive capabilities. / Justering av historiska kreditbetyg med hjälp av ordinal logistiskregression och principialkomponentsanalys När Basel II implementerades introducerades även nya riktlinjer för finan-siella instituts riskhantering och beräkning av kreditrisk, så som möjlighetenför banker att använda interna beräkningar av Probability of Default (PD),Exposure at Default (EAD) och Loss Given Default (LGD), som tillsammansgrundar sig i varje låntagares sannoliket för fallissemang. Dessa tre mått ut-gör grunden för beräkningen av de kapitaltäckningskrav som banker förväntasuppfylla och baseras i sin tur på bankernas interna kreditratingsystem. Detär därmed av stor vikt för banker att bygga stabila kreditratingmodeller medkapacitet att generera pålitliga beräkningar av motparternas kreditrisk. Dessamodeller är vanligtvis baserade på empirisk data och modellens goodness-of-fit,eller passning till datat, beror till stor del på kvalitén och den statistiska sig-nifikansen hos det data som står till förfogande. Därför är en av de viktigasteaspekterna för kreditratingsmodeller att ha tillräckligt många observationeratt träna modellen på, vilket gör modellens utvecklingsskede samt mängdendata avgörande för modellens framgång.Huvudsyftet med detta projekt är att, på ett enkelt och effektivt sätt, skapaen längre, homogen tidsserie genom att justera historisk kreditratingdata i enportfölj med företagslån tillhandahållen av Svenska Handelsbanken AB. Jus-teringen görs genom att utveckla olika ordinala logistiska regressionsmodellermed beroende variabler bestående av makroekonomiska variabler, på olikasätt. En av modellerna använder makroekonomiska variabler i form av princi-palkomponenter skapade med hjälp av en principialkomponentsanalys, medande andra modelelrna använder de makroekonomiska variablerna enskilt i olikakombinationer. Modellerna testas för att utvärdera både deras förmåga attjustera portföljens historiska kreditratings samt för att göra prediktioner.