This paper examines the major potential drivers of five international real estate markets with a focus on pushing versus pulling effects. Using a quantile regression approach for the period 2000-2015 we examine the coefficients during three different market conditions: downward (bearish), normal (median) and upward (bullish). Using monthly data we look at five of the larger securitized property markets, namely, the US, UK, Australia, Singapore and Hong Kong. We find inconclusively that stock market volatility, as measured by the pushing factor VIXS&P500, best informs property market returns during bearish market environment. We also find that our pulling factors, money supply, treasury yields and unemployment presents theoretically grounded results in most cases with the expected signage. However, compared to the volatility index, pulling factors are not as uniformly suited for informing property market returns during bearish markets. We also find a range of insignificant results, which might be indicative of a suboptimal model specification and/or choice of estimation method.

This descriptive study examines the gender pay gap across the income distribution in metropolitan and nonmetropolitan areas in the United States in two periods in the 2000’s. In metro areas, the raw gender pay gapgrows larger in the top of the income distribution. In non-metro areas however, the raw gender pay gap isrelatively even in the upper tail of the distribution and does not show this accelerating pattern. Moreover,the study takes a quantile regression approach to measure the adjusted gender pay gaps conditional onhuman capital variables. Comparisons show that the raw gender pay gap has decreased over time, while thecorresponding adjusted gender pay gap has increased over time. This seems to be explained mainly by theincrease in women’s educational attainment, but also convergence of men’s and women’s work experience.In non-metro areas, this generates an adjusted gap that is substantially bigger in the top quantiles in thelatter period. In metro areas, the pattern of a successively widening gap in the top of the distribution persists.

With a background in EU regulations and an increased interest in Environmental, Social, and Governence (ESG) policies in companies when investing, this thesis considers the individual contributions to market risk in portfolios by different ESG parameters. It explores two different methods to examine if there are effects consistent across the whole Nordic markets, and the possibility to express any effects within portfolios in a clear way. It uses the OMXNORDIC index as the market index and two different fund portfolios as example portfolios, one of which is an article 9 fund. The quantile regression approach does not show any consistent effects across the whole Nordic market from any ESG parameter explored. It does however make for a clear way to present the effects on the portfolio level for each ESG parameter. The employed Copula approach does show some consistent difference between the ESG parameters for the market and in portfolios, as well as differences between the portfolios. Both of the explored methods should allow for comparisons between, and reports on, fund portfolios which would improve the ESG analyses of funds. / Mot bakgrund av EU-lagstiftning och ett ökat intresse i företags förhållning till Environmental, Social, och Governence (ESG) frågor, så utforskar den här uppsatsen ESG-faktorers bidrag till marknadsrisk i fondportföljer och på den nordiska marknaden. Uppsatsen använder två olika metoder för att undersöka om det finns potentiella konsekventa effekter på den Nordiska aktiemarknaden, och möjligheten att presentera resultat på portföljnivå på ett tydligt sätt. OMXNORDIC används som marknadsindex, och två olika fondportföljer används som exempelportföljer, varav en är en artikel 9 fondportfölj. Quantile regression-metoden visar inte på några konsekventa effekter över hela den nordiska marknaden, för någon av ESG-parametrarna. Däremot så resulterar metoden i ett tydligt sätt att presentera påverkan av ESG-parametrarna på portföljnivå. Copula-metoden som används visar på några konsekventa skillnader mellan ESG-parametrar, både för marknaden och i fondportföljerna, samt skillnader mellan portföljerna i sig. Båda metoderna lämpar sig till att jämföra och bygga rapporter på fondportföljer, vilket borde leda till bättre ESG-analyser av fonder.

Transportation via train is considered the most environmentally friendly way of traveling and is widely seen as the future of transportation. Canceled and delayed trains worsen customer satisfaction; thus, punctual trains are crucial for railway companies. One reason for canceled and delayed trains is the shortage of employees due to sickness or care of relatives, known as short-term absences. Therefore, it is important for railway companies to have reliable predictions of these. This thesis is in collaboration with SJ, the largest railway company in Sweden which offers trips all over Sweden and some other parts of northern Europe. The thesis predicts short-term absences with data provided by SJ, by using the machine learning methods random forest and extreme gradient boosting (XGBoost). The aim is to investigate if SJ can use machine learning algorithms and statistical analysis in their absence predictions and if it can yield better results than their current absence prediction methodology. Furthermore, the thesis identifies which factors are most important for the predictions. In addition to this, quantile regression is implemented for both methods since overestimating absenteeism could be better for avoiding employee shortage.  Two different datasets are used for two different tasks; one regression task to predict the number of absent employees on each date and one classification task to predict the probability of an absent employee on a specific duty, and then adding the probabilities to achieve the total predicted number of absent employees on each date. Both task formulations yielded good absence prediction results. XGBoost resulted overall in lower errors than random forest, meaning it was a slightly better model to implement for this task. When comparing the results, the performance for the developed models was better than the current predictions at SJ, meaning machine learning models could benefit SJ's prediction work. / Tågresor anses vara det mest miljövänliga sättet att resa på och betraktas av många som framtidens transportmedel. SJ är Sveriges största järnvägsföretag och erbjuder resor över hela Sverige och delar av norra Europa. Punktliga tåg är en mycket viktig faktor för järnvägsföretag, för att inte ha inställda och försenade tåg som försämrar kundnöjdheten. En orsak till inställda och försenade tåg är brist på personal på grund av sjukdom eller vård av anhöriga, så kallad korttidsfrånvaro. Därför är det viktigt för SJ att ha tillförlitliga prognoser gällande detta. Detta examensarbete försöker förutspå korttidsfrånvaro med data från SJ, genom att använda maskininlärningsmetoderna random forest och extreme gradient boosting (XGBoost). Syftet är att undersöka om SJ kan använda maskininlärningsalgoritmer och statistisk analys i sina frånvaroprognoser och om det kan ge bättre resultat än deras nuvarande prognoser. Vidare identifierar arbetet vilka faktorer som är viktigast för en pålitlig prognos. Utöver detta implementeras kvantilregression för båda metoderna eftersom överskattningar av frånvaro kan vara bättre för att undvika personalbrist. Två olika datamängder används för två olika uppgifter; en regressionsuppgift för att förutspå antalet frånvarande personal varje dag och en klassificeringsuppgift för att förutspå sannolikheten av en frånvarande personal under ett visst arbetspass. Modellen adderar sedan sannolikheterna för att få en prognos av det totala antalet frånvarande personal under varje dag. Båda uppgiftsformuleringarna resulterade i bra sjukprognoser. XGBoost resulterade totalt sett i lägre fel än random forest, vilket betyder att den var en något bättre modell att implementera för detta arbete. Vid en jämförelse av resultaten var prestationen för de utvecklade modellerna bättre än de nuvarande prognoserna hos SJ, vilket innebär att maskininlärningsalgoritmer kan gynna SJ:s prognosarbete.

The ability to quantify uncertainties associated with neural network predictions is crucial when they are relied upon in decision-making processes, especially in safety-critical applications like radiation therapy. In this paper, a single-model estimator of both epistemic and aleatoric uncertainties in a regression 3D U-net used for radiation dose prediction is presented. To capture epistemic uncertainty, Monte Carlo Dropout is employed, leveraging dropout during test-time inference to obtain a distribution of predictions. The variability among these predictions is used to estimate the model’s epistemic uncertainty. For quantifying aleatoric uncertainty quantile regression, which models conditional quantiles of the output distribution, is used. The method enables the estimation of prediction intervals of a user-specified significance level, where the difference between the upper and lower bound of the interval quantifies the aleatoric uncertainty. The proposed approach is evaluated on two datasets of prostate and breast cancer patient geometries and corresponding radiation doses. Results demonstrate that the quantile regression method provides well-calibrated prediction intervals, allowing for reliable aleatoric uncertainty estimation. Furthermore, the epistemic uncertainty obtained through Monte Carlo Dropout proves effective in identifying out-of-distribution examples, highlighting its usefulness for detecting anomalous cases where the model makes uncertain predictions. / Förmågan att kvantifiera osäkerheter i samband med neurala nätverksprediktioner är avgörande när de åberopas i beslutsprocesser, särskilt i säkerhetskritiska tillämpningar såsom strålterapi. I denna rapport presenteras en en-modellsimplementation för att uppskatta både epistemiska och aleatoriska osäkerheter i ett 3D regressions-U-net som används för att prediktera stråldos. För att fånga epistemisk osäkerhet används Monte Carlo Dropout, som utnyttjar dropout under testtidsinferens för att få en fördelning av prediktioner. Variabiliteten mellan dessa prediktioner används för att uppskatta modellens epistemiska osäkerhet. För att kvantifiera den aleatoriska osäkerheten används kvantilregression, eller quantile regression, som modellerar de betingade kvantilerna i outputfördelningen. Metoden möjliggör uppskattning av prediktionsintervall med en användardefinierad signifikansnivå, där skillnaden mellan intervallets övre och undre gräns kvantifierar den aleatoriska osäkerheten. Den föreslagna metoden utvärderas på två dataset innehållandes geometrier för prostata- och bröstcancerpatienter och korresponderande stråldoser. Resultaten visar på att kvantilregression ger välkalibrerade prediktionsintervall, vilket tillåter en tillförlitlig uppskattning av den aleatoriska osäkerheten. Dessutom visar sig den epistemiska osäkerhet som erhålls genom Monte Carlo Dropout vara användbar för att identifiera datapunkter som inte tillhör samma fördelning som träningsdatan, vilket belyser dess lämplighet för att upptäcka avvikande datapunkter där modellen gör osäkra prediktioner.