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.

Investing in public real estate stocks can diversify a stock portfolio due to the nature of these companies. The industry is generally less sensitive to economic downturns and spikes in inflation are offset by increased real estate property and rent prices. Nevertheless, measures of the wider economy could be used as predictors of the real estate stock market.  This thesis attempts to model the Swedish real estate stock market with the index SX35PI (Stockholm Real Estate PI) using the fundamental economic factors and repo rate. Data was collected and formatted to a monthly interval for the period February 2012 to December 2021. This resulted in an exponential multiple regression model that used all the regressors that explained 95.7% of the variation in SX35PI, and an alternative autoregressive forecasting model that explained 82.3% of the variation in SX35PI. / Investeringar i fastighetsbolag kan diversifiera en aktieportfölj tack vare dessa bolags karaktär. Denna industri är nämligen mindre känslig för ekonomiska nedgångar och minskad efterfråga samt plötsliga ökningar i inflationen som vägs upp av ökningar i fastighetspriser och hyror. Aktiemarknaden för fastighetsaktier kan modelleras med makroekonomiska mått. Denna rapport försöker modellera aktiemarknaden för svenska fastighetsbolag med fundamentala ekonomiska mått samt reporäntan. Data samlades och transformerades för att få datapunkter varje månad under februari 2012 till december 2021. Resultatet blev en exponentiell multipel regressionsmodell som använde alla förklarande variabler vilka förklarade 95.7% av variationen i SX35PI, och en alternativ autoregressiv modell som förklarade 82.3% av variationen i SX35PI.