Kvinner, minoriteter og kvotering i Indisk politikk
|
|
- Malin Berger
- 4 år siden
- Visninger:
Transkript
1 Kvinner, minoriteter og kvotering i Indisk politikk I denne oppgaven skal dere se litt på kvinner, minoriteter og kvotering i Indisk politikk. Vi tar utgangspunkt i artikkelen til Fransesca Jensenius (2016) Competing Inequalities? On the Intersection of Gender and Ethnicity in Candidate Nominations in Indian Elections, publisert i Government and Opposition, Vol. 51, No. 3, pp Artikkelen finner du i oppgave-folderen. Analysen er basert på et stort datasett på kandidater til Indiske valg. Først skal dere laste inn datasettene og slå dem sammen til ett. Dere trenger ikke ta vare på variabler om kandidat 2 og utover. For datasettet for 2000 skal dere bruke korrigerte tall for electors og voters. Med utgangspunkt i disse, lager du turnout. Gi også variablene i datasettet for etter 2000 navn som korresponderer til variablene i datasetter for perioden før. Slå datasettene sammen. Fjern missing og feilkoding. Ta bort ekstra whitespace i AC_type og ta bort AC_type == BL. Kode om kvotering slik at slik at begge typer er 1 og referanse-kategorien GEN er 0. Ta bort obsevasjoner fra 1970 og 1971 ettersom det er feil i data fra disse årene og observasjoner fra delstatene AP, BH, Tripura, Meghalaya, Assam, Maharashtra, MP, og WB i Du kan skalere antall stemmeberettige og seiersmargin slik at effektene blir per 1000 heller en per person. library(tidyverse) load("../../oppgaver/oppgave_5/replication_jensenius2016/data/ac_ rdata") load("../../oppgaver/oppgave_5/replication_jensenius2016/data/ac_ rdata") success_1999 <- AC %>% select(state_code2001:percent1) %>% filter(!(year == 1970 Year == 1971)) %>% filter(!(year==1972 & State_code2001 %in% c(28,10,16,17, 18, 27, 23, 19))) %>% as_tibble() success_2015 <- AC2000 %>% select(st_code2001, State, year, AC_no, AC_name, AC_type, electors_corrected, voters_corrected, cand, marg, validvotes, enop_vot, Cand1, Sex1, Party1, Votes1, Percent1) %>% as_tibble() success_2015%>% mutate(turnout = (voters_corrected/electors_corrected)*100) %>% rename("state_code2001" = ST_code2001, "State_name" = State, "Year" = year, "Electors" = electors_corrected, "Voters" = voters_corrected, "Valid_votes" = validvotes, "N_cand" = cand, "Margin" = marg, "ENOP_vot" = enop_vot) %>% select(names(success_1999)) -> success_2015 rbind(success_1999, success_2015) %>% filter(ac_type!= "BL") %>% na.omit() -> success success %>% mutate(ac_type = stringr::str_squish(ac_type), State_name = stringr::str_squish(state_name), Sex1 = ordered(success$sex1, labels = c("f", "M")), Electors = Electors/1000, Margin = Margin/1000, kvote = if_else(ac_type!= "GEN",1,0)) -> success 1
2 Valgdeltakelse over tid Neste steg er å lage en (ggplot) figur som viser turnout over tid. Bruk forskjellige fager for å vise om vinneren var en kvinne eller en mann. Bruk jitter for å redusere overplotting. Det figuren opp etter om det er kvotering eller ikke. Juster årstall på x-akse for å hindre over-plotting. Legg til regresjons-linjer får å lettere se sammenhengen. ggplot(success, aes(y = Turnout, x = Year)) + geom_jitter(alpha =.5, aes (color = Sex1)) + geom_smooth(method = "lm")+ facet_wrap(~kvote) + theme(axis.text.x=element_text(angle=90,hjust=1)) Turnout 75 Sex1 F 50 M Year Del opp i test og treningsdata Sett av ca 1/3 av radene til test-data. Bruk kun treningsdata nedenfor med mindre det står noe annet. Sørg for at resultene av denne oppdelingen er reproduserbar. set.seed(4279) trening <- sample_frac(success,.67) test <- anti_join(success, trening) Joining, by = c("state_code2001", "State_name", "Year", "AC_no", "AC_name", "AC_type", "Electors", "V 2
3 Valgdeltakelse og kvotering Lag en regresjonmodell som predikerer deltakelse (turnout), på basis av størrelse på valg-distrikt (Electors), kvotering (AC_type), antall kandidater, størrelse på valgseier, årstall og delstat. For denne modellen, juster årstall slik at første år har verdien 0. Du skal ikke justere årstall i datasettet, kun i modellen. Hint: Bruk I(). Vis resultatene i en tabell. Du trenger ikke inkludere effekten for hver av delstatene i tabellen, men det skal være med i modellen. lm_mod <- lm(turnout ~ -1 + Electors + kvote + N_cand + Margin + I(Year ) +kvote:i(year ) + stargazer::stargazer(lm_mod, type = "text", omit = "as.factor*") =================================================== Dependent variable: Turnout Electors *** (0.002) kvote *** (0.324) N_cand (0.013) Margin 0.104*** (0.007) I(Year ) 0.249*** (0.008) kvote:i(year ) 0.287*** (0.011) Observations 26,220 R Adjusted R Residual Std. Error (df = 26184) F Statistic 28, *** (df = 36; 26184) =================================================== Note: *p<0.1; **p<0.05; ***p<0.01 Ut fra denne tabellen, sammenlign valgdeltakelse i valgdistrikt med og uten kvotering. Er det store forskjeller? Hva skjer med valgdeltakese over tid? Kvinner og kvotering I resten av oppgaven skal du undersøke om det er lettere for kvinner å vinne i valgdistrikt med kvotering for minoriteter. Lag først en logistisk klassifieringsmodell. Du kan inkludere dummy variabler for årstall og delstat med as.factor() hvis du lurer på om det kan være noe med enkelte år eller enkelte delstater som gjør at en kan finne effekter. Hvis du inkluderer dette trenger du ikke vise resultatene for hver av årene eller hver av delstatene. 3
4 mod <- formula(sex1 ~ kvote + Turnout + N_cand + Electors + + Margin + as.factor(state_code2001) + as.factor(year)) logit_mod <- glm(mod, data = trening, family = binomial(logit)) Estimer en ny logit modell som har interaksjon mellom kvotering og seiersmargin. Hvordan tolker du disse resultatene? Tolk gjerne i lys av det Jensenius skriver. mod2 <- update(mod,.~. + kvote:margin) logit2_mod <- update(logit_mod, mod2) stargazer::stargazer(logit_mod,logit2_mod, type = "text", omit = "as.factor*") ============================================== Dependent variable: Sex1 (1) (2) kvote (0.076) (0.104) Turnout 0.010*** 0.010*** (0.003) (0.003) N_cand (0.008) (0.008) Electors 0.003** 0.002** (0.001) (0.001) Margin *** ** (0.003) (0.003) kvote:margin ** (0.006) Constant 4.378*** 4.311*** (0.776) (0.777) Observations 26,220 26,220 Log Likelihood -4, , Akaike Inf. Crit. 9, , ============================================== Note: *p<0.1; **p<0.05; ***p<0.01 Ut fra disse resultatene, hva vil du si at effekten av kvotering er for sjansen for at kvinner blir valgt inn. Si litt om sammenhengen mellom variablene du tok med i modellen og sjanse for at en kvinnelig kandidat vinner valget. Hvilken modell klassifierer best? Vis med en tabell for hver av modellene. Juster kuttpunkt slik at det reflekterer forskjellen mellom mannlige og kvinnelige valgvinnere i data. mod1_preds <- predict(logit_mod, trening, type = "response") table(estimert = if_else(mod1_preds>.95,"m","f"), faktisk = trening$sex1) 4
5 faktisk estimert F M F M mod2_preds <- predict(logit2_mod, trening, type = "response") table(estimert = if_else(mod2_preds>.95,"m","f"), faktisk = trening$sex1) faktisk estimert F M F M Random forest Vi skal nå se på litt mer fleksible modeller. Estimer en bagging modell. Du skal ikke ha med delstatsvariabel. Ettersom det er mange flere menn enn kvinner som blir valgt inn, setter du klassifisering-grensen, gitt med argument cutoff, til ca det som er andelen kvinner i datasettet. Les i dokumentasjonen til randomforest for å finne ut hvordan du gjør dette. library(randomforest) randomforest Type rfnews() to see new features/changes/bug fixes. Attaching package: 'randomforest' The following object is masked from 'package:dplyr': combine The following object is masked from 'package:ggplot2': margin mod_skog <- formula(sex1 ~ kvote + Turnout + N_cand + Electors + + Margin +Year) bag <- randomforest(mod_skog, trening, mtry = 6, cutoff = c(.05,.95)) bag Call: randomforest(formula = mod_skog, data = trening, mtry = 6, cutoff = c(0.05, 0.95)) Type of random forest: classification Number of trees: 500 No. of variables tried at each split: 6 OOB estimate of error rate: 36.36% Confusion matrix: F M class.error F M Lag en figur som viser hvilke variabler som er viktige. Tolk dette i lys av det du har funnet ut ovenfor. 5
6 varimpplot(bag) bag Electors Margin Turnout N_cand Year kvote MeanDecreaseGini Nå forsøker vi en random forest modell. Begrens antall greier på hvert tre til 4. Behold det samme klassifiserings-teskelen som i bagging modellen. skog <- randomforest(mod_skog, trening, mtry = 4, cutoff = c(.05,.95)) skog Call: randomforest(formula = mod_skog, data = trening, mtry = 4, cutoff = c(0.05, 0.95)) Type of random forest: classification Number of trees: 500 No. of variables tried at each split: 4 OOB estimate of error rate: 35.66% Confusion matrix: F M class.error F M Hvor bra klassifierer denne modellen? Lag en tabell som viser de viktigeste variablene. importance(skog) MeanDecreaseGini kvote Turnout N_cand Electors Margin
7 Year Estimer dettetter en boosting versjon av samme modellen og vis hvilke variabler som er viktige for klassifiseringen. trening$kvinne <- ifelse(trening$sex1=="m",0,1) test$kvinne <- ifelse(test$sex1=="m",0,1) library(gbm) Loaded gbm mod_skog2 <- update(mod_skog, kvinne ~.) boosting <- gbm(mod_skog2, data = trening, distribution = "bernoulli", n.trees = 5000, interaction.depth = 3, shrinkage =.1) summary(boosting) kvote Year Electors var rel.inf Margin Margin Electors Electors Turnout Turnout Year Year N_cand N_cand kvote kvote Vis effeken av kvotering for klassifiering. plot(boosting, i = "kvote") Relative influence 7
8 y kvote Vis hvor bra denne modellen klassifiserer gitt en terskel på.25 Kalkuler klassifieringsrater samlet og for menn og kvinner hver for seg. pred_boost <- if_else( predict(boosting, trening, n.trees = 5000, type = "response")>.25, 1,0) (x <- table(pred_boost,trening$kvinne)) pred_boost (x[1,1] + x[2,2])/nrow(trening) [1] x[2,2]/(x[2,2] + x[1,2]) # Menn [1] x[1,1]/(x[1,1] + x[2,1]) # Kvinner [1] Vurder disse resultatene opp mot de andre modellene. SVM Estimer en SVM modell med vekter på de to klassene omvendt forhold til hvor store de er. Sørg for at modellen er littt fleksibel. Prøv å lag en modell som predikerer bedre i treningsdata enn hva de andre modellene har gjort. Hent ut predikerte sannsynligheter fra modellen og still opp i en tabell. Regn ut hvor 8
9 bra modellen gjør det for kvinner og menn hver for seg. Bruk kryss-validering for å se hvor bra modellen gjør det, 5 deler. Sammenlign prekiksjonene fra modellen med kryssvalideringen. Hva tyder disse resultatene på? library(e1071) trening$kvinne <- as.factor(trening$kvinne) test$kvinne <- as.factor(test$kvinne) svm_mod <- svm(mod_skog2, data = trening, kernel = "radial", decision.values = TRUE, cost = 25, gamma = 2, cross = 5, class.weights = c("1" =.95, "0" =.05)) summary(svm_mod) Call: svm(formula = mod_skog2, data = trening, kernel = "radial", decision.values = TRUE, cost = 25, gamma = 2, cross = 5, class.weights = c(`1` = 0.95, `0` = 0.05)) Parameters: SVM-Type: C-classification SVM-Kernel: radial cost: 25 gamma: 2 Number of Support Vectors: ( ) Number of Classes: 2 Levels: fold cross-validation on training data: Total Accuracy: Single Accuracies: (x <- table(pred = fitted(svm_mod), sant = trening$kvinne)) sant pred (x[1,1] + x[2,2])/nrow(trening) [1] x[2,2]/(x[2,2] + x[1,2]) # Kvinner [1]
10 x[1,1]/(x[1,1] + x[2,1]) # Menn [1] Predikere på testdata Lag ROC-kurver og vurdere hvordan modellene gjør det på test-data. Klarer modellene i å predikere om en kvinne eller en mann vinner? Hvorfor tror du at noen av modellene det bedre enn andre? library(proc) Type 'citation("proc")' for a citation. Attaching package: 'proc' The following objects are masked from 'package:stats': cov, smooth, var logit_roc <- roc(response = test$sex1, predictor = predict(logit_mod, test)) logit2_roc <- roc(response = test$sex1, predictor = predict(logit2_mod, test)) bag_roc <- roc(response = test$sex1, predictor =predict(bag,test, type = "prob")[,2]) skog_roc <- roc(response = test$sex1, predictor =predict(skog,test, type = "prob")[,2]) boost_roc <- roc(response = test$kvinne, predictor =predict(boosting,test, type = "response", n.trees = 5000)) svm_preds <- attributes( predict(svm_mod, test, decision.values= TRUE)) svm_roc <- roc(response = test$kvinne, predictor = as.vector(svm_preds$decision.values)) roc_fig <- ggroc(list("logit" = logit_roc, "logit_2" = logit2_roc, "bagging" = bag_roc, "random forest" = skog_roc, "boosting" = boost_roc, "svm" = svm_roc), alpha = 0.5, linetype = 1, size = 1) roc_fig 10
11 name sensitivity bagging boosting logit logit_2 random forest svm specificity
Oppgave 2: Klassifisering og resampling
Oppgave 2: Klassifisering og resampling I denne oppgaven skal du jobbe med klassifisering og resampling. Du må skrive noen funksjoner for å gjøre dette på en effektiv måte. Hver av kodesnuttene innholder
DetaljerOppgave 1: Forslag til løsning Bjørn Høyland 1/23/2019
Oppgave 1: Forslag til løsning Bjørn Høyland 1/23/2019 knitr::opts_chunk$set(echo = TRUE) library(tidyverse) -- Attaching packages -------------------------------------------------------------------------------
DetaljerBioberegninger, ST november 2006 Kl. 913 Hjelpemidler: Alle trykte og skrevne hjelpemidler, lommeregner.
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Bokmål Faglig kontakt under eksamen: Førsteamanuensis Jarle Tufto Telefon: 99 70 55 19 Bioberegninger, ST1301 30.
DetaljerSOS 301 og SOS31/ SOS311 MULTIVARIAT ANALYSE
1 SOS 301 og SOS31/ SOS311 MULTIVARIAT ANALYSE Eksamensdag: 8 desember 1997 Eksamensstad: Dragvoll, paviljong C, rom 201 Tid til eksamen: 6 timar Vekt: 5 for SOS301 og 4 for SOS31/ SOS311 Talet på sider
DetaljerLogistisk regresjon 1
Logistisk regresjon Hovedideen: Binær logistisk regresjon håndterer avhengige, dikotome variable Et hovedmål er å predikere sannsynligheter for å ha verdien på avhengig variabel for bestemte (sosiale)
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2 Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Eksamensdag: Torsdag 4. juni 28. Tid for eksamen: 4.3
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Bio 2150A Biostatistikk og studiedesign Eksamensdag: 6. desember 2013 Tid for eksamen: 14:30-17:30 (3 timer) Oppgavesettet er
DetaljerFra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og (alle er basert på samme datasett).
Fra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og 10.37 (alle er basert på samme datasett). ############ OPPGAVE 10.32 # Vannkvalitet. n=49 målinger i ulike områder. # Forutsetter at datasettene til boka (i
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerStd. Error. ANOVA b. Sum of Squares df Square F Sig. 54048,151 2 27024,075 327,600,000 263063,943 3189 82,491 317112,094 3191.
Samspill i regresjon Variables Entered/Removed b Variables Variables Entered Removed Method Kjønn,, Enter hjemmebo ende a a. All requested variables entered. Summary Std. Error Adjusted R of the R R Square
DetaljerEKSAMENSOPPGAVE I IDRSA1004 Samfunnsvitenskapelig forskningsmetode og analyse
NTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap EKSAMENSOPPGAVE I IDRSA1004 Samfunnsvitenskapelig forskningsmetode og analyse Faglig kontakt under
DetaljerLineære modeller i praksis
Lineære modeller Regresjonsmodeller med Forskjellige spesialtilfeller Uavhengige variabler Én binær variabel Analysen omtales som Toutvalgs t-test én responsvariabel: Y én eller flere uavhengige variabler:
DetaljerEksamensoppgave i SOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap
Institutt for sosiologi og statsvitenskap Eksamensoppgave i SOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap Faglig kontakt under eksamen: Arild Blekesaune Telefon: 911 89 768 Eksamensdato: 10.12.2015
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2100 - FASIT Eksamensdag: Torsdag 15. juni 2017. Tid for eksamen: 09.00 13.00. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
DetaljerPSYC 3101 KVANTITATIV METODE II Eksamen høst 2008
Eksamen 7. november kl. 0900 200 Sensur: 8.2. kl. 4 Alle oppgavene skal besvares. PSYC 30 KVANTITATIV METODE II Eksamen høst 2008 OPPGAVE Vurdering av personlige egenskaper Et selskap som driver en nettside
DetaljerModellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist
Modellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist Customer Lifetime Value (CLV) Diskontert nåverdi av hele det fremtidige kundeforholdet CLV for alle kunder gir
DetaljerFra krysstabell til regresjon
Fra krysstabell til regresjon La oss si at vi er interessert i å undersøke i hvilken grad arbeidstid er avhengig av utdanning. Vi har ca. 3200 observasjoner (dvs. arbeidstakere som er spurt). For hver
DetaljerForelesning 13 Regresjonsanalyse
Forelesning 3 Regresjonsanalyse To typer bivariat analyse: Bivariat tabellanalyse: Har enhetenes verdi på den uavhengige variabelen en tendens til å gå sammen med bestemte verdier på den avhengige variabelen?
DetaljerFrequencies. Frequencies
* Et eksempel på hvordan du kan bygge opp en regresjonsmodell i SPSS. * Jeg bruker data fra Levekårsundersøkelsen 995. * I regresjonsmodellen min vil jeg analysere hvordan antall leste bøker per år blir
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1000 Innføring i anvendt statistikk Eksamensdag: Mandag 3. desember 2018. Tid for eksamen: 14.30 18.30. Oppgavesettet er på
DetaljerFrequencies. Frequencies
* Et eksempel på hvordan du kan bygge opp en regresjonsmodell i SPSS. * Jeg bruker data fra Levekårsundersøkelsen 995. * I regresjonsmodellen min vil jeg analysere hvordan antall leste bøker per år blir
DetaljerEksamensoppgave i TMA4267 Lineære statistiske modeller
Institutt for matematiske fag Eksamensoppgave i TMA4267 Lineære statistiske modeller Faglig kontakt under eksamen: Mette Langaas Tlf: 988 47 649 Eksamensdato: 4. juni 2016 Eksamenstid (fra til): 09.00
DetaljerST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019 Løsningsforslag Øving 8 Oppgaver fra boka.12.1 X har pdf p X (k)
DetaljerEksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
FA K U L T E T FO R NA T U R V I T E N S K A P O G TE K N O L O G I EKSAMENSOPPGAVE Eksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
DetaljerGenerelle lineære modeller i praksis
Generelle lineære modeller Regresjonsmodeller med Forskjellige spesialtilfeller Uavhengige variabler Én binær variabel Analysen omtales som Toutvalgs t-test én responsvariabel: Y en eller flere uavhengige
DetaljerEKSAMEN I FAG TMA4315 GENERALISERTE LINEÆRE MODELLER Torsdag 14. desember 2006 Tid: 09:0013:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist, tlf. 975 89 418 EKSAMEN I FAG TMA4315 GENERALISERTE LINEÆRE MODELLER
DetaljerSKOLEEKSAMEN I SOS KVANTITATIV METODE. 27. februar 2017 (4 timer)
Institutt for sosiologi og samfunnsgeografi BOKMÅL SKOLEEKSAMEN I SOS4020 - KVANTITATIV METODE 27. februar 2017 (4 timer) Tillatte hjelpemidler: Alle skriftlige hjelpemidler og kalkulator. Sensur for eksamen
DetaljerEksamensoppgave i TMA4267 Lineære statistiske modeller
Institutt for matematiske fag Eksamensoppgave i TMA4267 Lineære statistiske modeller Faglig kontakt under eksamen: Mette Langaas Tlf: 988 47 649 Eksamensdato: 22. mai 2014 Eksamenstid (fra til): 09.00-13.00
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST 301 Statistiske metoder og anvendelser. Eksamensdag: Torsdag, 2. juni, 1994. Tid for eksamen: 09.00 14.00. Oppgavesettet er
DetaljerEr det enklere å anslå timelønna hvis vi vet utdanningslengden? Forelesning 14 Regresjonsanalyse
Forelesning 4 Regresjonsanalyse To typer bivariat analyse: Bivariat tabellanalyse: Har enhetenes verdi på den uavhengige variabelen en tendens til å gå sammen med bestemte verdier på den avhengige variabelen?
DetaljerPrøveeksamen STK vår 2017
Prøveeksamen STK2100 - vår 2017 Geir Storvik Vår 2017 Oppgave 1 Anta en lineær regresjonsmodell p Y i = β 0 + β j x ij + ε i, j=1 ε i uif N(0, σ 2 ) Vi kan skrive denne modellen på vektor/matrise-form:
DetaljerMASTER I IDRETTSVITENSKAP 2018/2020. Individuell skriftlig eksamen. STA 400- Statistikk. Mandag 18. mars 2019 kl
MASTER I IDRETTSVITENSKAP 2018/2020 Individuell skriftlig eksamen i STA 400- Statistikk Mandag 18. mars 2019 kl. 10.00-12.00 Eksamensoppgaven består av 5 sider inkludert forsiden Sensurfrist: 8.april 2019
DetaljerPrøveeksamen STK2100 (fasit) - vår 2018
Prøveeksamen STK2100 (fasit) - vår 2018 Geir Storvik Vår 2018 Oppgave 1 (a) Vi har at E = Y Ŷ =Xβ + ε X(XT X) 1 X T (Xβ + ε) =[I X(X T X) 1 X T ]ε Dette gir direkte at E[E] = 0. Vi får at kovariansmatrisen
DetaljerEksamensoppgave i PSY3100 forskningsmetoder kvantitativ
Institutt for psykologi Eksamensoppgave i PSY3100 forskningsmetoder kvantitativ Faglig kontakt under eksamen: Odin Hjemdal Tlf.: 73 59 19 60 Eksamensdato: 15. mai 2017 Eksamenstid: 09:00-13:00 Hjelpemiddelkode/Tillatte
DetaljerSVM and Complementary Slackness
SVM and Complementary Slackness David Rosenberg New York University February 21, 2017 David Rosenberg (New York University) DS-GA 1003 February 21, 2017 1 / 20 SVM Review: Primal and Dual Formulations
DetaljerForelesning 8 STK3100
$ $ $ # Fortolkning av Dermed blir -ene Vi får variasjonen i '& '& $ Dermed har fortolkning som andel av variasjonen forklart av regresjonen Alternativt: pga identiteten Forelesning 8 STK3100 p3/3 Multippel
DetaljerEksamensoppgave i SOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap
Institutt for sosiologi og statsvitenskap Eksamensoppgave i SOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap Faglig kontakt under eksamen: Johan Fredrik Rye Telefon: 992 73 088 Eksamensdato:
DetaljerForelesning 8 STK3100/4100
Forelesning STK300/400 Plan for forelesning: 0. oktober 0 Geir Storvik. Lineære blandede modeller. Eksempler - data og modeller 3. lme 4. Indusert korrelasjonsstruktur. Marginale modeller. Estimering -
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK 1000 Innføring i anvendt statistikk. Eksamensdag: Torsdag 1. juni 2006. Tid for eksamen: 09.00 12.00. Oppgavesettet er på
DetaljerEksamensoppgave i ST3001
Det medisinske fakultet Institutt for kreftforskning og molekylær medisin Eksamensoppgave i ST3001 fredag 25. mai 2012, kl. 9.00 13:00 Antall studiepoeng: 7.5 Tillatte hjelpemidler: Kalkulator og alle
DetaljerEksamensoppgave i PSY3100 Forskningsmetode - kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode - kvantitativ Faglig kontakt under eksamen: Odin Hjemdal Tlf.: Psykologisk institutt 73 59 19 60 Eksamensdato: 23.5.2013 Eksamenstid (fra-til):
DetaljerEksamensoppgave i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4255 Anvendt statistikk Faglig kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: August 2016 Eksamenstid (fra til): Hjelpemiddelkode/Tillatte
DetaljerEKSAMEN I PSY3100 FORSKNINGSMETODE KVANTITATIV HØSTEN 2012
NTNU Fakultet for samfunnsvitenskap og teknologiledelse Psykologisk institutt EKSAMEN I PSY3100 FORSKNINGSMETODE KVANTITATIV HØSTEN 2012 DATO: 12.12.12 Studiepoeng: 7,5 Sidetall bokmål 4 Tillatte hjelpemidler:
DetaljerPåvirker regionale forhold bedrifters verdiskapning og innovasjonsevne? Jarle Aarstad Senter for nyskaping Høgskolen i Bergen
Påvirker regionale forhold bedrifters verdiskapning og innovasjonsevne? Jarle Aarstad Senter for nyskaping Høgskolen i Bergen Regionale forhold langs ulike Befolkningstetthet Skalafordeler og markedsstørrelse
DetaljerHvorfor har forskjellen. i t-testen på nå blitt redusert til ?
Forelesning 16 Tolkning av regresjonsmodeller Eksamensoppgave i SVSOS17 18. mai 21 1 Oppgave 1a Tabell 1 viser et SPSS-utskrift av en t-test for to uavhengige utvalg, og er basert på data fra en spørreundersøkelse
DetaljerOPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ 6 SIDER MERKNADER: Alle deloppgaver vektlegges likt.
EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir forlag) OPPGAVESETTET
DetaljerEksamensoppgave i PSY3100 Forskningsmetode kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode kvantitativ Faglig kontakt under eksamen: Christian Klöckner Tlf.: 73 59 19 60 Eksamensdato: 8. desember 2016 Eksamenstid: 09:00 13:00 Hjelpemiddelkode/Tillatte
DetaljerEksamen ST2303 Medisinsk statistikk Onsdag 3 juni 2009 kl
1 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Faglig kontakt under eksamen Stian Lydersen tlf 72575428 / 92632393 Eksamen ST2303 Medisinsk statistikk Onsdag 3 juni 2009
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet. Eksamen i STK3100 Innføring i generaliserte lineære modeller Eksamensdag: Mandag 6. desember 2010 Tid for eksamen: 14.30 18.30 Oppgavesettet
DetaljerUTSATT SKOLEEKSAMEN I SOS KVANTITATIV METODE. 29. Mars 2017 (4 timer)
Institutt for sosiologi og samfunnsgeografi BOKMÅL UTSATT SKOLEEKSAMEN I SOS4020 - KVANTITATIV METODE 29 Mars 2017 (4 timer) Tillatte hjelpemidler: Alle skriftlige hjelpemidler og kalkulator Sensur for
DetaljerRegresjonsmodeller. HEL 8020 Analyse av registerdata i forskning. Tom Wilsgaard
Regresjonsmodeller HEL 8020 Analyse av registerdata i forskning Tom Wilsgaard Intro Mye forskning innen medisin og helsefag dreier seg om å studere assosiasjonen mellom en eller flere eksponeringsvariabler
DetaljerNTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap
NTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap EKSAMENSOPPGAVE SOS 00 ANVENDT STATISTISK DATAANALYSE I SAMFUNNSVITENSKAP Faglig kontakt under eksamen:
DetaljerRandom Forests Feb., Roger Bohn Big Data Analytics
1 Random Forests Feb., 2016 Roger Bohn Big Data Analytics Harold Colson on good library data catalogs Google Scholar http://scholar.google.com 2 Web of Science http://uclibs.org/pid/12610 Business Source
DetaljerGjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt.
Gjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt. Data fra likelonn.sav og vi ser på variablene Salnow, Edlevel og Sex (hvor
DetaljerNTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap
NTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap EKSAMENSOPPGAVE I SVSOS 36 REGRESJONSANALYSE Faglig kontakt under eksamen: Kristen Ringdal Tlf.:
DetaljerInstitutt for økonomi og administrasjon
Fakultet for samfunnsfag Institutt for økonomi og administrasjon Statistiske metoder Bokmål Dato: Torsdag 19. desember Tid: 4 timer / kl. 9-13 Antall sider (inkl. forside): 8 Antall oppgaver: 3 Oppsettet
DetaljerEksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder
Psykologisk institutt Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder Faglig kontakt under eksamen: Martin Rasmussen Tlf.: 73 59 19 60 Eksamensdato: 12.12.13 Eksamenstid
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Mandag 1. desember 2014. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerLøsningsforslag øving 9, ST1301
Løsningsforslag øving 9, ST1301 Oppgave 1 Regresjon. Estimering av arvbarhet. a) Legg inn din egen høyde, din mors høyde, din fars høyde, og ditt kjønn via linken på fagets hjemmeside 1. Last så ned dataene
DetaljerLogistisk regresjon 2
Logistisk regresjon 2 SPSS Utskrift: Trivariat regresjon a KJONN UTDAAR Constant Variables in the Equation B S.E. Wald df Sig. Exp(B) -,536,3 84,56,000,25,84,08 09,956,000,202 -,469,083 35,7,000,230 a.
DetaljerAndrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen
Andrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen The Process Goal Definition Data Collection Data Preprocessing EDA Choice of Variables Choice of Method(s) Performance Evaluation
DetaljerTilleggsoppgaver for STK1110 Høst 2015
Tilleggsoppgaver for STK0 Høst 205 Geir Storvik 22. november 205 Tilleggsoppgave Anta X,..., X n N(µ, σ) der σ er kjent. Vi ønsker å teste H 0 : µ = µ 0 mot H a : µ µ 0 (a) Formuler hypotesene som H 0
DetaljerNTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap
NTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap EKSAMENSOPPGAVE IDRSA004 Faglig kontakt under eksamen: Arve Hjelseth (7359562) Eksamensdato: 0.2.08
DetaljerLøsningsforsalg til andre sett med obligatoriske oppgaver i STK1110 høsten 2015
Løsningsforsalg til andre sett med obligatoriske oppgaver i STK1110 høsten 2015 R-kode for alle oppgaver er gitt bakerst. Oppgave 1 (a) Boksplottet antyder at verdiene er høyere for kvinner enn for menn.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Bio 2150 Biostatistikk og studiedesign Eksamensdag: 5. desember 2014 Tid for eksamen: 14:30-18:30 (4 timer) Oppgavesettet er
DetaljerForelesning 7 STK3100
( % - -! " stimering: MK = ML Forelesning 7 STK3100 1 oktober 2007 S O Samuelsen Plan for forelesning: 1 Generelt om lineære modeller 2 Variansanalyse - Kategoriske kovariater 3 Koding av kategoriske kovariater
DetaljerForelesning 7 STK3100/4100
Forelesning 7 STK3100/4100 p. 1/2 Forelesning 7 STK3100/4100 8. november 2012 Geir Storvik Plan for forelesning: 1. Kontinuerlige positive responser 2. Gamma regresjon 3. Invers Gaussisk regresjon Forelesning
DetaljerPrøveeksamen i STK3100/4100 høsten 2011.
Prøveeksamen i STK3100/4100 høsten 2011. Oppgave 1 (a) Angi tetthet/punktsannsynlighet for eksponensielle klasser med og uten sprednings(dispersjons)ledd. Nevn alle fordelingsklassene du kjenner som kan
DetaljerUNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Underveiseksamen i: STK1000 Innføring i anvendt statistikk. Eksamensdag: Onsdag 28/3, 2007. Tid for eksamen: Kl. 09.00 11.00. Tillatte hjelpemidler:
DetaljerEKSAMENSOPPGAVE I SOS3003:
EKSAMENSOPPGAVE I SOS3003: ANVENDT STATISTISK DATAANALYSE I SAMFUNNSVITENSKAP HØST 2012. Faglig kontakt under eksamen: Albert Andrew Simkus Telefon: 99 53 21 74 Eksamensdato og tidspunkt: 17. desember
DetaljerSOS 31 MULTIVARIAT ANALYSE
1 SOS 31 MULTIVARIAT ANALYSE Eksamensdag: Onsdag 22. mai 1996 Eksamensstad: Nidarøhallen, Hall A Tid til eksamen: 6 timar Vekttal: 4 Talet på sider med nynorsk: 18 Sensurdato: 23 juni 1996 Hjelpemiddel
DetaljerEKSAMEN I SOS1120 KVANTITATIV METODE 23. NOVEMBER 2004 (6 timer)
EKSAMEN I SOS20 KVANTITATIV METODE 23. NOVEMBER 2004 (6 timer) Bruk av ikke-programmerbar kalkulator er tillatt under eksamen. Utover det er ingen hjelpemidler tillatt. Sensur faller tirsdag 4. desember
DetaljerEksamensoppgave i TMA4267 Lineære statistiske modeller
Institutt for matematiske fag Eksamensoppgave i TMA4267 Lineære statistiske modeller Faglig kontakt under eksamen: Tlf: Eksamensdato: August 2014 Eksamenstid (fra til): Hjelpemiddelkode/Tillatte hjelpemidler:
DetaljerSOS1120 Kvantitativ metode. Regresjonsanalyse. Lineær sammenheng II. Lineær sammenheng I. Forelesningsnotater 11. forelesning høsten 2005
SOS1120 Kvantitativ metode Regresjonsanalyse Forelesningsnotater 11. forelesning høsten 2005 Per Arne Tufte Lineær sammenheng I Lineær sammenheng II Ukelønn i kroner 4000 3500 3000 2500 2000 1500 1000
Detaljer1 + γ 2 X i + V i (2)
Seminaroppgave 8 8.1 I en studie av sammenhengen mellom gjennomsnittlig inntekt og utgifter til offentlig skoledrift for ulike amerikanske stater i 1979 estimeres modellen; Y i = β 0 + β 1 X i + β 2 Xi
DetaljerForelesning 10 STK3100
Momenter i multinomisk fordeling Forelesning 0 STK300 3. november 2008 S. O. Samuelsen Plan for forelesning:. Multinomisk fordeling 2. Multinomisk regresjon - ikke-ordnede kategorier 3. Multinomisk regresjon
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1 Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30 18.00. Oppgavesettet
DetaljerMaskinlæring og nevrale nettverk
Maskinlæring og nevrale nettverk En innføring Sven Haadem 15.02.2017 Unify AI, phd matematikk/statistikk UiO 1 Kan vi si noe om fremtiden og i så fall hva? A priori og a posteriori viten Emperi - problemet
DetaljerEksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ Faglig kontakt under eksamen: Mehmet Mehmetoglu Tlf.: 91838665 Eksamensdato: Eksamenstid (fra-til): Hjelpemiddelkode/Tillatte
DetaljerRidge regresjon og lasso notat til STK2120
Ridge regresjon og lasso notat til STK2120 Ørulf Borgan februar 2016 I dette notatet vil vi se litt nærmere på noen alternativer til minste kvadraters metode ved lineær regresjon. Metodene er særlig aktuelle
DetaljerEksamen i : STA-1002 Statistikk og. Eksamensdato : 26. september 2011. Sted : Administrasjonsbygget. Tillatte hjelpemidler : - Godkjent kalkulator
Side 1 av 11 sider EKSAMENSOPPGAVE I STA-1002 Eksamen i : STA-1002 Statistikk og sannsynlighet 2 Eksamensdato : 26. september 2011. Tid : 09-13. Sted : Administrasjonsbygget. Tillatte hjelpemidler : -
DetaljerINF120: Oblig 3. Yngve Mardal Moe
Yngve Mardal Moe Mar 28, 2019 Contents 1 Hva trenger dere for denne oppgaven 3 2 Hvordan skal dere arbeide med denne oppgaven 5 3 En søkeindeks 7 4 Å slå opp i en søkeindeks 9 5 Å utvide en søkeindeks
DetaljerEKSAMENSOPPGAVE STA-2004.
Fakultet for naturvitenskap og teknologi EKSAMENSOPPGAVE Eksamen i: STA-2004. Dato: Torsdag 28. september 2017. Klokkeslett: 09 13. Sted: Tillatte hjelpemidler: Teorifagsbygget. «Tabeller og formler i
DetaljerEksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ Faglig kontakt under eksamen: Mehmet Mehmetoglu Tlf.: 73 59 19 60 Eksamensdato: 19.05.2015 Eksamenstid (fra-til): 09:00 13:00
DetaljerBokmål. Eksamen i: Stat100 Statistikk Tid: 18. mai Emneansvarlig: Trygve Almøy:
Bokmål Institutt: IKBM Eksamen i: Stat100 Statistikk Tid: 18. mai 2010 09.00-12.30 Emneansvarlig: Trygve Almøy: 64 96 58 20 Tillatte hjelpemidler: C3: alle typer kalkulatorer, alle andre hjelpemiddel Oppgaveteksten
DetaljerINF2820 Datalingvistikk V Gang 24.4 Jan Tore Lønning
INF2820 Datalingvistikk V2017 13. Gang 24.4 Jan Tore Lønning I dag: Tekstklassfisering To eksempler fra NLTK: Navn Filmanmeldelser, sentiment analysis Eksperimentering Evaluering Naive Bayes, hovedprinsipper
DetaljerEmnenavn: Eksamenstid: Faglærer: Bjørnar Karlsen Kivedal
EKSAMEN Emnekode: SFB12016 Dato: 06.06.2019 Hjelpemidler: Godkjent kalkulator Emnenavn: Metodekurs II: Samfunnsvitenskapelig metode og anvendt statistikk Eksamenstid: 09.00-13.00 Faglærer: Bjørnar Karlsen
DetaljerInteraction between GPs and hospitals: The effect of cooperation initiatives on GPs satisfaction
Interaction between GPs and hospitals: The effect of cooperation initiatives on GPs satisfaction Ass Professor Lars Erik Kjekshus and Post doc Trond Tjerbo Department of Health Management and Health Economics
DetaljerEKSAMENSOPPGAVE STA «Tabeller og formler i statistikk» av Kvaløy og Tjelmeland. To A4-ark/ 4 sider med egne notater. Godkjent kalkulator. Rute.
Fakultet for naturvitenskap og teknologi EKSAMENSOPPGAVE Eksamen i: STA-2004. Dato: Torsdag 31. mai 2018. Klokkeslett: 09-13. Sted: Åsgårdvegen 9. Tillatte hjelpemidler: «Tabeller og formler i statistikk»
DetaljerMA Universitetet i Agder Institutt for matematiske fag EKSAMEN. Emnekode: MA-202 Emnenavn: Statistikk 2
Universitetet i Agder Institutt for matematiske fag MA-202 1 EKSAMEN Emnekode: MA-202 Emnenavn: Statistikk 2 Dato: 21. november 2011 Varighet: 0900 1400 Antall sider inkl. forside: 5 Tillatte hjelpemidler:
DetaljerNTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap
NTNU, TRONDHEIM Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap EKSAMENSOPPGAVE I SVSOS 316 REGRESJONSANALYSE Faglig kontakt under eksamen: Kristen Ringdal Tlf.:
DetaljerForelesning 17 Logistisk regresjonsanalyse
Forelesning 17 Logistisk regresjonsanalyse Logistiske regresjons er den mest brukte regresjonsanalysen når den avhengige variabelen er todelt Metoden kan brukes til å: teste hypoteser om variablers effekt
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: n + (x 0 x) 2 σ2
MOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: Oppgave 11.27 (11.6:13) Modell: Y i = α + βx i + ε i der ε 1,..., ε n u.i.f. N(0, σ 2 ). Skal finne konfidensintervall
DetaljerSAS FANS NYTT & NYTTIG FRA VERKTØYKASSA TIL SAS 4. MARS 2014, MIKKEL SØRHEIM
SAS FANS NYTT & NYTTIG FRA VERKTØYKASSA TIL SAS 4. MARS 2014, MIKKEL SØRHEIM 2 TEMA 1 MULTIPROSESSERING MED DATASTEGET Multiprosessering har lenge vært et tema i SAS Stadig ny funksjonalitet er med på
DetaljerSOS3003 Eksamensoppgåver
SOS3003 Eksamensoppgåver Gjennomgang våren 2004 Erling Berge Gjennomgang av Oppgåve 1 gitt hausten 2003 Haust 2003 Oppgåve 1 Den avhengige variabelen i regresjonsanalysen er en skala (indeks) for tillit
DetaljerAccuracy of Alternative Baseline Methods
Accuracy of Alternative Baseline Methods Dr. Steven Braithwait Christensen Associates Energy Consulting IEPEC - Paris June 2010 Outline Demand response & role of baseline loads Measures of baseline performance
DetaljerTid: 29. mai (3.5 timer) Ved alle hypotesetester skal både nullhypotese og alternativ hypotese skrives ned.
EKSAMENSOPPGAVE, bokmål Institutt: IKBM Eksamen i: STAT100 STATISTIKK Tid: 29. mai 2012 09.00-12.30 (3.5 timer) Emneansvarlig: Trygve Almøy (Tlf: 95141344) Tillatte hjelpemidler: C3: alle typer kalkulator,
DetaljerKlassisk ANOVA/ lineær modell
Anvendt medisinsk statistikk, vår 008: - Varianskomponenter - Sammensatt lineær modell med faste og tilfeldige effekter - Evt. faktoriell design Eirik Skogvoll Overlege, Klinikk for anestesi og akuttmedisin
Detaljer10.1 Enkel lineær regresjon Multippel regresjon
Inferens for regresjon 10.1 Enkel lineær regresjon 11.1-11.2 Multippel regresjon 2012 W.H. Freeman and Company Denne uken: Enkel lineær regresjon Litt repetisjon fra kapittel 2 Statistisk modell for enkel
DetaljerUnivariate tabeller. Bivariat tabellanalyse. Forelesning 8 Tabellanalyse. Formålet med bivariat analyse:
Forelesning 8 Tabellanalyse Tabellanalyse er en godt egnet presentasjonsform hvis: variablene har et fåtall naturlige kategorier For eksempel kjønn, Eu-syn variablene er delt inn i kategorier For eksempel
Detaljer