R Notebook

# kniznice
library(dplyr)
library(purrr)
library(tibble)
library(knitr)
library(kableExtra)
library(zoo)
library(tseries)
library(lmtest)
library(sandwich)
library(car)
library(broom)
library(ggplot2)
library(patchwork)
library(broom)
library(rmarkdown)
library(stringr)

# data
udaje <- read.csv("dataEKONOMETRIA.csv", dec=".", sep=",", header = TRUE)

# Data imputation

# Compute column medians
column_medians <- sapply(udaje, median, na.rm = TRUE)

# Impute missing values with column medians
udaje_imputed <- udaje
for (col in names(udaje)) {
  udaje_imputed[[col]][is.na(udaje_imputed[[col]])] <- column_medians[col]
}

# Replace the original data with the imputed data
udaje <- udaje_imputed

Úvod

Modelovanie ekonomických ukazovateľov je dôležité pre analýzu výkonnosti firiem a celkový hospodársky rozvoj. V tejto práci sa zameriavame na modelovanie výkonnosti firiem prostredníctvom ukazovateľov ako sú rentabilita vlastného kapitálu (ROE), rentabilita aktív (ROA), EBITDA marža (EBITDAmarza), a podiel žien vo vedení firmy. Tieto ukazovatele poskytujú cenné informácie o finančnej zdraví a stratégii podniku, ktoré sú dôležité pre rozhodovanie manažérov, investorov a regulátorov.

Presné modely výkonnosti firiem umožňujú predpovedať budúci výkon podnikov, hodnotiť efektívnosť ich operácií a poskytovať cenné údaje pre ekonomické plánovanie. Mimoriadny význam má analýza faktorov, ktoré ovplyvňujú tieto ukazovatele, ako je organizačná štruktúra firmy, pomer mužov a žien v riadiacich pozíciách, a iné socioekonomické faktory. Tieto faktory môžu mať zásadný vplyv na finančné výsledky firiem.

V práci sa budeme zaoberať modelovaním výkonnosti firiem zameraním sa na ROE, ROA, EBITDA maržu a podiel žien vo vedení firiem, pričom cieľom je identifikovať faktory, ktoré najvýraznejšie ovplyvňujú tieto ukazovatele.

Údaje

Údaje, ktoré používame v tejto práci, pochádzajú z databázy dataEKONOMETRIA, ktorá obsahuje finančné a organizačné ukazovatele pre rôzne firmy v roku 2015. Databáza obsahuje informácie o ukazovateľoch ako ROE, ROA, EBITDAmarza, M (počet mužov v riadení), Z (počet žien v riadení), a ďalších socioekonomických a organizačných faktoroch. Tieto dáta sú mnou zozbierané sekundárne dáta, zo zdrojov ako FinStat, OR a účtovné závierky.

V rámci analýzy sme sa rozhodli zahrnúť len základné ukazovatele, ktoré sú považované za kľúčové pre hodnotenie výkonnosti firiem. Predpokladáme, že tieto ukazovatele, ako je podiel žien vo vedení firmy, ROA, a EBITDA marža, môžu byť významnými vysvetľujúcimi faktormi pre predikciu ROE a iných finančných ukazovateľov.

V databáze niektoré údaje chýbali, preto sme tieto chýbajúce hodnoty doplnili mediánmi zodpovedajúcich premenných.

udaje <- read.csv("dataEKONOMETRIA.csv")
udaje

# Vyberieme numerické premenné
numerical_vars <- c("ROE", "ROA", "EBITDAmarza", "M", "Z")

# Funkcia na výpočet základných štatistík
summary_stats <- function(x) {
  c(
    Min      = min(x, na.rm = TRUE),
    Q1       = quantile(x, 0.25, na.rm = TRUE),
    Median   = median(x, na.rm = TRUE),
    Mean     = mean(x, na.rm = TRUE),
    Q3       = quantile(x, 0.75, na.rm = TRUE),
    Max      = max(x, na.rm = TRUE)
  )
}

# Získanie základných štatistík pre numerické premenné
summary_table <- numerical_vars %>%
  set_names(numerical_vars) %>%                      # zachovať pôvodné názvy premenných
  map(~ summary_stats(dataEKONOMETRIA[[.x]])) %>%    # počíta štatistiky
  bind_cols() %>%                          # zlúčiť do jednej tabuľky
  mutate(Statistic = c("Min.", "1st Qu.", "Median", "Mean", "3rd Qu.", "Max.")) %>%
  select(Statistic, everything())

summary_table

NA

# Import necessary libraries
library(ggplot2)
library(patchwork)   # For 2x2 layout

# 1. Z vs. ROE
p1 <- ggplot(dataEKONOMETRIA, aes(x = Z, y = ROE)) +
  geom_point(color = "#e31a1c", alpha = 0.7, size = 2) +
  geom_smooth(method = "lm", se = TRUE, color = "blue") +
  labs(title = "Z vs. ROE",
       x = "Počet žien (Z)", y = "ROE") +
  theme_minimal(base_size = 12)

# 2. Z vs. ROA
p2 <- ggplot(dataEKONOMETRIA, aes(x = Z, y = ROA)) +
  geom_point(color = "#e31a1c", alpha = 0.7, size = 2) +
  geom_smooth(method = "lm", se = TRUE, color = "blue") +
  labs(title = "Z vs. ROA",
       x = "Počet žien (Z)", y = "ROA") +
  theme_minimal(base_size = 12)

# Arrange as 2 × 1 grid
p1 / p2

V grafických zobrazeniach medzi počtom žien (Z) a ROE, ako aj medzi počtom žien (Z) a ROA, môžeme vidieť, že existuje veľmi slabý pozitívny vzťah medzi týmito premennými. V prípade ROE a Z je závislosť veľmi plochá, čo naznačuje, že počet žien vo vedení nemá výrazný vplyv na ROE. Rovnako je tomu aj pri vzťahu medzi Z a ROA.

Oba grafy ukazujú, že dáta sa do značnej miery sústreďujú okolo nulových hodnôt ROE a ROA a nie sú prítomné silné odchýlky, ktoré by naznačovali silný vzťah medzi týmito premennými. Výrazný vplyv počtu žien vo vedení na finančné ukazovatele nie je v tomto prípade evidentný, čo môže naznačovať, že ďalšie faktory ovplyvňujú tieto ukazovatele, než len zastúpenie žien v managemente.