---
title: "Lineárna regresia - základné testy a diagnostika"
author: "Irina Sokolova <br>"
date: today
format:
html:
toc: true
toc-location: left
theme: united
highlight-style: tango
embed-resources: true
code-fold: show
code-tools: true
editor:
markdown:
wrap: 72
---
# Príprava databázy
Načítanie údajov.
```{r}
library(broom)
library(knitr)
library(kableExtra)
library(ggplot2)
library(dplyr)
library(car)
library(tseries)
udaje <- read.csv("annual-enterprise-survey-2025-financial-year-provisional.csv", dec=".", sep=",", header = TRUE)
udaje.2025 <- udaje[udaje$Year == 2025 & udaje$Industry_aggregation_NZSIOC == "Level 3", c("Industry_name_NZSIOC", "Variable_name", "Value")]
udaje.2025$Value <- as.numeric(gsub(",", "", udaje.2025$Value))
library(tidyr)
udaje_wide <- udaje.2025 %>%
pivot_wider(names_from = Variable_name, values_from = Value)
save.image("pamat.Rdata")
```
# Odhad regresného modelu
Budem modelovať závislosť celkových príjmov (Total.income) od výdavkov (Total.expenditure) a celkových aktív (Total.assets).
```{r}
model <- lm(`Total income` ~ +1 + `Total expenditure` + `Total assets`, data = udaje_wide)
tidy(model) |>
mutate(
Significance = case_when(
p.value < 0.001 ~ "***",
p.value < 0.01 ~ "**",
p.value < 0.05 ~ "*",
p.value < 0.10 ~ ".",
TRUE ~ ""
)
) |>
kable(digits = 4, caption = "Regression coefficients") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Kvalita vyrovnania modelu a celkové charakteristiky
Súhrnné charakteristiky.
```{r}
glance(model) |>
select(-deviance) |>
kable(digits = 4, caption = "Model summary") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Grafická analýza kvality modelu
Nastavenie rozloženia 2x2.
```{r}
par(mfrow = c(2, 2))
plot(model)
par(mfrow = c(1, 1))
```
# Štatistické testy rezíduí
## Jarque-Berov test normality rezíduí
Testujeme, či majú rezíduá normálne rozdelenie (nulová hypotýza $H_0$: rezíduá sú normálne rozložené).
```{r}
res <- residuals(model)
jb_test <- tseries::jarque.bera.test(res)
tidy(jb_test) |>
select(statistic, p.value, method) |>
kable(digits = 4, caption = "Jarque-Bera test of residual normality") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
## Test odľahlých pozorovaní
```{r}
outlier_test <- car::outlierTest(model)
if (!is.null(outlier_test)) {
outlier_table <- data.frame(
Observation = names(outlier_test$rstud),
rstudent = unname(outlier_test$rstud),
unadjusted.p = unname(outlier_test$p),
bonf.p = unname(outlier_test$bonf.p)
)
kable(outlier_table, digits = 4, caption = "Outlier test with Bonferroni correction") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
}
```
# Úprava modelu
Vyskúšam logaritmickú transformáciu premenných na stabilizáciu rozptylu alebo riešenie nelinearity.
```{r}
model2 <- lm(log(`Total income`) ~ log(`Total expenditure`) + log(`Total assets`), data = udaje_wide)
tidy(model2) |>
kable(digits = 4, caption = "Regression results – Log-Log Model") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Reziduálny súčet štvorcov a reziduálna štandardná chyba
Reziduálny súčet štvorcov meria celkovú veľkosť štvorcov odchýlok pozorovaných hodnôt od hodnôt predikovaných regresným modelom. Metóda najmenších štvorcov (OLS) hľadá také odhady, ktoré túto veličinu minimalizujú.
```{r}
deviance(model)
sigma(model)
sqrt(deviance(model) / df.residual(model))
```
# Malé úlohy
## Porovnanie modelov pomocou Akaikeho informačného kritéria
Model 1 (Pôvodný lineárny model): Total.income ~ Total.expenditure + Total.assets
Model 2 (Log-log model): log(Total.income) ~ log(Total.expenditure) + log(Total.assets)
```{r}
aic_m1 <- AIC(model)
aic_m2 <- AIC(model2)
```
Porovnanie prostredníctvom AIC:
Pri Akaikeho informačnom kritériu platí, že uprednostňujeme model s nižšou (zápornejšou) hodnotou AIC, pretože AIC penalizuje zložitosť modelu a hodnotí kvalitu prispôsobenia.
Model 2 (logaritmický model) je výrazne lepší pri použití AIC, pretože dosahuje podstatne nižšiu hodnotu v porovnaní s lineárnym modelom. Logaritmická transformácia v tomto prípade stabilizovala varianciu a pomohla vyrovnať rozdelenie premenných, a viedla aj k oveľa lepšiemu informačnému profilu modelu.
## Iná modifikácia modelu
Ako inú modifikáciu vyskúšam model, kde namiesto celkových aktív (Total.assets) zahrnňam do vysvetľujúcich premenných osobné náklady: vyplatené mzdy a platy (Salaries.and.wages.paid).
```{r}
load("pamat.Rdata")
model3 <- lm(`Total income` ~ +1 + `Total expenditure` + `Salaries and wages paid`, data = udaje_wide)
summary(model3)
AIC(model3)
```
### Interpretácia novej modifikácie
Hoci Model 3 dáva ekonomicky veľmi dobre interpretovateľné výsledky, z pohľadu kvality vyrovnania ($R^2 \approx 0.958$) aj informačných kritérií ($\text{AIC} \approx 894.79$) dosahuje horšie výsledky než Model 1 a Model 2. Pridanie alebo zámena za premennú celkových aktív v Modeloch 1 a 2 vysvetľuje varianciu celkových výnosov (Total.income) podstatne presnejšie.
```{r}
save.image("pamat.Rdata")
rm(list = ls())
```