Ekonometria – Cvičenie 7

Prognostické využitie lineárneho regresného modelu – udržateľná energetika

Úvod

V tomto cvičení nadväzujem na analýzu databázy Global Data on Sustainable Energy. V predchádzajúcich cvičeniach som skúmal vzťah medzi ekonomickými a energetickými ukazovateľmi a podielom nízkouhlíkovej elektriny.

Teraz sa zameriavam na prognostické využitie lineárneho regresného modelu.

Výskumná otázka: Ako presne dokážeme pomocou HDP na obyvateľa a spotreby energie predpovedať podiel nízkouhlíkovej elektriny v krajinách, ktoré neboli použité pri odhade regresného modelu?

Používam prierezové údaje za rok 2019. Jedno pozorovanie predstavuje jednu krajinu.

Keďže nejde o časový rad, výsledkom je predikcia pre krajiny mimo odhadovej vzorky, nie predpoveď budúceho roku.

Metodická poznámka: Špecifikáciu modelu sme skúmali už v predchádzajúcom cvičení na celej databáze. Preto dodatočné rozdelenie údajov na odhadovú a testovaciu vzorku neposkytuje úplne nezávislé overenie prognostickej presnosti. Model však znovu odhadneme výhradne na odhadovej vzorke a prognostické chyby vypočítame na oddelenej testovacej vzorke.

1. Načítanie údajov a pracovnej pamäte

Najskôr sa pokúsim obnoviť pracovné prostredie z predchádzajúceho cvičenia.

Ak pamäť nie je dostupná alebo neobsahuje pripravené údaje, načítam pôvodný CSV súbor.

pamat_subory <- c(
  "pamat_cvicenie5.RData",
  "pamat_cvicenie5.Rdata"
)

pamat_existuje <- pamat_subory[
  file.exists(pamat_subory)
]

if (length(pamat_existuje) > 0) {
  load(pamat_existuje[1])
  cat("Pracovná pamäť bola načítaná.\n")
} else {
  cat("Pamäť z cvičenia 5 nebola nájdená.\n")
}
Pracovná pamäť bola načítaná.
if (!exists("reg_data") ||
    !is.data.frame(reg_data) ||
    !all(c(
      "low_carbon",
      "gdp_tisic",
      "energy_tisic",
      "gdp_pc",
      "energy_pc"
    ) %in% names(reg_data))) {

  subor <- "global-data-on-sustainable-energy (1).csv"

  moznosti <- c(
    subor,
    file.path("udaje", subor),
    file.path("data", subor),
    "global-data-on-sustainable-energy.csv"
  )

  existujuce <- moznosti[file.exists(moznosti)]

  if (length(existujuce) == 0) {
    stop(
      "Nenašla sa pamäť ani CSV databáza. Vlož CSV do priečinka s Cvicenie7.qmd."
    )
  }

  udaje <- read.csv(
    existujuce[1],
    check.names = FALSE,
    stringsAsFactors = FALSE
  )

  d <- udaje[udaje$Year == 2019, ]

  reg_data <- data.frame(
    krajina = d[["Entity"]],
    low_carbon = as.numeric(
      d[["Low-carbon electricity (% electricity)"]]
    ),
    gdp_pc = as.numeric(
      d[["gdp_per_capita"]]
    ),
    energy_pc = as.numeric(
      d[["Primary energy consumption per capita (kWh/person)"]]
    ),
    intensity = as.numeric(
      d[["Energy intensity level of primary energy (MJ/$2017 PPP GDP)"]]
    )
  )

  reg_data <- reg_data[
    complete.cases(reg_data) &
      reg_data$low_carbon >= 0 &
      reg_data$low_carbon <= 100 &
      reg_data$gdp_pc > 0 &
      reg_data$energy_pc > 0 &
      reg_data$intensity > 0,
    ,
    drop = FALSE
  ]

  reg_data$gdp_tisic <- reg_data$gdp_pc / 1000
  reg_data$energy_tisic <- reg_data$energy_pc / 1000

  rownames(reg_data) <- make.unique(reg_data$krajina)

  cat("Údaje boli načítané z CSV.\n")
}

stopifnot(
  is.data.frame(reg_data),
  nrow(reg_data) >= 30
)

cat("Počet krajín:", nrow(reg_data), "\n")
Počet krajín: 158 

2. Príprava údajov na prognózovanie

Používam tri premenné:

  • low_carbon – podiel nízkouhlíkovej elektriny v percentách.
  • gdp_tisic – HDP na obyvateľa v tisícoch USD.
  • energy_tisic – primárna spotreba energie na obyvateľa v tisícoch kWh.
udaje7 <- reg_data[
  ,
  c("low_carbon", "gdp_tisic", "energy_tisic"),
  drop = FALSE
]

udaje7 <- udaje7[
  complete.cases(udaje7),
  ,
  drop = FALSE
]

stopifnot(
  nrow(udaje7) >= 30,
  all(is.finite(as.matrix(udaje7)))
)

knitr::kable(
  head(udaje7, 10),
  digits = 3,
  caption = "Pripravené údaje pre prognostickú analýzu"
)
Pripravené údaje pre prognostickú analýzu
low_carbon gdp_tisic energy_tisic
Afghanistan 83.178 0.494 0.803
Albania 100.000 5.396 11.586
Algeria 1.095 3.990 16.259
Angola 71.558 2.810 3.667
Antigua and Barbuda 2.941 17.377 33.028
Argentina 31.992 10.057 20.725
Armenia 60.822 4.605 16.179
Australia 21.376 54.875 66.264
Austria 77.110 50.114 48.314
Azerbaijan 6.870 4.806 17.547

3. Čo je prognóza v lineárnom regresnom modeli?

Východiskový model má tvar:

\[ LowCarbon_i = \beta_0 + \beta_1 GDPpc_i + \beta_2 EnergyPC_i + u_i \]

Bodová prognóza sa vypočíta ako:

\[ \hat y_i = \hat\beta_0 + \hat\beta_1 GDPpc_i + \hat\beta_2 EnergyPC_i \]

Prognostická chyba predstavuje rozdiel medzi skutočnou a predpovedanou hodnotou:

\[ a_i = y_i-\hat y_i \]

Ak je chyba kladná, model skutočný podiel nízkouhlíkovej elektriny podhodnotil.

Ak je chyba záporná, model skutočný podiel nadhodnotil.

Prognostické chyby na testovacej vzorke nemusia mať nulový súčet.

4. Rozdelenie údajov na odhadovú a testovaciu vzorku

Údaje rozdelím na dve časti:

  • 80 % krajín použijem na odhad regresného modelu.
  • 20 % krajín použijem na testovanie prognóz.

Používam set.seed(2026), aby bolo náhodné rozdelenie reprodukovateľné.

set.seed(2026)

n <- nrow(udaje7)

index_odhad <- sort(
  sample(
    seq_len(n),
    size = floor(0.8 * n)
  )
)

odhadova <- udaje7[
  index_odhad,
  ,
  drop = FALSE
]

testovacia <- udaje7[
  -index_odhad,
  ,
  drop = FALSE
]

stopifnot(
  nrow(odhadova) + nrow(testovacia) == n
)

rozdelenie <- data.frame(
  Vzorka = c("Odhadová", "Testovacia", "Spolu"),
  Pocet = c(
    nrow(odhadova),
    nrow(testovacia),
    n
  ),
  Podiel_percent = round(
    100 * c(
      nrow(odhadova),
      nrow(testovacia),
      n
    ) / n,
    1
  )
)

knitr::kable(
  rozdelenie,
  digits = 1,
  caption = "Rozdelenie krajín na odhadovú a testovaciu vzorku"
)
Rozdelenie krajín na odhadovú a testovaciu vzorku
Vzorka Pocet Podiel_percent
Odhadová 126 79.7
Testovacia 32 20.3
Spolu 158 100.0

5. Odhad regresného modelu

Regresný model odhadujem výhradne na odhadovej vzorke.

Tým zabezpečím, že koeficienty modelu nebudú priamo vypočítané z testovacích krajín.

model7 <- lm(
  low_carbon ~ gdp_tisic + energy_tisic,
  data = odhadova
)

summary(model7)

Call:
lm(formula = low_carbon ~ gdp_tisic + energy_tisic, data = odhadova)

Residuals:
    Min      1Q  Median      3Q     Max 
-62.703 -28.684  -4.005  26.188  71.777 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)   42.5643     3.8786  10.974   <2e-16 ***
gdp_tisic      0.3791     0.1939   1.956   0.0528 .  
energy_tisic  -0.2306     0.1355  -1.702   0.0913 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 33.79 on 123 degrees of freedom
Multiple R-squared:  0.03151,   Adjusted R-squared:  0.01577 
F-statistic: 2.001 on 2 and 123 DF,  p-value: 0.1396

Regresné koeficienty

knitr::kable(
  as.data.frame(
    summary(model7)$coefficients
  ),
  digits = 4,
  caption = "Regresné koeficienty odhadovej vzorky"
)
Regresné koeficienty odhadovej vzorky
Estimate Std. Error t value Pr(>|t|)
(Intercept) 42.5643 3.8786 10.9742 0.0000
gdp_tisic 0.3791 0.1939 1.9557 0.0528
energy_tisic -0.2306 0.1355 -1.7021 0.0913

6. Bodové prognózy

Funkcia predict() vypočíta prognózované hodnoty podielu nízkouhlíkovej elektriny pre krajiny z testovacej vzorky.

testovacia$Prognoza <- as.numeric(
  predict(
    model7,
    newdata = testovacia
  )
)

testovacia$Chyba <- (
  testovacia$low_carbon -
  testovacia$Prognoza
)

testovacia$Absolutna_chyba <- abs(
  testovacia$Chyba
)

tabulka_prognoz <- data.frame(
  Krajina = rownames(testovacia),
  Skutocnost = testovacia$low_carbon,
  Prognoza = testovacia$Prognoza,
  Chyba = testovacia$Chyba
)

knitr::kable(
  head(tabulka_prognoz, 10),
  digits = 3,
  row.names = FALSE,
  caption = "Prvých desať prognózovaných krajín"
)
Prvých desať prognózovaných krajín
Krajina Skutocnost Prognoza Chyba
Albania 100.000 41.938 58.062
Argentina 31.992 41.598 -9.606
Armenia 60.822 40.579 20.243
Bahrain 0.032 15.657 -15.625
Belarus 2.495 37.795 -35.300
Belize 53.409 42.211 11.199
Bulgaria 54.909 39.392 15.516
China 31.673 39.889 -8.216
Denmark 78.177 57.584 20.593
Djibouti 0.000 43.202 -43.202

7. Grafické porovnanie prognóz a skutočnosti

V prvom grafe porovnávam skutočné a prognózované hodnoty.

Ak by bol model dokonale presný, všetky body by ležali na diagonále.

Druhý graf zobrazuje prognostické chyby. Ideálny model by mal chyby náhodne rozptýlené okolo nuly.

op <- par(mfrow = c(1, 2))

lim <- range(
  c(
    testovacia$low_carbon,
    testovacia$Prognoza
  )
)

plot(
  testovacia$low_carbon,
  testovacia$Prognoza,
  xlab = "Skutočný podiel nízkouhlíkovej elektriny (%)",
  ylab = "Prognóza (%)",
  main = "Skutočnosť a prognóza",
  pch = 19,
  xlim = lim,
  ylim = lim
)

abline(
  a = 0,
  b = 1,
  col = "red",
  lwd = 2
)

plot(
  testovacia$Prognoza,
  testovacia$Chyba,
  xlab = "Prognóza (%)",
  ylab = "Chyba (percentuálne body)",
  main = "Prognostické chyby",
  pch = 19
)

abline(
  h = 0,
  col = "red",
  lwd = 2
)

Skutočné a prognózované hodnoty a prognostické chyby
par(op)

8. Ukazovatele kvality prognóz

Kvalitu prognóz hodnotím pomocou piatich základných ukazovateľov.

ME – Mean Error

Priemerná podpísaná prognostická chyba:

\[ ME = \frac{1}{m}\sum_{i=1}^{m}a_i \]

Ukazuje, či model v priemere podhodnocuje alebo nadhodnocuje skutočné hodnoty.

MAE – Mean Absolute Error

Priemerná absolútna chyba:

\[ MAE = \frac{1}{m}\sum_{i=1}^{m}|a_i| \]

Udáva priemernú absolútnu veľkosť chyby v percentuálnych bodoch.

MSE – Mean Squared Error

Priemerná štvorcová chyba:

\[ MSE = \frac{1}{m}\sum_{i=1}^{m}a_i^2 \]

Výraznejšie penalizuje veľké prognostické chyby.

RMSE – Root Mean Squared Error

Odmocnina z priemernej štvorcovej chyby:

\[ RMSE = \sqrt{MSE} \]

Vyjadruje veľkosť prognostickej chyby v percentuálnych bodoch.

MAPE – Mean Absolute Percentage Error

Priemerná absolútna percentuálna chyba:

\[ MAPE = \frac{100}{m} \sum_{i=1}^{m} \left|\frac{a_i}{y_i}\right| \]

MAPE vyjadruje relatívnu chybu v percentách. Nie je definovaná pri nulových skutočných hodnotách a môže byť zavádzajúca pri hodnotách blízkych nule.

Výpočet ukazovateľov

skutocnost <- testovacia$low_carbon
prognoza <- testovacia$Prognoza

chyba <- skutocnost - prognoza

ME <- mean(chyba)
MAE <- mean(abs(chyba))
MSE <- mean(chyba^2)
RMSE <- sqrt(MSE)

MAPE <- if (all(skutocnost > 0)) {
  100 * mean(
    abs(chyba / skutocnost)
  )
} else {
  NA_real_
}

vysledky_presnost <- data.frame(
  Ukazovatel = c(
    "ME",
    "MAE",
    "MSE",
    "RMSE",
    "MAPE"
  ),
  Hodnota = c(
    ME,
    MAE,
    MSE,
    RMSE,
    MAPE
  ),
  Jednotka = c(
    "percentuálne body",
    "percentuálne body",
    "percentuálne body na druhú",
    "percentuálne body",
    "%"
  )
)

knitr::kable(
  vysledky_presnost,
  digits = 4,
  caption = "Ukazovatele kvality prognóz"
)
Ukazovatele kvality prognóz
Ukazovatel Hodnota Jednotka
ME -8.3922 percentuálne body
MAE 22.8087 percentuálne body
MSE 705.4507 percentuálne body na druhú
RMSE 26.5603 percentuálne body
MAPE NA %

Interpretácia presnosti

cat(
  "Priemerná absolútna chyba MAE dosahuje **",
  round(MAE, 3),
  " percentuálneho bodu**.\n\n",
  sep = ""
)

Priemerná absolútna chyba MAE dosahuje 22.809 percentuálneho bodu.

cat(
  "Hodnota RMSE je **",
  round(RMSE, 3),
  " percentuálneho bodu**.\n\n",
  sep = ""
)

Hodnota RMSE je 26.56 percentuálneho bodu.

if (ME > 0) {
  cat(
    "Kladná hodnota ME znamená, že model ",
    "v priemere podhodnocuje skutočný podiel ",
    "nízkouhlíkovej elektriny.\n\n"
  )
} else if (ME < 0) {
  cat(
    "Záporná hodnota ME znamená, že model ",
    "v priemere nadhodnocuje skutočný podiel ",
    "nízkouhlíkovej elektriny.\n\n"
  )
} else {
  cat(
    "Priemerná podpísaná chyba je nulová.\n\n"
  )
}

Záporná hodnota ME znamená, že model v priemere nadhodnocuje skutočný podiel nízkouhlíkovej elektriny.

if (is.finite(MAPE)) {
  cat(
    "Priemerná absolútna percentuálna chyba ",
    "MAPE je **",
    round(MAPE, 2),
    " %**.",
    sep = ""
  )
} else {
  cat(
    "MAPE nepočítam, pretože testovacia vzorka ",
    "obsahuje nulové hodnoty vysvetľovanej premennej."
  )
}

MAPE nepočítam, pretože testovacia vzorka obsahuje nulové hodnoty vysvetľovanej premennej.

9. Porovnanie s naivnou prognózou

Presnosť regresného modelu porovnávam s jednoduchou referenčnou prognózou.

Naivná prognóza predpokladá, že každá testovacia krajina bude mať rovnaký podiel nízkouhlíkovej elektriny, a to priemer z odhadovej vzorky.

Priemer testovacej vzorky nepoužívam, pretože by tým došlo k úniku informácií.

naivna_prognoza <- rep(
  mean(odhadova$low_carbon),
  nrow(testovacia)
)

chyba_naivna <- (
  skutocnost - naivna_prognoza
)

porovnanie <- data.frame(
  Model = c(
    "Lineárna regresia",
    "Naivná prognóza – priemer odhadovej vzorky"
  ),
  MAE = c(
    MAE,
    mean(abs(chyba_naivna))
  ),
  RMSE = c(
    RMSE,
    sqrt(mean(chyba_naivna^2))
  )
)

knitr::kable(
  porovnanie,
  digits = 3,
  caption = "Regresný model oproti naivnej prognóze"
)
Regresný model oproti naivnej prognóze
Model MAE RMSE
Lineárna regresia 22.809 26.560
Naivná prognóza – priemer odhadovej vzorky 26.023 30.063

Interpretácia porovnania

if (porovnanie$RMSE[1] < porovnanie$RMSE[2]) {
  cat(
    "Regresný model dosahuje nižšiu hodnotu RMSE ",
    "ako naivná prognóza. Podľa tohto ukazovateľa ",
    "predpovedá presnejšie."
  )
} else if (porovnanie$RMSE[1] > porovnanie$RMSE[2]) {
  cat(
    "Naivná prognóza dosahuje nižšiu hodnotu RMSE ",
    "ako regresný model. Regresia teda podľa RMSE ",
    "neprekonala jednoduchú referenčnú prognózu."
  )
} else {
  cat(
    "Oba modely dosahujú rovnakú hodnotu RMSE."
  )
}

Regresný model dosahuje nižšiu hodnotu RMSE ako naivná prognóza. Podľa tohto ukazovateľa predpovedá presnejšie.

10. Theilov koeficient kvality prognóz

Theilov koeficient \(U_1\) predstavuje bezrozmerný ukazovateľ prognostickej presnosti.

\[ U_1 = \frac{ \sqrt{\frac{1}{m}\sum_{i=1}^{m}(\hat y_i-y_i)^2} }{ \sqrt{\frac{1}{m}\sum_{i=1}^{m}\hat y_i^2} + \sqrt{\frac{1}{m}\sum_{i=1}^{m}y_i^2} } \]

Hodnota 0 znamená dokonalú zhodu prognóz a skutočnosti.

Čím je hodnota menšia, tým je prognóza podľa tohto ukazovateľa presnejšia.

Theil_U1 <- sqrt(
  mean((prognoza - skutocnost)^2)
) / (
  sqrt(mean(prognoza^2)) +
  sqrt(mean(skutocnost^2))
)

knitr::kable(
  data.frame(
    Theil_U1 = Theil_U1
  ),
  digits = 5,
  caption = "Theilov koeficient U1"
)
Theilov koeficient U1
Theil_U1
0.31931

Interpretácia Theilovho koeficientu

cat(
  "Theilov koeficient U1 dosahuje hodnotu **",
  round(Theil_U1, 5),
  "**.\n\n",
  sep = ""
)

Theilov koeficient U1 dosahuje hodnotu 0.31931.

cat(
  "Tento ukazovateľ vyjadruje relatívnu ",
  "nezhodu medzi skutočnými a prognózovanými ",
  "hodnotami. Nižšia hodnota znamená ",
  "lepšiu zhodu, ale neexistuje univerzálna ",
  "hranica dobrej prognózy."
)

Tento ukazovateľ vyjadruje relatívnu nezhodu medzi skutočnými a prognózovanými hodnotami. Nižšia hodnota znamená lepšiu zhodu, ale neexistuje univerzálna hranica dobrej prognózy.

11. Theilov rozklad strednej kvadratickej chyby

Theilov rozklad umožňuje preskúmať, z akých zložiek pozostáva prognostická chyba.

Rozlišujem tri zložky:

  • \(U^M\) – podiel chyby spôsobený nesúladom priemerov.
  • \(U^S\) – podiel chyby spôsobený rozdielnou variabilitou.
  • \(U^C\) – podiel chyby súvisiaci s nedokonalou súbežnosťou hodnôt.

Platí:

\[ MSE = (\bar y-\overline{\hat y})^2 + (s_y-s_{\hat y})^2 + 2s_y s_{\hat y}(1-r) \]

A tiež:

\[ U^M+U^S+U^C=1 \]

Pri výpočte smerodajných odchýlok používam deliteľa \(m\), aby platila presná algebraická identita.

sd_m <- function(z) {
  sqrt(
    mean((z - mean(z))^2)
  )
}

if (MSE > 0) {

  sy <- sd_m(skutocnost)
  sh <- sd_m(prognoza)

  cov_m <- mean(
    (skutocnost - mean(skutocnost)) *
    (prognoza - mean(prognoza))
  )

  UM <- (
    mean(skutocnost) -
    mean(prognoza)
  )^2 / MSE

  US <- (sy - sh)^2 / MSE

  UC <- 2 * (
    sy * sh - cov_m
  ) / MSE

  rozklad <- data.frame(
    Zlozka = c(
      "U^M – priemer",
      "U^S – variabilita",
      "U^C – súbežnosť"
    ),
    Podiel = c(UM, US, UC),
    Percent = 100 * c(UM, US, UC)
  )

  stopifnot(
    isTRUE(
      all.equal(
        sum(rozklad$Podiel),
        1,
        tolerance = 1e-8
      )
    )
  )

} else {

  rozklad <- data.frame(
    Zlozka = c(
      "U^M",
      "U^S",
      "U^C"
    ),
    Podiel = NA_real_,
    Percent = NA_real_
  )
}

knitr::kable(
  rozklad,
  digits = 4,
  caption = "Theilov rozklad prognostickej chyby"
)
Theilov rozklad prognostickej chyby
Zlozka Podiel Percent
U^M – priemer 0.0998 9.9835
U^S – variabilita 0.6188 61.8787
U^C – súbežnosť 0.2814 28.1378

Grafické zobrazenie Theilovho rozkladu

if (all(is.finite(rozklad$Percent))) {

  barplot(
    rozklad$Percent,
    names.arg = c(
      "Priemer",
      "Variabilita",
      "Súbežnosť"
    ),
    ylab = "Podiel na MSE (%)",
    main = "Theilov rozklad prognostickej chyby",
    ylim = c(0, 100)
  )

} else {

  plot.new()

  text(
    0.5,
    0.5,
    "Dokonalá prognóza: podiely nie sú definované"
  )
}

Interpretácia rozkladu

if (all(is.finite(rozklad$Podiel))) {

  najvacsia <- which.max(
    rozklad$Podiel
  )

  cat(
    "Najväčší podiel na prognostickej chybe má ",
    "zložka **",
    rozklad$Zlozka[najvacsia],
    "**, ktorá predstavuje **",
    round(
      rozklad$Percent[najvacsia],
      2
    ),
    " %** celkovej MSE.\n\n",
    sep = ""
  )

  cat(
    "Theilov rozklad opisuje štruktúru ",
    "prognostickej chyby, nie jej príčinné vysvetlenie."
  )

} else {

  cat(
    "Prognóza je dokonalá a rozklad ",
    "podielov nie je definovaný."
  )
}

Najväčší podiel na prognostickej chybe má zložka U^S – variabilita, ktorá predstavuje 61.88 % celkovej MSE.

Theilov rozklad opisuje štruktúru prognostickej chyby, nie jej príčinné vysvetlenie.

12. Intervaly pri prognózovaní

Bodová prognóza predstavuje jednu predpovedanú hodnotu. Nevyjadruje však neistotu prognózy.

Preto rozlišujem:

Interval spoľahlivosti strednej hodnoty: vyjadruje neistotu odhadu priemerného podielu nízkouhlíkovej elektriny pri daných hodnotách vysvetľujúcich premenných.

Predikčný interval: vyjadruje neistotu pri predikcii jednej konkrétnej krajiny.

Predikčný interval býva širší, pretože okrem neistoty regresného odhadu zohľadňuje aj nevysvetlené individuálne rozdiely.

Intervaly sú vypočítané podľa klasických predpokladov lineárneho regresného modelu. Pri porušení týchto predpokladov nemusia dosahovať deklarované pokrytie.

Výpočet 95 % intervalov

interval_priemer <- predict(
  model7,
  newdata = testovacia,
  interval = "confidence",
  level = 0.95
)

interval_jednotlivec <- predict(
  model7,
  newdata = testovacia,
  interval = "prediction",
  level = 0.95
)

intervaly <- data.frame(
  Krajina = rownames(testovacia),
  Skutocnost = skutocnost,
  Prognoza = prognoza,
  CI_dolna = interval_priemer[, "lwr"],
  CI_horna = interval_priemer[, "upr"],
  PI_dolna = interval_jednotlivec[, "lwr"],
  PI_horna = interval_jednotlivec[, "upr"]
)

knitr::kable(
  head(intervaly, 10),
  digits = 2,
  row.names = FALSE,
  caption = "95 % intervaly spoľahlivosti a predikcie"
)
95 % intervaly spoľahlivosti a predikcie
Krajina Skutocnost Prognoza CI_dolna CI_horna PI_dolna PI_horna
Albania 100.00 41.94 35.30 48.58 -25.28 109.16
Argentina 31.99 41.60 35.40 47.79 -25.58 108.78
Armenia 60.82 40.58 33.83 47.33 -26.65 107.81
Bahrain 0.03 15.66 -17.85 49.17 -59.16 90.47
Belarus 2.49 37.79 29.97 45.62 -29.55 105.14
Belize 53.41 42.21 35.49 48.93 -25.02 109.44
Bulgaria 54.91 39.39 32.49 46.30 -27.86 106.64
China 31.67 39.89 33.22 46.56 -27.34 107.11
Denmark 78.18 57.58 41.21 73.96 -11.28 126.45
Djibouti 0.00 43.20 35.93 50.47 -24.09 110.49

Pokrytie predikčných intervalov

pokrytie_PI <- mean(
  skutocnost >= intervaly$PI_dolna &
  skutocnost <= intervaly$PI_horna
)

knitr::kable(
  data.frame(
    Ukazovatel = "Pokrytie 95 % predikčných intervalov",
    Hodnota_percent = 100 * pokrytie_PI
  ),
  digits = 2,
  caption = "Podiel testovacích krajín v predikčnom intervale"
)
Podiel testovacích krajín v predikčnom intervale
Ukazovatel Hodnota_percent
Pokrytie 95 % predikčných intervalov 100

Interpretácia pokrytia

cat(
  "Vypočítané 95 % predikčné intervaly ",
  "obsahujú skutočné hodnoty pri **",
  round(100 * pokrytie_PI, 2),
  " %** krajín z testovacej vzorky.\n\n",
  sep = ""
)

Vypočítané 95 % predikčné intervaly obsahujú skutočné hodnoty pri 100 % krajín z testovacej vzorky.

cat(
  "Skutočné pokrytie sa nemusí presne ",
  "rovnať 95 %, pretože pracujeme s konečnou ",
  "testovacou vzorkou a klasickými ",
  "predpokladmi regresného modelu."
)

Skutočné pokrytie sa nemusí presne rovnať 95 %, pretože pracujeme s konečnou testovacou vzorkou a klasickými predpokladmi regresného modelu.

13. Malé cvičenie – zmena modelu

Ako doplňujúcu úlohu odhadnem druhý model s logaritmickou transformáciou HDP na obyvateľa.

\[ LowCarbon_i = \beta_0 + \beta_1 \ln(GDPpc_i) + \beta_2 EnergyPC_i + u_i \]

Model odhadnem na rovnakej odhadovej vzorke a vyhodnotím na rovnakej testovacej vzorke.

Druhý regresný model

odhadova$log_gdp <- log(
  odhadova$gdp_tisic
)

testovacia$log_gdp <- log(
  testovacia$gdp_tisic
)

model7_log <- lm(
  low_carbon ~ log_gdp + energy_tisic,
  data = odhadova
)

summary(model7_log)

Call:
lm(formula = low_carbon ~ log_gdp + energy_tisic, data = odhadova)

Residuals:
    Min      1Q  Median      3Q     Max 
-46.695 -33.103  -1.916  27.924  58.342 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)   45.8569     4.7987   9.556   <2e-16 ***
log_gdp       -2.0297     2.9482  -0.688    0.492    
energy_tisic   0.0289     0.1376   0.210    0.834    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 34.25 on 123 degrees of freedom
Multiple R-squared:  0.00523,   Adjusted R-squared:  -0.01094 
F-statistic: 0.3234 on 2 and 123 DF,  p-value: 0.7243

Prognózy druhého modelu

prognoza_log <- as.numeric(
  predict(
    model7_log,
    newdata = testovacia
  )
)

chyba_log <- (
  skutocnost - prognoza_log
)

MAE_log <- mean(
  abs(chyba_log)
)

RMSE_log <- sqrt(
  mean(chyba_log^2)
)

porovnanie_modelov <- data.frame(
  Model = c(
    "Pôvodný lineárny model",
    "Model s logaritmom HDP"
  ),
  MAE = c(MAE, MAE_log),
  RMSE = c(RMSE, RMSE_log)
)

knitr::kable(
  porovnanie_modelov,
  digits = 4,
  caption = "Porovnanie presnosti dvoch regresných modelov"
)
Porovnanie presnosti dvoch regresných modelov
Model MAE RMSE
Pôvodný lineárny model 22.8087 26.5603
Model s logaritmom HDP 26.6353 30.7684

Interpretácia porovnania

if (RMSE_log < RMSE) {

  cat(
    "Model s logaritmickou transformáciou ",
    "HDP dosiahol nižšiu hodnotu RMSE ",
    "ako pôvodný lineárny model."
  )

} else if (RMSE_log > RMSE) {

  cat(
    "Pôvodný lineárny model dosiahol ",
    "nižšiu hodnotu RMSE ako model ",
    "s logaritmickou transformáciou HDP."
  )

} else {

  cat(
    "Oba modely dosiahli rovnakú hodnotu RMSE."
  )
}

Pôvodný lineárny model dosiahol nižšiu hodnotu RMSE ako model s logaritmickou transformáciou HDP.

Výber lepšieho modelu na základe tejto testovacej vzorky znamená, že rovnakú vzorku už nemožno považovať za nezávislé potvrdenie presnosti vybraného modelu.

14. Theilov rozklad druhého modelu

Vypočítam Theilove zložky aj pre model s logaritmom HDP.

MSE_log <- mean(chyba_log^2)

if (MSE_log > 0) {

  sy2 <- sd_m(skutocnost)
  sh2 <- sd_m(prognoza_log)

  cov2 <- mean(
    (skutocnost - mean(skutocnost)) *
    (prognoza_log - mean(prognoza_log))
  )

  UM2 <- (
    mean(skutocnost) -
    mean(prognoza_log)
  )^2 / MSE_log

  US2 <- (sy2 - sh2)^2 / MSE_log

  UC2 <- 2 * (
    sy2 * sh2 - cov2
  ) / MSE_log

  rozklad2 <- data.frame(
    Zlozka = c("U^M", "U^S", "U^C"),
    Podiel = c(UM2, US2, UC2),
    Percent = 100 * c(UM2, US2, UC2)
  )

  stopifnot(
    isTRUE(
      all.equal(
        sum(rozklad2$Podiel),
        1,
        tolerance = 1e-8
      )
    )
  )

} else {

  rozklad2 <- data.frame(
    Zlozka = c("U^M", "U^S", "U^C"),
    Podiel = NA_real_,
    Percent = NA_real_
  )
}

knitr::kable(
  rozklad2,
  digits = 4,
  caption = "Theilov rozklad druhého modelu"
)
Theilov rozklad druhého modelu
Zlozka Podiel Percent
U^M 0.1248 12.4776
U^S 0.7222 72.2165
U^C 0.1531 15.3059

15. Porovnanie šírky intervalov

Pre prvú krajinu z testovacej vzorky porovnám šírku intervalu spoľahlivosti strednej hodnoty a predikčného intervalu.

sirka_CI <- (
  intervaly$CI_horna[1] -
  intervaly$CI_dolna[1]
)

sirka_PI <- (
  intervaly$PI_horna[1] -
  intervaly$PI_dolna[1]
)

knitr::kable(
  data.frame(
    Interval = c(
      "Interval spoľahlivosti strednej hodnoty",
      "Predikčný interval jednotlivého pozorovania"
    ),
    Sirka = c(sirka_CI, sirka_PI)
  ),
  digits = 3,
  caption = "Porovnanie šírky 95 % intervalov"
)
Porovnanie šírky 95 % intervalov
Interval Sirka
Interval spoľahlivosti strednej hodnoty 13.275
Predikčný interval jednotlivého pozorovania 134.444

Predikčný interval je širší, pretože zahŕňa aj náhodnú variabilitu individuálneho pozorovania, nielen neistotu odhadu podmienenej strednej hodnoty.

16. Metodická reflexia

Správny prognostický postup vyžaduje rozdeliť údaje na odhadovú a testovaciu vzorku ešte pred výberom regresorov a funkčného tvaru modelu.

V našom prípade sme však už v predchádzajúcich cvičeniach skúmali celú databázu. Preto existuje riziko úniku informácií z testovacej vzorky do rozhodovania o modeli.

V tomto cvičení sme regresné koeficienty znovu odhadli iba na odhadovej vzorke. Výsledky prognostickej presnosti preto interpretujeme ako didaktickú ilustráciu, nie ako úplne nezávislé potvrdenie presnosti modelu.

17. Záverečné zhodnotenie

V tomto cvičení som použil lineárny regresný model na predikciu podielu nízkouhlíkovej elektriny v krajinách sveta.

Údaje som rozdelil na odhadovú a testovaciu vzorku. Regresný model bol odhadnutý na 80 % krajín a jeho prognostická presnosť bola vyhodnotená na zvyšných 20 %.

Vypočítal som prognostické chyby a ukazovatele ME, MAE, MSE, RMSE a MAPE. Presnosť regresného modelu som porovnal aj s jednoduchou naivnou prognózou.

Následne som vypočítal Theilov koeficient a jeho rozklad na tri zložky. Zostavil som tiež 95 % intervaly spoľahlivosti a predikčné intervaly.

Na záver som porovnal pôvodný lineárny model s modelom využívajúcim logaritmickú transformáciu HDP.

cat(
  "Pôvodný model dosiahol MAE **",
  round(MAE, 3),
  "** a RMSE **",
  round(RMSE, 3),
  "** percentuálneho bodu.\n\n",
  sep = ""
)

Pôvodný model dosiahol MAE 22.809 a RMSE 26.56 percentuálneho bodu.

cat(
  "Theilov koeficient U1 dosiahol hodnotu **",
  round(Theil_U1, 5),
  "**.\n\n",
  sep = ""
)

Theilov koeficient U1 dosiahol hodnotu 0.31931.

lepsi <- which.min(
  porovnanie_modelov$RMSE
)

cat(
  "Nižšiu hodnotu RMSE z porovnávaných ",
  "modelov dosiahol **",
  porovnanie_modelov$Model[lepsi],
  "**.\n\n",
  sep = ""
)

Nižšiu hodnotu RMSE z porovnávaných modelov dosiahol Pôvodný lineárny model.

cat(
  "Výsledky predstavujú ilustráciu ",
  "prognostického využitia regresie ",
  "na prierezových údajoch."
)

Výsledky predstavujú ilustráciu prognostického využitia regresie na prierezových údajoch.

18. Uloženie pracovného prostredia

Na konci cvičenia uložím vytvorené objekty, prognózy a regresné modely.

save.image(
  file = "pamat_cvicenie7.RData"
)

cat(
  "Pracovné prostredie bolo úspešne uložené."
)
Pracovné prostredie bolo úspešne uložené.

Použité zdroje

  1. Gazda, V. Econometrics in R – Cvičenie 7: Prognostické využitie lineárneho regresného modelu. http://rpubs.com/gazdavladimir/1476375

  2. Global Data on Sustainable Energy. Kaggle. https://www.kaggle.com/datasets/anshtanwar/global-data-on-sustainable-energy

  3. R Core Team. R: A Language and Environment for Statistical Computing.

  4. Dokumentácia R: lm(), predict(), sample(), mean() a cor().