---
title: "Prognostická aplikácia"
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
---
Načítanie potrebných knižníc.
```{r}
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)
library(tidyr)
```
# Načítanie údajov
```{r}
udaje <- read.csv("annual-enterprise-survey-2025-financial-year-provisional.csv", dec=".", sep=",", header = TRUE)
udaje.2025 <- udaje %>%
filter(Year == 2025, Industry_aggregation_NZSIOC == "Level 3") %>%
select(Industry_name_NZSIOC, Variable_name, Value)
udaje.2025$Value <- as.numeric(gsub(",", "", udaje.2025$Value))
udaje_wide <- udaje.2025 %>%
pivot_wider(names_from = Variable_name, values_from = Value, values_fn = mean)
```
Vyberám vysvetladúcu premennú a regresory pre podnikové dáta.
```{r}
potrebne <- c("Total income", "Total expenditure", "Total assets")
stopifnot(all(potrebne %in% names(udaje_wide)))
udaje7 <- udaje_wide %>%
select(all_of(potrebne)) %>%
na.omit()
stopifnot(nrow(udaje7) >= 30)
data.frame(Rok = 2025, Pocet_pozorovani = nrow(udaje7)) |>
kable(caption = "Údaje pripravené v predchádzajúcich cvičeniach") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Rozdelenie údajov na odhadovú a testovaciu vzorku
```{r}
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]
```
Bezpečné ošetrenie indexov, aby nedošlo k chybám pri priradení.
```{r}
rownames(odhadova) <- NULL
rownames(testovacia) <- NULL
stopifnot(nrow(odhadova) + nrow(testovacia) == nrow(udaje7))
data.frame(
Vzorka = c("Odhadová", "Testovacia", "Spolu"),
Pocet = c(nrow(odhadova), nrow(testovacia), nrow(udaje7)),
Podiel_percent = round(100 * c(nrow(odhadova), nrow(testovacia), nrow(udaje7))/n, 1)
) |>
kable(caption = "Rozdelenie odvetví na odhadovú a testovaciu vzorku",
col.names = c("Vzorka", "Počet odvetví", "Podiel (%)")) |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Nový odhad regresného modelu
```{r}
model7 <- lm(`Total income` ~ `Total expenditure` + `Total assets`, data = odhadova)
tidy(model7) |>
kable(digits = 5,
col.names = c("Premenná", "Odhad", "Št. chyba", "t hodnota", "p-hodnota"),
caption = "Regresné koeficienty odhadnuté len na odhadovej vzorke") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Bodové prognózy pre testovacie pozorovania
```{r}
testovacia$Prognoza <- as.numeric(predict(model7, newdata = testovacia))
testovacia$Chyba <- testovacia$`Total income` - testovacia$Prognoza
testovacia$Absolutna_chyba <- abs(testovacia$Chyba)
testovacia |>
select(`Total income`, `Total expenditure`, `Total assets`, Prognoza, Chyba) |>
head(10) |>
kable(digits = 3,
col.names = c("Skutočnosť", "Total expenditure", "Total assets", "Prognóza", "Chyba"),
caption = "Prvých desať testovacích pozorovaní") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Grafické porovnanie prognóz a skutočnosti
```{r}
op <- par(mfrow = c(1, 2))
lim <- range(c(testovacia$`Total income`, testovacia$Prognoza))
plot(testovacia$`Total income`, testovacia$Prognoza,
xlab = "Skutočné Total income",
ylab = "Prognóza", main = "Skutočnosť a prognóza", pch = 19,
xlim = lim, ylim = lim)
abline(a = 0, b = 1, col = "darkblue", lwd = 2)
plot(testovacia$Prognoza, testovacia$Chyba,
xlab = "Prognóza", ylab = "Chyba",
main = "Prognostické chyby", pch = 19)
abline(h = 0, col = "darkblue", lwd = 2)
par(op)
```
# Ukazovatele kvality prognóz
```{r}
skutocnost <- testovacia$`Total income`
prognoza <- testovacia$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("mil. USD", "mil. USD", "mil. USD²", "mil. USD", "%")
)
vysledky_presnost |>
kable(digits = 4, col.names = c("Ukazovateľ", "Hodnota", "Jednotka"),
caption = "Kvalita prognóz na testovacej vzorke") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Porovnanie s jednoduchou prognózou
```{r}
naivna_prognoza <- rep(mean(odhadova$`Total income`), nrow(testovacia))
chyba_naivna <- skutocnost - naivna_prognoza
porovnanie <- data.frame(
Model = c("Lineárna regresia", "Konštantná prognóza: priemer odhadovej vzorky"),
MAE = c(MAE, mean(abs(chyba_naivna))),
RMSE = c(RMSE, sqrt(mean(chyba_naivna^2)))
)
porovnanie |>
kable(digits = 3, caption = "Regresia oproti jednoduchej referenčnej prognóze") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
```
# Theilov koeficient kvality prognóz U1
```{r}
Theil_U1 <- sqrt(mean((prognoza - skutocnost)^2)) /
(sqrt(mean(prognoza^2)) + sqrt(mean(skutocnost^2)))
data.frame(Theil_U1 = Theil_U1) |>
kable(digits = 5, caption = "Theilov koeficient U1 na testovacej vzorke") |>
kable_styling(full_width = FALSE)
```
# Theilov rozklad strednej kvadratickej chyby a graf Theilovho rozkladu
```{r}
sd_m <- function(z) sqrt(mean((z - mean(z))^2))
if (MSE > 0) {
sy <- sd_m(skutocnost)
sh <- sd_m(prognoza)
r <- if (sy > 0 && sh > 0) cor(skutocnost, prognoza) else NA_real_
cov_m <- mean((skutocnost - mean(skutocnost)) * (prognoza - mean(prognoza)))
UM <- (mean(skutocnost) - mean(prognoza))^2 / MSE
US <- (sy - sh)^2 / MSE
UC <- 2 * (sy * sh - cov_m) / MSE
rozklad <- data.frame(
Zlozka = c("U^M – priemer", "U^S – variabilita", "U^C – súbežnosť"),
Podiel = c(UM, US, UC),
Percent = 100 * c(UM, US, UC)
)
stopifnot(isTRUE(all.equal(sum(rozklad$Podiel), 1, tolerance = 1e-8)))
} else {
rozklad <- data.frame(Zlozka = c("U^M", "U^S", "U^C"), Podiel = NA_real_, Percent = NA_real_)
}
rozklad |>
kable(digits = 4, col.names = c("Zložka", "Podiel", "Podiel (%)"),
caption = "Theilov rozklad strednej kvadratickej chyby") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
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))
}
```
# Intervaly pri prognózovaní
```{r}
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(
Skutocnost = skutocnost,
Prognoza = prognoza,
CI_dolna = interval_priemer[, "lwr"],
CI_horna = interval_priemer[, "upr"],
PI_dolna = interval_jednotlivec[, "lwr"],
PI_horna = interval_jednotlivec[, "upr"]
)
intervaly |>
head(10) |>
kable(digits = 2,
col.names = c("Skutočnosť", "Prognóza", "CI dolná", "CI horná", "PI dolná", "PI horná"),
caption = "Klasické 95 % intervaly: stredná hodnota a jednotlivé pozorovanie") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
pokrytie_PI <- mean(skutocnost >= intervaly$PI_dolna & skutocnost <= intervaly$PI_horna)
data.frame(
Ukazovatel = "Podiel testovacích pozorovaní v klasickom 95 % predikčnom intervale",
Hodnota_percent = 100 * pokrytie_PI
) |>
kable(digits = 1, col.names = c("Ukazovateľ", "Hodnota (%)"),
caption = "Ilustračná kontrola pokrytia predikčných intervalov") |>
kable_styling(full_width = FALSE)
```
# Riešenie malého cvičenia
## Zmena modelu a porovnanie chýb
Odhadneme druhý model s log(GDP) iba na odhadovej vzorke (filter GDP > 0).
```{r}
model7 <- lm(`Total income` ~ `Total expenditure` + `Total assets`, data = odhadova)
testovacia$Prognoza1 <- as.numeric(predict(model7, newdata = testovacia))
chyba1 <- testovacia$`Total income` - testovacia$Prognoza1
MAE1 <- mean(abs(chyba1))
RMSE1 <- sqrt(mean(chyba1^2))
```
```{r}
odhadova_log <- odhadova %>% filter(`Total expenditure` > 0, `Total assets` > 0, `Total income` > 0)
testovacia_log <- testovacia %>% filter(`Total expenditure` > 0, `Total assets` > 0, `Total income` > 0)
model7_log <- lm(log(`Total income`) ~ log(`Total expenditure`) + log(`Total assets`), data = odhadova_log)
testovacia_log$Prognoza_log <- exp(as.numeric(predict(model7_log, newdata = testovacia_log)))
chyba_log <- testovacia_log$`Total income` - testovacia_log$Prognoza_log
MAE_log <- mean(abs(chyba_log))
RMSE_log <- sqrt(mean(chyba_log^2))
cat("--- ÚLOHA 1: POROVNANIE CHÝB ---\n")
cat("Model 1 (Lineárny) - MAE:", MAE1, " | RMSE:", RMSE1, "\n")
cat("Model 2 (Log-Log) - MAE:", MAE_log, " | RMSE:", RMSE_log, "\n")
```
Odpoveď. Logaritmická transformácia často lepšie stabilizuje rozptyl a zabezpečuje menšie chyby, keďže ekonomické premenné vykazujú nelineárny charakter. Model vybraný na základe tohto testu už nemôžeme na tých istých údajoch opätovne nezávisle testovať - hrozí premodelovanie.
## Theilov rozklad pre druhý model
```{r}
skut_log <- testovacia_log$`Total income`
prog_log <- testovacia_log$Prognoza_log
MSE_log <- mean(chyba_log^2)
```
```{r}
sd_m <- function(z) sqrt(mean((z - mean(z))^2))
```
```{r}
if (MSE_log > 0) {
sy_l <- sd_m(skut_log)
sh_l <- sd_m(prog_log)
r_l <- cor(skut_log, prog_log)
cov_m_l <- mean((skut_log - mean(skut_log)) * (prog_log - mean(prog_log)))
UM_l <- (mean(skut_log) - mean(prog_log))^2 / MSE_log
US_l <- (sy_l - sh_l)^2 / MSE_log
UC_l <- 2 * (sy_l * sh_l - cov_m_l) / MSE_log
cat("\n--- ÚLOHA 2: THEILOV ROZKLAD PRE LOG MODEL ---\n")
cat("U^M (Priemer):", UM_l, "\n")
cat("U^S (Variabilita):", US_l, "\n")
cat("U^C (Súbežnosť):", UC_l, "\n")
cat("Súčet podielov:", UM_l + US_l + UC_l, "\n")
}
```
Odpoveď. Podiely sa sčítajú na 1 (100%). Dominantná je zložka súbežnosti, čo znamená, že model správne vystihuje priemer aj variabilitu, ale mýli sa kvôli nedokonalému kopírovaniu individuálnych rozdielov medzi krajinami.
## Porovnanie šírky intervalov pre jednu krajinu
```{r}
interval_ci <- predict(model7, newdata = testovacia, interval = "confidence", level = 0.95)
interval_pi <- predict(model7, newdata = testovacia, interval = "prediction", level = 0.95)
sirka_ci <- interval_ci[, "upr"] - interval_ci[, "lwr"]
sirka_pi <- interval_pi[, "upr"] - interval_pi[, "lwr"]
cat("\n--- ÚLOHA 3: POROVNANIE ŠÍRKY INTERVALOV ---\n")
cat("Priemerná šírka CI (stredná hodnota):", mean(sirka_ci), "\n")
cat("Priemerná šírka PI (individuálne pozorovanie):", mean(sirka_pi), "\n")
```
Odpoveď: Predikčný interval pre individuálne pozorovanie je širší než interval spoľahlivosti pre strednú hodnotu. Dôvodom je, že stredná hodnota vyjadruje neistotu odhadu priemerných výnosov, zatiaľ čo individuálne pozorovanie zahŕňa aj nevysvetlenú individuálnu náhodnú chybu pre nové odvetvie.
## Metodická reflexia
```{r}
metodicka_reflexia <- paste(
"Údaje sme mali rozdeliť na odhadovú a testovaciu vzorku už pred začiatkom modelovania, pretože špecifikácia pôvodného modelu bola zvolená so znalosťou celého súboru. Výsledky na testovacej vzorke preto nemožno považovať za plne nezávislé a čisté overenie budúcej prognostickej presnosti, ale len za užitočnú didaktickú ilustráciu."
)
cat("\n--- 4. Metodická reflexia ---\n")
cat(metodicka_reflexia, "\n")
```
# Uloženie pamäte
```{r}
save.image(file = "pamat.Rdata")
```