Cvičenie 7 – Prognostické využitie lineárneho regresného modelu

Autor

Yan Biliavskyi

1 Načítanie pamäte a príprava údajov

Na začiatku načítame uložené pracovné prostredie pamat_esg.Rdata z predchádzajúceho cvičenia a potrebné knižnice.

if (!file.exists("pamat_esg.Rdata")) {
  stop("Chýba súbor pamat_esg.Rdata. Najprv spustite predchádzajúce cvičenie a uložte pamäť.")
}
load(file = "pamat_esg.Rdata", envir = globalenv())
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)
if (!exists("udaje.2021")) stop("V pamäti chýba objekt udaje.2021.")
potrebne <- c("RETURN.ON.ASSETS", "ESG.INDEX", "FIRM.SIZE", "DEBT.TO.ASSET")

stopifnot(
  is.data.frame(udaje.2021),
  all(potrebne %in% names(udaje.2021)),
  all(vapply(udaje.2021[potrebne], is.numeric, logical(1))),
  all(is.finite(as.matrix(udaje.2021[potrebne]))),
  all(udaje.2021$FIRM.SIZE > 0)
)

udaje7 <- udaje.2021[, potrebne, drop = FALSE]

data.frame(Rok = 2021, Pocet_firiem = nrow(udaje7)) |>
  kable(caption = "Údaje pripravené z predchádzajúcich cvičení") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Údaje pripravené z predchádzajúcich cvičení
Rok Pocet_firiem
2021 76

2 Rozdelenie údajov na odhadovú a testovaciu vzorku

Údaje rozdelíme v pomere 80 % (odhadová vzorka na výpočet koeficientov) a 20 % (testovacia vzorka na overenie presnosti predikcií).

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]

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 firiem na odhadovú a testovaciu vzorku",
        col.names = c("Vzorka", "Počet firiem", "Podiel (%)")) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Rozdelenie firiem na odhadovú a testovaciu vzorku
Vzorka Počet firiem Podiel (%)
Odhadová 60 78.9
Testovacia 16 21.1
Spolu 76 100.0
model7 <- lm(RETURN.ON.ASSETS ~ ESG.INDEX + FIRM.SIZE + DEBT.TO.ASSET, data = odhadova)

tidy(model7) |>
  kable(digits = 4,
        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)
Regresné koeficienty odhadnuté len na odhadovej vzorke
Premenná Odhad Št. chyba t-hodnota p-hodnota
(Intercept) -193.5898 180.0513 -1.0752 0.2869
ESG.INDEX 89.5505 136.5359 0.6559 0.5146
FIRM.SIZE 21.1816 25.8296 0.8201 0.4157
DEBT.TO.ASSET -0.2160 0.4341 -0.4975 0.6208
testovacia$Prognoza <- as.numeric(predict(model7, newdata = testovacia))
testovacia$Chyba <- testovacia$RETURN.ON.ASSETS - testovacia$Prognoza
testovacia$Absolutna_chyba <- abs(testovacia$Chyba)

testovacia |>
  select(RETURN.ON.ASSETS, ESG.INDEX, FIRM.SIZE, DEBT.TO.ASSET, Prognoza, Chyba) |>
  head(10) |>
  kable(digits = 3,
        col.names = c("Skutočné ROA", "ESG", "Veľkosť firmy", "Zadlženosť", "Prognóza", "Chyba"),
        caption = "Prvých desať testovacích firiem") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Prvých desať testovacích firiem
Skutočné ROA ESG Veľkosť firmy Zadlženosť Prognóza Chyba
109 -192.60 0.23 7.50 96.18 -34.903 -157.697
139 7.78 0.11 5.26 47.49 -82.580 90.360
159 3.55 0.47 6.88 43.85 -15.242 18.792
209 -5.34 0.22 6.37 43.98 -48.460 43.120
219 33.89 0.30 7.82 48.23 -11.501 45.391
239 2.51 0.21 6.87 62.15 -42.689 45.199
299 10.99 0.20 7.22 57.31 -35.126 46.116
319 3.82 0.07 6.64 91.49 -66.434 70.254
329 1.98 0.16 7.57 53.81 -30.538 32.518
389 4.99 0.43 6.65 27.72 -20.212 25.202
op <- par(mfrow = c(1, 2))
lim <- range(c(testovacia$RETURN.ON.ASSETS, testovacia$Prognoza))

plot(testovacia$RETURN.ON.ASSETS, testovacia$Prognoza,
     xlab = "Skutočné ROA", ylab = "Prognóza ROA",
     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 ROA", ylab = "Prognostická chyba",
     main = "Prognostické chyby", pch = 19)
abline(h = 0, col = "red", lwd = 2)

Skutočné a prognózované hodnoty ROA; prognostické chyby na testovacej vzorke
par(op)
skutocnost <- testovacia$RETURN.ON.ASSETS
prognoza <- testovacia$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_

data.frame(
  Ukazovatel = c("ME", "MAE", "MSE", "RMSE", "MAPE"),
  Hodnota = c(ME, MAE, MSE, RMSE, MAPE),
  Jednotka = c("jedn. ROA", "jedn. ROA", "jedn. ROA²", "jedn. ROA", "%")
) |>
  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)
Kvalita prognóz na testovacej vzorke
Ukazovateľ Hodnota Jednotka
ME 22.4582 jedn. ROA
MAE 45.3573 jedn. ROA
MSE 3347.6293 jedn. ROA²
RMSE 57.8587 jedn. ROA
MAPE 633.8591 %
naivna_prognoza <- rep(mean(odhadova$RETURN.ON.ASSETS), nrow(testovacia))
chyba_naivna <- skutocnost - naivna_prognoza

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)))
) |>
  kable(digits = 4, caption = "Porovnanie regresie s jednoduchou referenčnou prognózou") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Porovnanie regresie s jednoduchou referenčnou prognózou
Model MAE RMSE
Lineárna regresia 45.3573 57.8587
Konštantná prognóza: priemer odhadovej vzorky 46.4664 56.6813
Theil_U1 <- sqrt(mean((prognoza - skutocnost)^2)) /
  (sqrt(mean(prognoza^2)) + sqrt(mean(skutocnost^2)))

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

data.frame(Theil_U1 = Theil_U1) |>
  kable(digits = 5, caption = "Theilov koeficient U1") |>
  kable_styling(full_width = FALSE)
Theilov koeficient U1
Theil_U1
0.63006
rozklad |>
  kable(digits = 4, col.names = c("Zložka", "Podiel", "Podiel (%)"),
        caption = "Theilov rozklad MSE (BVC)") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Theilov rozklad MSE (BVC)
Zložka Podiel Podiel (%)
U^M – priemer 0.1507 15.0665
U^S – variabilita 0.1324 13.2406
U^C – súbežnosť 0.7169 71.6929
barplot(rozklad$Percent, names.arg = c("Priemer", "Variabilita", "Súbežnosť"),
        ylab = "Podiel na MSE (%)", main = "Theilov rozklad prognostickej chyby",
        ylim = c(0, 100))

Percentuálny podiel zložiek Theilovho rozkladu MSE
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 spoľahlivosti a predikčné intervaly") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Klasické 95 % intervaly spoľahlivosti a predikčné intervaly
Skutočnosť Prognóza CI dolná CI horná PI dolná PI horná
109 -192.60 -34.90 -88.96 19.15 -370.63 300.83
139 7.78 -82.58 -190.00 24.84 -430.90 265.74
159 3.55 -15.24 -89.46 58.98 -354.80 324.32
209 -5.34 -48.46 -117.58 20.66 -386.94 290.02
219 33.89 -11.50 -69.76 46.75 -347.93 324.93
239 2.51 -42.69 -95.49 10.11 -378.22 292.84
299 10.99 -35.13 -91.82 21.56 -371.29 301.04
319 3.82 -66.43 -135.70 2.83 -404.94 272.08
329 1.98 -30.54 -102.32 41.24 -369.57 308.50
389 4.99 -20.21 -101.38 60.95 -361.36 320.93
pokrytie_PI <- mean(skutocnost >= intervaly$PI_dolna & skutocnost <= intervaly$PI_horna)
data.frame(
  Ukazovatel = "Podiel testovacích pozorovaní v 95 % predikčnom intervale",
  Hodnota_percent = 100 * pokrytie_PI
) |>
  kable(digits = 1, col.names = c("Ukazovateľ", "Hodnota (%)")) |>
  kable_styling(full_width = FALSE)
Ukazovateľ Hodnota (%)
Podiel testovacích pozorovaní v 95 % predikčnom intervale 100

3 Malé cvičenie

3.1 1. Porovnanie s logaritmickým modelom (log(FIRM.SIZE))

model7_log <- lm(RETURN.ON.ASSETS ~ ESG.INDEX + log(FIRM.SIZE) + DEBT.TO.ASSET, data = odhadova)
prognoza_log <- as.numeric(predict(model7_log, newdata = testovacia))
chyba_log <- skutocnost - prognoza_log

MAE_log <- mean(abs(chyba_log))
MSE_log <- mean(chyba_log^2)
RMSE_log <- sqrt(MSE_log)

data.frame(
  Model = c("Model 1 (lineárny FIRM.SIZE)", "Model 2 (log(FIRM.SIZE))"),
  MAE = c(MAE, MAE_log),
  RMSE = c(RMSE, RMSE_log)
) |>
  kable(digits = 4, caption = "Porovnanie presnosti lineárneho a logaritmického modelu") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Porovnanie presnosti lineárneho a logaritmického modelu
Model MAE RMSE
Model 1 (lineárny FIRM.SIZE) 45.3573 57.8587
Model 2 (log(FIRM.SIZE)) 45.0949 58.0368
sh_log <- sd_m(prognoza_log)
cov_m_log <- mean((skutocnost - mean(skutocnost)) * (prognoza_log - mean(prognoza_log)))

UM_log <- (mean(skutocnost) - mean(prognoza_log))^2 / MSE_log
US_log <- (sy - sh_log)^2 / MSE_log
UC_log <- 2 * (sy * sh_log - cov_m_log) / MSE_log

rozklad_log <- data.frame(
  Zlozka = c("U^M – priemer", "U^S – variabilita", "U^C – súbežnosť"),
  Podiel = c(UM_log, US_log, UC_log),
  Percent = 100 * c(UM_log, US_log, UC_log)
)
stopifnot(isTRUE(all.equal(sum(rozklad_log$Podiel), 1, tolerance = 1e-8)))

rozklad_log |>
  kable(digits = 4, col.names = c("Zložka", "Podiel", "Podiel (%)"),
        caption = "Theilov rozklad MSE pre logaritmický model") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Theilov rozklad MSE pre logaritmický model
Zložka Podiel Podiel (%)
U^M – priemer 0.1454 14.5406
U^S – variabilita 0.1276 12.7644
U^C – súbežnosť 0.7270 72.6950

3.2 2. Porovnanie šírky intervalov pre prvú testovaciu firmu

sirka_CI <- intervaly$CI_horna[1] - intervaly$CI_dolna[1]
sirka_PI <- intervaly$PI_horna[1] - intervaly$PI_dolna[1]

data.frame(
  Typ_intervalu = c("95 % interval spoľahlivosti strednej hodnoty (CI)",
                    "95 % predikčný interval jednotlivca (PI)"),
  Dolna_hranica = c(intervaly$CI_dolna[1], intervaly$PI_dolna[1]),
  Horna_hranica = c(intervaly$CI_horna[1], intervaly$PI_horna[1]),
  Sirka = c(sirka_CI, sirka_PI)
) |>
  kable(digits = 3, caption = "Porovnanie šírky intervalov pre prvú testovaciu firmu") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Porovnanie šírky intervalov pre prvú testovaciu firmu
Typ_intervalu Dolna_hranica Horna_hranica Sirka
95 % interval spoľahlivosti strednej hodnoty (CI) -88.958 19.152 108.110
95 % predikčný interval jednotlivca (PI) -370.632 300.826 671.457

Vysvetlenie rozdielu šírky intervalov: Predikčný interval (PI) je širší ako interval spoľahlivosti strednej hodnoty (CI), pretože CI zachytáva iba neistotu odhadu priemernej regresnej priamky, zatiaľ čo PI navyše zahŕňa aj nevysvetlenú individuálnu variabilitu konkrétnej firmy.

3.3 3. Metodická reflexia (Data Leakage)

Rozdelenie dát na odhadovú a testovaciu vzorku malo prebehnúť už pred čistením chýbajúcich hodnôt, výberom premenných a diagnostikou funkčného tvaru modelu. Keďže sme v predchádzajúcich cvičeniach pracovali s celým súborom firiem vrátane testovacích, dochádza k úniku informácií (data leakage), ktorý môže umelo vylepšiť zdanlivú presnosť modelu. Získané výsledky preto interpretujeme ako didaktickú ilustráciu postupu, nie ako plne nezávislé potvrdenie budúcej prognostickej presnosti.

4 Záver a uloženie pamäte

save.image(file = "pamat_esg_cv7.Rdata")