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
2021
76
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
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
(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
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 )
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
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
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
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)
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 ))
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
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 )
Podiel testovacích pozorovaní v 95 % predikčnom intervale
100
Malé cvičenie
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 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
U^M – priemer
0.1454
14.5406
U^S – variabilita
0.1276
12.7644
U^C – súbežnosť
0.7270
72.6950
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
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. 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.
Záver a uloženie pamäte
save.image (file = "pamat_esg_cv7.Rdata" )