Zobraziť R kód
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)Prognostické využitie lineárneho regresného modelu
Ako prvé si načítame potrebné balíky skontrolujeme údaje, ktoré sme si uložili z minulého cvičenia. V tomto cvičení budeme pokračovať s databázou zamestnancov a budeme využívať premenné, ktoré sme použili aj pri regresnej analýze.
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)potrebne <- c(
"LowMotivation",
"Compensation",
"WorkLifeBalance",
"JobSatisfaction"
)
stopifnot(
exists("udaje.reg"),
all(potrebne %in% names(udaje.reg))
)
udaje7 <- udaje.reg[, potrebne, drop = FALSE]
stopifnot(
all(vapply(udaje7, is.numeric, logical(1))),
all(is.finite(as.matrix(udaje7))),
nrow(udaje7) >= 30
)
data.frame(
Ukazovatel = "Počet zamestnancov",
Hodnota = nrow(udaje7)
) |>
knitr::kable(
col.names = c("Ukazovateľ", "Hodnota"),
caption = "Údaje pripravené na prognózovanie",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Ukazovateľ | Hodnota |
|---|---|
| Počet zamestnancov | 526 |
Databázu so zamestnancami si rozdelíme na dve časti. Prvá časť bude odhadovaná vzorka, ktorú použijeme na odhad regresného modelu. Táto bude obsahovať 80 % pozorovaní. Druhá je testovacia vzorka, ktorou overíme presnosť našich prognóz a bude obsahovať 20 % pozorovaní.
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]
tabulka_vzorky <- data.frame(
Vzorka = c("Odhadová", "Testovacia", "Spolu"),
Pocet = c(nrow(odhadova), nrow(testovacia), n),
Podiel = round(
100 * c(nrow(odhadova), nrow(testovacia), n) / n, 1
)
)
tabulka_vzorky |>
knitr::kable(
col.names = c("Vzorka", "Počet zamestnancov", "Podiel (%)"),
caption = "Rozdelenie údajov na odhadovú a testovaciu vzorku",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Vzorka | Počet zamestnancov | Podiel (%) |
|---|---|---|
| Odhadová | 420 | 79.8 |
| Testovacia | 106 | 20.2 |
| Spolu | 526 | 100.0 |
Interpretácia výsledkov
Z celkového počtu 526 zamestnancov sme 420 z nich zaradili do odhadovanej vzorky (79,8 %) a zvyšných 106 zamestnancov sme zaradili do testovacej vzorky (20,2 %)
V minulom cvičení sme regresné modely odhadovali na na celej databáze zamestnancov. Pri prognózovaní ale potrebujeme údaje, ktoré budeme používať na odhad modelu oddeliť od tých, na ktorých budeme overovať jeho presnosť. Vytvoríme preto nový regresný model, ktorý budeme odhadovať len na odhadovanej vzorke.
model7 <- lm(
LowMotivation ~ Compensation + I(Compensation^2) +
WorkLifeBalance + JobSatisfaction,
data = odhadova
)
broom::tidy(model7) |>
dplyr::mutate(
term = ifelse(
term == "I(Compensation^2)",
"Compensation²",
term
)
) |>
knitr::kable(
digits = 3,
col.names = c(
"Premenná",
"Koeficient",
"Štandardná chyba",
"t-hodnota",
"p-hodnota"
),
caption = "Regresné koeficienty odhadnuté na odhadovej vzorke",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Premenná | Koeficient | Štandardná chyba | t-hodnota | p-hodnota |
|---|---|---|---|---|
| (Intercept) | 6.971 | 0.402 | 17.347 | 0.000 |
| Compensation | -1.519 | 0.260 | -5.840 | 0.000 |
| Compensation² | 0.176 | 0.038 | 4.592 | 0.000 |
| WorkLifeBalance | -0.083 | 0.067 | -1.239 | 0.216 |
| JobSatisfaction | -0.280 | 0.061 | -4.612 | 0.000 |
Interpretácia výsledkov
Nový regresný model sme odhadli na vzorke 420 zamestnancov. Výsledky ukazujú, že vzťah medzi spokojnosťou s finančným ohodnotením a nízkou pracovnou motiváciou je nelineárny. Koeficienty premennej Compensation sú oba štatisticky významné (p < 0,001). Kladný koeficient pri druhej mocnine pritom naznačuje, že pri vyššej spokojnosti s ohodnotením sa pokles preacovnej demotivácie zmierňuje. Koeficient premennej JobSatisfaction má hodnotu - 0,280 a tiež je štatisticky významná (p < 0,001). Znamená to teda, že vyššia spokojnosť s vykonávanou prácou súvisí s nižšou mierou pracovnej demotivácie. Premenná WorkLifeBalance naopak na hladine významnosti 5 % nie je štatisticky významná, pretože jej p-hodnota je 0,216. Tento model využijeme ďalej na výpočet prognóz pre zamestnancov z testovacej vzorky, ktorí do odhadu regresných koeficientov zahrnutí neboli.
Predpokladané hodnoty nízkej pracovnej motivácie pre zamestnancov z testovacej vzorky vypočítame pomocou funkcie “predict()”. Potom ich porovnáme so skutočnými hodnotami a vypočítame prognostické chyby. Prognostickú chybu vypočítame ako rozdiel medzi skutočnou hodnotou a tou predpovedanou :
\[ a_i = y_i - \hat{y}_i \] Ak je chyba kladná, znamená to, že model skutočnú mieru pracovnej demotivácie podhodnotil, a naopak, ak je chyba záporná znamená to, že ju nadhodnotil.
testovacia$Prognoza <- as.numeric(
predict(model7, newdata = testovacia)
)
testovacia$Chyba <- testovacia$LowMotivation -
testovacia$Prognoza
testovacia$Absolutna_chyba <- abs(testovacia$Chyba)
testovacia |>
dplyr::select(
LowMotivation,
Compensation,
WorkLifeBalance,
JobSatisfaction,
Prognoza,
Chyba
) |>
head(10) |>
knitr::kable(
digits = 3,
col.names = c(
"Skutočná hodnota",
"Compensation",
"WorkLifeBalance",
"JobSatisfaction",
"Prognóza",
"Chyba"
),
caption = "Prvých desať prognóz na testovacej vzorke",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Skutočná hodnota | Compensation | WorkLifeBalance | JobSatisfaction | Prognóza | Chyba | |
|---|---|---|---|---|---|---|
| 5 | 2 | 2 | 3 | 4 | 3.269 | -1.269 |
| 7 | 2 | 3 | 3 | 3 | 2.913 | -0.913 |
| 16 | 5 | 2 | 2 | 2 | 3.913 | 1.087 |
| 21 | 2 | 4 | 4 | 4 | 2.266 | -0.266 |
| 24 | 3 | 3 | 3 | 3 | 2.913 | 0.087 |
| 32 | 3 | 3 | 2 | 3 | 2.996 | 0.004 |
| 37 | 4 | 3 | 3 | 3 | 2.913 | 1.087 |
| 52 | 3 | 2 | 3 | 3 | 3.549 | -0.549 |
| 56 | 3 | 3 | 3 | 2 | 3.193 | -0.193 |
| 71 | 3 | 3 | 3 | 3 | 2.913 | 0.087 |
Interpretácia výsledkov
Pre zamestnancov z testovacej vzorky sme pomocou regresného modelu vypočítali predpokladané hodnoty nízkej pracovnej motivácie. Keď porovnáme prognózy so skutočnými hodnotami tak vidíme, že pri jednotlivých zamestnancoch sa presnosť odpovedí líši. Pri zamestnancovi č. 5 napríklad model predpovedal hodnotu 3.269, zatiaľ čo skutočná hodnota bola 2. Pracovnú demotiváciu teda model nadhodnotil o 1.269 bodu. Pri zamestnancovi č. 16 bola naopak skutočná hodnota 5 a prognóza 3.913, čo je podhodnotenie o 1.087 bodu. Pri niektorých zamestnancoch boli ale prognózy veľmi blízko skutočným hodnotám, napríklad pri zamestnancovi č. 7 bola prognostická chyba iba 0.004 bodu. Z výsledkov vidíme, že nízku pracovnú motiváciu všetkých zamestnancov model nedokáže predpovedať s rovnakou presnosťou. Celkovú prognostickú presnosť preto vyhodnotíme pomocou ďalších ukazovateľov.
Skutočné a predpovedané hodnoty nízkej pracovnej motivácie zamestnancov z testovacej vzorky porovnáme pomocou dvoch grafov. V prvom grafe budeme sledovať, ako blízko sú prognózy ku skutočným hodnotám. Druhý graf nám bude slúžiť na to, aby sme mohli posúdiť veľkosť a rozloženie prognostických chýb.
op <- par(mfrow = c(1, 2))
lim <- range(c(
testovacia$LowMotivation,
testovacia$Prognoza
))
# Graf 1: Skutočné a prognózované hodnoty
plot(
testovacia$LowMotivation,
testovacia$Prognoza,
xlab = "Skutočná hodnota",
ylab = "Prognózovaná hodnota",
main = "Skutočnosť a prognóza",
pch = 19,
col = "#91466f",
xlim = lim,
ylim = lim
)
abline(a = 0, b = 1, col = "#d94f8a", lwd = 2)
# Graf 2: Prognostické chyby
plot(
testovacia$Prognoza,
testovacia$Chyba,
xlab = "Prognózovaná hodnota",
ylab = "Prognostická chyba",
main = "Prognostické chyby",
pch = 19,
col = "#91466f"
)
abline(h = 0, col = "#d94f8a", lwd = 2)par(op)Interpretácia výsledkov
Prvý graf porovnáva skutočné hodnoty nízkej pracovnej motivácie zamestnancov s tými prognózovanými. Ako môžeme vidieť, tak niektoré body sa nachádzajú blízko diagonálnej čiary, čo znamená, že tieto prognózy sú pomerne presné. Viacero bodov je od tejto čiary ale vzdialených. Hlavne pri vyšších skutočných hodnotách pracovnej demotivácie má model tendenciu ich podhodnocovať. Na druhom grafe sú zobrazené prognostické chyby, ktoré sa nachádzajú nad nulovou čiarou ale aj pod ňou. Znamená to, že niektoré hodnoty model nadhodnocuje a iné naopak podhodnocuje. Z týchto grafov teda vyplýva, že pracovnú demotiváciu dokáže model do určitej miery predpovedať, ale jeho prognózy nie sú vždy presné. V ďalšej časti preto ich presnosť vyhodnotíme pomocou konkrétnych ukazovateľov.
Na vyhodnotenie presnosti nášho regresného modelu vypočítame päť ukazovateľov: ME, MAE, MSE, RMSE a MAPE. Všetky tieto ukazovatele budeme počítať na testovacej vzorke 106 zamestnancov.
| Ukazovateľ | Význam |
|---|---|
| ME | Priemerná prognostická chyba, ktorá ukazuje, či model hodnoty skôr podhodnocuje alebo nadhodnocuje. |
| MAE | Priemerná absolútna chyba prognóz. |
| MSE | Priemerná štvorcová chyba, ktorá viac zohľadňuje väčšie odchýlky. |
| RMSE | Odmocnina z MSE, ktorá vyjadruje veľkosť prognostických chýb v bodoch. |
| MAPE | Priemerná absolútna percentuálna chyba prognóz. |
skutocnost <- testovacia$LowMotivation
prognoza <- testovacia$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("body", "body", "body²", "body", "%")
)
vysledky_presnost |>
knitr::kable(
digits = 4,
col.names = c("Ukazovateľ", "Hodnota", "Jednotka"),
caption = "Ukazovatele kvality prognóz na testovacej vzorke",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Ukazovateľ | Hodnota | Jednotka |
|---|---|---|
| ME | 0.0186 | body |
| MAE | 0.5714 | body |
| MSE | 0.5139 | body² |
| RMSE | 0.7169 | body |
| MAPE | 21.6198 | % |
Interpretácia výsledkov
Na základe ukazovateľov, ktoré sme si vypočítali, môžeme posúdiť presnosť prognóz regresného modelu. Hodnota primernej prognostickej chyby (ME) je 0.0186, čo znamená, že skutočné hodnoty pracovnej demotivácie model v priemere podhodnocuje len mierne. Ukazovateľ MEA dosiahol hodnotu 0.5714, čo nám hovorí, že pri predpovedaní nízkej pracovnej motivácie sa model v priemere mýli o cca 0.57 bodu. MSE má hodnotu 0.5139 a RMSE 0.7169, čo naznačuje výskyt aj väčších prognostických chýb. Priemerná absolútna percentuálna chyba je 21.62 %, čo znamená, že prognózy sa v priemere od skutočných hodnôt odlišujú o cca 21.62 %. Z výsledkov vidíme, že pracovnú demotiváciu dokáže model predpovedať s určitou presnosťou, ale medzi skutočnými hodnotami a prognózami stále existujú odchýlky. Aby sme lepšie mohli posúdiť jeho prognostickú kvalitu, tak v ďalšej časti ho porovnáme s jednoduchou prognózou, ktorá bude založená na priemernej hodnote pracovnej demotivácie.
Presnosť nášho regresného modelu porovnáme s jednoduchou prognózou, pri ktorej priradíme každému zamestnancovi z testovacej vzorky rovnakú predpovedanú hodnotu. Vypočítame ju ako priemernú hodnotu nízkej pracovnej motivácie zamestnancov v odhadovanej vzorke. Potom následne porovnáme pomocou ukazovateľov MAE a RMSE oba spôsoby prognózovania.
naivna_prognoza <- rep(
mean(odhadova$LowMotivation),
nrow(testovacia)
)
chyba_naivna <- skutocnost - naivna_prognoza
porovnanie <- data.frame(
Model = c(
"Kvadratický regresný model",
"Jednoduchá prognóza"
),
MAE = c(
MAE,
mean(abs(chyba_naivna))
),
RMSE = c(
RMSE,
sqrt(mean(chyba_naivna^2))
)
)
porovnanie |>
knitr::kable(
digits = 3,
col.names = c("Spôsob prognózovania", "MAE", "RMSE"),
caption = "Porovnanie regresného modelu s jednoduchou prognózou",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Spôsob prognózovania | MAE | RMSE |
|---|---|---|
| Kvadratický regresný model | 0.571 | 0.717 |
| Jednoduchá prognóza | 0.816 | 0.946 |
Interpretácia výsledkov
Keď sme porovnali obidva spôsoby prognózovania, tak sme zistili, že v porovnaní s jednoduchou prognózou, ktorá je založená na priemernej hodnote pracovnej motivácie dosahuje náš regresný model presnejšie výsledky. Ukazovateľ MAE dosiahol pri regresnom modeli hodnotu 0.571, zatiaľ čo pri jednoduchej prgnóze bola táto hodnota 0.816. Znamená to, že pri predpovedaní sa regresný model v priemere mýli o menší počet bodov. Podobný výsledok vidíme aj pri ukazovateľovi RMSE, ktorý dosiahol hodnotu 0.717 pri regresnom modeli a hodnotu 0.946 pri jednoduchej prognóze. Oba ukazovatele nám teda potvrdzujú, že na testovacej vzorke dosahuje náš regresný model presnejšie prognózy.
V tejto časti použijeme na posúdenie presnosti prognóz Theilov koeficient U_1. Tento koeficient porovnáva prognózované hodnoty so skutočnými hodnotami nízkej pracovnej motivácie zamestnancov. Theilov koeficient vypočítame podľa nasledujúceho vzorca:
\[ U_1 = \frac{\sqrt{\frac{1}{m}\sum_{i=1}^{m}(\hat{y}_i-y_i)^2}} {\sqrt{\frac{1}{m}\sum_{i=1}^{m}\hat{y}_i^2}+ \sqrt{\frac{1}{m}\sum_{i=1}^{m}y_i^2}} \] Hodnota koeficientu sa pohybuje v rozmädzí od 0 do 1 a čím bližšie je táto hodnota k 0, tým presnejšie sú prognózy.
Theil_U1 <- sqrt(mean((prognoza - skutocnost)^2)) /
(sqrt(mean(prognoza^2)) + sqrt(mean(skutocnost^2)))
tabulka_theil <- data.frame(
Ukazovatel = "Theilov koeficient U₁",
Hodnota = Theil_U1
)
tabulka_theil |>
knitr::kable(
digits = 5,
col.names = c("Ukazovateľ", "Hodnota"),
caption = "Theilov koeficient kvality prognóz",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Ukazovateľ | Hodnota |
|---|---|
| Theilov koeficient U₁ | 0.12313 |
Interpretácia výsledkov
Theilov koeficient kvality prognóz má hodnotu 0.12313. Táto hodnota sa nachádza pomerne blízko 0, na základe čoho môžeme konštatovať, že náš regresný model má relatívne dobrú prognostickú presnosť. Znamená to, že rozdiely medzi skutočnými a predpovedanými hodnotami pracovnej demotivácie sú pomerne malé, keď ich dáme do pomeru s veľkosťami týchto hodnôt.
Pomocou Theilovho rozkladu zistíme, z čoho, respektíve z akých zložiek sa skladá prognostická chyby nášho regresného modelu.
Rozklad pozostáva z troch zložiek:
Súčet všetkých týchto zložiek sa musí rovnať 1: \[ U^M + U^S + U^C = 1 \]
# Smerodajná odchýlka s deliteľom m
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))
)
# Jednotlivé zložky Theilovho rozkladu
UM <- (mean(skutocnost) - mean(prognoza))^2 / MSE
US <- (sy - sh)^2 / MSE
UC <- 2 * (sy * sh - cov_m) / MSE
rozklad <- data.frame(
Zlozka = c(
"Uᴹ – priemer",
"Uˢ – variabilita",
"Uᶜ – súbežnosť"
),
Podiel = c(UM, US, UC),
Percent = 100 * c(UM, US, UC)
)
stopifnot(
isTRUE(all.equal(
sum(rozklad$Podiel),
1,
tolerance = 1e-8
))
)
} else {
rozklad <- data.frame(
Zlozka = c("U^M", "U^S", "U^C"),
Podiel = NA_real_,
Percent = NA_real_
)
}
rozklad |>
knitr::kable(
digits = 4,
escape = FALSE,
col.names = c(
"Zložka",
"Podiel",
"Podiel (%)"
),
caption = "Theilov rozklad strednej kvadratickej chyby",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Zložka | Podiel | Podiel (%) |
|---|---|---|
| Uᴹ – priemer | 0.0007 | 0.0672 |
| Uˢ – variabilita | 0.2271 | 22.7092 |
| Uᶜ – súbežnosť | 0.7722 | 77.2236 |
Interpretácia výsledkov
Theilov rozklad ukázal, že najväčšiu časť prognostickej chyby v našom regresnom modeli tvorí zložka súbežnosti (77,22 %). Znamená to, že model nedokážu úplne presne zachytiť nejaké individuálne rozdiely v pracovnej demotivácii jednotlivých zamestnancov. Zložka variability tvorí 22,71 % prognostickej chyby, čím poukazuje na to, že v rozptýlení skutočných a prognózovaných hodnôt sú určité rozdiely. Naopak, zložka priemeru predstavuje iba 0.07 % prognózovanej chyby, čiže priemerné prognózované hodnoty sa skoro presne zhodujú s priemernými skutočnými hodnotami. Výsledky naznačujú, že náš model nemá nejaký významný problém s podhodnocovaním alebo nadhodnocovaním pracovnej demotivácie. Prevažná časť prognostickej chyby je zapríčinená tým, že model nevie dostatočne presne predpovedať hodnoty u jednotlivých zamestnancov.
Teraz pomocou grafu zobrazíme jednotlivé zložky Theilovho rozkladu. Tento graf nám pomôže prehľadne porovanť, akým podielom prispievajú jednotlivé zložky k celkovej kvadratickej chybe prognóz.
if (all(is.finite(rozklad$Percent))) {
vysky <- rozklad$Percent
pozicie <- barplot(
vysky,
names.arg = c("Priemer", "Variabilita", "Súbežnosť"),
col = c("#f5b5d0", "#e783ae", "#d94f8a"),
border = "#91466f",
ylab = "Podiel na MSE (%)",
main = "Theilov rozklad prognostickej chyby",
ylim = c(0, 100)
)
text(
x = pozicie,
y = vysky + 3,
labels = paste0(round(vysky, 2), " %"),
col = "#77345f",
font = 2,
cex = 0.9
)
} else {
plot.new()
text(
0.5, 0.5,
"Dokonalá prognóza: podiely nie sú definované"
)
}Interpretácia výsledkov
Z grafu vidíme, že najväčší podiel na celkovej prognostickej chybe má má zložka súbežnosti (77.22 %) a hneď za ňou nasleduje zložka variability (22.71 %). Zložka priemeru tvorí iba 0.07 %, Najväčšie nepresnosti teda model vykazuje pri predpovedaní individuálnych hodnôt pracovnej demotivácie jednotlivých zamestnancov.
Teraz pre jednotlivých zamestnancov vypočítame 95 % intervaly spoľahlivosti strednej hodnoty a 95 % predikčné intervaly. Potom následne porovnáme ich šírku, aby sme zistili, nakoľko zachytávajú skutočné hodnoty pracovnej demotivácie.
# 95 % interval spoľahlivosti strednej hodnoty
interval_priemer <- predict(
model7,
newdata = testovacia,
interval = "confidence",
level = 0.95
)
# 95 % predikčný interval jednotlivého pozorovania
interval_jednotlivec <- predict(
model7,
newdata = testovacia,
interval = "prediction",
level = 0.95
)
# Tabuľka výsledkov
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) |>
knitr::kable(
digits = 3,
col.names = c(
"Skutočnosť",
"Prognóza",
"CI dolná",
"CI horná",
"PI dolná",
"PI horná"
),
caption = "95 % intervaly prognóz na testovacej vzorke",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Skutočnosť | Prognóza | CI dolná | CI horná | PI dolná | PI horná | |
|---|---|---|---|---|---|---|
| 5 | 2 | 3.269 | 3.082 | 3.457 | 1.788 | 4.750 |
| 7 | 2 | 2.913 | 2.806 | 3.020 | 1.440 | 4.386 |
| 16 | 5 | 3.913 | 3.758 | 4.067 | 2.435 | 5.390 |
| 21 | 2 | 2.266 | 2.175 | 2.357 | 0.794 | 3.738 |
| 24 | 3 | 2.913 | 2.806 | 3.020 | 1.440 | 4.386 |
| 32 | 3 | 2.996 | 2.808 | 3.184 | 1.515 | 4.477 |
| 37 | 4 | 2.913 | 2.806 | 3.020 | 1.440 | 4.386 |
| 52 | 3 | 3.549 | 3.406 | 3.693 | 2.073 | 5.026 |
| 56 | 3 | 3.193 | 3.024 | 3.362 | 1.714 | 4.672 |
| 71 | 3 | 2.913 | 2.806 | 3.020 | 1.440 | 4.386 |
Interpretácia výsledkov
Na základe regresného modelu sme pre zamestnancov z testovacej vzorky vypočítali 95 % intervaly spolahlivosti a predikčné intervaly. Z výsledkov môžeme vidieť, že predikčné intervaly sú sú širšie ako intervaly spolahlivosti, pretože pri predpovedaní hodnôt jednotlivých zamestnancov zohľadňujú aj neistotu. Pri zamestnancovi číslo 5 model napríklad predpovedal hodnotu pracovnej demotivácie 3.269. Predikčný interval je v rozmedzí od 1.788 do 4.750 a teda zahŕňa aj skutočnú hodnotu 2. Hoci sú teda medzi bodovou prognózou a skutočnosťou rozdiely, tak skutočná hodnota sa aj tak nachádza v predpokladanom intervale. Na základe výsledkov teda môžeme povedať, že okrem bodových prognóz je pri prognózovaní potrebné zohľadňovať aj neistotu predpovedí.
Na testovacej vzorke teraz overíme, aký podiel skutočných hodnôt nízkej pracovnej motivácie sa nachádza v 95 % predikčných intervaloch, ktoré sme regresným modelom vypočítali.
v_intervale <- (
intervaly$Skutocnost >= intervaly$PI_dolna &
intervaly$Skutocnost <= intervaly$PI_horna
)
tabulka_pokrytie <- data.frame(
Ukazovatel = c(
"Počet zamestnancov",
"Hodnoty v intervale",
"Hodnoty mimo intervalu",
"Pokrytie intervalov (%)"
),
Hodnota = c(
length(v_intervale),
sum(v_intervale),
sum(!v_intervale),
round(mean(v_intervale) * 100, 2)
)
)
tabulka_pokrytie |>
knitr::kable(
digits = 2,
col.names = c("Ukazovateľ", "Hodnota"),
caption = "Úspešnosť 95 % predikčných intervalov",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Ukazovateľ | Hodnota |
|---|---|
| Počet zamestnancov | 106.00 |
| Hodnoty v intervale | 102.00 |
| Hodnoty mimo intervalu | 4.00 |
| Pokrytie intervalov (%) | 96.23 |
Interpretácia výsledkov
Z výsledkov sme zistili, že skutočné hodnoty nízkej pracovnej motivácie sa v 95 % predikčných intervaloch nachádzali pri 102 zamestnancov z celkového počtu 106 zamestnancov. Skutočné hodnoty boli mimo týchto intervaloch iba pri štyroch zamestnancoch. Celkové pokrytie predikčných intervaloch je 96.23 %, čo sa nachádza veľmi blízko pri očakávanej úrovni 95 %. Takýto výsledok nám hovorí o tom, že vypočítané intevaly v našej testovacej vzorke pomerne dobre zachytávajú skutočné hodnoty pracovnej demotivácie.
Na základe analýzy, ktorú sme vykonali môžeme povedať, že náš kvadratický regresný model dokáže nízku pracovnú motiváciu zamestnancov predpovedať, ale iba do určitej miery. Na testovacej vzorke dosiahol priemernú absolútnu chybu MAE 0,571 bodu a RMSE 0,717 bodu. Keď to porovnáme s jednoduchou prognózou založenou na priemere, tak pri obidvoch ukazovateľoch dosiahol nižšie hodnoty a tým pádom aj presnejšie výsledky. Theilov koeficient U_1 mal hodnotu 0.12313, čo naznačuje, že medzi skutočnými a prognózovanými hodnotami je nezhoda pomerne malá. Theilov rozklad nám zároveň ukázal, že najväčšiu časť prognostickej chyby tvorí zložka súbežnosti (77.22 %). Pokrytie 95 % predikčných intervalo je blízko očakávanej úrovne, keďže dosiahlo 96.23 %.
V tejto prvej úlohe si vytvoríme nový regresný model, v ktorom vyjadríme spokojnosť s finančným ohodnotením pomocou prirodzeného logaritmu. Ostatné vysvetľujúce premenné necháme nezmenené. Náš nový model odhadneme iba na odhadovanej vzorke 420 zamestnancov. Potom vypočítame prognózy pre zvyšných 106 zamestnancov z testovacej vzorky a ukazovatele MAE a RMSE porovnáme s pôvodným kvadratickým modelom.
Nový regresný model bude mať tvar :
\[ LowMotivation_i = \beta_0 + \beta_1 \ln(Compensation_i) + \beta_2 WorkLifeBalance_i + \beta_3 JobSatisfaction_i + u_i \]
# Odhad logaritmického modelu
model7_log <- lm(
LowMotivation ~ log(Compensation) +
WorkLifeBalance + JobSatisfaction,
data = odhadova
)
# Prognózy na rovnakej testovacej vzorke
prognoza_log <- as.numeric(
predict(model7_log, newdata = testovacia)
)
# Prognostické chyby logaritmického modelu
chyba_log <- testovacia$LowMotivation - prognoza_log
# Výpočet MAE a RMSE
MAE_log <- mean(abs(chyba_log))
RMSE_log <- sqrt(mean(chyba_log^2))
# Porovnanie oboch modelov
porovnanie_modelov <- data.frame(
Model = c(
"Kvadratický model",
"Logaritmický model"
),
MAE = c(MAE, MAE_log),
RMSE = c(RMSE, RMSE_log)
)
# Ružová tabuľka
porovnanie_modelov |>
knitr::kable(
digits = 4,
col.names = c("Regresný model", "MAE", "RMSE"),
caption = "Porovnanie prognostickej presnosti dvoch modelov",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Regresný model | MAE | RMSE |
|---|---|---|
| Kvadratický model | 0.5714 | 0.7169 |
| Logaritmický model | 0.5861 | 0.7216 |
Interpretácia výsledkov
Na základe porovnania prognostických chýb sme zistili, že kvadratický regresný model dosiahol oproti logaritmickému modelu trocha lepšie výsledky. Priemerná absolútna chyba (MAE) pri kvadratickom modeli je 0.5714 bodu, zatiaľ čo pri logaritmickom modeli to je 0.5861 bodu. Podobný výsledok môžeme vidieť aj RMSE, kde kvadratický model má hodnotu tohto ukazovateľa 0.7169 bodu a logaritmický model 0.7261 bodu. Keďže pri obidvoch týchto ukazovateľoch uprednostňujeme nižšie hodnoty, tak môžeme konštatovať, že na našej testovacej vzorke poskytuje kvadratický model o trocha presnejšie hodnoty nízkej pracovnej motivácie zamestnancov. Oba modely ale dosahujú podobnú prognostickú presnosť, pretože rozdiely medzi nimi sú pomerne malé.
V druhej úlohe spravíme pre náš nový logaritmický regresný model Theilov rozklad strednej kvadratickej chyby. Vypočítame, aký podiel na chybe tvorí zložka priemeru, variability a súbežnosti. Potom následne overíme, či súčet týchto jednotlivých zložiek sa rovná 1 a určíme, ktorá zložka tvorí najväčšiu časť a teda sa aj najviac podieľa na celkovej prognostickej chybe.
# Stredná kvadratická chyba logaritmického modelu
MSE_log <- mean(chyba_log^2)
# Smerodajné odchýlky s deliteľom n
sd_m <- function(x) {
sqrt(mean((x - mean(x))^2))
}
sy_log <- sd_m(skutocnost)
sh_log <- sd_m(prognoza_log)
# Kovariancia s deliteľom n
cov_log <- mean(
(skutocnost - mean(skutocnost)) *
(prognoza_log - mean(prognoza_log))
)
# Jednotlivé zložky Theilovho rozkladu
UM_log <- (mean(skutocnost) - mean(prognoza_log))^2 / MSE_log
US_log <- (sy_log - sh_log)^2 / MSE_log
UC_log <- 2 * (sy_log * sh_log - cov_log) / MSE_log
# Tabuľka vrátane kontroly súčtu
theil_log <- data.frame(
Zlozka = c(
"Uᴹ – priemer",
"Uˢ – variabilita",
"Uᶜ – súbežnosť",
"Súčet"
),
Podiel = c(
UM_log,
US_log,
UC_log,
UM_log + US_log + UC_log
)
)
theil_log$Percent <- theil_log$Podiel * 100
# Ružová tabuľka
theil_log |>
knitr::kable(
digits = 4,
col.names = c("Zložka", "Podiel", "Podiel (%)"),
caption = "Theilov rozklad logaritmického modelu",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
) |>
kableExtra::row_spec(
4,
bold = TRUE,
background = "#fce4ef",
color = "#77345f"
)| Zložka | Podiel | Podiel (%) |
|---|---|---|
| Uᴹ – priemer | 0.0002 | 0.0200 |
| Uˢ – variabilita | 0.2519 | 25.1908 |
| Uᶜ – súbežnosť | 0.7479 | 74.7891 |
| Súčet | 1.0000 | 100.0000 |
Interpretácia výsledkov
Na základe Theilovho rozkladu logaritmického regresného modelu môžeme vidieť, že na celkovej prognostickej chybe má najväčší podiel zložka súbežnosti (74.79 %). Znamená to, že tento model nedokáže v pracovnej demotivácii jednotlivých zamestnancov úplne presne zachytiť individuálne rozdiely. Položka variability tvorí 25.19 % z celkovej chyby, čo naznačuje že medzi rozptýlením skutočných a prognózovaných hodnôt sú určité rozdiely. Zložka priemeru tvorí najmenšiu časť celkovej chyby, iba 0.02 %, čo znemaná že priemrné hodnoty sa skoro presne zhodujú so skutočným priemerom. Súčet všetkých troch zložiek sa rovná 1, čím sme potvrdili správnosť výpočtu. Keď to porovnáme s kvadratickým modelom, tak tento logaritmický model má vyšší podiel zložky variability a nižší podiel zložky súbežnosti. Samotné rozdelenie týchto zložiek ale nehovorí o tom, ktorý model je presnejší. Keď zoberieme do úvahy aj predchádzajúce porovnania ukazovateľov MAE a RMSE, tak kvadratický model má o ničo lepšiu prognostickú presnosť.
Teraz porovnáme šírku 95 % intervalu spoľahlivosti strednej hodnoty a 95 % predikčného intevalu pre jedného zamestnanca z testovacej vzorky. Obidva tieto intervaly budeme počítať pomocou logaritmického regresného modelu, a potom následne porovnáme a vyhodnotíme aký je rozdiel v ich šírke.
# Výber prvého zamestnanca z testovacej vzorky
zamestnanec <- testovacia[1, , drop = FALSE]
# 95 % interval spoľahlivosti
CI_log <- predict(
model7_log,
newdata = zamestnanec,
interval = "confidence",
level = 0.95
)
# 95 % predikčný interval
PI_log <- predict(
model7_log,
newdata = zamestnanec,
interval = "prediction",
level = 0.95
)
# Výpočet šírky intervalov
sirka_CI <- CI_log[1, "upr"] - CI_log[1, "lwr"]
sirka_PI <- PI_log[1, "upr"] - PI_log[1, "lwr"]
# Porovnávacia tabuľka
tabulka_intervaly <- data.frame(
Interval = c(
"Interval spoľahlivosti (CI)",
"Predikčný interval (PI)"
),
Dolna = c(CI_log[1, "lwr"], PI_log[1, "lwr"]),
Horna = c(CI_log[1, "upr"], PI_log[1, "upr"]),
Sirka = c(sirka_CI, sirka_PI)
)
tabulka_intervaly |>
knitr::kable(
digits = 3,
col.names = c(
"Typ intervalu",
"Dolná hranica",
"Horná hranica",
"Šírka"
),
caption = "Porovnanie 95 % intervalov pre jedného zamestnanca",
align = "c"
) |>
kableExtra::kable_styling(
bootstrap_options = c("striped", "hover"),
full_width = FALSE,
position = "center"
) |>
kableExtra::row_spec(
0,
background = "#d94f8a",
color = "white",
bold = TRUE
) |>
kableExtra::column_spec(
1,
bold = TRUE,
color = "#77345f"
)| Typ intervalu | Dolná hranica | Horná hranica | Šírka |
|---|---|---|---|
| Interval spoľahlivosti (CI) | 3.032 | 3.400 | 0.368 |
| Predikčný interval (PI) | 1.720 | 4.712 | 2.993 |
Interpretácia výsledkov
Na základe výsledkov sme zistili, že 95 % interval spoľahlivosti sa pohybuje v rozmedzí od 3.032 do 3.400 a jeho šírka je 0.368 bodu. 95 % predikčný interval sa naopak pohybuje v rozmedzí od 1.720 do 4.712 a jeho šírka je 2.993 bodu. Predikčný inteval je teda približne 8,1-krát širší ako interval spoľahlivosti. Rozdiel je spôsobený tým, že interval spoľahlivosti pri odhadovaní priemernej hodnoty pracovnej demotivácie zamestnancov vyjadruje neistotu, zatiaľ čo predikčný interval zohľadňuje medzi zamestnancami aj individuálne rozdiely. Výsledky teda ukazujú, že ak chceme predpovedať pracovnú demotiváciu u jedného konkrétneho zamestnanca, je to menej presné ako keď odhadujeme priemernú hodnotu pre zamestnancov, ktorý majú rovnaké charakteristiky.
Metodická reflexia
Údaje bolo potrebné pred vytvorením regresného modelu rozdeliť na dve vzorky, aby sme presnosť modelu mohli overiť aj na údajoch, ktoré sme pri jeho tvorbe nepoužili. V minulom cvičení sme pri výpočtoch používali databázu so všetkými 526 zamestnancami a na základe týchto výsledkov sme vybrali, ktorý regresný model mal lepšie výsledky. Údaje sme na dve časti rozdelili až v tomto cvičení a aj keď sme model odhadli nanovo iba na tých 420 zamestnancov, tak pri výbere tohto modelu sme mali informácie už aj o tej zvyšnej časti 106 zamestnancov, keďže sme predtým pracovali s celkovým počtom. Preto nemôžeme povedať, že sme presnosť tohto modelu overili úplne nezávisle.
V tomto cvičení sme sa venovali prognostickému využitiu regresného modelu, ktorým sme sa snažili predovedať nízku pracovnú motiváciu zamestnancov. Našu databázu sme rozdelili na odhadovanú vzorku, ktorú tvorilo 420 zamestnancov a na testovaciu vzorku, ktorú tvorilo 106 zamestnancov. Na základe ukazovateľov, ktoré sme vypočítali sme zistili, že kvadratický model dosahuje oproti jednoduchej prognóze lepšie výsledky. Jeho priemerná absolútna chyba (MEA) je 0.5714 bodu a RMSE je 0.7169 bodu. Rovnako, aj pri porovnaní s logaritmickým modelom dosiahol regresný model o niečo presnejšie prognózy. Pomocou Theilovho koeficientu a jeho rozkladu sme viac podrobnejšie preskúmali prognostické chyby. Zároveň sme zistili, že predikčné intervaly sú širšie ako intervaly spoľahlivosti, pretože pri predpovedaní hodnôt jednotlivých zamestnancov by sme mali počítať s väčšou neistotou. Na základe tohto civčenia sme teda lepšie pochopili, že regresný model môžeme využiť nielen na skúmanie vzťahov medzi premennými, ale rovnako aj na vytváranie prognóz a hodnotenie ich presnosti.
# Uloženie všetkých objektov z pracovnej pamäte
save.image(file = "pamat.Rdata")