| Vzorka | Počet pozorovaní | Podiel (%) |
|---|---|---|
| Odhadová (80 %) | 92 | 80 |
| Testovacia (20 %) | 23 | 20 |
| Spolu | 115 | 100 |
Prognostické využitie lineárneho regresného modelu
1 Prognostické využitie lineárneho regresného modelu
1.1 Úvod a metodická poznámka
V tomto cvičení využívame viacnásobný lineárny regresný model na tvorbu a hodnotenie prognóz výroby elektrickej energie (electricity_generation_twh) v krajinách strednej Európy (Slovensko, Česko, Rakúsko, Poľsko, Nemecko od roku 2000) na základe HDP v miliardách (gdp_miliardy) a veľkosti populácie (population).
Metodická poznámka: Keďže pracujeme s panelovými údajmi (krajiny a roky), v tomto projekte testujeme schopnosť modelu predpovedať výrobu elektriny pre náhodne oddelenú testovaciu podvzorku pozorovaní, ktoré neboli použité pri odhade koeficientov. Keďže sme špecifikáciu modelu skúmali už v predchádzajúcich cvičeniach na celom súbore, výsledky interpretujeme ako didaktickú ilustráciu prognostickej presnosti (s vedomím možného úniku informácií – data leakage).
1.2 Rozdelenie údajov na odhadovú a testovaciu vzorku
Údaje rozdelíme v pomere 80 % na trénovaciu vzorku a 20 % na testovaciu vzorku pomocou generátora náhodných čísel set.seed(2026), aby bola zabezpečená reprodukovateľnosť výsledkov.
Celkový súbor obsahuje 115 pozorovaní, z ktorých na odhad koeficientov využívame 92 pozorovaní (80 %) a na overenie prognóz zostáva 23 pozorovaní (20 %).
1.3 Odhad modelu na odhadovej vzorke
Regresný model odhadujeme výhradne na odhadovej vzorke (odhadova), aby do odhadnutých parametrov neprenikla žiadna informácia z testovacích údajov.
| Premenná | Odhad | Št. chyba | t-hodnota | p-hodnota | Významnosť |
|---|---|---|---|---|---|
| (Intercept) | 4.3044 | 4.9586 | 0.8681 | 0.3877 | |
| gdp_miliardy | 0.1183 | 0.0096 | 12.3505 | 0.0000 | *** |
| population | 0.0000 | 0.0000 | 5.7824 | 0.0000 | *** |
1.3.1 Interpretácia
gdp_miliardy: Odhadnutý koeficient 0,1183 je štatisticky vysoko významný (\(p < 0,001\), označené ***). Pri nezmenenej populácii zvyšuje nárast HDP o 1 miliardu produkciu elektriny na odhadovej vzorke v priemere o 0,1183 TWh.
population: Koeficient je taktiež štatisticky vysoko významný (\(p < 0,001\), ***).
(Intercept): Absolútny člen 4,3044 nie je štatisticky významný (\(p = 0,3877\)).
1.4 Bodové prognózy a prognostické chyby
Pomocou odhadnutého modelu predikujeme výrobu elektrickej energie pre pozorovania v testovacej vzorke. Prognostická chyba je definovaná ako rozdiel medzi skutočnou a predikovanou hodnotou (\(a_i = y_i - \hat{y}_i\)).
| Krajina | Rok | Skutočnosť (TWh) | Prognóza (TWh) | Chyba (TWh) | |
|---|---|---|---|---|---|
| 2 | Austria | 2001 | 60.98 | 56.88 | 4.10 |
| 7 | Austria | 2006 | 62.21 | 61.90 | 0.31 |
| 11 | Austria | 2010 | 67.82 | 63.96 | 3.86 |
| 14 | Austria | 2013 | 64.55 | 65.82 | -1.27 |
| 22 | Austria | 2021 | 66.67 | 70.22 | -3.55 |
| 28 | Czechia | 2004 | 83.79 | 53.00 | 30.79 |
| 40 | Czechia | 2016 | 82.00 | 65.13 | 16.87 |
| 43 | Czechia | 2019 | 85.72 | 69.47 | 16.25 |
| 46 | Czechia | 2022 | 83.73 | 69.85 | 13.88 |
| 51 | Germany | 2004 | 609.60 | 538.84 | 70.76 |
1.4.1 Interpretácia
- Podhodnotené prognózy (kladná chyba): Vo väčšine zobrazených prípadov (napr. Austria 2001, 2006, 2010 a všetky sledované roky pre Czechia, teda 2004, 2016, 2019, 2022) je chyba kladná, čo znamená, že model skutočnú výrobu elektriny podhodnotil. Najväčšia odchýlka je pri Czechia v roku 2004 (30,79 TWh), zatiaľ čo najpresnejšia predikcia v tomto výbere je Austria 2006 s chybou len 0,31 TWh.
- Nadhodnotené prognózy (záporná chyba): Pri pozorovaniach Austria 2013 (-1,27 TWh) a Austria 2021 (-3,55 TWh) je chyba záporná, takže model skutočnú produkciu nadhodnotil.
1.5 Grafické porovnanie prognóz a skutočnosti
1.5.1 Interpretácia
- Skutočnosť vs. Prognóza: Body sa rozkladajú v blízkosti červenej diagonály (\(y = x\)), čo ukazuje, že model dobre vystihuje celkový trend a veľké rozdiely medzi krajinami.
- Prognostické chyby: Chyby sa pohybujú okolo červenej nuly, no vidno, že pri vyšších predikovaných hodnotách sú odchýlky výraznejšie. Zároveň sa body v strednej a vyššej časti nezhlukujú úplne rovnomerne do pásu, čo naznačuje prítomnosť odchýlok a rastúceho rozptylu chýb pri veľkých objemoch výroby elektriny.
1.6 Ukazovatele kvality prognóz
| Ukazovateľ | Hodnota | Jednotka |
|---|---|---|
| ME (Priemerná chyba) | 2.516 | TWh |
| MAE (Priemerná absolútna chyba) | 19.494 | TWh |
| MSE (Stredná kvadratická chyba) | 819.369 | TWh² |
| RMSE (Odmocnina z MSE) | 28.625 | TWh |
| MAPE (Priemerná abs. percentuálna chyba) | 12.988 | % |
1.6.1 Interpretácia
- ME (2,516 TWh): Kladná, relatívne malá priemerná podpísaná chyba naznačuje mierny sklon k podhodnocovaniu skutočnej výroby elektriny, pričom sa kladné a záporné odchýlky čiastočne vyrovnávajú.
- MAE (19,494 TWh): Priemerná absolútna odchýlka prognózy od skutočnej výroby elektriny na testovacej vzorke je približne 19,49 TWh.
- MSE (819,369 TWh²) a RMSE (28,625 TWh): Stredná kvadratická chyba je 819,369 TWh² a jej druhá odmocnina dosahuje 28,625 TWh. Vyššia hodnota RMSE oproti MAE potvrdzuje prítomnosť niekoľkých väčších odchýlok, ktoré umocňovanie prísnejšie penalizuje.
- MAPE (12,988 %): V relatívnom vyjadrení sa prognóza od skutočnej hodnoty odchyľuje v priemere približne o 12,99 %.
1.6.2 Porovnanie s jednosuchou prognózou
| Model | MAE (TWh) | RMSE (TWh) |
|---|---|---|
| Viacnásobná lineárna regresia (Model 7) | 19.49 | 28.62 |
| Naivná prognóza (priemer odhadovej vzorky) | 177.32 | 225.25 |
Viacnásobná lineárna regresia (Model 7) prekonáva naivnú prognózu s výrazným náskokom – znižuje MAE zo 177,32 TWh na 19,49 TWh a RMSE z 225,25 TWh na 28,62 TWh. Zahrnutie HDP a populácie tak prináša zásadné zlepšenie presnosti prognóz.
2 Theilov koeficient \(U_1\) a Theilov rozklad MSE
2.1 Theilov koeficient kvality prognóz (\(U_1\))
| Ukazovatel | Hodnota |
|---|---|
| Theilov koeficient U1 | 0.0484 |
Hodnota Theilovho koeficientu \(U_1 = 0,0484\) sa nachádza veľmi blízko nuly, čo potvrdzuje vysokú celkovú zhodu predikovaných a skutočných hodnôt.
2.2 Theilov rozklad strednej kvadratickej chyby (BVC)
| Zložka chyby | Podiel | Podiel (%) |
|---|---|---|
| U^M – podiel chyby priemeru (Bias) | 0.0077 | 0.7724 |
| U^S – podiel chyby variability (Variance) | 0.0257 | 2.5722 |
| U^C – podiel nedokonalej súbežnosti (Covariance) | 0.9666 | 96.6554 |
Theilov rozklad strednej kvadratickej chyby (MSE) ukazuje, že zložka systematickej chyby priemeru aj zložka chyby variability tvoria len zanedbateľnú časť celkovej chyby. Dominantnú časť (96,66 %) tvorí zložka nedokonalej súbežnosti (\(U^C\)), čo znamená, že model dobre vystihuje priemernú úroveň aj rozptyl produkcie elektriny a zvyšná chyba súvisí s individuálnymi odchýlkami jednotlivých pozorovaní. Výsledky môžeme vidieť aj v grafickej podobe.
2.3 Intervaly pri prognózovaní
| Krajina | Rok | Skutočnosť | Prognóza | CI dolná | CI horná | PI dolná | PI horná | |
|---|---|---|---|---|---|---|---|---|
| 2 | Austria | 2001 | 60.98 | 56.88 | 48.40 | 65.36 | -5.66 | 119.42 |
| 7 | Austria | 2006 | 62.21 | 61.90 | 53.24 | 70.56 | -0.67 | 124.46 |
| 11 | Austria | 2010 | 67.82 | 63.96 | 55.23 | 72.70 | 1.39 | 126.54 |
| 14 | Austria | 2013 | 64.55 | 65.82 | 57.02 | 74.61 | 3.23 | 128.40 |
| 22 | Austria | 2021 | 66.67 | 70.22 | 61.42 | 79.03 | 7.64 | 132.81 |
| 28 | Czechia | 2004 | 83.79 | 53.00 | 45.32 | 60.69 | -9.44 | 115.44 |
| 40 | Czechia | 2016 | 82.00 | 65.13 | 57.35 | 72.90 | 2.68 | 127.58 |
| 43 | Czechia | 2019 | 85.72 | 69.47 | 61.55 | 77.39 | 7.00 | 131.94 |
| 46 | Czechia | 2022 | 83.73 | 69.85 | 61.96 | 77.74 | 7.39 | 132.31 |
| 51 | Germany | 2004 | 609.60 | 538.84 | 524.54 | 553.14 | 475.25 | 602.43 |
| Ukazovateľ | Hodnota (%) |
|---|---|
| Podiel testovacích pozorovaní v 95 % predikčnom intervale | 91.3 |
2.3.1 Interpretácia
- Širšie predikčné intervaly (PI): Predikčné intervaly sú výrazne širšie než intervaly spoľahlivosti (CI) pre strednú hodnotu (napr. pri Rakúsku v roku 2001 je CI 48,40 – 65,36 TWh, kým PI je -5,66 – 119,42 TWh), pretože zahŕňajú aj rozptyl náhodnej zložky konkrétneho pozorovania.
- Pokrytie intervalu (91,3 %): Do 95 % predikčného intervalu spadlo 91,3 % testovacích pozorovaní, čo je blízko očakávaným 95 %.
3 Malé cvičenie – porovnanie s logaritmickým modelom
V rámci malého cvičenia odhadneme na rovnakej odhadovej vzorke alternatívny model s logaritmom HDP (electricity_generation_twh ~ log(gdp_miliardy) + population) a porovnáme jeho prognostickú presnosť a Theilov rozklad.
| Model | MAE (TWh) | RMSE (TWh) | U^M (%) | U^S (%) | U^C (%) |
|---|---|---|---|---|---|
| Model 7: Lineárny (GDP + Population) | 19.49 | 28.62 | 0.77 | 2.57 | 96.66 |
| Model 7_log: Lin-Log (ln(GDP) + Population) | 40.14 | 52.20 | 1.06 | 4.70 | 94.25 |
3.1 Interpretácia
- Porovnanie presnosti: Lineárny model dosahuje na testovacej vzorke výrazne nižšie chyby (MAE = 19,49 TWh, RMSE = 28,62 TWh) než logaritmický model (MAE = 40,14 TWh, RMSE = 52,20 TWh). Pre tvorbu prognóz je teda pôvodný lineárny model presnejší.
- Theilov rozklad pri Model 7_log: Podiel chyby priemeru je 1,06 % (\(U^M\)) a podiel chyby variability je 4,70 % (\(U^S\)).
- Dominantná zložka: Aj pri logaritmickom modeli dominuje zložka nedokonalej súbežnosti \(U^C\) (94,25 %), čo znamená, že zvyšná kvadratická chyba súvisí najmä s individuálnymi odchýlkami pozorovaní.
4 Odpovede na otázky
- Zmena modelu: Nižšie prognostické chyby dosahuje pôvodný lineárny model v porovnaní s logaritmickým modelom. Model vybraný na základe tohto porovnania už nemožno na tých istých testovacích pozorovaniach nezávisle opakovane testovať. * Theilov rozklad druhého modelu: Pre model Model 7_log platí, že zložka chyby priemeru tvorí \(U^M = 1,06\ \%\), zložka chyby variability \(U^S = 4,70\ \%\) a zložka nedokonalej súbežnosti \(U^C = 94,25\ \%\). Dominuje zložka nedokonalej súbežnosti \(U^C\) (94,25 %), čo znamená, že zvyšná kvadratická chyba súvisí predovšetkým s individuálnymi odchýlkami pozorovaní.
- Šírka intervalov: Pri prvom testovacom pozorovaní (Austria, rok 2001) má 95 % interval spoľahlivosti strednej hodnoty dolnú hranicu 48,40 TWh a hornú 65,36 TWh (šírka 16,96 TWh), zatiaľ čo 95 % predikčný interval siaha od -5,66 TWh do 119,42 TWh (šírka 125,08 TWh). Predikčný interval je výrazne širší, pretože okrem neistoty odhadu podmienenej strednej hodnoty zohľadňuje aj rozptyl náhodnej zložky individuálneho pozorovania.
- Metodická reflexia: Rozdelenie na odhadovú a testovaciu vzorku sa malo vykonať už pred výberom premenných, voľbou funkčného tvaru, diagnostikou a prípravou údajov. Keďže sa špecifikácia modelu skúmala na celom súbore vopred, hrozí riziko úniku informácií (data leakage). Výsledky preto nemožno považovať za úplne nezávislé overenie budúcej prognostickej presnosti, ale za ilustráciu postupu.
5 Záver a uloženie pamäte
V tomto cvičení sme overili prognostické schopnosti nášho regresného modelu na oddelenej testovacej vzorke. Lineárny model preukázal vysokú presnosť v porovnaní s naivnou referenčnou prognózou aj s logaritmickou modifikáciou. Všetky vytvorené objekty ukladáme do pracovného priestoru pamat.Rdata.