Zadanie 6 – Prognostické využitie lineárneho regresného modelu

Prognóza ceny ropy Brent (podľa cvičenia 7)

Autor

Norbert Hanáček

1 Nadväznosť na zadania 4 a 5

Pokračujeme v analýze databázy Global Oil Prices & Geopolitical Events (2010–2026) (Kaggle, autor Kavya Dhyani, licencia CC BY 4.0).

  • V zadaní 4 sme odhadli model ceny Brent s vysvetľujúcimi premennými GPR, VIX a DXY a interpretovali koeficienty.
  • V zadaní 5 sme posúdili kvalitu modelu: model vysvetľoval asi 40 % variability ceny, bol štatisticky významný, ale rezíduá boli silne autokorelované v čase.

Teraz si položíme inú otázku: ako dobre vie tento model predpovedať cenu ropy v období, ktoré nepoužijeme na odhad koeficientov?

Na rozdiel od predlohy (prierezové údaje o krajinách, index \(i\)) máme denný časový rad s indexom \(t\). Preto vzorku nerozdelíme náhodne, ale chronologicky: model odhadneme na starších dňoch a testujeme ho na najnovších dňoch. Ide o skutočnú časovú prognózu typu ex post – budúce hodnoty GPR, VIX a DXY poznáme, lebo už nastali.

Metodická poznámka. Správne sme mali údaje rozdeliť na odhadovú a testovaciu vzorku už pred výberom premenných a diagnostikou. V zadaniach 4 a 5 sme však pracovali s celým súborom, takže test nie je úplne nezávislou validáciou (riziko data leakage). Výsledky preto interpretujeme ako ilustračné.

2 Načítanie pamäte zo zadania 5

Na konci zadania 5 sme pamäť uložili príkazom save.image("pamat_ropa.Rdata"). Ak súbor existuje, načítame ho; ak nie (alebo neobsahuje naše údaje), údaje pripravíme rovnakým postupom ako v zadaniach 4 a 5.

Kód
if (file.exists("pamat_ropa.Rdata")) {
  load(file = "pamat_ropa.Rdata", envir = globalenv())
}

# Kontrola: ak v pamäti nie sú údaje o rope, pripravíme ich znova.
if (!exists("udaje") || !all(c("date", "brent_price") %in% names(udaje))) {
  cesta <- "udaje/oil_geopolitics_dataset_2010_2026.csv"
  if (!file.exists(cesta)) cesta <- "oil_geopolitics_dataset_2010_2026.csv"
  if (!file.exists(cesta)) stop("Chýba pamat_ropa.Rdata aj CSV súbor.")
  ropa <- read.csv(cesta, sep = ",", dec = ".", na.strings = c("", "NA"))
  ropa$date <- as.Date(ropa$date)
  udaje <- ropa[, c("date", "brent_price", "gpr_index", "vix", "dxy_index")]
  udaje <- udaje[!is.na(udaje$brent_price), ]
  for (premenna in c("gpr_index", "vix", "dxy_index")) {
    chyba <- is.na(udaje[[premenna]])
    udaje[[premenna]][chyba] <- median(udaje[[premenna]], na.rm = TRUE)
  }
}
Kód
# Ak balíky chýbajú, jednorazovo v Console:
# install.packages(c("broom", "knitr", "kableExtra", "dplyr", "ggplot2"))
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)
library(ggplot2)

sk_cislo <- function(x, digits = 2) {
  formatC(x, format = "f", digits = digits, decimal.mark = ",", big.mark = " ")
}
Kód
potrebne <- c("date", "brent_price", "gpr_index", "vix", "dxy_index")
stopifnot(all(potrebne %in% names(udaje)),
          all(is.finite(as.matrix(udaje[potrebne[-1]]))))

# Osobitný objekt pre toto zadanie, zoradený podľa dátumu.
udaje6 <- udaje[order(udaje$date), potrebne]

data.frame(Od = format(min(udaje6$date)), Do = format(max(udaje6$date)),
           Pocet_dni = nrow(udaje6)) |>
  kable(col.names = c("Od", "Do", "Počet dní"),
        caption = "Údaje pripravené v zadaniach 4 a 5") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Údaje pripravené v zadaniach 4 a 5
Od Do Počet dní
2010-02-17 2026-03-12 4047

3 Prognóza v lineárnom modeli

Vychádzame z modelu zo zadaní 4 a 5:

\[ BrentPrice_t = \beta_0 + \beta_1 GPR_t + \beta_2 VIX_t + \beta_3 DXY_t + u_t . \]

Bodová prognóza pre deň \(t\) je \(\hat y_t = \hat\beta_0 + \hat\beta_1 GPR_t + \hat\beta_2 VIX_t + \hat\beta_3 DXY_t\) a prognostická chyba je

\[ a_t = y_t - \hat y_t . \]

Kladná chyba znamená, že sme cenu podhodnotili, záporná, že sme ju nadhodnotili.

4 Rozdelenie údajov na odhadovú a testovaciu vzorku

Prvých 80 % dní použijeme na odhad, posledných 20 % na test. set.seed() nepotrebujeme, lebo rozdelenie nie je náhodné.

Kód
n <- nrow(udaje6)
hranica <- floor(0.8 * n)
odhadova   <- udaje6[1:hranica, ]
testovacia <- udaje6[(hranica + 1):n, ]
stopifnot(nrow(odhadova) + nrow(testovacia) == n,
          max(odhadova$date) < min(testovacia$date))

data.frame(
  Vzorka = c("Odhadová", "Testovacia", "Spolu"),
  Od = format(c(min(odhadova$date), min(testovacia$date), min(udaje6$date))),
  Do = format(c(max(odhadova$date), max(testovacia$date), max(udaje6$date))),
  Pocet = c(nrow(odhadova), nrow(testovacia), n),
  Podiel = round(100 * c(nrow(odhadova), nrow(testovacia), n) / n, 1)
) |>
  kable(col.names = c("Vzorka", "Od", "Do", "Počet dní", "Podiel (%)"),
        caption = "Chronologické rozdelenie vzorky") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Chronologické rozdelenie vzorky
Vzorka Od Do Počet dní Podiel (%)
Odhadová 2010-02-17 2022-12-21 3237 80
Testovacia 2022-12-22 2026-03-12 810 20
Spolu 2010-02-17 2026-03-12 4047 100

4.1 Nový odhad modelu na odhadovej vzorke

Objekt model zo zadaní 4 a 5 bol odhadnutý na celej databáze, teda aj na testovacích dňoch. Na testovanie prognóz ho nesmieme použiť. Odhadneme preto nový model6 iba na odhadovej vzorke.

Kód
model6 <- lm(brent_price ~ gpr_index + vix + dxy_index, data = odhadova)

tidy(model6) |>
  kable(digits = 4,
        col.names = c("Premenná", "Odhad", "Št. chyba", "t hodnota", "p-hodnota"),
        caption = "Koeficienty odhadnuté len na odhadovej vzorke") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Koeficienty odhadnuté len na odhadovej vzorke
Premenná Odhad Št. chyba t hodnota p-hodnota
(Intercept) 252.9901 3.3358 75.8417 0.0000
gpr_index 0.2909 0.0110 26.4912 0.0000
vix -0.0366 0.0432 -0.8483 0.3963
dxy_index -2.2345 0.0382 -58.5135 0.0000

Koeficienty majú rovnaké znamienka ako model z celej vzorky v zadaní 5 (GPR kladný, DXY záporný), líšia sa však ich veľkosti.

4.2 Bodové prognózy pre testovacie dni

Kód
testovacia$Prognoza <- as.numeric(predict(model6, newdata = testovacia))
testovacia$Chyba    <- testovacia$brent_price - testovacia$Prognoza

testovacia |>
  select(date, brent_price, gpr_index, vix, dxy_index, Prognoza, Chyba) |>
  head(10) |>
  kable(digits = 2,
        col.names = c("Dátum", "Skutočnosť", "GPR", "VIX", "DXY", "Prognóza", "Chyba"),
        caption = "Prvých desať testovacích dní") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Prvých desať testovacích dní
Dátum Skutočnosť GPR VIX DXY Prognóza Chyba
3238 2022-12-22 80.98 111.2 21.97 104.43 51.18 29.80
3239 2022-12-23 83.92 111.2 20.87 104.31 51.49 32.43
3240 2022-12-27 84.33 111.2 21.65 104.18 51.75 32.58
3241 2022-12-28 83.26 111.2 22.14 104.46 51.11 32.15
3242 2022-12-29 82.26 111.2 21.44 103.84 52.52 29.74
3243 2022-12-30 85.91 111.2 21.67 103.52 53.22 32.69
3244 2023-01-03 82.10 111.2 22.90 104.52 50.94 31.16
3245 2023-01-04 77.84 111.2 22.01 104.25 51.58 26.26
3246 2023-01-05 78.69 111.2 22.46 105.04 49.80 28.89
3247 2023-01-06 78.57 111.2 21.13 103.88 52.44 26.13

5 Grafické porovnanie prognóz a skutočnosti

V prvom grafe ležia pri dokonalej prognóze všetky body na diagonále \(y = x\). V druhom sledujeme prognostické chyby.

Kód
op <- par(mfrow = c(1, 2))
lim <- range(c(testovacia$brent_price, testovacia$Prognoza))
plot(testovacia$brent_price, testovacia$Prognoza,
     xlab = "Skutočná cena (USD/barel)", ylab = "Prognóza (USD/barel)",
     main = "Skutočnosť a prognóza", pch = 19, cex = 0.5,
     xlim = lim, ylim = lim)
abline(a = 0, b = 1, col = "red", lwd = 2)
plot(testovacia$Prognoza, testovacia$Chyba,
     xlab = "Prognóza (USD/barel)", ylab = "Chyba (USD/barel)",
     main = "Prognostické chyby", pch = 19, cex = 0.5)
abline(h = 0, col = "red", lwd = 2)

Skutočné a prognózované ceny Brent; prognostické chyby na testovacej vzorke
Kód
par(op)

Graf skutočnosti a prognózy (vľavo). Pri dokonalej prognóze by všetky body ležali na červenej diagonále. Približne 73 % bodov leží pod diagonálou, teda prognóza je nižšia než skutočná cena. Body navyše netvoria rastúci pás pozdĺž diagonály, ale skôr klesajúci oblak: vyšším skutočným cenám zodpovedajú nižšie prognózy. Korelácia prognózy a skutočnosti je záporná (\(r = -0{,}67\)).

Graf prognostických chýb (vpravo). Pri dobrom modeli by sa chyby náhodne rozptyľovali okolo nuly bez zjavnej štruktúry. Tu je 73 % chýb kladných a chyby sa pohybujú od −16,6 do +53,9 USD/barel. Zreteľný je aj vzor: pri nízkych prognózach (okolo 45–60 USD) sú chyby veľké a kladné, pri vyšších prognózach (nad 65 USD) klesajú k nule alebo sú záporné. Model teda cenu ropy v testovacom období systematicky podhodnocuje, najmä keď predpovedá nízku cenu.

Pri časovom rade je najnázornejší graf v čase:

Kód
ggplot() +
  geom_line(data = odhadova, aes(date, brent_price, colour = "Odhadové obdobie"),
            linewidth = 0.4) +
  geom_line(data = testovacia, aes(date, brent_price, colour = "Skutočnosť (test)"),
            linewidth = 0.5) +
  geom_line(data = testovacia, aes(date, Prognoza, colour = "Prognóza modelu"),
            linewidth = 0.5) +
  geom_vline(xintercept = min(testovacia$date), linetype = "dashed") +
  scale_colour_manual(values = c("Odhadové obdobie" = "grey60",
                                 "Skutočnosť (test)" = "darkblue",
                                 "Prognóza modelu" = "firebrick")) +
  labs(x = "Rok", y = "Cena Brent (USD/barel)", colour = NULL) +
  theme_minimal(base_size = 12) + theme(legend.position = "top")

Cena Brent: odhadové obdobie, skutočnosť a prognóza v testovacom období

Graf v čase. Časový graf ukazuje vývoj chyby najnázornejšie:

  • 2023–2024: priemerná prognóza je 54–59 USD/barel, skutočná cena 80–82 USD/barel, takže priemerná chyba je 21–28 USD/barel. Model reaguje na silný dolár poklesom, cena ropy však zostala vysoko – pravdepodobne aj pre obmedzovanie ťažby OPEC+, ktoré model neobsahuje.
  • 2025–2026: prognóza stúpla na 68–71 USD/barel (dolár oslabil a GPR vzrástol), zatiaľ čo skutočná cena klesla na približne 68–71 USD/barel. Priemerná chyba je preto blízko nuly, ale len preto, že sa dve opačné krivky „náhodou“ pretli – nie preto, že by model začal správne zachytávať vývoj.
  • Skoky v prognóze (napr. na prelome októbra a novembra 2023 z asi 43 na 59 USD/barel) vznikajú pri mesačnej zmene indexu GPR. Skutočná cena takéto skoky nerobí.

Prognóza sa teda pohybuje skôr opačne ako skutočná cena. Ide o rovnaký problém, na ktorý upozornila silná autokorelácia rezíduí v zadaní 5 (lag 1 ≈ 0,99): model nezachytáva dlhodobé posuny úrovne ceny ropy, a preto sa jeho chyby v čase hromadia. # Ukazovatele kvality prognóz

Nech \(m\) je počet testovacích dní a \(a_t = y_t - \hat y_t\).

Ukazovateľ Vzorec Interpretácia
ME \(\frac{1}{m}\sum a_t\) Priemerná chyba so znamienkom; smer systematického pod-/nadhodnocovania
MAE \(\frac{1}{m}\sum \lvert a_t\rvert\) Priemerná absolútna chyba v USD/barel
MSE \(\frac{1}{m}\sum a_t^2\) Priemerná štvorcová chyba; viac penalizuje veľké chyby
RMSE \(\sqrt{MSE}\) Typická veľkosť chyby v USD/barel
MAPE \(\frac{100}{m}\sum \lvert a_t / y_t\rvert\) Priemerná absolútna percentuálna chyba
Kód
skutocnost <- testovacia$brent_price
prognoza   <- testovacia$Prognoza
chyba      <- skutocnost - prognoza

ME   <- mean(chyba)
MAE  <- mean(abs(chyba))
MSE  <- mean(chyba^2)
RMSE <- sqrt(MSE)
MAPE <- 100 * mean(abs(chyba / skutocnost))

data.frame(
  Ukazovatel = c("ME", "MAE", "MSE", "RMSE", "MAPE"),
  Hodnota = c(ME, MAE, MSE, RMSE, MAPE),
  Jednotka = c("USD/barel", "USD/barel", "(USD/barel)²", "USD/barel", "%")
) |>
  kable(digits = 3, 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 15.344 USD/barel
MAE 19.668 USD/barel
MSE 514.932 (USD/barel)²
RMSE 22.692 USD/barel
MAPE 24.771 %

Interpretácia: Model sa v testovacom období mýli v priemere o 19,67 USD/barel (MAE), typická chyba je 22,69 USD/barel (RMSE) a priemerná percentuálna chyba 24,8 %. Kladné ME = 15,34 USD/barel potvrdzuje systematické podhodnocovanie ceny.

5.1 Porovnanie s naivnou prognózou

Regresiu porovnáme s dvoma jednoduchými pravidlami, ktoré používajú iba informácie z odhadovej vzorky:

  • priemer odhadovej vzorky – každý testovací deň predpovieme priemernou cenou 2010–2022 (ako v predlohe),
  • posledná známa cena – každý testovací deň predpovieme cenou z posledného dňa odhadovej vzorky (typická naivná prognóza pre časové rady).
Kód
naivna_priemer  <- rep(mean(odhadova$brent_price), nrow(testovacia))
naivna_posledna <- rep(tail(odhadova$brent_price, 1), nrow(testovacia))
chyba_priemer   <- skutocnost - naivna_priemer
chyba_posledna  <- skutocnost - naivna_posledna

porovnanie <- data.frame(
  Model = c("Lineárna regresia (model6)",
            "Naivná: priemer odhadovej vzorky",
            "Naivná: posledná známa cena"),
  MAE  = c(MAE, mean(abs(chyba_priemer)), mean(abs(chyba_posledna))),
  RMSE = c(RMSE, sqrt(mean(chyba_priemer^2)), sqrt(mean(chyba_posledna^2)))
)
porovnanie |>
  kable(digits = 3, caption = "Regresia oproti naivným prognózam") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Regresia oproti naivným prognózam
Model MAE RMSE
Lineárna regresia (model6) 19.668 22.692
Naivná: priemer odhadovej vzorky 7.069 8.471
Naivná: posledná známa cena 8.157 10.154

Toto je hlavné zistenie zadania: regresný model predpovedá v testovacom období horšie než obe naivné pravidlá. Jeho RMSE (22,69) je približne 2,7-krát vyššia než pri jednoduchom priemere. Potvrdzuje to varovanie zo zadania 5: model s vysokou štatistickou významnosťou a \(R^2 \approx 0{,}40\) ešte nemusí dobre prognózovať. Vzťah medzi cenou ropy a indexmi GPR, VIX a DXY nie je v čase stabilný.

6 Theilov koeficient U1

\[ U_1 = \frac{\sqrt{\frac{1}{m}\sum(\hat y_t - y_t)^2}} {\sqrt{\frac{1}{m}\sum \hat y_t^2} + \sqrt{\frac{1}{m}\sum y_t^2}} \]

Hodnota 0 znamená dokonalú zhodu; menšie hodnoty sú lepšie.

Kód
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 koeficient U1 na testovacej vzorke
Theil_U1
0.1636

7 Theilov rozklad strednej kvadratickej chyby

Rozklad hovorí, prečo sa model mýli:

\[ MSE = (\bar y - \overline{\hat y})^2 + (s_y - s_{\hat y})^2 + 2 s_y s_{\hat y}(1 - r), \]

\[ U^M = \frac{(\bar y - \overline{\hat y})^2}{MSE}, \qquad U^S = \frac{(s_y - s_{\hat y})^2}{MSE}, \qquad U^C = \frac{2 s_y s_{\hat y}(1 - r)}{MSE}, \qquad U^M + U^S + U^C = 1 . \]

  • \(U^M\) – podiel systematickej chyby priemeru,
  • \(U^S\) – podiel chyby variability,
  • \(U^C\) – podiel nedokonalej súbežnosti pohybu prognózy a skutočnosti.
Kód
# Smerodajná odchýlka s deliteľom m (nie m - 1), aby platila presná identita.
sd_m <- function(z) sqrt(mean((z - mean(z))^2))

theil_rozklad <- function(y, yh) {
  mse <- mean((y - yh)^2)
  sy <- sd_m(y); sh <- sd_m(yh)
  cov_m <- mean((y - mean(y)) * (yh - mean(yh)))
  c(UM = (mean(y) - mean(yh))^2 / mse,
    US = (sy - sh)^2 / mse,
    UC = 2 * (sy * sh - cov_m) / mse)
}

U <- theil_rozklad(skutocnost, prognoza)
stopifnot(isTRUE(all.equal(sum(U), 1)))
r <- cor(skutocnost, prognoza)

rozklad <- data.frame(
  Zlozka = c("U^M – priemer", "U^S – variabilita", "U^C – súbežnosť"),
  Podiel = U, Percent = 100 * U
)
rozklad |>
  kable(digits = 4, row.names = FALSE,
        col.names = c("Zložka", "Podiel", "Podiel (%)"),
        caption = "Theilov rozklad MSE – model6") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Theilov rozklad MSE – model6
Zložka Podiel Podiel (%)
U^M – priemer 0.4572 45.7220
U^S – variabilita 0.0052 0.5245
U^C – súbežnosť 0.5375 53.7535
Kód
barplot(rozklad$Percent, names.arg = c("Priemer", "Variabilita", "Súbežnosť"),
        ylab = "Podiel na MSE (%)", main = "Theilov rozklad prognostickej chyby",
        ylim = c(0, 100), col = "steelblue")

Percentuálny podiel zložiek Theilovho rozkladu MSE

Interpretácia: Chyba priemeru \(U^M\) tvorí 45,7 % MSE – model posúva celú úroveň prognóz nadol. Chyba variability \(U^S\) je zanedbateľná (0,5 %), prognózy teda kolíšu podobne silno ako skutočnosť. Zložka súbežnosti \(U^C\) tvorí 53,8 %, pretože korelácia prognózy a skutočnosti je -0,666 – záporná, prognóza sa pohybuje opačným smerom ako cena. Rozklad je algebraický, nie kauzálny.

8 Intervaly pri prognózovaní

  • Interval spoľahlivosti strednej hodnoty \(E(y \mid x_0)\) – kde leží priemerná cena pri daných hodnotách GPR, VIX a DXY.
  • Predikčný interval jednotlivého pozorovania \(y_0\) – kde bude cena konkrétneho dňa; zahŕňa aj náhodnú zložku, preto je širší.

\[ \hat y_0 \pm t_{1-\alpha/2,\,n-p}\,\hat\sigma\sqrt{x_0^\top (X^\top X)^{-1} x_0} \qquad\text{a}\qquad \hat y_0 \pm t_{1-\alpha/2,\,n-p}\,\hat\sigma\sqrt{1 + x_0^\top (X^\top X)^{-1} x_0}. \]

Klasické intervaly predpokladajú nezávislé, normálne a homoskedastické chyby. V zadaní 5 sme zistili silnú autokoreláciu, preto ich berieme ako didaktickú ukážku.

Kód
interval_priemer     <- predict(model6, newdata = testovacia,
                                interval = "confidence", level = 0.95)
interval_jednotlivec <- predict(model6, newdata = testovacia,
                                interval = "prediction", level = 0.95)

intervaly <- data.frame(
  Datum = format(testovacia$date),
  Skutocnost = skutocnost, Prognoza = prognoza,
  CI_dolna = interval_priemer[, "lwr"], CI_horna = interval_priemer[, "upr"],
  PI_dolna = interval_jednotlivec[, "lwr"], PI_horna = interval_jednotlivec[, "upr"]
)
intervaly |>
  head(10) |>
  kable(digits = 2,
        col.names = c("Dátum", "Skutočnosť", "Prognóza", "CI dolná", "CI horná",
                      "PI dolná", "PI horná"),
        caption = "Klasické 95 % intervaly") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Klasické 95 % intervaly
Dátum Skutočnosť Prognóza CI dolná CI horná PI dolná PI horná
3238 2022-12-22 80.98 51.18 50.00 52.36 15.90 86.46
3239 2022-12-23 83.92 51.49 50.32 52.65 16.21 86.76
3240 2022-12-27 84.33 51.75 50.59 52.91 16.47 87.03
3241 2022-12-28 83.26 51.11 49.92 52.29 15.83 86.38
3242 2022-12-29 82.26 52.52 51.37 53.66 17.24 87.79
3243 2022-12-30 85.91 53.22 52.10 54.35 17.95 88.50
3244 2023-01-03 82.10 50.94 49.74 52.15 15.67 86.22
3245 2023-01-04 77.84 51.58 50.41 52.75 16.30 86.86
3246 2023-01-05 78.69 49.80 48.57 51.03 14.52 85.08
3247 2023-01-06 78.57 52.44 51.30 53.58 17.16 87.72
Kód
pokrytie_PI <- mean(skutocnost >= intervaly$PI_dolna & skutocnost <= intervaly$PI_horna)
Kód
ggplot(cbind(testovacia, intervaly[, c("PI_dolna", "PI_horna")]), aes(date)) +
  geom_ribbon(aes(ymin = PI_dolna, ymax = PI_horna), fill = "firebrick", alpha = 0.15) +
  geom_line(aes(y = Prognoza, colour = "Prognóza"), linewidth = 0.5) +
  geom_line(aes(y = brent_price, colour = "Skutočnosť"), linewidth = 0.5) +
  scale_colour_manual(values = c("Prognóza" = "firebrick", "Skutočnosť" = "darkblue")) +
  labs(x = "Dátum", y = "Cena Brent (USD/barel)", colour = NULL) +
  theme_minimal(base_size = 12) + theme(legend.position = "top")

Prognóza s 95 % predikčným intervalom v testovacom období

V 95 % predikčnom intervale leží 91,7 % testovacích dní. Pokrytie je relatívne vysoké nie preto, že by model dobre prognózoval, ale preto, že interval je veľmi široký (približne ±35 USD/barel) – v rokoch 2023–2024 sa skutočná cena drží pri jeho hornom okraji a miestami ho prekračuje.

9 Záver

Model zo zadaní 4 a 5 dobre opisoval minulé údaje, ale pri prognóze obdobia 12/2022–03/2026 zlyháva: MAE = 19,67 a RMSE = 22,69 USD/barel, čo je horšie než naivná prognóza priemerom. Theilov rozklad ukazuje, že väčšinu chyby tvorí systematický posun úrovne (\(U^M\)) a nesúbežnosť pohybu (\(U^C\)). Príčinou je nestabilita vzťahov v čase – napr. po roku 2022 bol dolár silný, čo model prekladá na nízku cenu ropy, skutočná cena však zostala vyššia (okrem iného pre obmedzovanie ťažby OPEC+, ktoré model neobsahuje). Zistenie nadväzuje na silnú autokoreláciu rezíduí zo zadania 5.

10 Malé cvičenie – vypracované

10.1 1. Zmena modelu

Iba na odhadovej vzorke odhadneme druhý model, v ktorom index GPR logaritmujeme (podobne ako GDP v predlohe). Všetky hodnoty GPR sú kladné, logaritmus je teda definovaný.

\[ BrentPrice_t = \beta_0 + \beta_1 \ln(GPR_t) + \beta_2 VIX_t + \beta_3 DXY_t + u_t \]

Kód
stopifnot(all(odhadova$gpr_index > 0), all(testovacia$gpr_index > 0))
model6_log <- lm(brent_price ~ log(gpr_index) + vix + dxy_index, data = odhadova)
prognoza_log <- as.numeric(predict(model6_log, newdata = testovacia))
chyba_log <- skutocnost - prognoza_log

data.frame(
  Model = c("model6: GPR", "model6_log: ln(GPR)"),
  MAE  = c(MAE, mean(abs(chyba_log))),
  RMSE = c(RMSE, sqrt(mean(chyba_log^2)))
) |>
  kable(digits = 3, caption = "Porovnanie modelov na rovnakej testovacej vzorke") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Porovnanie modelov na rovnakej testovacej vzorke
Model MAE RMSE
model6: GPR 19.668 22.692
model6_log: ln(GPR) 19.098 21.875

Menšie chyby dosiahol model s logaritmom GPR, rozdiel je však malý (RMSE 21,87 oproti 22,69) a oba modely zostávajú horšie než naivná prognóza. Model vybraný podľa tohto testu už nemôžeme na tých istých dňoch nezávisle znovu testovať.

10.2 2. Theilov rozklad druhého modelu

Kód
U_log <- theil_rozklad(skutocnost, prognoza_log)

data.frame(
  Zlozka = c("U^M – priemer", "U^S – variabilita", "U^C – súbežnosť", "Súčet"),
  model6 = c(U, sum(U)),
  model6_log = c(U_log, sum(U_log))
) |>
  kable(digits = 4, caption = "Theilov rozklad MSE pre oba modely") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Theilov rozklad MSE pre oba modely
Zlozka model6 model6_log
UM U^M – priemer 0.4572 0.4092
US U^S – variabilita 0.0052 0.0057
UC U^C – súbežnosť 0.5375 0.5850
Súčet 1.0000 1.0000

Podiely sa v oboch modeloch sčítajú na 1. Pri logaritmickom modeli dominuje zložka súbežnosti (U^C) (58,5 %), druhá najväčšia je priemeru (U^M). Štruktúra chýb je takmer rovnaká ako pri pôvodnom modeli: logaritmus GPR nerieši hlavný problém – systematický posun úrovne a opačný pohyb prognózy oproti skutočnosti.

10.3 3. Intervaly pre jeden deň

Vyberieme prvý testovací deň a porovnáme šírku oboch intervalov.

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

data.frame(
  Datum = intervaly$Datum[den],
  Interval = c("95 % CI strednej hodnoty", "95 % predikčný interval"),
  Dolna = c(intervaly$CI_dolna[den], intervaly$PI_dolna[den]),
  Horna = c(intervaly$CI_horna[den], intervaly$PI_horna[den]),
  Sirka = c(sirka_CI, sirka_PI)
) |>
  kable(digits = 2, col.names = c("Dátum", "Interval", "Dolná", "Horná", "Šírka"),
        caption = "Porovnanie intervalov pre prvý testovací deň") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Porovnanie intervalov pre prvý testovací deň
Dátum Interval Dolná Horná Šírka
2022-12-22 95 % CI strednej hodnoty 50.0 52.36 2.37
2022-12-22 95 % predikčný interval 15.9 86.46 70.55

Interval spoľahlivosti strednej hodnoty má šírku iba 2,37 USD/barel, predikčný interval až 70,55 USD/barel, teda približne 30-krát viac. Interval spoľahlivosti zachytáva iba neistotu odhadu koeficientov, ktorá je pri vyše 3 000 pozorovaniach malá. Predikčný interval navyše obsahuje náhodnú zložku \(u_t\) konkrétneho dňa (člen „1 +“ pod odmocninou), ktorej rozptyl \(\hat\sigma^2\) je veľký.

10.4 4. Metodická reflexia

Údaje sme mali rozdeliť na odhadovú a testovaciu časť ešte pred zadaním 4, pretože výber premenných GPR, VIX a DXY aj diagnostika v zadaní 5 prebehli na celom súbore vrátane dní, ktoré teraz testujeme. Testovacia vzorka tak čiastočne ovplyvnila podobu modelu a test nie je úplne nezávislý. Pri časových radoch je navyše dôležité, aby sa model nikdy neodhadoval na údajoch, ktoré časovo nasledujú po prognózovanom období. Naše výsledky preto treba chápať ako ilustráciu postupu, nie ako objektívne potvrdenie prognostickej presnosti.

10.5 Dobrovoľné rozšírenie: iné rozdelenie

Pri časovom rade nemeníme set.seed(), ale hranicu rozdelenia. Zopakujeme odhad aj test s pomerom 70 : 30.

Kód
vyhodnot_rozdelenie <- function(podiel) {
  h <- floor(podiel * n)
  o <- udaje6[1:h, ]; t <- udaje6[(h + 1):n, ]
  m <- lm(brent_price ~ gpr_index + vix + dxy_index, data = o)
  a <- t$brent_price - predict(m, newdata = t)
  data.frame(Rozdelenie = paste0(100 * podiel, " : ", 100 - 100 * podiel),
             Test_od = format(min(t$date)),
             MAE = mean(abs(a)), RMSE = sqrt(mean(a^2)))
}

rbind(vyhodnot_rozdelenie(0.8), vyhodnot_rozdelenie(0.7)) |>
  kable(digits = 3, col.names = c("Rozdelenie", "Test od", "MAE", "RMSE"),
        caption = "Citlivosť výsledkov na hranicu rozdelenia") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Citlivosť výsledkov na hranicu rozdelenia
Rozdelenie Test od MAE RMSE
80 : 20 2022-12-22 19.668 22.692
70 : 30 2021-05-17 43.282 49.374

Chyby sa so zmenou hranice výrazne menia – výsledok závisí od toho, ktoré obdobie práve testujeme. Na seriózne hodnotenie by sme preto použili viac rozdelení, napríklad postupne sa posúvajúce okno (rolling-origin validácia), ktoré je obdobou krížovej validácie pre časové rady.

11 Uloženie pamäte

Kód
save.image(file = "pamat_ropa.Rdata")