---
title: "Zadanie 6 – Prognostické využitie lineárneho regresného modelu"
subtitle: "Prognóza ceny ropy Brent (podľa cvičenia 7)"
author: "Norbert Hanáček"
lang: sk
format:
html:
toc: true
number-sections: true
code-fold: true
code-tools: true
embed-resources: true
execute:
warning: false
message: false
---
# Nadväznosť na zadania 4 a 5
Pokračujeme v analýze databázy [Global Oil Prices & Geopolitical Events (2010–2026)](https://www.kaggle.com/datasets/kavyadhyani/global-oil-prices-and-geopolitical-events) (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.
# 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.
```{r}
#| label: nacitanie-pamate
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$brent_price), ]
for (premenna in c("gpr_index", "vix", "dxy_index")) {
chyba <- is.na(udaje[[premenna]])
udaje[[premenna]][chyba] <- median(udaje[[premenna]], na.rm = TRUE)
}
}
```
```{r}
#| label: baliky
# Ak balíky chýbajú, jednorazovo v Console:
# install.packages(c("broom", "knitr", "kableExtra", "dplyr", "ggplot2"))
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)
library(ggplot2)
sk_cislo <- function(x, digits = 2) {
formatC(x, format = "f", digits = digits, decimal.mark = ",", big.mark = " ")
}
```
```{r}
#| label: kontrola-udajov
potrebne <- c("date", "brent_price", "gpr_index", "vix", "dxy_index")
stopifnot(all(potrebne %in% names(udaje)),
all(is.finite(as.matrix(udaje[potrebne[-1]]))))
# Osobitný objekt pre toto zadanie, zoradený podľa dátumu.
udaje6 <- udaje[order(udaje$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)
```
# 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**.
# 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.
```{r}
#| label: rozdelenie-vzorky
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)
```
## 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.
```{r}
#| label: odhad-modelu
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 majú rovnaké znamienka ako model z celej vzorky v zadaní 5 (GPR kladný, DXY záporný), líšia sa však ich veľkosti.
## Bodové prognózy pre testovacie dni
```{r}
#| label: vypocet-prognoz
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)
```
# Grafické porovnanie prognóz a skutočnosti
V prvom grafe ležia pri dokonalej prognóze všetky body na diagonále $y = x$. V druhom sledujeme prognostické chyby.
```{r}
#| label: grafy-prognoz
#| fig-cap: "Skutočné a prognózované ceny Brent; prognostické chyby na testovacej vzorke"
#| fig-width: 10
#| fig-height: 4.5
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)
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:
```{r}
#| label: graf-v-case
#| fig-cap: "Cena Brent: odhadové obdobie, skutočnosť a prognóza v testovacom období"
#| fig-width: 10
#| fig-height: 4.5
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")
```
**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 |
```{r}
#| label: ukazovatele-presnosti
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)
```
**Interpretácia:** Model sa v testovacom období mýli v priemere o `r sk_cislo(MAE)` USD/barel (MAE), typická chyba je `r sk_cislo(RMSE)` USD/barel (RMSE) a priemerná percentuálna chyba `r sk_cislo(MAPE, 1)` %. Kladné ME = `r sk_cislo(ME)` USD/barel potvrdzuje systematické podhodnocovanie ceny.
## 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).
```{r}
#| label: naivny-model
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)
```
**Toto je hlavné zistenie zadania:** regresný model predpovedá v testovacom období **horšie než obe naivné pravidlá**. Jeho RMSE (`r sk_cislo(RMSE)`) je približne `r sk_cislo(RMSE / porovnanie$RMSE[2], 1)`-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.
# 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.
```{r}
#| label: theil-u1
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 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.
```{r}
#| label: theil-rozklad
# 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)
```
```{r}
#| label: theil-graf
#| fig-cap: "Percentuálny podiel zložiek Theilovho rozkladu MSE"
#| fig-width: 8
#| fig-height: 4.5
barplot(rozklad$Percent, names.arg = c("Priemer", "Variabilita", "Súbežnosť"),
ylab = "Podiel na MSE (%)", main = "Theilov rozklad prognostickej chyby",
ylim = c(0, 100), col = "steelblue")
```
**Interpretácia:** Chyba priemeru $U^M$ tvorí `r sk_cislo(100 * U["UM"], 1)` % MSE – model posúva celú úroveň prognóz nadol. Chyba variability $U^S$ je zanedbateľná (`r sk_cislo(100 * U["US"], 1)` %), prognózy teda kolíšu podobne silno ako skutočnosť. Zložka súbežnosti $U^C$ tvorí `r sk_cislo(100 * U["UC"], 1)` %, pretože korelácia prognózy a skutočnosti je `r sk_cislo(r, 3)` – **záporná**, prognóza sa pohybuje opačným smerom ako cena. Rozklad je algebraický, nie kauzálny.
# 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.
```{r}
#| label: intervaly-prognoz
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$date),
Skutocnost = skutocnost, Prognoza = prognoza,
CI_dolna = interval_priemer[, "lwr"], CI_horna = interval_priemer[, "upr"],
PI_dolna = interval_jednotlivec[, "lwr"], PI_horna = interval_jednotlivec[, "upr"]
)
intervaly |>
head(10) |>
kable(digits = 2,
col.names = c("Dátum", "Skutočnosť", "Prognóza", "CI dolná", "CI horná",
"PI dolná", "PI horná"),
caption = "Klasické 95 % intervaly") |>
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
pokrytie_PI <- mean(skutocnost >= intervaly$PI_dolna & skutocnost <= intervaly$PI_horna)
```
```{r}
#| label: graf-intervaly
#| fig-cap: "Prognóza s 95 % predikčným intervalom v testovacom období"
#| fig-width: 10
#| fig-height: 4.5
ggplot(cbind(testovacia, intervaly[, c("PI_dolna", "PI_horna")]), aes(date)) +
geom_ribbon(aes(ymin = PI_dolna, ymax = PI_horna), fill = "firebrick", alpha = 0.15) +
geom_line(aes(y = Prognoza, colour = "Prognóza"), linewidth = 0.5) +
geom_line(aes(y = brent_price, colour = "Skutočnosť"), linewidth = 0.5) +
scale_colour_manual(values = c("Prognóza" = "firebrick", "Skutočnosť" = "darkblue")) +
labs(x = "Dátum", y = "Cena Brent (USD/barel)", colour = NULL) +
theme_minimal(base_size = 12) + theme(legend.position = "top")
```
V 95 % predikčnom intervale leží `r sk_cislo(100 * pokrytie_PI, 1)` % testovacích dní. Pokrytie je relatívne vysoké nie preto, že by model dobre prognózoval, ale preto, že interval je **veľmi široký** (približne ±`r sk_cislo(mean(intervaly$PI_horna - intervaly$Prognoza), 0)` USD/barel) – v rokoch 2023–2024 sa skutočná cena drží pri jeho hornom okraji a miestami ho prekračuje.
# Záver
Model zo zadaní 4 a 5 dobre opisoval **minulé** údaje, ale pri prognóze obdobia `r format(min(testovacia$date), "%m/%Y")`–`r format(max(testovacia$date), "%m/%Y")` zlyháva: MAE = `r sk_cislo(MAE)` a RMSE = `r sk_cislo(RMSE)` USD/barel, čo je horšie než naivná prognóza priemerom. Theilov rozklad ukazuje, že väčšinu chyby tvorí systematický posun úrovne ($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.
# Malé cvičenie – vypracované
## 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.
$$
BrentPrice_t = \beta_0 + \beta_1 \ln(GPR_t) + \beta_2 VIX_t + \beta_3 DXY_t + u_t
$$
```{r}
#| label: male-1
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)
```
Menšie chyby dosiahol model **`r ifelse(sqrt(mean(chyba_log^2)) < RMSE, "s logaritmom GPR", "s pôvodným GPR")`**, rozdiel je však malý (RMSE `r sk_cislo(sqrt(mean(chyba_log^2)))` oproti `r sk_cislo(RMSE)`) a oba modely zostávajú horšie než naivná prognóza. Model vybraný podľa tohto testu už nemôžeme na tých istých dňoch nezávisle znovu testovať.
## 2. Theilov rozklad druhého modelu
```{r}
#| label: male-2
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)
```
Podiely sa v oboch modeloch sčítajú na 1. Pri logaritmickom modeli dominuje zložka **`r c("priemeru (U^M)", "variability (U^S)", "súbežnosti (U^C)")[which.max(U_log)]`** (`r sk_cislo(100 * max(U_log), 1)` %), druhá najväčšia je `r c("priemeru (U^M)", "variability (U^S)", "súbežnosti (U^C)")[order(-U_log)[2]]`. Štruktúra chýb je takmer rovnaká ako pri pôvodnom modeli: logaritmus GPR nerieši hlavný problém – systematický posun úrovne a opačný pohyb prognózy oproti skutočnosti.
## 3. Intervaly pre jeden deň
Vyberieme prvý testovací deň a porovnáme šírku oboch intervalov.
```{r}
#| label: male-3
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)
```
Interval spoľahlivosti strednej hodnoty má šírku iba `r sk_cislo(sirka_CI)` USD/barel, predikčný interval až `r sk_cislo(sirka_PI)` USD/barel, teda približne `r sk_cislo(sirka_PI / sirka_CI, 0)`-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.
## 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.
## Dobrovoľné rozšírenie: iné rozdelenie
Pri časovom rade nemeníme `set.seed()`, ale **hranicu rozdelenia**. Zopakujeme odhad aj test s pomerom 70 : 30.
```{r}
#| label: male-rozsirenie
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)
```
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.
# Uloženie pamäte
```{r}
#| label: ulozenie-pamate
save.image(file = "pamat_ropa.Rdata")
```