Econometrics in R – cvičenie 7

Prognóza priemerných bodov hráčov NBA 2025/26 lineárnym regresným modelom

Autor

Bc. Richard Vladyka (v spolupráci s claude.ai)

Publikované

20. novembra 2026

1 Cieľ

Pomocou lineárnej regresie predpovedáme priemerný počet bodov na zápas hráčov, ktorých sme nepoužili na odhad koeficientov. Údaje: NBA Player Stats – Season 25/26 (Kaggle, nba_dailyleaders_full.csv). Dokument je samostatný a nepotrebuje pamat.Rdata.

VarovanieMetodická poznámka

Vzorku delíme po hráčoch (nie po zápasoch) a pred odhadom modelu. Špecifikáciu pts ~ mp + p3fga volíme vecne, nie podľa testovacích výsledkov. Ak ste však premenné vyberali už v predchádzajúcich cvičeniach na celom súbore, testovacích hráčov ste poznali (data leakage), a výsledky sú preto len ilustračné.

2 Údaje

Zobraziť kód
library(broom)
library(knitr)
library(kableExtra)
library(dplyr)
library(ggplot2)
library(data.table)
library(janitor)

cislo <- function(x, d = 2) format(round(x, d), nsmall = d, decimal.mark = ",")
tabulka <- function(x, ...) {
  kable(x, ...) |>
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
}

Jeden riadok zdroja (28 716 riadkov) je výkon hráča v jednom zápase. Údaje preto zhrnieme na jeden riadok na hráča: priemery minút (mp), bodov (pts) a pokusov o trojku (p3fga) na zápas, pre hráčov s aspoň 20 zápasmi.

Zobraziť kód
zapasy <- surove |>
  clean_names() |>
  rename(p3fg = x3p, p3fga = x3pa, p3fg_percent = x3p_percent) |>
  mutate(
    mp = sapply(strsplit(mp, ":", fixed = TRUE), function(x)
      as.numeric(x[1]) + as.numeric(x[2]) / 60),
    date = as.Date(date)
  )

udaje7 <- zapasy |>
  group_by(player) |>
  summarise(zapasy = n(), mp = mean(mp), pts = mean(pts),
            p3fga = mean(p3fga), .groups = "drop") |>
  filter(zapasy >= 20) |>
  select(player, pts, mp, p3fga) |>
  as.data.frame()

stopifnot(all(is.finite(as.matrix(udaje7[c("pts", "mp", "p3fga")]))),
          nrow(udaje7) >= 30)

head(udaje7, 6) |>
  tabulka(digits = 2,
          col.names = c("Hráč", "Body", "Minúty", "Pokusy o trojku"),
          caption = paste0("Priemery na zápas (spolu ", nrow(udaje7), " hráčov)"))
Priemery na zápas (spolu 454 hráčov)
Hráč Body Minúty Pokusy o trojku
A.J. Green 10.37 29.10 7.10
A.J. Lawson 3.65 8.93 1.71
AJ Johnson 3.33 9.45 1.19
Aaron Gordon 15.79 28.06 4.38
Aaron Holiday 5.21 13.45 2.94
Aaron Nesmith 13.80 29.67 6.16

3 Model a prognóza

Model:

\[ PTS_i=\beta_0+\beta_1 MP_i+\beta_2 P3FGA_i+u_i, \qquad \hat y_i=\hat\beta_0+\hat\beta_1 MP_i+\hat\beta_2 P3FGA_i . \]

Prognostická chyba je \(a_i=y_i-\hat y_i\): kladná znamená podhodnotenie, záporná nadhodnotenie. Ide o predikciu pre nepozorovaných hráčov, nie o časovú prognózu.

3.1 Rozdelenie vzorky a odhad

80 % hráčov použijeme na odhad, 20 % na testovanie.

Zobraziť kód
set.seed(2026)
n <- nrow(udaje7)
index_odhad <- sort(sample(seq_len(n), size = floor(0.8 * n)))
odhadova    <- udaje7[index_odhad, ]
testovacia  <- udaje7[-index_odhad, ]

model7 <- lm(pts ~ mp + p3fga, data = odhadova)

tidy(model7) |>
  tabulka(digits = 4,
          col.names = c("Premenná", "Odhad", "Št. chyba", "t hodnota", "p-hodnota"),
          caption = paste0("Koeficienty (odhadová vzorka: ", nrow(odhadova),
                           " hráčov, testovacia: ", nrow(testovacia), ")"))
Koeficienty (odhadová vzorka: 363 hráčov, testovacia: 91)
Premenná Odhad Št. chyba t hodnota p-hodnota
(Intercept) -4.2264 0.4428 -9.5442 0
mp 0.6002 0.0257 23.3451 0
p3fga 0.5286 0.0944 5.5994 0

Jedna minúta navyše sa pri rovnakom počte pokusov o trojku spája s rozdielom približne 0,600 bodu na zápas, jeden pokus o trojku navyše s rozdielom približne 0,529 bodu.

3.2 Prognózy pre testovacích hráčov

Zobraziť kód
testovacia$Prognoza        <- as.numeric(predict(model7, newdata = testovacia))
testovacia$Chyba           <- testovacia$pts - testovacia$Prognoza
testovacia$Absolutna_chyba <- abs(testovacia$Chyba)

testovacia |>
  select(player, pts, mp, p3fga, Prognoza, Chyba) |>
  head(8) |>
  tabulka(digits = 2,
          col.names = c("Hráč", "Skutočnosť", "Minúty", "Pokusy o trojku",
                        "Prognóza", "Chyba"),
          caption = "Prvých osem testovacích hráčov (body na zápas)")
Prvých osem testovacích hráčov (body na zápas)
Hráč Skutočnosť Minúty Pokusy o trojku Prognóza Chyba
5 Aaron Holiday 5.21 13.45 2.94 5.40 -0.19
7 Aaron Wiggins 8.08 19.09 3.58 9.12 -1.05
16 Alperen Şengün 20.36 33.71 1.78 16.95 3.41
21 Andre Jackson Jr. 2.35 8.50 1.25 1.54 0.82
24 Anfernee Simons 14.27 24.95 6.89 14.39 -0.12
29 Ariel Hukporti 2.06 8.85 0.08 1.13 0.93
32 Austin Reaves 22.93 34.78 6.37 20.01 2.92
37 Ben Sheppard 7.06 21.39 3.57 10.50 -3.44

3.3 Grafická kontrola

Pri dokonalej predikcii by body ležali na diagonále. Popísaní sú traja hráči s najväčšou absolútnou chybou.

Zobraziť kód
library(patchwork)

lim <- range(c(testovacia$pts, testovacia$Prognoza))
najvacsie <- slice_max(testovacia, Absolutna_chyba, n = 3)
tema <- list(
  theme_minimal(base_size = 12),
  theme(plot.title = element_text(face = "bold", color = "#1d428a"),
        panel.grid.minor = element_blank())
)

g1 <- ggplot(testovacia, aes(pts, Prognoza)) +
  geom_abline(slope = 1, intercept = 0, color = "#c8102e", linewidth = 1) +
  geom_point(color = "#1d428a", size = 2.4, alpha = 0.8) +
  geom_text(data = najvacsie, aes(label = player), vjust = -0.9, size = 3, color = "grey30") +
  coord_equal(xlim = lim, ylim = lim) + tema +
  labs(title = "Skutočnosť a prognóza", x = "Skutočné body", y = "Prognózované body")

g2 <- ggplot(testovacia, aes(Prognoza, Chyba)) +
  geom_hline(yintercept = 0, color = "#c8102e", linewidth = 1) +
  geom_point(color = "#1d428a", size = 2.4, alpha = 0.8) +
  geom_text(data = najvacsie, aes(label = player), vjust = -0.9, size = 3, color = "grey30") +
  tema +
  labs(title = "Prognostické chyby", x = "Prognózované body", y = "Chyba (skutočnosť − prognóza)")

g1 + g2

Skutočnosť vs. prognóza a prognostické chyby (testovacia vzorka)

4 Kvalita prognóz

Pre \(m\) testovacích hráčov a chyby \(a_i=y_i-\hat y_i\) počítame ukazovatele len na testovacej vzorke:

Ukazovateľ Vzorec Význam
ME \(\frac{1}{m}\sum a_i\) smer systematickej chyby (chyby sa môžu vyrušiť)
MAE \(\frac{1}{m}\sum \lvert a_i\rvert\) priemerná absolútna chyba v bodoch
MSE \(\frac{1}{m}\sum a_i^2\) penalizuje veľké chyby
RMSE \(\sqrt{MSE}\) typická chyba v bodoch
MAPE \(\frac{100}{m}\sum \left\lvert a_i/y_i\right\rvert\) percentuálna chyba; zavádzajúca pri nízkych \(y_i\)
Zobraziť kód
skutocnost <- testovacia$pts
prognoza   <- testovacia$Prognoza
chyba      <- skutocnost - prognoza

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

naivna      <- skutocnost - mean(odhadova$pts)   # konštantná prognóza z odhadovej vzorky
RMSE_naivna <- sqrt(mean(naivna^2))

data.frame(
  Model = c("Lineárna regresia", "Konštantná prognóza (priemer odhadovej vzorky)"),
  ME    = c(ME, mean(naivna)),
  MAE   = c(MAE, mean(abs(naivna))),
  RMSE  = c(RMSE, RMSE_naivna),
  MAPE  = c(MAPE, 100 * mean(abs(naivna / skutocnost)))
) |>
  tabulka(digits = 3, caption = "Presnosť regresie oproti jednoduchej referenčnej prognóze")
Presnosť regresie oproti jednoduchej referenčnej prognóze
Model ME MAE RMSE MAPE
Lineárna regresia -0.738 2.189 2.704 33.242
Konštantná prognóza (priemer odhadovej vzorky) -1.828 5.101 5.930 107.477

Model sa mýli v priemere o 2,19 bodu na zápas (MAE), typická chyba je 2,70 bodu (RMSE) a v priemere skutočné body nadhodnocuje (ME = -0,74). RMSE je o 54,4 % nižšie než pri konštantnej prognóze.

4.1 Theilov koeficient \(U_1\)

\[ U_1=\frac{\sqrt{\frac{1}{m}\sum(\hat y_i-y_i)^2}} {\sqrt{\frac{1}{m}\sum\hat y_i^2}+\sqrt{\frac{1}{m}\sum y_i^2}}\in[0,1], \]

kde 0 znamená dokonalú zhodu a menšie hodnoty lepšiu zhodu.

Zobraziť kód
Theil_U1 <- sqrt(mean((prognoza - skutocnost)^2)) /
  (sqrt(mean(prognoza^2)) + sqrt(mean(skutocnost^2)))

Na testovacej vzorke vychádza \(U_1=\) 0,126.

4.2 Theilov rozklad MSE

Rozklad ukazuje, z čoho sa chyba skladá. Smerodajné odchýlky a kovarianciu počítame s deliteľom \(m\), aby platila presná identita

\[ MSE=\underbrace{(\bar y-\overline{\hat y})^2}_{\text{priemer}} +\underbrace{(s_y-s_{\hat y})^2}_{\text{variabilita}} +\underbrace{2s_y s_{\hat y}(1-r)}_{\text{súbežnosť}} , \]

a po vydelení \(MSE\) dostaneme podiely \(U^M+U^S+U^C=1\):

  • \(U^M\) – systematický posun priemeru prognóz,
  • \(U^S\) – nesprávna variabilita prognóz,
  • \(U^C\) – nedokonalé kopírovanie individuálnych rozdielov medzi hráčmi.

Rozklad je algebraický, nie kauzálny, a treba ho čítať spolu s veľkosťou RMSE.

Zobraziť kód
sd_m  <- function(z) sqrt(mean((z - mean(z))^2))
sy    <- sd_m(skutocnost)
sh    <- sd_m(prognoza)
cov_m <- mean((skutocnost - mean(skutocnost)) * (prognoza - mean(prognoza)))

UM <- (mean(skutocnost) - mean(prognoza))^2 / MSE
US <- (sy - sh)^2 / MSE
UC <- 2 * (sy * sh - cov_m) / MSE
stopifnot(isTRUE(all.equal(UM + US + UC, 1, tolerance = 1e-8)))

rozklad <- data.frame(
  Zlozka  = factor(c("Priemer", "Variabilita", "Súbežnosť"),
                   levels = c("Priemer", "Variabilita", "Súbežnosť")),
  Podiel  = c(UM, US, UC),
  Percent = 100 * c(UM, US, UC)
)

ggplot(rozklad, aes(Zlozka, Percent, fill = Zlozka)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  geom_text(aes(label = paste0(round(Percent, 1), " %")),
            vjust = -0.5, fontface = "bold", color = "grey25") +
  scale_fill_manual(values = c("#1d428a", "#6c8ebf", "#c8102e")) +
  scale_y_continuous(limits = c(0, 105), expand = c(0, 0)) +
  tema +
  theme(panel.grid.major.x = element_blank()) +
  labs(title = "Theilov rozklad prognostickej chyby", x = NULL, y = "Podiel na MSE (%)")

Podiel zložiek na MSE

Najväčší podiel na MSE má zložka súbežnosť (92,6 %).

5 Intervaly

Okrem bodovej prognózy rozlišujeme dva 95 % intervaly:

  • interval spoľahlivosti strednej hodnoty \(E(y\mid x_0)\): neistota odhadu regresnej funkcie,
  • predikčný interval nového hráča: navyše zahŕňa nevysvetlené individuálne rozdiely, preto je širší.

\[ \hat y_0\pm t_{1-\alpha/2,\,n_{odhad}-p}\,\hat\sigma\sqrt{c+x_0^\top(X^\top X)^{-1}x_0}, \qquad c=0 \text{ (stredná hodnota)},\; c=1 \text{ (predikčný interval)}. \]

Intervaly z predict.lm() predpokladajú normálne, nezávislé a homoskedastické chyby; pri heteroskedasticite (vyššia variabilita bodov u hráčov s veľkou rolou v útoku) nemusia mať deklarované pokrytie, preto ide o didaktickú ukážku.

Zobraziť kód
ci <- predict(model7, newdata = testovacia, interval = "confidence", level = 0.95)
pi <- predict(model7, newdata = testovacia, interval = "prediction", level = 0.95)

intervaly <- data.frame(
  Hrac = testovacia$player, Skutocnost = skutocnost, Prognoza = prognoza,
  CI_dolna = ci[, "lwr"], CI_horna = ci[, "upr"],
  PI_dolna = pi[, "lwr"], PI_horna = pi[, "upr"]
)
pokrytie_PI <- mean(skutocnost >= intervaly$PI_dolna & skutocnost <= intervaly$PI_horna)

intervaly |>
  head(8) |>
  tabulka(digits = 2,
          col.names = c("Hráč", "Skutočnosť", "Prognóza", "CI dolná", "CI horná",
                        "PI dolná", "PI horná"),
          caption = "95 % intervaly pre prvých osem testovacích hráčov")
95 % intervaly pre prvých osem testovacích hráčov
Hráč Skutočnosť Prognóza CI dolná CI horná PI dolná PI horná
5 Aaron Holiday 5.21 5.40 4.92 5.88 -0.44 11.24
7 Aaron Wiggins 8.08 9.12 8.78 9.47 3.30 14.95
16 Alperen Şengün 20.36 16.95 16.06 17.84 11.07 22.84
21 Andre Jackson Jr. 2.35 1.54 0.96 2.12 -4.31 7.38
24 Anfernee Simons 14.27 14.39 13.75 15.03 8.53 20.24
29 Ariel Hukporti 2.06 1.13 0.54 1.72 -4.72 6.98
32 Austin Reaves 22.93 20.01 19.43 20.60 14.17 25.86
37 Ben Sheppard 7.06 10.50 10.19 10.81 4.67 16.33

V predikčnom intervale leží 96,7 % testovacích hráčov. Pri malej testovacej vzorke sa to nemusí presne rovnať 95 %.

6 Záver

PoznámkaZáver

Model pts ~ mp + p3fga sa na testovacích hráčoch mýli v priemere o 2,19 bodu na zápas (RMSE 2,70), čo je oproti konštantnej prognóze 54,4 % zlepšenie. Theilov koeficient \(U_1\) je 0,126 a najväčší podiel na chybe má zložka „súbežnosť“.

Model dobre predpovedá, ale nedokazuje, že viac minút spôsobí viac bodov: tréneri dávajú viac minút hráčom, ktorí produkujú viac bodov.

7 Malé cvičenie

7.1 Alternatívny model

Odhadneme pts ~ log(mp) + p3fga na odhadovej vzorke a porovnáme ho s prvým modelom na rovnakej testovacej vzorke.

Zobraziť kód
ukazovatele <- function(y, yh) {
  e   <- y - yh
  mse <- mean(e^2)
  cvm <- mean((y - mean(y)) * (yh - mean(yh)))
  c(ME = mean(e), MAE = mean(abs(e)), RMSE = sqrt(mse),
    MAPE = 100 * mean(abs(e / y)),
    Theil_U1 = sqrt(mse) / (sqrt(mean(yh^2)) + sqrt(mean(y^2))),
    UM = (mean(y) - mean(yh))^2 / mse,
    US = (sd_m(y) - sd_m(yh))^2 / mse,
    UC = 2 * (sd_m(y) * sd_m(yh) - cvm) / mse)
}

model8    <- lm(pts ~ log(mp) + p3fga, data = odhadova)
prognoza8 <- as.numeric(predict(model8, newdata = testovacia))

porovnanie <- rbind(
  "Model 1: pts ~ mp + p3fga"      = ukazovatele(skutocnost, prognoza),
  "Model 2: pts ~ log(mp) + p3fga" = ukazovatele(skutocnost, prognoza8)
)
tabulka(porovnanie, digits = 3,
        caption = "Porovnanie modelov na testovacej vzorke")
Porovnanie modelov na testovacej vzorke
ME MAE RMSE MAPE Theil_U1 UM US UC
Model 1: pts ~ mp + p3fga -0.738 2.189 2.704 33.242 0.126 0.074 0.000 0.926
Model 2: pts ~ log(mp) + p3fga -0.932 2.708 3.206 43.504 0.150 0.085 0.017 0.899

Nižšie RMSE má Model 1: pts ~ mp + p3fga. Pozor: model vybraný podľa tohto porovnania už nemožno na tých istých hráčoch nezávisle testovať. U druhého modelu dominuje zložka súbežnosť.

7.2 Šírka intervalov

Pre prvého testovacieho hráča (Aaron Holiday):

Zobraziť kód
sirka_CI <- intervaly$CI_horna[1] - intervaly$CI_dolna[1]
sirka_PI <- intervaly$PI_horna[1] - intervaly$PI_dolna[1]

data.frame(Interval = c("95 % interval spoľahlivosti", "95 % predikčný interval"),
           Sirka = c(sirka_CI, sirka_PI)) |>
  tabulka(digits = 2, col.names = c("Interval", "Šírka (body na zápas)"))
Interval Šírka (body na zápas)
95 % interval spoľahlivosti 0.96
95 % predikčný interval 11.68

Predikčný interval je približne 12,2-krát širší, lebo obsahuje aj nevysvetlené individuálne rozdiely (člen \(1\) pod odmocninou).

7.3 Opakované rozdelenia (dobrovoľné)

Výsledok závisí od náhodného rozdelenia, preto postup zopakujeme pre 200 hodnôt set.seed().

Zobraziť kód
rmse_opak <- sapply(1:200, function(s) {
  set.seed(s)
  idx <- sample(seq_len(n), size = floor(0.8 * n))
  m   <- lm(pts ~ mp + p3fga, data = udaje7[idx, ])
  e   <- udaje7$pts[-idx] - predict(m, newdata = udaje7[-idx, ])
  sqrt(mean(e^2))
})

ggplot(data.frame(RMSE = rmse_opak), aes(RMSE)) +
  geom_histogram(bins = 25, fill = "#1d428a", color = "white", alpha = 0.9) +
  geom_vline(xintercept = RMSE, color = "#c8102e", linewidth = 1) +
  tema +
  labs(title = "RMSE pri opakovaných rozdeleniach",
       subtitle = "Červená čiara: rozdelenie so set.seed(2026)",
       x = "RMSE (body na zápas)", y = "Počet rozdelení")

RMSE pri 200 náhodných rozdeleniach vzorky

RMSE sa pohybuje od 2,31 do 3,72 bodu (priemer 2,91), takže jedno rozdelenie dáva len približný obraz. Spoľahlivejšie je opakované rozdeľovanie alebo krížová validácia.

Zdroj údajov: NBA Player Stats – Season 25/26, Kaggle. Použité funkcie: lm, predict.lm, sample.