Základná diagnostika lineárneho modelu: registrácie nových podnikov a úroková sadzba

Autor

Daryna Markus

Publikované

22. novembra 2026

1. Čo robíme v tomto cvičení

Na vlastných údajoch (štvrťročné údaje z Eurostatu, 2015-Q1 až 2026-Q3) sa venujeme týmto témam:

  1. uloženie a obnovenie workspace,
  2. interpretácia F testu, t testov a koeficientu determinácie \(R^2\),
  3. test normality rezíduí a test odľahlých hodnôt,
  4. grafická analýza rezíduí pomocou plot(model).

2. Príprava údajov a balíky

# Spustite raz v konzole, iba ak balíky chýbajú:
# install.packages(c("knitr", "broom", "kableExtra", "ggplot2", "car"))
library(broom)
library(knitr)
library(kableExtra)
library(ggplot2)
library(car)

Údaje načítame a pripravíme rovnako ako v minulom cvičení (súbory z Eurostatu v podpriečinku udaje alebo vedľa dokumentu).

najdi <- function(subor) {
  cesty <- c(file.path("udaje", subor), subor)
  existujuce <- cesty[file.exists(cesty)]
  if (length(existujuce) == 0) stop("Súbor ", subor, " nie je v priečinku udaje ani vedľa QMD.")
  existujuce[1]
}

reg <- read.csv(najdi("sts_rb_q$defaultview_linear_2_0.csv"),
                na.strings = c("", "NA"), check.names = FALSE, stringsAsFactors = FALSE)
irt <- read.csv(najdi("irt_st_q$defaultview_linear_2_0.csv"),
                na.strings = c("", "NA"), check.names = FALSE, stringsAsFactors = FALSE)

registracie <- reg[reg$geo == "SK" & reg$indic_bt == "REG" & reg$unit == "I21",
                   c("TIME_PERIOD", "OBS_VALUE")]
names(registracie) <- c("obdobie", "registracie")

urok <- irt[irt$geo == "EA" & irt$int_rt == "IRT_M3", c("TIME_PERIOD", "OBS_VALUE")]
names(urok) <- c("obdobie", "urok")

udaje <- merge(registracie, urok, by = "obdobie")
udaje <- udaje[order(udaje$obdobie), ]
udaje$t <- seq_len(nrow(udaje))
udaje$urok_lag1 <- c(NA, head(udaje$urok, -1))

rok <- as.integer(substr(udaje$obdobie, 1, 4))
stvrtrok <- as.integer(substr(udaje$obdobie, 7, 7))
udaje$datum <- as.Date(sprintf("%d-%02d-01", rok, (stvrtrok - 1) * 3 + 1))

nrow(udaje)
[1] 47

3. Modely

Odhadneme dva modely z minulého cvičenia:

  • model1 (jednoduchý): registracie ~ urok
  • model (viacnásobný): registracie ~ urok + urok_lag1 + t, teda aktuálna sadzba, sadzba oneskorená o štvrťrok a lineárny trend.
model1 <- lm(registracie ~ urok, data = udaje)
model  <- lm(registracie ~ urok + urok_lag1 + t, data = udaje)

4. Ukladanie a obnovenie workspace

Workspace je zoznam všetkých objektov (údaje, modely, funkcie), s ktorými v R pracujeme. Uložením si ho môžeme preniesť do ďalšej hodiny a nemusíme znova importovať a čistiť databázu.

4.1 Aké objekty máme vo workspace

ls()
 [1] "irt"         "model"       "model1"      "najdi"       "reg"        
 [6] "registracie" "rok"         "stvrtrok"    "udaje"       "urok"       

4.2 Uloženie

Existujú dva spôsoby:

  • save.image("subor.RData") uloží celý workspace,
  • save(objekt1, objekt2, file = "subor.RData") uloží len vybrané objekty.
# celý workspace
save.image(file = "workspace_ekonometria.RData")

# alebo len vybrané objekty (menší súbor, prehľadnejšie)
save(udaje, model1, model, file = "ekonometria_vybrane_objekty.RData")

file.exists("workspace_ekonometria.RData")
[1] TRUE

4.3 Obnovenie

Na demonštráciu najprv zmažeme všetky objekty a potom ich obnovíme zo súboru.

rm(list = ls())          # zmažeme všetko
ls()                     # prázdny workspace: character(0)
character(0)
load("workspace_ekonometria.RData")   # obnovíme
ls()                     # objekty sú späť
 [1] "irt"         "model"       "model1"      "najdi"       "reg"        
 [6] "registracie" "rok"         "stvrtrok"    "udaje"       "urok"       
PoznámkaPoznámka

Na budúcej hodine stačí na začiatku dokumentu napísať load("workspace_ekonometria.RData") a máme k dispozícii udaje, model1 aj model bez opätovného čistenia údajov. Súbor .RData musí byť v pracovnom priečinku (v Posit Cloude v tom istom projekte). Po načítaní si treba znova zavolať library(...), lebo balíky sa neukladajú ako objekty.

5. Interpretácia testov a kvality modelu

5.1 Úplný výstup summary()

summary(model)

Call:
lm(formula = registracie ~ urok + urok_lag1 + t, data = udaje)

Residuals:
    Min      1Q  Median      3Q     Max 
-30.901  -9.033   0.660   9.301  28.908 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  80.4977     4.3342  18.573  < 2e-16 ***
urok        -17.6289     5.6252  -3.134  0.00314 ** 
urok_lag1    16.2862     5.5398   2.940  0.00532 ** 
t             0.5939     0.1970   3.015  0.00434 ** 
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 11.9 on 42 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared:  0.3256,    Adjusted R-squared:  0.2775 
F-statistic:  6.76 on 3 and 42 DF,  p-value: 0.0008008

Výstup obsahuje tri skupiny informácií: koeficienty s t testami, \(R^2\) a F test celého modelu.

5.2 t test (pre jednotlivé koeficienty)

Pre každý koeficient \(\beta_j\) testujeme:

\[ H_0: \beta_j = 0 \qquad \text{proti} \qquad H_1: \beta_j \neq 0 \]

Testová štatistika je \(t = \hat{\beta}_j / \text{SE}(\hat{\beta}_j)\). Ak je p-hodnota menšia než zvolená hladina významnosti (najčastejšie 0,05), \(H_0\) zamietame: pri rovnakých ostatných premenných je koeficient štatisticky významne odlišný od nuly.

tidy(model) |>
  kable(format = "html", digits = c(0, 3, 3, 2, 4), row.names = FALSE,
        col.names = c("Člen modelu", "Odhad", "Štandardná chyba", "t štatistika", "p-hodnota"),
        caption = "t testy jednotlivých koeficientov (model)") |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
t testy jednotlivých koeficientov (model)
Člen modelu Odhad Štandardná chyba t štatistika p-hodnota
(Intercept) 80.498 4.334 18.57 0.0000
urok -17.629 5.625 -3.13 0.0031
urok_lag1 16.286 5.540 2.94 0.0053
t 0.594 0.197 3.02 0.0043

Interpretácia (hladina 5 %): všetky tri vysvetľujúce premenné (urok, urok_lag1, t) majú p-hodnotu pod 0,05, takže ich koeficienty sú pri rovnakých ostatných premenných štatisticky významne odlišné od nuly. Konštanta je významná prakticky vždy (nie je dôležitá pre hypotézu).

Pozor: urok a urok_lag1 majú opačné znamienka a veľké koeficienty. Sú to dve silno korelované premenné (sadzba sa mení pomaly), preto sa ich vplyv nedá spoľahlivo oddeliť. Ich súčet vyjadruje súhrnný efekt (je malý), pozri nižšie.

cor(udaje$urok[-1], udaje$urok_lag1[-1])
[1] 0.97911

5.3 F test (celý model)

Testujeme, či model ako celok vysvetľuje niečo viac než samotná konštanta:

\[ H_0: \beta_1 = \beta_2 = \beta_3 = 0 \qquad \text{proti} \qquad H_1: \text{aspoň jeden } \beta_j \neq 0 \]

f <- summary(model)$fstatistic
f_hodnota <- unname(f["value"])
p_f <- pf(f["value"], f["numdf"], f["dendf"], lower.tail = FALSE)

data.frame(
  F = f_hodnota,
  stupne_volnosti_citatel = unname(f["numdf"]),
  stupne_volnosti_menovatel = unname(f["dendf"]),
  p_hodnota = unname(p_f)
) |>
  kable(format = "html", digits = c(2, 0, 0, 5), row.names = FALSE,
        col.names = c("F štatistika", "df (čitateľ)", "df (menovateľ)", "p-hodnota"),
        caption = "F test významnosti modelu") |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE)
F test významnosti modelu
F štatistika df (čitateľ) df (menovateľ) p-hodnota
6.76 3 42 8e-04

Interpretácia: p-hodnota F testu je menšia než 0,05, preto \(H_0\) zamietame: model ako celok je štatisticky významný. Pre porovnanie, F test jednoduchého modelu (iba urok):

f1 <- summary(model1)$fstatistic
pf(f1["value"], f1["numdf"], f1["dendf"], lower.tail = FALSE)
    value 
0.1373782 

Jednoduchý model s jednou premennou je štatisticky nevýznamný (p-hodnota je výrazne nad 0,05), takže samotná úroková sadzba nevysvetľuje registrácie.

5.4 Koeficient determinácie \(R^2\)

\[ R^2 = 1 - \frac{\sum \hat{u}_t^2}{\sum (y_t - \bar{y})^2} \]

Hovorí, aký podiel výberovej variability vysvetľovanej premennej model zachytáva. Upravený \(R^2\) (adjusted) penalizuje počet premenných a hodí sa na porovnávanie modelov s rôznym počtom vysvetľujúcich premenných.

porovnanie <- rbind(
  data.frame(Model = "model1: urok", glance(model1)[c("nobs", "r.squared", "adj.r.squared", "sigma")]),
  data.frame(Model = "model: urok + urok_lag1 + t", glance(model)[c("nobs", "r.squared", "adj.r.squared", "sigma")])
)
porovnanie |>
  kable(format = "html", digits = 3, row.names = FALSE,
        col.names = c("Model", "Počet pozorovaní", "R²", "Upravený R²", "Odhad SD chyby"),
        caption = "Kvalita vyrovnania") |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE)
Kvalita vyrovnania
Model Počet pozorovaní R² Upravený R² Odhad SD chyby
model1: urok 47 0.048 0.027 14.226
model: urok + urok_lag1 + t 46 0.326 0.277 11.895

Interpretácia: model1 zachytáva len približne 5 % variability, viacnásobný model približne tretinu (33 %). Je to stále málo: väčšina variability registrácií zostáva nevysvetlená. Vysoké \(R^2\) by navyše neznamenalo „správne predikcie“ ani kauzálny vzťah.

6. Test normality rezíduí

Rezíduá modelu \(\hat{u}_t\) by pri splnení klasických predpokladov mali pochádzať z normálneho rozdelenia (to je dôležité pre platnosť t a F testov v malej vzorke). Použijeme Shapiro-Wilkov test:

\[ H_0: \text{rezíduá pochádzajú z normálneho rozdelenia} \qquad H_1: \text{nepochádzajú} \]

shapiro.test(residuals(model))

    Shapiro-Wilk normality test

data:  residuals(model)
W = 0.98018, p-value = 0.6131
shapiro.test(residuals(model1))

    Shapiro-Wilk normality test

data:  residuals(model1)
W = 0.91933, p-value = 0.003168

Interpretácia: pre viacnásobný model je p-hodnota výrazne nad 0,05, takže \(H_0\) nezamietame: nemáme dôkaz proti normalite rezíduí. Pre jednoduchý model1 je p-hodnota pod 0,05, takže normalitu zamietame: rezíduá sú ďalší dôvod, prečo je model1 slabý.

Nezamietnutie \(H_0\) nedokazuje, že rezíduá sú normálne, len že vzorka (47 pozorovaní) nedáva dostatok dôkazov proti tomu.

Grafická kontrola normality (Q-Q graf):

qqnorm(residuals(model), main = "Normálny Q-Q graf rezíduí")
qqline(residuals(model), col = "firebrick", lwd = 2)

Q-Q graf rezíduí viacnásobného modelu.

Body ležiace približne pozdĺž priamky podporujú predpoklad normality.

7. Test odľahlých hodnôt

Odľahlá hodnota (outlier) je pozorovanie, ktoré model vysvetľuje nezvyčajne zle. Používame Bonferroniho test na najväčšie studentizované rezíduum z balíka car:

\[ H_0: \text{v dátach nie je odľahlé pozorovanie} \qquad H_1: \text{najväčšie } |t_i| \text{ je odľahlé} \]

outlierTest(model)
No Studentized residuals with Bonferroni p < 0.05
Largest |rstudent|:
    rstudent unadjusted p-value Bonferroni p
33 -3.153159          0.0030187      0.13886

Pozrime sa, ktoré štvrťroky majú najväčšie studentizované rezíduá:

obs <- udaje[!is.na(udaje$urok_lag1), ]
stud <- rstudent(model)
poradie <- order(abs(stud), decreasing = TRUE)[1:5]
data.frame(Obdobie = obs$obdobie[poradie],
           Skutocnost = obs$registracie[poradie],
           Predikcia = fitted(model)[poradie],
           Studentizovane_reziduum = stud[poradie]) |>
  kable(format = "html", digits = 2, row.names = FALSE,
        col.names = c("Štvrťrok", "Skutočnosť", "Predikcia", "Studentizované rezíduum"),
        caption = "Päť najväčších studentizovaných rezíduí") |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE)
Päť najväčších studentizovaných rezíduí
Štvrťrok Skutočnosť Predikcia Studentizované rezíduum
2023-Q1 51.6 82.50 -3.15
2020-Q4 125.2 96.29 2.67
2020-Q2 69.0 92.30 -2.07
2023-Q3 109.2 89.64 1.81
2015-Q4 69.1 83.99 -1.33

Interpretácia: ak je Bonferroniho p-hodnota v outlierTest nad 0,05, \(H_0\) nezamietame a nemáme dôkaz o odľahlej hodnote. Najväčšie rezíduum patrí štvrťroku 2023-Q1; je výrazné, ale po Bonferroniho korekcii (ktorá berie do úvahy, že sme vybrali najväčšie z 46 hodnôt) nie je štatisticky odľahlé.

8. Grafická analýza rezíduí: plot(model)

par(mfrow = c(2, 2))
plot(model)

Štyri štandardné diagnostické grafy modelu.
par(mfrow = c(1, 1))

Ako čítať jednotlivé grafy:

  1. Residuals vs Fitted (rezíduá voči vyrovnaným hodnotám): hľadáme náhodný oblak okolo nuly. Zakrivenie značí nesprávny funkčný tvar, lievik rastúci rozptyl rezíduí (heteroskedasticitu).
  2. Normal Q-Q: body pri priamke znamenajú normálne rezíduá, odchýlky na koncoch ťažké chvosty alebo odľahlé hodnoty.
  3. Scale-Location: odmocnina z absolútnych standardizovaných rezíduí; vodorovná čiara ukazuje konštantný rozptyl.
  4. Residuals vs Leverage: hľadáme body s vysokou pákou (hat hodnotou), ktoré môžu model silno ovplyvniť. Body za prerušovanou čiarou Cookovej vzdialenosti sú vplyvné.
plot(model, which = 4)

Cookova vzdialenosť pre jednotlivé pozorovania.

Rezíduá v čase

Keďže pracujeme s časovým radom, nakreslíme aj rezíduá podľa poradia štvrťrokov:

ggplot(data.frame(datum = obs$datum, reziduum = residuals(model)),
       aes(x = datum, y = reziduum)) +
  geom_hline(yintercept = 0, color = "grey50") +
  geom_line(color = "steelblue") +
  geom_point(color = "steelblue") +
  labs(x = "Štvrťrok", y = "Rezíduum") +
  theme_minimal(base_size = 13)

Rezíduá modelu v čase.
# korelácia rezíduá a rezíduá oneskorené o 1 štvrťrok
r <- residuals(model)
cor(r[-1], r[-length(r)])
[1] 0.3088018

Ak by rezíduá v susedných štvrťrokoch silno súviseli, hovorili by sme o autokorelácii rezíduí, čo je častý problém pri časových radoch. Jej formálny test (Durbin-Watson) je témou ďalších hodín, preto tu robíme len jednoduchú kontrolu.

9. Voliteľne: páka (hat hodnoty)

Hat matica \(H = X(X'X)^{-1}X'\) prevádza skutočné hodnoty na vyrovnané, \(\hat{y} = Hy\). Jej diagonálne prvky \(h_{ii}\) (páka) ukazujú, ako veľmi pozorovanie \(i\) ovplyvňuje vlastné vyrovnanie. Pravidlo: \(h_{ii} > 2k/n\) označuje pozorovanie s vysokou pákou.

h <- hatvalues(model)
k <- length(coef(model))
n <- nobs(model)
prah <- 2 * k / n
data.frame(Obdobie = obs$obdobie, Paka = h)[h > prah, ] |>
  kable(format = "html", digits = 3, row.names = FALSE,
        col.names = c("Štvrťrok", "Páka (h)"),
        caption = paste0("Pozorovania s pákou nad 2k/n = ", round(prah, 3))) |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE)
Pozorovania s pákou nad 2k/n = 0.174
Štvrťrok Páka (h)
2022-Q3 0.178
2022-Q4 0.343
2023-Q1 0.177

10. Záver

  • Workspace sme uložili a obnovili (save.image(), load()), takže údaje a modely môžeme prenášať do ďalších hodín.
  • F test: viacnásobný model je ako celok štatisticky významný, jednoduchý model s jednou premennou nie.
  • t testy: všetky koeficienty viacnásobného modelu sú významné na 5 % hladine, ale aktuálna a oneskorená sadzba sú silno korelované, preto ich nemožno interpretovať izolovane.
  • \(R^2\): model vysvetľuje len približne tretinu variability registrácií.
  • Normalita: pre viacnásobný model ju nezamietame (Shapiro-Wilk), pre jednoduchý model áno.
  • Odľahlé hodnoty: žiadne pozorovanie nie je po Bonferroniho korekcii štatisticky odľahlé; najväčšie rezíduum má štvrťrok 2023-Q1.
  • Obmedzenia: 47 pozorovaní, doplnené hodnoty registrácií (príznak i) a prípadná autokorelácia rezíduí. Závery sú preto predbežné.