📈 Dynamické modelovanie

Dynamické modelovanie je spôsob, ako simulovať zmeny v čase – teda ako sa systém vyvíja, keď sa menia jeho vstupy, stav alebo prostredie. Používa sa všade tam, kde čas hrá dôležitú úlohu a chceme pochopiť dynamiku správania sa systému.

📈 Simultánne modely

Simultánne modely (alebo simultánne rovnice, prípadne sústavy simultánnych rovníc) sú štatistické alebo ekonometrické modely, kde viacero premenných súčasne ovplyvňuje jedna druhú – teda závislé premenné sú zároveň aj nezávislými v iných rovniciach.

📈 Multikolinearita

Multikolinearita je jav, ktorý nastáva v lineárnej regresii, keď sú dve alebo viaceré nezávislé premenné silno navzájom korelované – teda medzi nimi existuje silný lineárny vzťah.

📈 Heteroskedasticita

Je to nekonštantnosť rozptylu náhodných porúch, a teda aj rezíduí. S týmto javom sa stretávame vtedy, keď dochádza k veľkým zmenám v hodnotách vysvetľujúcich premenných, ale aj v prípade, ak bola vynechaná podstatná premenná modelu. Opačný jav, konštantnosť rozptylu náhodných porúch, a teda aj rezíduí, sa nazýva homoskedasticita.

📈 Autokorelácia

Autokorelácia je pojem zo štatistiky a časových radov, ktorý popisuje, do akej miery je hodnota premennej v určitom čase podobná jej vlastným predchádzajúcim hodnotám.

📈 Lineárna regresia

Lineárna regresia je štatistická metóda, ktorá sa používa na modelovanie vzťahu medzi závislou premennou (označovanou ako 𝑦) a jednou alebo viacerými nezávislými premennými (označovanými ako 𝑥).

📈 Gretl

GRETL je voľne dostupný, open‑source softvér zameraný na ekonometriu a analýzu časových radov. Vznikol ako projekt pod licenciou GPL a vďaka aktívnej komunite vychádzajú každý rok nové verzie s rozšírenými funkciami.

Brownovo exponenciálne vyrovnávanie – prehľad metód

Brownovo exponenciálne vyrovnávanie je skupina metód, ktoré sa využívajú na vyhladzovanie časových radov a predikcie budúcich hodnôt. Metódy pracujú s parametrom α, ktorý určuje váhu nových pozorovaní.

• BEA(vector, α) – Dvojité vyrovnávanie s ručne zadaným α. Vhodné pre dáta s lineárnym trendom.
• BEO(vector, step) – Automatický výber najlepšieho α pre dvojité vyrovnávanie na základe minimalizácie MSE. Užitočné, ak parameter nie je známy.
• BTA(vector, α) – Trojité vyrovnávanie s podporou zakriveného trendu (napr. zrýchľovanie/zpomaľovanie). Užitočné pre nelineárne časové rady.
• BTO(vector, step) – Pokročilá trojitá verzia s automatickou optimalizáciou α. Presnejšie výsledky pre komplexné dáta.

Každá metóda poskytuje odhadované hodnoty, predpoveď na ďalšie obdobie a vizuálny graf porovnávajúci pôvodné a vyhladené dáta.

🔍 Zhrnutie: Exponenciálne vyrovnávanie

• Exponenciálne vyrovnávanie slúži na predikciu časových radov pomocou vážených priemerov minulých hodnôt.
• Základná rovnica:
  Sₜ = αyₜ + (1 − α)Sₜ₋₁
• Vyrovnávacia konštanta α určuje citlivosť modelu na nové hodnoty:
  • nízke α → stabilné predpovede
  • vysoké α → rýchla reakcia na zmeny
• Rozšírené modely:
  • Holtov model – trend (α, β)
  • Holt-Wintersov model – trend + sezónnosť (α, β, γ)
• Možnosti sezónnosti:
  • Aditívna: yₜ = (lₜ + bₜ) + sₜ
  • Multiplikatívna: yₜ = (lₜ + bₜ) × sₜ
• V R používame funkciu HoltWinters() pre oba typy modelov (sezónne aj nesezónne).
• Predpovede sa získavajú cez predict() a dajú sa vizualizovať cez plot() a lines().

🔍 Zhrnutie: Analýza časových radov

• Časový rad je sled údajov v čase, s rovnakou jednotkou a pravidelným intervalom.
• Rozdeľujeme ich na:
  • Krátkodobé – perióda < 1 rok
  • Dlhodobé – perióda ≥ 1 rok
• Vzorový zápis: yt = Dt + St + εt
  • Dt – deterministická (trendová) zložka
  • St – sezónna zložka
  • εt – chybová alebo náhodná zložka
• Štatistiky časového radu zistíme cez: summary(premenna)
• Časový rad v R definujeme pomocou:
  • yt = scan()
  • yt <- ts(yt, start=1956, freq=12)
• Vizualizácia sezónnosti:
  • plot(yt, type="l") – čiarový graf
  • seasonplot(yt, col=rainbow(40), type="b", xlab="Mesiac") – sezónny graf
• Identifikácia sezónnosti:
  • ACF a PACF – slúžia na odhalenie ARIMA štruktúry
  • Ak sú hodnoty ACF periodické, môže ísť o sezónnosť
• Rozpoznávanie modelov:
  • AR(p): ACF pozvoľná, PACF náhla
  • MA(q): ACF náhla, PACF pozvoľná
  • ARMA(p,q): obidve pozvoľné
• Periodogram: zisťuje frekvencie cyklických zložiek
  spec.pgram(yt, log="no", taper=0)
• STL rozklad na trend, sezónnosť a náhodu:
  plot(stl(log(yt), s.window="periodic"))

🛠️ Ako vznikla táto stránka

Všetko to začalo v okamihu, keď pani Pančíková vyslovila jednoduchú, ale výstižnú vetu: „Mohli by sme spraviť niečo, čo študentom naozaj pomôže.“

A tak sa zrodila myšlienka na túto stránku. Do akcie sa odvážne zapojili dvaja „špecialisti“: Daniel Dziaba a Mário Stachera. Nie úplne dobrovoľne, ale zato s úsmevom – prijali túto výzvu, plní odhodlania, kávy a nekonečných riadkov kódu.

Cieľ? Jednoduchý. Vytvoriť miesto, kde sa študenti nestratia v predikciách, trendoch a grafoch. A kde ani prognostika neznie ako strašidelná kapitola z učebnice.

Tak teraz už vieš všetko podstatné. Môžeš sa s chuťou pustiť do prognostiky – alebo si vybrať úplne inú tému, ktorá ťa zaujme. Držíme ti palce a veríme, že ti táto stránka uľahčí učenie, pochopenie aj zvládnutie predmetov, ktoré kedysi zneli neprekonateľne.

📐 SV regresia

Stochastická regresia umožňuje modelovať situácie, kde sa koeficienty regresie menia v čase. Je užitočná pri analýze systémov s nestálym správaním, ako sú ekonomické procesy, kde sa vzťahy medzi premennými dynamicky vyvíjajú.

🔎 Spektrálna analýza

Metóda skúmajúca frekvenčné zložky časových radov. Pomáha odhaliť skryté cykly, periodickosť a štruktúru v dátach, ktoré nie sú na prvý pohľad viditeľné. Využíva sa najmä pri spracovaní signálov, v ekonómii a meteorológii.

🛰️ Kalmanova filtrácia

Dynamická metóda odhadu stavu systému v čase na základe postupne prichádzajúcich dát. Využíva sa pri modelovaní systémov s neistotou, ako sú navigácia, ekonómia či senzorové merania, kde umožňuje kombinovať predikciu s novými pozorovaniami.

📊 ARCH a GARCH modely

Modely vhodné na analýzu časových radov s kolísavou volatilitou, napríklad vo finančných trhoch. Umožňujú predpovedať meniacu sa variabilitu v čase a lepšie zachytiť rizikové správanie dát, kde sa štandardné metódy neosvedčujú.

📐 ARIMA modely

Pokročilé štatistické modely pre analýzu a predikciu časových radov, ktoré kombinujú autoregresiu (AR), integrovanie (I) a kĺzavý priemer (MA). Sú vhodné pre neštruktúrované dáta bez výraznej sezónnosti alebo trendu, ale aj pre upravené časové rady.

📊 Brownovo exponenciálne vyrovnávanie

Rozšírenie jednoduchého exponenciálneho vyrovnávania, ktoré dokáže modelovať aj lineárne trendy v dátach. Vhodné pre časové rady, kde sa očakáva stály nárast alebo pokles hodnôt v čase.

📉 Exponenciálne vyrovnávanie

Jednoduchá, ale účinná metóda predikcie, ktorá váži novšie údaje viac než staršie. Používa sa na vyrovnávanie výkyvov v časových radoch a tvorbu krátkodobých prognóz.

📈 Analýza časových radov

Umožňuje skúmať správanie dát v čase – zisťovať trendy, sezónnosť alebo náhodné výkyvy. Využíva sa pri predikcii predaja, teploty, návštevnosti webu či ekonomických ukazovateľov.