Regresja liniowa w praktyce — analiza rzeczywistych danych

Sat, 27 Jun 2026 00:00:00 +0000

Cel ćwiczenia

Ćwiczenie ilustruje kompletną procedurę analizy regresji na rzeczywistych danych. Przedmiotem analizy jest model wyjaśniający zróżnicowanie płac w USA w 1985 roku.

Pytanie badawcze: Jak wykształcenie, doświadczenie i płeć wpływają na wynagrodzenie?

Dane: Current Population Survey 1985 (CPS1985) — 534 obserwacje, 11 zmiennych.

Prognozowanie PKB — modele ARIMA w praktyce

Sat, 27 Jun 2026 00:00:00 +0000

Cel tutorialu

Celem jest zbudowanie modelu prognozującego PKB na kilka kwartałów do przodu. Analizę przeprowadzimy w pełnym zakresie: od wczytania danych, przez diagnozę i estymację modelu, po walidację i prognozę.

To kontynuacja przewodnika o regresji, teraz dla szeregów czasowych.

Krok 1: Wczytanie danych

# R — pobierz realne PKB z FRED (lub wczytaj CSV)
library(forecast)

# Przykład: wbudowane dane lub z pliku
# dane <- read.csv("pkb.csv")
# pkb <- ts(dane$pkb, start = c(2000, 1), frequency = 4) # kwartalne

# Dla ilustracji — symulujemy realistyczny szereg PKB
set.seed(42)
n <- 80
trend <- 100 * (1.005)^(1:n) # wzrost ~2% rocznie
sezon <- rep(c(-1.5, 0.5, 1.0, 0), length.out = n)
pkb <- ts(trend + sezon + arima.sim(list(ar = 0.6), n) * 2,
 start = c(2004, 1), frequency = 4)

# Python
import pandas as pd
import statsmodels.api as sm

# Przykład: pobierz z FRED przez pandas_datareader
# import pandas_datareader as pdr
# pkb = pdr.get_data_fred('GDPC1', start='2000-01-01')

# lub wczytaj wbudowane dane makro
dane = sm.datasets.macrodata.load_pandas().data
pkb = dane['realgdp']

Krok 2: Wizualizacja i dekompozycja

# Wykres szeregu
autoplot(pkb) +
 labs(title = "Realne PKB (kwartalne)", y = "PKB", x = "Rok")

# Dekompozycja na trend + sezonowość + reszta
dekompozycja <- stl(pkb, s.window = "periodic")
autoplot(dekompozycja)