-
Notifications
You must be signed in to change notification settings - Fork 0
/
edit-5.0.Rmd
453 lines (373 loc) · 18.6 KB
/
edit-5.0.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
---
title: "edit-5.0"
output: github_document
---
## GitHub Documents
```{r setup, include=FALSE}
#install.packages("pastecs")
library(pastecs)
library(stargazer)
library(tidyverse)
library(stringi)
library(ggplot2)
library(tidyr)
library(dplyr)
library(glmnet)
library(naniar)
library(simputation)
library(missForest)
library(plm)
library(corrplot)
library(tidymodels)
library(regclass)
library(lmtest)
```
РАЗВЕДОЧНЫЙ АНАЛИЗ ДАННЫХ
```{r}
diplom_1802_imp = read.csv('/Users/olesyamba/Downloads/data/diplom_1802_imp.csv')
diplom_1802_w_imp = read.csv('/Users/olesyamba/Downloads/data/diplom_1802_w_imp.csv')
diplom_1802_imp
```
```{r descriptive statistics}
diplom_1802_imp = filter(diplom_1802_imp, year != "2016")
desc = stat.desc(diplom_1802_imp[, c(6, 7,10:20)])
desc = t(round(desc, digits = 2))
desc = desc[, c('nbr.val','min', 'max', 'mean', 'median', 'std.dev')]
desc
```
На графике представлены описательные статистики до предварительной обработки, включающей обработку пропущенных значений, обработку выбросов, а также уменьшение дисперсии некоторых переменных с целью борьбы с шумом.
```{r descriptive statistics}
diplom_1802_w_imp = filter(diplom_1802_w_imp, year != "2016")
desc = stat.desc(diplom_1802_w_imp[, c(6, 7,10:20)])
desc = t(round(desc, digits = 2))
desc = desc[, c('nbr.val','min', 'max', 'mean', 'median', 'std.dev')]
desc
```
КОРРЕЛЯЦИОННЫЙ АНАЛИЗ
```{r}
library("Hmisc")
res2 <- rcorr(as.matrix(diplom_1802_w_imp[, c(6:20)]))
```
```{r}
matrix_r = as.data.frame(res2$r)
matrix_p = as.data.frame(res2$P)
empty_as_na <- function(x){
ifelse(is.na(x), as.integer('1'), x)
}
matrix_r = round(matrix_r, 3)
matrix_p = matrix_p %>% mutate_each(funs(empty_as_na))
for (i in seq.int(1,15,1)){
for (j in seq.int(1,15,1)){
if (matrix_p[i,j] <= 0.01){
matrix_r[i,j] = str_c(as.character(matrix_r[i,j]), as.character('*'))
}
if (matrix_p[i,j] <= 0.05){
matrix_r[i,j] = str_c(as.character(matrix_r[i,j]), as.character('*'))
}
if (matrix_p[i,j] <= 0.1){
matrix_r[i,j] = str_c(as.character(matrix_r[i,j]), as.character('*'))
}
}
}
```
```{r}
matrix_r
```
Цикл позволяет вывести корреляционную матрицу с указанием уровней значимости * = 10%, ** = 5%,*** = 1% соответственно. Борьба с мультиколлинеарностью проводится далее. На данном этапе лишь подтверждается ее необходимость.
МОДЕЛИРОВАНИЕ
```{r}
dataPanel <- pdata.frame(diplom_1802_w_imp, index=c("ticker","year"))# трансформация в панельные данные
filter(dataPanel, year == "2017") %>%
group_by(sector)%>%
count(sector) # выводим представленный в выборке набор секторов
```
МОДЕЛЬ МНОЖЕСТВЕННОЙ ЛИНЕЙНОЙ РЕГРЕССИИ
```{r}
dataPanel_std <- pdata.frame(data.frame(diplom_1802_w_imp[,c(1:5)], scale(diplom_1802_w_imp[,-c(1:5)])), index=c("ticker","year")) #дополнительно создаем дф с стандартнизированными переменными
```
```{r}
ols1 <-plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield , data = filter(dataPanel_std, year != "2016"), model="within")
```
```{r}
summary(ols1) # оцениваем первую спецификацию как обычную множественную линейную регрессию со стандартизированными коэффициентами
```
```{r}
ols2 <-plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_likes_twitter + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel_std, year != "2016"), model="within")
```
```{r}
summary(ols2)# оцениваем вторую спецификацию как обычную множественную линейную регрессию со стандартизированными коэффициентами
```
```{r}
ols3 <-plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel, year != "2016"), model="within")
```
```{r}
summary(ols3) # оцениваем первую спецификацию как обычную множественную линейную регрессию
```
```{r}
ols4 <-plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_likes_twitter + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel, year != "2016"), model="within")
```
```{r}
summary(ols4)# оцениваем вторую спецификацию как обычную множественную линейную регрессию
```
МОДЕЛЬ МНОЖЕСТВЕННОЙ ЛИНЕЙНОЙ РЕГРЕССИИ | ВЫБОР СПЕЦИФИКАЦИИ
```{r}
ols <-lm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel, year != "2016"))
summary(ols)
```
```{r multicollinearity}
regclass::VIF(ols)
```
Мультиколлинеарности в модели после удаления части переменных нет, так как коэффициенты VIF < 5. Дополнительное подтверждение отсутствию необходимости включения регуляризации.
Однако в выборке присутствуют компании и года, значительно отличающиеся друг от друга, проверим дополнительные спецификации.
```{r heteroskedasticity}
bptest(ols4, data = dataPanel)
```
```{r autocorrelation}
plm::pbgtest(ols4, data = dataPanel)
```
Есть автокорреляция и гетероскедастичность, необходимо использовать скорректированную ковариационную матрицу.
```{r}
coeftest(ols4, vcovHC(ols4, method = "arellano", type = "HC2"))
```
```{r cross-sectional dependence}
plm::pcdtest(ols4, test = c("cd"))
```
no cross-sectional dependence
```{r cross-sectional dependence}
plm::pcdtest(ols4, test = c("lm"))
```
cross-sectional dependence
Вывод: результаты тестов разнятся, однако даже в случае наличия кросс-секциональной зависимости это небольшая проблема, так как у нас короткий временной интервал и большая выборка компаний.
```{r}
dwtest(ols)
```
```{r Fixed Effects Model}
fixed <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel, year != "2016"), model="within")
summary(fixed)
```
Фиксированные эффекты = константы для каждой компании:
```{r effects}
fixef(fixed)
```
Сравним спецификации с учетом фиксированных эффектов и без:
```{r Fixed Effects vs OLS}
pFtest(fixed, ols)
```
Нулевая гипотеза: спецификация МНК лучше спецификации с фиксированными эффектами
p-value < 2.2e-16 < 0.01, следовательно, на уровне значимости 1% нулевая гипотеза отклоняется, фиксированные эффекты значимы.
Оценим спецификацию со случайными эффектами:
```{r Random Effects Model}
random <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = filter(dataPanel, year != "2016"), model="random")
summary(random)
```
Чтобы выбрать между фиксированными или случайными эффектами, проведем тест Хаусмана, где нулевая гипотеза состоит в том, что предпочтительная модель — это случайные эффекты, а альтернативная — фиксированные эффекты (см. Green, 2008, глава 9). По сути, он проверяет, коррелируют ли уникальные ошибки с регрессорами, но нулевая гипотеза заключается в том, что это не так. Если значение p значимо (например, <0,05), необходимо использовать фиксированные эффекты, если нет, - случайные эффекты.
```{r Fixed vs Random}
phtest(fixed, random)
```
В нашем случае p-value < 2.2e-16, на 1% уровне значимости нулевая гипотеза отвергается, следовательно, релевантнее модель с фиксированными эффектами.
Также необходимо проверить наличие значимых временных эффектов.
```{r Time-fixed effects testing}
fixed.time <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield + factor(year), data = filter(dataPanel, year != "2016"), model="within")
summary(fixed.time)
```
```{r}
pFtest(fixed.time, fixed)
```
Нулевая гипотеза: проверяемый эффект не значим или равен 0.
p-value = 0.9741, следовательно, на уровне значимости 1% нулевая гипотеза на исследуемой выборке не отвергается, временные эффекты не значимы.
```{r}
plmtest(fixed, c("time"), type=("bp"))
```
Результаты теста Бреуша-Пагана аналогичны, наилучшей является спецификация с фиксированными эффектами.
```{r}
datapanel_train = filter(dataPanel[,-c(8, 9, 20)], year != "2016" & year !="2017")
```
МОДЕЛЬ БУСТИНГ СЛУЧАЙНЫХ ЛЕСОВ
```{r BOOSTED RANDOM FOREST}
#install.packages('xgboost')
library(xgboost)
# Create the specification with placeholders
boost_spec <- boost_tree(
trees = 1000,
learn_rate = tune(),
tree_depth = tune()) %>%
set_mode("regression") %>%
set_engine("xgboost")
# Create the tuning grid
tunegrid_boost <- grid_regular(parameters(boost_spec),
levels = 5)
tunegrid_boost
# Create CV folds of training data
folds <- vfold_cv(datapanel_train[,-c(1:5)], v = 6)
# Tune along the grid
tune_results <- tune_grid(boost_spec,
price_to_book ~ .,
resamples = folds,
grid = tunegrid_boost,
metrics = metric_set(rmse, mae, rsq))
# Plot the results
autoplot(tune_results)
# Select the final hyperparameters
best_params <- select_best(tune_results)
# Finalize the specification
final_spec <- finalize_model(boost_spec, best_params)
# Train the final model on the full training data
final_model <- final_spec %>% fit(formula = price_to_book ~ .,
data = datapanel_train[,-c(1:5)])
final_model
vip::vip(final_model)
```
```{r parameters of final boosting model}
best_params
```
КАЧЕСТВО МОДЕЛИ МНОЖЕСТВЕННОЙ ЛИНЕЙНОЙ РЕГРЕССИИ С ВКЛЮЧЕНИЕМ ФИКСИРОВАННЫХ ЭФФЕКТОВ
```{r predict fixed_1 model}
# Predict new data
predictions_fixed_1 <- predict(ols3,
new_data = datapanel[,-c(1:5)])
```
```{r evaluate fixed_time model}
# Compute the mean absolute error using one single function
mae_fixed_1 = mae(cbind(datapanel[,-c(1:5)], predictions_fixed_1),
truth = price_to_book,
estimate = predictions_fixed_1)
# Compute the RMSE using a function
rmse_fixed_1 = rmse(cbind(datapanel[,-c(1:5)], predictions_fixed_1),
truth = price_to_book,
estimate = predictions_fixed_1)
rsq_fixed_1 = rsq_trad(cbind(datapanel[,-c(1:5)], predictions_fixed_1),
truth = price_to_book,
estimate = predictions_fixed_1)
# Print errors
mae_fixed_1["model"] = "fixed_1_1"
#mae_fixedtime
rmse_fixed_1["model"] = "fixed_1_1"
#rmse_fixedtime
rsq_fixed_1["model"] = "fixed_1_1"
#rsq_fixedtime
fixed_evaluation_1 = rbind(mae_fixed_1, rmse_fixed_1, rsq_fixed_1)
fixed_evaluation_1
```
```{r predict fixed_2}
# Predict new data
predictions_fixed_2 <- predict(ols4,
new_data = datapanel[,-c(1:5)])
```
```{r evaluate fixed_time model}
# Compute the mean absolute error using one single function
mae_fixed_2 = mae(cbind(datapanel[,-c(1:5)], predictions_fixed_2),
truth = price_to_book,
estimate = predictions_fixed_2)
# Compute the RMSE using a function
rmse_fixed_2 = rmse(cbind(datapanel[,-c(1:5)], predictions_fixed_2),
truth = price_to_book,
estimate = predictions_fixed_2)
rsq_fixed_2 = rsq_trad(cbind(datapanel[,-c(1:5)], predictions_fixed_2),
truth = price_to_book,
estimate = predictions_fixed_2)
# Print errors
mae_fixed_2["model"] = "fixed_1_2"
#mae_fixedtime
rmse_fixed_2["model"] = "fixed_1_2"
#rmse_fixedtime
rsq_fixed_2["model"] = "fixed_1_2"
#rsq_fixedtime
fixed_evaluation_2 = rbind(mae_fixed_2, rmse_fixed_2, rsq_fixed_2)
fixed_evaluation_2
```
КАЧЕСТВО МОДЕЛИ БУСТИНГА СЛУЧАЙНОГО ЛЕСА
```{r}
diplom_1802_w_imp = read.csv('/Users/olesyamba/Downloads/data/diplom_1802_w_imp.csv')
dataPanel <- pdata.frame(diplom_1802_w_imp, index=c("ticker","year"))
datapanel_test = filter(dataPanel[,-c(8, 9, 20)], year == "2016" | year =="2017")
```
```{r predict and evaluate boosted random forest model}
# Predict new data
predictions_boostforest <- predict(final_model,
new_data = datapanel_test[,-c(1:5)])
# Compute the mean absolute error using one single function
mae_boostforest = mae(predictions_boostforest,
truth = datapanel_test[,-c(1:5)]$price_to_book,
estimate = .pred)
# Compute the RMSE using a function
rmse_boostforest = rmse(predictions_boostforest,
truth = datapanel_test[,-c(1:5)]$price_to_book,
estimate = .pred)
rsq_boostforest = rsq_trad(predictions_boostforest,
truth = datapanel_test[,-c(1:5)]$price_to_book,
estimate = .pred)
# Print errors
mae_boostforest["model"] = "boosted_random_forest"
#mae_fixedtime
rmse_boostforest["model"] = "boosted_random_forest"
#rmse_fixedtime
rsq_boostforest["model"] = "boosted_random_forest"
#rsq_fixedtime
boostforest_evaluation = rbind(mae_boostforest, rmse_boostforest, rsq_boostforest)
boostforest_evaluation
```
```{r evaluation metrics}
evaluation_metrics = rbind(fixed_evaluation_1, fixed_evaluation_2, boostforest_evaluation)
colnames(evaluation_metrics) = c("Metric", "Estimator", "Estimation", "Model")
evaluation_metrics
```
АНАЛИЗ УСТОЙЧИВОСТИ
```{r}
diplom_1802_w_imp = read.csv('/Users/olesyamba/Downloads/data/diplom_1802_w_imp.csv')
diplom_1802_w_imp1 = filter(diplom_1802_w_imp, year == "2017"|year == "2018")
diplom_1802_w_imp2 = filter(diplom_1802_w_imp, year == "2019"|year == "2020")
diplom_1802_w_imp3 = filter(diplom_1802_w_imp, year == "2021"|year == "2022")
```
```{r}
dataPanel1 <- pdata.frame(diplom_1802_w_imp1, index=c("ticker","year"))
dataPanel2 <- pdata.frame(diplom_1802_w_imp2, index=c("ticker","year"))
dataPanel3 <- pdata.frame(diplom_1802_w_imp3, index=c("ticker","year"))
```
МОДЕЛЬ МНОЖЕСТВЕННОЙ ЛИНЕЙНОЙ РЕГРЕССИИ
```{r Fixed Effects Model}
fixed1_1 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = dataPanel1, model="within")
summary(fixed1_1)
fixed1_2 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_likes_twitter + sales + ROA + fin_leverage + buyback_yield, data = dataPanel1, model="within")
summary(fixed1_2)
fixed2_1 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = dataPanel2, model="within")
summary(fixed2_1)
fixed2_2 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_likes_twitter + sales + ROA + fin_leverage + buyback_yield, data = dataPanel2, model="within")
summary(fixed2_2)
fixed3_1 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_tweets + sales + ROA + fin_leverage + buyback_yield, data = dataPanel3, model="within")
summary(fixed3_1)
fixed3_2 <- plm(price_to_book ~ polarity_news + polarity_twitter + yoy_revenue_growth + google_trends + number_of_news + number_of_likes_twitter + sales + ROA + fin_leverage + buyback_yield, data = dataPanel3, model="within")
summary(fixed3_2)
```
```{r}
datapanel1 = dataPanel1[,-c(8, 9, 16:20)]
datapanel2 = dataPanel2[,-c(8, 9, 16:20)]
datapanel3 = dataPanel3[,-c(8, 9, 16:20)]
# Train the final model on the full training data
final_model1 <- final_spec %>% fit(formula = price_to_book ~ .,
data = datapanel1[,-c(1:5)])
final_model2 <- final_spec %>% fit(formula = price_to_book ~ .,
data = datapanel2[,-c(1:5)])
final_model3 <- final_spec %>% fit(formula = price_to_book ~ .,
data = datapanel3[,-c(1:5)])
vip::vip(final_model1)
vip::vip(final_model2)
vip::vip(final_model3)
```
```{r}
h1 = vip::vi_model(final_model1)
h1 = h1 %>%
mutate(model = c(1,1,1,1,1,1,1))
h2 = vip::vi_model(final_model2)
h2 = h2 %>%
mutate(model = c(2,2,2,2,2,2,2))
h3 = vip::vi_model(final_model3)
h3 = h3 %>%
mutate(model = c(3,3,3,3,3,3,3))
h = rbind(h1,h2,h3)
colnames(h) = c("Variable", "Importance", "Model")
h
```
```{r}
p = ggplot(h, aes(Variable, Importance, group = Model))
p + geom_line(aes(colour = Model)) + geom_point(aes(colour = Model))
```