Bing Image Creator で生成: Close up photo of Euphorbia pulcherrima, background is wild green grass fields, photo
www.crosshyou.info
の続きです。今回は景気ウォッチャー調査のデータから TOPIX を予測するモデルを作ろうと思います。
まずは分析のために、total: 景気ウォッチャー調査総合値の current, future, level と TOPIX の ts オブジェクトを作ろうと思います。
df_ts という名前でデータフレームを、
time_series という名前で ts オブジェクトを作成しました。
この time_series の有り様を確認してみます。
時系列データを回帰分析するためのパッケージである dynlm を読み込みます。
一番はじめは、TOPIX の水準を、1か月前の current, future, level で説明するモデルを作ってみましょう。
current, future, level 全ての係数が有意な値となっています。current の係数がマイナスなので、current: 現状の方向性が低いと、TOPIX の値は大きくなる、という関係です。
R-squared が 0.2573 なので、25% しか TOPIX を説明していません。
モデルの予測値と実際の TOPIX の値をグラフにしてみます。
はじめにモデルの予測値と実際の TOPIX の値のデータフレームを作っておきます。
1か月前の景気ウォッチャー調査データを使ったモデルなので、一番最初の月の予想値はありません。
ggplot でグラフを描きます。
黒が実際の TOPIX で、赤がモデルの予測値です。同じような値動きですが、2020年以降の実際の TOPIX の上昇にモデルがついていけてないですね。
第2のモデルとして、トレンド項を追加したモデルを作ってみましょう。
トレンドは2乗項も加えました。R-squared が 0.7975 と改善しました。
グラフにしてみます。
緑のラインが2番目もモデルです。赤いラインよりも実際の TOPIX に近づいていることがわかります。
さらに、前月の TOPIX の値を加えたモデルを作ります。
L(current) や L(level) などは有意な係数ではなくなっています。
不要な変数を削除していって、モデルをより簡素なものにしていきます。
まず、L(level) を削除しました。次は、trend(time_series) を削除してみます。
L(future) は有意なままですね。L(current) を削除します。
L(future) は係数は 1.87 で、p値は 0.000442 と 1% 以下の有意水準です。
R-squared は 0.983 と このモデルで、TOPIX の値動きの 98.3% を説明しています。
景気ウォッチャー調査の先行きの方向性が1ポイント上がると、 topix は 1.87 上昇するということですね。
グラフにしてみます。
３番目のモデルの予測値は、ゴールドのラインです。黒い実際の TOPIX とよく似た値であることがわかります。
今回は以上です。
次回は
www.crosshyou.info
です。
初めから読むには、
www.crosshyou.info
です。
今回のコードは以下になります。
#
# total の current, future, level と topix のts オブジェクトを作る
df_ts <- df |>
select(date, year, month, type, total) |> # 必要な変数だけ
pivot_wider( # pivot_woder()で変形
id_cols = c("date", "year", "month"),
names_from = type,
values_from = total
) |>
inner_join(tpx) |> # topixを結合
arrange(date) # 日付順に並び替え
#
time_series <- ts(df_ts,
start = c(2000, 1), frequency = 12)# ts オブジェクトにする
#
# time_series の確認
head(time_series)
tail(time_series)
str(time_series)
#
# dynlm パッケージを読み込む
library(dynlm)
#
# topix を1期前のcurrent, future, level で説明するモデル
model1 <- dynlm(topix ~ L(current) + L(future) + L(level),
data = time_series)
summary(model1)
#
# 実際のTopixとモデルのTopix のデータフレームを作る
#
df_topix_model <-
tibble(
date = df_ts$date,
model1 = c(NA, model1$fitted.values),
topix = df_ts$topix
)
df_topix_model
#
# 実際のTopixとモデルのTopixのグラフ
df_topix_model |>
ggplot(aes(x = date)) +
geom_line(aes(y = topix)) +
geom_line(aes(y = model1), color = "red") +
labs(title = "Black-Topix, Red-Model1")
#
# トレンドを加えたモデル
model2 <- dynlm(topix ~ L(current) + L(future) + L(level) +
trend(time_series) + I(trend(time_series)^2),
data = time_series)
summary(model2)
#
# model2の予測値をdf_topix_modelに加える
df_topix_model <- df_topix_model |>
mutate(model2 = c(NA, model2$fitted.values))
df_topix_model
#
# グラフ
df_topix_model |>
ggplot(aes(x = date)) +
geom_line(aes(y = topix)) +
geom_line(aes(y = model1), color = "red") +
geom_line(aes(y = model2), color = "green") +
labs(title = c("Black-Topix, Red-Model1, Green-Model2"))
#
# 前月のtopixも加えたモデル
model3 <- dynlm(topix ~ L(current) + L(future) + L(level) +
trend(time_series) + I(trend(time_series)^2) +
L(topix), data = time_series)
summary(model3)
#
# model3 の簡素化作業1 L(level) を削除
model3 <- dynlm(topix ~ L(current) + L(future) +
trend(time_series) + I(trend(time_series)^2) +
L(topix), data = time_series)
summary(model3)
#
# model3 の簡素化作業2 trend(time_series) を削除
model3 <- dynlm(topix ~ L(current) + L(future) +
I(trend(time_series)^2) +
L(topix), data = time_series)
summary(model3)
#
# model3 の簡素化作業3 L(current) を削除
model3 <- dynlm(topix ~ L(future) +
I(trend(time_series)^2) +
L(topix), data = time_series)
summary(model3)
#
# model3の予測値をdf_topix_modelに加える
df_topix_model <- df_topix_model |>
mutate(model3 = c(NA, model3$fitted.values))
df_topix_model
#
# グラフ
df_topix_model |>
ggplot(aes(x = date)) +
geom_line(aes(y = topix)) +
geom_line(aes(y = model1), color = "red") +
geom_line(aes(y = model2), color = "green") +
geom_line(aes(y = model3), color = "gold", linewidth = 1, alpha = 0.5) +
labs(title = c("Black-Topix, Red-Model1, Green-Model2, Gold-Model3")) +
theme_bw()
#