# ============================================================================ # ANALIZA STATYSTYCZNA W FINANSACH # LEKCJA: TESTOWANIE HIPOTEZ STATYSTYCZNYCH W R # TEORIA + PIERWSZE KROKI + WIZUALIZACJE + ZADANIA + ŹRÓDŁA # ============================================================================ # # JAK KORZYSTAĆ Z PLIKU? # - Czytaj komentarze (linie zaczynające się od #) przed uruchomieniem kodu. # - W RStudio zaznacz fragment i użyj Ctrl+Enter, aby go wykonać. # - W konsoli R zobaczysz wyniki testów; wykresy pojawią się w panelu Plots. # - Uruchamiaj skrypt po kolei: niektóre fragmenty wykorzystują wcześniejsze # obiekty, np. zwroty, alfa, motyw_zajec, interpretuj_p. # - Wystarczy R i pakiet ggplot2. Do wykonywania podstawowych testów używamy # funkcji standardowo dostępnych w R, bez dodatkowych bibliotek. # - Wszystkie dane symulowane są dydaktyczne; nie reprezentują GPW. # # # ============================================================================ # A. CO TO ZNACZY TESTOWAĆ HIPOTEZĘ? - WPROWADZENIE # ============================================================================ # # W statystyce zwykle nie znamy dokładnych parametrów całej populacji, # np. przeciętnego zwrotu wszystkich możliwych inwestycji. Obserwujemy tylko # próbę i na jej podstawie próbujemy wyciągnąć wnioski o populacji. # Jednocześnie wyniki prób różnią się od siebie z powodów losowych. # Gdy jedna strategia inwestycyjna ma w próbie większą średnią stopę zwrotu # niż druga, nie wiemy jeszcze, czy to ślad rzeczywistej różnicy parametrów, # czy rezultat przypadkowej zmienności. # # Testowanie hipotez to procedura oceny, na ile zaobserwowany wynik # jest zgodny z przyjętą hipotezą zerową i modelem statystycznym. # Nie otrzymujemy matematycznego dowodu, że H0 jest prawdziwa lub fałszywa: # formułujemy decyzję przy określonych założeniach i ryzyku błędu. # # CZTERY ETAPY TESTOWANIA: # 1. Sformułuj H0 i H1 # 2. Zaplanuj analizę - dobierz dane, test, założenia i poziom alfa. # 3. Oblicz statystykę testową i wartość p na podstawie próby. # 4. Zinterpretuj wynik i wyciągnij wniosek w języku badanego problemu. # https://www.investopedia.com/terms/h/hypothesistesting.asp # # PRZYKŁAD EKONOMICZNY: # Badacz pyta, czy średnia miesięczna stopa zwrotu strategii A różni się # od średniej strategii B. Wtedy: # H0: mu_A = mu_B (średnie w populacjach są równe) # H1: mu_A != mu_B (średnie są różne, test dwustronny) # Samo zaobserwowanie dwóch różnych średnich w próbie nie wystarcza: # test uwzględnia też zmienność wyników i wielkość próby. # # ============================================================================ # B. PODSTAWOWE DEFINICJE I NAJCZĘSTSZE NIEPOROZUMIENIA # ============================================================================ # # POPULACJA: zbiór obiektów lub wyników, o którym chcemy wnioskować. # PRÓBA: obserwowana część populacji; może być losowa lub nielosowa. # PARAMETR: nieznana charakterystyka populacji, np. średnia mu lub wariancja. # STATYSTYKA: wartość wyliczona z próby # # H0 (HIPOTEZA ZEROWA): precyzyjne twierdzenie badane w teście, np. mu = 0. # H1 (HIPOTEZA ALTERNATYWNA): twierdzenie konkurencyjne, np. mu != 0. # # TEST DWUSTRONNY: H1: mu != mu0. Interesują nas odchylenia w obie strony. # TEST JEDNOSTRONNY: H1: mu > mu0 albo mu < mu0. Kierunek określamy wcześniej. # # STATYSTYKA TESTOWA: liczba mierząca zgodność danych z H0, np. t, W, F. # Jej rozkład przy "prawdziwej" H0 pozwala obliczyć p-value. # Dla średniej jednej próby: t = (x_bar - mu0) / (s / sqrt(n)). # # ALFA (POZIOM ISTOTNOŚCI): z góry określone maksymalne ryzyko błędu I rodzaju # dla poprawnie skalibrowanego testu. Często alfa = 0.05, czasem 0.01, 0.001 lub 0.10. # Gdy H0 jest prawdziwa, alfa = 0.05 oznacza długookresowo do 5% błędnych # odrzuceń w powtarzanych eksperymentach przy zachowaniu założeń testu. # # P-VALUE: prawdopodobieństwo uzyskania wyniku co najmniej tak ekstremalnego # jak zaobserwowany, JEŚLI H0 jest prawdziwa i przyjęty model jest poprawny. # Nie jest to P(H0 prawdziwa | dane) ani prawdopodobieństwo, że wynik jest # 'przypadkowy'. # # DECYZJA: jeśli p <= alfa, odrzucamy H0 # # BŁĄD I RODZAJU: odrzucamy H0, choć jest prawdziwa (fałszywy alarm). # BŁĄD II RODZAJU: nie odrzucamy H0, choć jest fałszywa (przeoczenie efektu). # # ISTOTNOŚĆ STATYSTYCZNA != ISTOTNOŚĆ EKONOMICZNA: # Różnica 0.01 punktu procentowego może być statystycznie istotna przy # bardzo dużej próbie, a nie pokrywać kosztów transakcyjnych, czyli ekonomicznie # nie być istotne w takim sensie, że nie zmienia naszej decyzji. # # # ============================================================================ # C. PODSTAWOWE RODZAJE TESTÓW I FUNKCJE W R # ============================================================================ # # Testy normalności rozkładu sprawdzają zgodność danych z rozkładem normalnym. # Przykłady: Shapiro-Wilk (shapiro.test()), Anderson-Darling (pakiet nortest), # inne testy zgodności. W klasycznym teście Kołmogorowa-Smirnowa (ks.test()) # parametry rozkładu odniesienia muszą być w pełni określone; nie należy # bez korekty podstawiać do niego średniej i SD estymowanych z tej samej próby. # # Testy równości wariancji badają, czy grupy mają tę samą wariancję. # Przykłady: Bartlett (bartlett.test()), F dla dwóch grup (var.test()), # Levene (np. car::leveneTest(), wymaga oddzielnego pakietu). # # Testy średniej jednej populacji sprawdzają, czy mu jest równe mu0. # Przykład: jednopróbkowy test t-Studenta (t.test(x, mu = mu0)). # # Testy dla DWÓCH NIEZALEŻNYCH grup sprawdzają np. różnicę średnich. # Przykłady: test t-Studenta przy założeniu równych wariancji oraz test # Welcha (t.test(x, y), domyślnie bez założenia równych wariancji). # # Testy dla DWÓCH ZALEŻNYCH pomiarów dotyczą np. tej samej osoby przed i po. # Przykład: test t parowany (t.test(po, przed, paired = TRUE)); alternatywa # rangowa: test Wilcoxona dla par (wilcox.test(po, przed, paired = TRUE)). # # Testy dla TRZECH LUB WIĘCEJ grup porównują parametry wielu populacji. # Przykłady: klasyczna ANOVA (aov()), ANOVA Welcha (oneway.test()), # Kruskal-Wallis (kruskal.test()), Friedman dla prób zależnych (friedman.test()). # # Testy korelacji oceniają związek zmiennych liczbowych lub porządkowych. # Przykłady: Pearson, Spearman, Kendall (cor.test(..., method = ...)). # # Testy niezależności zmiennych jakościowych porównują częstości kategorii. # Przykłady: chi-kwadrat (chisq.test()), dokładny test Fishera (fisher.test()). # # Testy proporcji analizują częstości i udziały kategorii. # Przykłady: test proporcji (prop.test()), dokładny dwumianowy (binom.test()), # test McNemara dla danych sparowanych (mcnemar.test()). # # Testy zgodności porównują obserwowany rozkład z teoretycznym. # Przykłady: chi-kwadrat zgodności (chisq.test(x, p = ...)), # Kołmogorow-Smirnow (ks.test() z odpowiednio określoną dystrybuantą). # # Testy istotności w regresji analizują np. współczynniki i cały model. # Przykłady: testy t w summary(lm(...)), testy F w anova() / summary(lm()). # # Testy dla szeregów czasowych badają m.in. autokorelację i stacjonarność. # Przykłady: Ljung-Box (Box.test(..., type = "Ljung-Box")), ADF, KPSS # (ostatnie dwa dostępne w dodatkowych pakietach, np. tseries). # # PARAMETRYCZNE vs NIEPARAMETRYCZNE: # Testy parametryczne (np. t, ANOVA) opierają się na określonym modelu # statystycznym; w klasycznej postaci wymagają warunków dotyczących rozkładów # lub reszt. Testy nieparametryczne (Mann-Whitney, Wilcoxon, Kruskal-Wallis) # często używają rang i nie wymagają normalności, ale też mają założenia. # Niezależność danych jest często ważniejsza niż sam wynik Shapiro-Wilka. # # ============================================================================ # D. JAK WYBRAĆ TEST? KRÓTKI SCHEMAT # ============================================================================ # # Jaką mam zmienną i o co pytam? # - Jedna zmienna liczbowa, badam jej rozkład -> Shapiro-Wilk + wykres Q-Q. # - Jedna zmienna liczbowa, badam średnią vs mu0 -> test t jednej próby. # - Dwie niezależne grupy, średnia liczbowa -> test Welcha. # - Dwa pomiary tych samych osób -> test t parowany, badaj RÓŻNICE. # - Trzy lub więcej grup -> ANOVA lub ANOVA Welcha; porównania post hoc. # - Dwie zmienne liczbowe -> korelacja Pearsona lub Spearmana. # - Dwie zmienne jakościowe -> chi-kwadrat lub Fisher. # - Dwa skośne niezależne rozkłady -> rozważ Manna-Whitneya, pamiętając, # że nie jest automatycznie testem różnicy median. # # W finansach szereg zwrotów może wykazywać autokorelację i zmienność # warunkową; zwykły test t na zwrotach NIE zawsze będzie wiarygodny. # Nasze symulacje celowo pomijają część takich problemów, żeby uczyć metody. # # ============================================================================ # E. JAK RAPORTOWAĆ WYNIK? # ============================================================================ # # W krótkiej odpowiedzi podaj: # 1. Co porównywano, ile było obserwacji i czy dane były niezależne/parowane. # 2. Jakie były H0 i H1 oraz jaki test zastosowano (i dlaczego). # 3. Wynik statystyki testowej, liczbę stopni swobody (jeśli dotyczy) i p. # 4. Decyzję względem ustalonego alfa oraz przedział ufności/wielkość efektu. # 5. Interpretację ekonomiczną i ograniczenia wnioskowania. # # PRZYKŁADOWA STRUKTURA WYPOWIEDZI: # 'Porównaliśmy średnie zwroty strategii A i B testem t Welcha. # Przy poziomie alfa = 0.05 uzyskane p [mniejsze/większe] od alfa # [pozwala/nie pozwala] odrzucić H0 o równości średnich. # Zaobserwowana różnica wynosi ... p.p., 95% CI: [.., ..].' # # ============================================================================ # F. ZADANIA ONLINE # ============================================================================ # # 1. Investopedia: wyjaśnienie czteroetapowej procedury (teoria) # https://www.investopedia.com/terms/h/hypothesistesting.asp # # 2. Introduction to Data Science with R: ćwiczenia z NHST, Shapiro-Wilka, # testów t, Wilcoxona, ANOVA i wyboru metody; zadania z rozwiązaniami # https://theoreticalecology.github.io/DataScienceInR/3A-Exercise.html # # 3. R-statistics.co: 25 ćwiczeń w R od testów t po korekty wielokrotnych # porównań; przed użyciem sprawdzaj samodzielnie rozwiązania i liczby, # ponieważ część wartości pokazanych na stronie bywa niespójna. # https://r-statistics.co/Hypothesis-Testing-Exercises-in-R.html # # 4. OpenIntro: testy średnich i przedziały ufności # https://agmath.github.io/OpenIntroCompanions/15_HTandCI_Numeric.html # # 5. OpenIntro: praktyka wnioskowania (testy, przedziały, proporcje) # https://agmath.github.io/OpenIntroCompanions/16a_InferencePractice_PartI.html # # 6. OpenIntro: ANOVA i porównania post hoc Tukeya # https://agmath.github.io/OpenIntroCompanions/18_ANOVA.html # # 7. Probability and Business Statistics: testy t - kurs biznesowy # https://schlosserpg.github.io/Stat/ttests.html # # 8. Probability and Business Statistics: ANOVA i korelacja # https://schlosserpg.github.io/Stat/anova.html # # 9. University of Manchester: gotowe laboratorium testowania hipotez w R # https://merman.its.manchester.ac.uk/stats/worksheets/practical2.html # # 10. OpenIntro Statistical Software Labs: laboratoria w R # https://www.openintro.org/book/statlabs/ # # 11. swirl: interaktywny kurs Statistical Inference w konsoli R # https://github.com/swirldev/swirl_courses # Opcjonalnie: install.packages("swirl"); library(swirl) # install_course("Statistical Inference"); swirl() # # 12. Introduction to Econometrics with R: testowanie hipotez w regresji # https://www.econometrics-with-r.org/7.7-exercises-7.html # # ============================================================================ # CZĘŚĆ PRAKTYCZNA # ============================================================================ if (!requireNamespace("ggplot2", quietly = TRUE)) { stop("Brak ggplot2. Zainstaluj: install.packages('ggplot2')") } library(ggplot2) alfa <- 0.05 interpretuj_p <- function(p, nazwa, alfa = 0.05) { cat("\n", nazwa, "\n", sep = "") cat("p =", format.pval(p, digits = 4), "\n") if (p < alfa) { cat("Wniosek: odrzucamy H0 przy alfa =", alfa, "\n") } else { cat("Wniosek: brak podstaw do odrzucenia H0 przy alfa =", alfa, "\n") } } kolor_granat <- "#213A57" kolor_niebieski <- "#247BA0" kolor_czerwony <- "#CA4D48" kolor_zielony <- "#25836B" kolor_fioletowy <- "#7561A5" motyw_zajec <- theme_minimal(base_size = 13) + theme( plot.title = element_text(face = "bold", size = 16, color = kolor_granat), plot.subtitle = element_text(size = 10.5, color = "#586779"), plot.caption = element_text(color = "#687381", hjust = 0), panel.grid.minor = element_blank(), panel.grid.major.x = element_blank(), legend.position = "bottom", legend.title = element_blank(), axis.title = element_text(face = "bold"), plot.title.position = "plot" ) # Funkcja interpretuj_p() sprowadza decyzję do jednej reguły, w rzeczywistości # decyzja zależy również od poprawności modelu i założeń testu. # Kolejność argumentów: p (wartość z próby), nazwa testu i próg alfa. # Kolory i motyw wizualny będziemy ponownie wykorzystywać we wszystkich wykresach. # --------------------------------------------------------------------------- # 0A. PIERWSZE KROKI W R: OD DANYCH DO WNIOSKU (PROSTA ROZGRZEWKA) # --------------------------------------------------------------------------- # Ten fragment można uruchomić jeszcze przed zaawansowanymi wykresami. # Jeśli znasz już podstawy R, potraktuj go jako przypomnienie. # # SKŁADNIA: # <- przypisuje wartość do zmiennej/obiektu. # c(...) tworzy wektor wartości. # mean(x) oblicza średnią; sd(x) odchylenie standardowe. # length(x) podaje liczbę elementów w wektorze. # f(x, ...) wywołuje funkcję z argumentami. # wynik$p.value wydobywa wartość p z obiektu z wynikami testu. # print(...) wypisuje wynik; cat(...) wypisuje prosty komunikat. # set.seed() ustala ziarno generatora liczb pseudolosowych: # dzięki temu każdy uruchamiający kod otrzyma te same symulowane dane. # # PROBLEM: czy średnia stopa zwrotu strategii różni się od zera? # H0: mu = 0; H1: mu != 0. Rozpatrujemy TEST DWUSTRONNY. # Użyjemy 40 niezależnych, symulowanych miesięcznych stóp zwrotu. set.seed(2027) zwroty_intro <- rnorm(n = 40, mean = 0.005, sd = 0.02) # Przygotowujemy jednopróbkowy test t. Argument mu = 0 definiuje H0. # alternative = "two.sided" wskazuje, że H1 dotyczy różnicy w obie strony. # Wynik jest obiektem zawierającym więcej niż samą wartość p. wynik_intro <- t.test(zwroty_intro, mu = 0, alternative = "two.sided", conf.level = 1 - alfa) print(wynik_intro) # Wyciągamy konkretne elementy wyniku testu do dalszych obliczeń. cat("Statystyka t:", unname(wynik_intro$statistic), "\n") cat("Wartość p:", wynik_intro$p.value, "\n") cat("Średnia próby (%):", unname(wynik_intro$estimate) * 100, "\n") cat("95% CI dla średniej (%):", wynik_intro$conf.int * 100, "\n") # Własna funkcja interpretuj_p() została zdefiniowana w sekcji 0. interpretuj_p(wynik_intro$p.value, "Rozgrzewka: średnia stopa zwrotu", alfa) # Najprostsza wizualizacja z ggplot2: histogram stóp zwrotu w procentach. # data.frame() tworzy tabelę, a aes() wskazuje zmienną na osi. dane_intro <- data.frame(zwrot_pct = zwroty_intro * 100) wykres_intro <- ggplot(dane_intro, aes(x = zwrot_pct)) + geom_histogram(bins = 12, fill = "#B4D6E0", color = "white") + geom_vline(xintercept = 0, color = kolor_czerwony, linewidth = 1, linetype = "dashed") + geom_vline(xintercept = mean(dane_intro$zwrot_pct), color = kolor_zielony, linewidth = 1) + labs(title = "Pierwszy test: czy średni zwrot różni się od zera?", x = "Miesięczna stopa zwrotu (%)", y = "Liczba obserwacji", caption = "Czerwona przerywana: 0% z H0. Zielona: średnia w próbie.") + motyw_zajec print(wykres_intro) # --------------------------------------------------------------------------- # 1. NORMALNOŚĆ ROZKŁADU — DANE, DIAGNOSTYKA, TEST SHAPIRO–WILKA # --------------------------------------------------------------------------- # H0: dane pochodzą z rozkładu normalnego (o nieznanej średniej i wariancji). # H1: dane nie pochodzą z rozkładu normalnego. # # DLACZEGO: klasyczne testy parametryczne miewają założenia o rozkładzie # pojedynczych obserwacji, różnic lub błędów. Nie każdy test wymaga jednak # normalności surowych danych; zależy to od konkretnego problemu i próby. # # Shapiro–Wilk nie potwierdza H0. Dla p >= alfa mamy wyłącznie brak # wystarczających danych, by ją odrzucić. W dużych próbach wykrywa nawet # drobne odstępstwa; w małych może ich nie wykrywać. # # Histogram z gęstością pokazuje kształt rozkładu. W Q–Q porównujemy # empiryczne i teoretyczne kwantyle: znaczne odchylenia od linii w ogonach # sugerują obserwacje ekstremalne lub grube ogony. # --------------------------------------------------------------------------- set.seed(2026) zwroty <- rnorm(n = 120, mean = 0.0008, sd = 0.012) dane_zwroty <- data.frame(zwrot_pct = zwroty * 100) srednia_pct <- mean(zwroty) * 100 cat("Średnia (%) =", round(srednia_pct, 3), "\n") cat("Odchylenie standardowe (%) =", round(sd(zwroty) * 100, 3), "\n") wykres_hist <- ggplot(dane_zwroty, aes(x = zwrot_pct)) + geom_histogram(aes(y = after_stat(density)), bins = 18, fill = "#B4D6E0", color = "white", linewidth = 0.6) + geom_density(color = kolor_granat, linewidth = 1.15) + geom_vline(xintercept = srednia_pct, color = kolor_czerwony, linewidth = 1.15, linetype = "dashed") + labs( title = "Jak rozkładają się dzienne stopy zwrotu?", subtitle = "Histogram i estymowana gęstość | 120 symulowanych sesji", x = "Dzienna stopa zwrotu (%)", y = "Gęstość", caption = "Czerwona linia przerywana: średnia z próby. Histogram nie dowodzi normalności." ) + motyw_zajec print(wykres_hist) wynik_shapiro <- shapiro.test(zwroty) print(wynik_shapiro) interpretuj_p(wynik_shapiro$p.value, "Shapiro–Wilk") wykres_qq <- ggplot(dane_zwroty, aes(sample = zwrot_pct)) + geom_qq(color = kolor_niebieski, size = 2, alpha = 0.8) + geom_qq_line(color = kolor_czerwony, linewidth = 1.1) + labs( title = "Czy dane przypominają rozkład normalny?", subtitle = paste0("Wykres Q–Q | Shapiro–Wilk: p = ", signif(wynik_shapiro$p.value, 3)), x = "Kwantyle teoretyczne rozkładu normalnego", y = "Kwantyle empiryczne stóp zwrotu (%)", caption = "Punkty blisko linii sugerują zgodność; odchylenia w ogonach wskazują na obserwacje skrajne." ) + motyw_zajec print(wykres_qq) zwroty_z_ekstremami <- c(zwroty, 0.09, -0.075) wynik_shapiro_skrajne <- shapiro.test(zwroty_z_ekstremami) print(wynik_shapiro_skrajne) wykres_qq_skrajne <- ggplot( data.frame(zwrot_pct = zwroty_z_ekstremami * 100), aes(sample = zwrot_pct) ) + geom_qq(color = kolor_fioletowy, size = 2, alpha = 0.8) + geom_qq_line(color = kolor_czerwony, linewidth = 1.1) + labs( title = "Co się dzieje po dodaniu wartości ekstremalnych?", subtitle = paste0("Ta sama próba + 2 skrajne dni | Shapiro–Wilk: p = ", signif(wynik_shapiro_skrajne$p.value, 3)), x = "Kwantyle teoretyczne rozkładu normalnego", y = "Kwantyle empiryczne stóp zwrotu (%)", caption = "Porównaj z poprzednim Q–Q: przyjrzyj się zwłaszcza końcom rozkładu." ) + motyw_zajec print(wykres_qq_skrajne) # Dodanie skrajnych obserwacji jest kontrolowanym eksperymentem. # Nie usuwaj skrajnych obserwacji tylko po to, aby uzyskać p > alfa: # taki dobór danych zmienia pytanie badawcze i może zniekształcić wnioski. # --------------------------------------------------------------------------- # 2. NOWA POJEDYNCZA OBSERWACJA a HISTORIA — TEST PREDYKCYJNY # --------------------------------------------------------------------------- # H0 (interpretacja predykcyjna): nowy wynik i dane historyczne są # niezależnymi obserwacjami tego samego rozkładu normalnego N(μ, σ²). # H1: nowy wynik jest nietypowy względem tego modelu (test dwustronny). # # UWAGA METODOLOGICZNA: nie jest to zwykły test t jednej próby! # Test średniej dotyczy μ, natomiast tutaj chcemy ocenić JEDEN nowy wynik. # Dla n historycznych obserwacji, których nowa obserwacja NIE jest częścią: # t_pred = (x_nowy - średnia_hist) / [s_hist * sqrt(1 + 1/n)]. # Pod H0 t_pred ma rozkład t z n-1 stopniami swobody. # Czynnik sqrt(1 + 1/n) uwzględnia zmienność nowej obserwacji ORAZ # niepewność oszacowania średniej historycznej. # # 95% przedział PREDYKCJI dla pojedynczego nowego wyniku to # średnia_hist ± t_(0.975,n-1) * s_hist * sqrt(1 + 1/n). # Dla danych finansowych założenia niezależności, normalności i stałości # parametrów są często niedoskonałe — traktujemy przykład szkoleniowo. # --------------------------------------------------------------------------- nowy_zwrot <- 0.055 n <- length(zwroty) mu_hist <- mean(zwroty) s_hist <- sd(zwroty) se_pred <- s_hist * sqrt(1 + 1/n) t_pred <- (nowy_zwrot - mu_hist) / se_pred p_pred <- 2 * pt(-abs(t_pred), df = n - 1) t_kryt <- qt(1 - alfa/2, df = n - 1) granica_dolna <- mu_hist - t_kryt * se_pred granica_gorna <- mu_hist + t_kryt * se_pred cat("Nowa stopa zwrotu (%) =", nowy_zwrot * 100, "\n") cat("Statystyka predykcyjna t =", round(t_pred, 3), "\n") cat("95% przedział predykcji (%) = [", round(granica_dolna * 100, 3), ";", round(granica_gorna * 100, 3), "]\n") interpretuj_p(p_pred, "Pojedynczy nowy dzień vs historia") linie_pred <- data.frame( x = c(mu_hist, granica_dolna, granica_gorna, nowy_zwrot) * 100, rodzaj = factor( c("Średnia historyczna", "Granica 95% predykcji", "Granica 95% predykcji", "Nowa obserwacja"), levels = c("Średnia historyczna", "Granica 95% predykcji", "Nowa obserwacja") ) ) wykres_nowego_dnia <- ggplot(dane_zwroty, aes(x = zwrot_pct)) + annotate("rect", xmin = granica_dolna * 100, xmax = granica_gorna * 100, ymin = -Inf, ymax = Inf, fill = kolor_zielony, alpha = 0.10) + geom_histogram(bins = 19, fill = "#B5CBD9", color = "white", linewidth = 0.5) + geom_vline(data = linie_pred, aes(xintercept = x, color = rodzaj, linetype = rodzaj), linewidth = 1.1, show.legend = TRUE, inherit.aes = FALSE) + scale_color_manual(values = c( "Średnia historyczna" = kolor_granat, "Granica 95% predykcji" = kolor_zielony, "Nowa obserwacja" = kolor_czerwony )) + scale_linetype_manual(values = c( "Średnia historyczna" = "solid", "Granica 95% predykcji" = "dashed", "Nowa obserwacja" = "solid" )) + labs( title = "Czy nowy zwrot +5,5% jest nietypowy?", subtitle = paste0("Historyczne sesje + przedział predykcji | p = ", signif(p_pred, 3)), x = "Dzienna stopa zwrotu (%)", y = "Liczba sesji", caption = "Zielony obszar: 95% przedział predykcji. Czerwona linia: NOWA obserwacja." ) + motyw_zajec print(wykres_nowego_dnia) siatka_pct <- seq( min(granica_dolna * 100 - 2, nowy_zwrot * 100 - 0.5), max(granica_gorna * 100 + 2, nowy_zwrot * 100 + 0.5), length.out = 1401 ) pred_dane <- data.frame( zwrot_pct = siatka_pct, gestosc = dt((siatka_pct / 100 - mu_hist) / se_pred, df = n - 1) / (se_pred * 100) ) lewy_ogon <- subset(pred_dane, zwrot_pct <= granica_dolna * 100) prawy_ogon <- subset(pred_dane, zwrot_pct >= granica_gorna * 100) wykres_ogonow <- ggplot(pred_dane, aes(x = zwrot_pct, y = gestosc)) + geom_area(data = lewy_ogon, fill = kolor_czerwony, alpha = 0.25) + geom_area(data = prawy_ogon, fill = kolor_czerwony, alpha = 0.25) + geom_line(color = kolor_granat, linewidth = 1.2) + geom_vline(xintercept = c(granica_dolna, granica_gorna) * 100, color = kolor_zielony, linetype = "dashed", linewidth = 1) + geom_vline(xintercept = nowy_zwrot * 100, color = kolor_czerwony, linewidth = 1.2) + labs( title = "Co oznacza 5% w teście dwustronnym?", subtitle = "Rozkład predykcyjny nowego dnia przy prawdziwej H0", x = "Nowa dzienna stopa zwrotu (%)", y = "Gęstość predykcyjna", caption = "Czerwone ogony mają łącznie 5% pola. Wartość p dotyczy ogonów co najmniej tak skrajnych jak obserwacja." ) + motyw_zajec print(wykres_ogonow) # --------------------------------------------------------------------------- # 3. TEST t STUDENTA DLA JEDNEJ PRÓBY — BADANIE ŚREDNIEJ # DALSZA PRAKTYKA: ćwiczenia 1.1-1.4 z materiału: # https://r-statistics.co/Hypothesis-Testing-Exercises-in-R.html # --------------------------------------------------------------------------- # H0: μ = 0; H1: μ ≠ 0 (test dwustronny). # Testujemy oczekiwaną dzienną stopę zwrotu, a nie nowy pojedynczy dzień. # STATYSTYKA: t = (x_bar - 0) / (s/sqrt(n)); przy H0: t_(n-1). # --------------------------------------------------------------------------- wynik_t_jedna <- t.test(zwroty, mu = 0, alternative = "two.sided", conf.level = 1 - alfa) print(wynik_t_jedna) interpretuj_p(wynik_t_jedna$p.value, "Test t: średnia stopa zwrotu vs zero") przedzialy <- data.frame( typ = factor( c("95% przedział predykcji — jedna nowa sesja", "95% przedział ufności — średnia"), levels = c("95% przedział predykcji — jedna nowa sesja", "95% przedział ufności — średnia") ), dol = c(granica_dolna, wynik_t_jedna$conf.int[1]) * 100, gora = c(granica_gorna, wynik_t_jedna$conf.int[2]) * 100, srodek = c(mu_hist, mu_hist) * 100 ) wykres_przedzialow <- ggplot(przedzialy, aes(y = typ)) + geom_vline(xintercept = 0, linetype = "dotted", color = "#778694") + geom_segment(aes(x = dol, xend = gora, yend = typ, color = typ), linewidth = 3.2, lineend = "round") + geom_point(aes(x = srodek), color = kolor_granat, size = 3) + scale_color_manual(values = c( "95% przedział predykcji — jedna nowa sesja" = kolor_zielony, "95% przedział ufności — średnia" = kolor_niebieski )) + guides(color = "none") + labs( title = "To NIE są te same przedziały!", subtitle = "Niepewność średniej vs zmienność jednej przyszłej obserwacji", x = "Dzienna stopa zwrotu (%)", y = NULL, caption = "Punkt: średnia historyczna; kreska pionowa przy 0%: hipotetyczna średnia z H0." ) + motyw_zajec + theme(axis.text.y = element_text(size = 11)) print(wykres_przedzialow) # --------------------------------------------------------------------------- # 4. TEST t WELCHA — DWIE NIEZALEŻNE PRÓBY # ŹRÓDŁO UZUPEŁNIAJĄCE: testy t w statystyce biznesowej: # https://schlosserpg.github.io/Stat/ttests.html # --------------------------------------------------------------------------- # H0: μ_A = μ_B; H1: μ_A ≠ μ_B. # Pytanie: czy dwie strategie różnią się przeciętną MIESIĘCZNĄ stopą zwrotu? # Test Welcha nie zakłada równości wariancji w populacjach. # Warunki: niezależność obserwacji wewnątrz grup i między grupami; # normalność (lub wystarczająca odporność aproksymacji) dla średnich. # # Na violin plot widać przybliżony kształt rozkładu; boxplot pokazuje # medianę, kwartyle i typowy zakres, zaś biały romb — średnią. # Pamiętaj: istotność NIE mierzy wielkości ani sensowności ekonomicznej różnicy. # --------------------------------------------------------------------------- set.seed(303) strategia_A <- rnorm(55, mean = 0.008, sd = 0.025) strategia_B <- rnorm(50, mean = 0.022, sd = 0.028) wynik_welcha <- t.test(strategia_A, strategia_B, alternative = "two.sided", var.equal = FALSE) print(wynik_welcha) interpretuj_p(wynik_welcha$p.value, "Welch: średnie A i B") dane_strategii <- data.frame( strategia = factor(c(rep("A", length(strategia_A)), rep("B", length(strategia_B)))), zwrot_pct = c(strategia_A, strategia_B) * 100 ) wykres_welcha <- ggplot(dane_strategii, aes(x = strategia, y = zwrot_pct, fill = strategia)) + geom_violin(width = 0.8, alpha = 0.25, color = NA, trim = FALSE) + geom_boxplot(width = 0.20, alpha = 0.65, outlier.shape = NA, color = kolor_granat) + geom_jitter(width = 0.11, alpha = 0.55, size = 1.6, color = kolor_granat) + stat_summary(fun = mean, geom = "point", shape = 23, size = 4, fill = "white", color = kolor_czerwony) + scale_fill_manual(values = c("A" = "#68B6D1", "B" = "#88C6B1")) + guides(fill = "none") + labs( title = "Czy strategie A i B mają różne średnie?", subtitle = paste0("Test t Welcha | p = ", signif(wynik_welcha$p.value, 3)), x = "Strategia", y = "Miesięczna stopa zwrotu (%)", caption = "Biały romb: średnia. Pudełko: mediana i kwartyle. Każda kropka: obserwacja." ) + motyw_zajec print(wykres_welcha) # --------------------------------------------------------------------------- # 5. TEST NIEPARAMETRYCZNY MANNA–WHITNEYA (NOWE) # DODATKOWY MATERIAŁ: zadania z testów nieparametrycznych: # https://theoreticalecology.github.io/DataScienceInR/3A-Exercise.html # --------------------------------------------------------------------------- # Pytanie: czy dwie niezależne grupy mają różne rozkłady wyników? # H0 w ujęciu klasycznym: rozkłady obu populacji są jednakowe. # H1: rozkłady różnią się (test dwustronny). # Używany często, gdy zmienna jest porządkowa albo rozkłady są mocno skośne. # Uwaga: przy dużych różnicach kształtu test może wychwycić coś innego niż # przesunięcie centralnej tendencji. Wykres pomoże ocenić sytuację. # --------------------------------------------------------------------------- set.seed(909) oplata_A <- rgamma(75, shape = 2.2, scale = 12) oplata_B <- rgamma(70, shape = 2.2, scale = 15) wynik_mw <- wilcox.test(oplata_A, oplata_B, alternative = "two.sided", exact = FALSE) print(wynik_mw) interpretuj_p(wynik_mw$p.value, "Mann–Whitney: rozkłady opłat") dane_mw <- data.frame( grupa = factor(c(rep("A", length(oplata_A)), rep("B", length(oplata_B)))), oplata = c(oplata_A, oplata_B) ) wykres_mw <- ggplot(dane_mw, aes(x = grupa, y = oplata, fill = grupa)) + geom_violin(alpha = 0.32, trim = FALSE, color = "#213A57") + geom_boxplot(width = 0.22, alpha = 0.75, outlier.shape = NA, color = "#213A57") + geom_jitter(width = 0.12, alpha = 0.40, size = 1.25, color = kolor_granat) + scale_fill_manual(values = c("A" = "#80B3D1", "B" = "#89C3B2")) + guides(fill = "none") + labs(title = "Dwa skośne rozkłady: dlaczego test rangowy?", subtitle = paste0("Mann–Whitney: p = ", signif(wynik_mw$p.value, 3)), x = "Grupa", y = "Opłata (jednostki umowne)", caption = "Wniosek dotyczy rozkładów/rang; nie utożsamiaj go bezwarunkowo z testem median.") + motyw_zajec print(wykres_mw)