Statystyka · Marketing

Porównanie rok do roku – dzień tygodnia, ruchome święta i dni handlowe

Fikcyjna sieć 20 kwiaciarni: marzec 2025 „spada” o 5.7%, kwiecień „rośnie” o 10.5%, choć wzrost bazowy w każdym miesiącu jest ten sam. Kalendarz dwóch lat, regresja z efektami dnia tygodnia, świąt i dni zamknięcia, porównanie z dniem sprzed 52 tygodni i rozkład marcowego spadku na części – pięć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Porównanie rok do roku
W skrócie: Porównanie miesiąca z tym samym miesiącem rok wcześniej miesza zmianę w biznesie ze zmianą w kalendarzu: inną liczbą piątków i niedziel, Wielkanocą w innym miesiącu, świętem w sobotę zamiast w piątek i inną liczbą dni otwartych. W przykładzie sieci kwiaciarni surowa zmiana w marcu wyniosła −5.7%, a po wyrównaniu regresją z efektami kalendarza +1.7%, 95% CI [−5.0, 8.8]; przesunięta Wielkanoc odpowiadała za −8.1 punktu. Raportuj zmianę surową i wyrównaną obok siebie, a cele roczne stawiaj na wyrównanej (tu +4.49% [2.39, 6.62]).

Przykład: 20 kwiaciarni i „marzec do marca”

Fikcyjna sieć 20 kwiaciarni w galeriach handlowych co miesiąc wysyła zarządowi jedną liczbę: zmianę procentową sprzedaży wobec tego samego miesiąca rok wcześniej. W kwietniu 2025 roku raport mówi: marzec −5.7%. Miesiąc później: kwiecień +10.5%. Zarząd pyta: co się stało w marcu i co naprawiło się w kwietniu?

Odpowiedź: prawie nic, poza kalendarzem. Wielkanoc 2024 wypadła 31 marca, a Wielkanoc 2025 – 20 kwietnia, więc najlepszy tydzień przed świętami „przeszedł” z marca do kwietnia. Dzień Kobiet w 2024 roku był w piątek, w 2025 – w sobotę. Marzec 2024 miał pięć piątków, marzec 2025 – cztery. Takie porównanie rok do roku miesza zmianę w biznesie ze zmianą w kalendarzu.

Dane to dzienna sprzedaż całej sieci (tys. zł) od 1 stycznia 2023 do 31 grudnia 2025 roku – szereg czasowy 1096 dni. Wszystkie 20 sklepów działało przez cały okres. Sieć sama ustaliła dni zamknięte: 1 i 6 stycznia, Niedziela i Poniedziałek Wielkanocny, Boże Ciało, 15 sierpnia, 25–26 grudnia, a od 2025 roku także 24 grudnia. W pozostałe dni sklepy są otwarte, także w niedziele.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Ręcznie ustaliliśmy: poziom 38 tys. zł w zwykły poniedziałek stycznia 2023, wzrost bazowy 0.04 w skali logarytmu rocznie (czyli +4.1% rok do roku w każdym miesiącu), sezonowość miesięcy, efekty dni tygodnia (piątek +0.25, sobota +0.32, niedziela −0.25 wobec poniedziałku), efekty świąt (np. Walentynki +1.1, Dzień Kobiet +0.9, Wielka Sobota +0.6; dzień prezentowy w weekend −0.4, a piątek przed nim +0.45) i szum dnia z autokorelacją 0.5 (pogoda, ruch w galerii). Ziarno 688 ustalono raz i nie zmieniano. Po pierwszym uruchomieniu nie zmienialiśmy parametrów danych; zmieniliśmy sposób liczenia przedziałów ufności (opis przy rysunku 3) i poprawiliśmy wygląd rysunków. Dane pobierzesz jako rok-do-roku-kwiaciarnie-sprzedaz-dzienna.csv (wiersz = dzień).

Wpis nie powtarza prognozy sprzedaży z sezonowością i świętami: tam celem była przyszłość, tu – uczciwe porównanie przeszłości.

Rysunek 1: dwa kalendarze tego samego miesiąca

Cztery siatki kalendarza: marzec i kwiecień 2024 oraz 2025. Marzec 2024 ma 30 dni otwartych, w tym 5 piątków i 5 sobót; Dzień Kobiet 8 marca w piątek, Niedziela Palmowa 24 marca, cały tydzień przed Wielkanocą na niebiesko i zamknięta Wielkanoc 31 marca. Marzec 2025 ma 31 dni otwartych, 4 piątki i 5 niedziel, Dzień Kobiet w sobotę i żadnego dnia przedświątecznego. Kwiecień 2024 zaczyna się zamkniętym Poniedziałkiem Wielkanocnym, a kwiecień 2025 zawiera cały tydzień przed Wielkanocą i dwa dni zamknięte 20 i 21 kwietnia
Rysunek 1. Kalendarz marca i kwietnia w latach 2024 i 2025 w fikcyjnej sieci kwiaciarni: dni otwarte, piątki i soboty, Dzień Kobiet, tydzień przed Wielkanocą i dni zamknięte. Obliczenia: R, pakiet ggplot2.

Co widać. W 2024 roku cały tydzień przed Wielkanocą – od Niedzieli Palmowej do Wielkiej Soboty – leży w marcu. W 2025 roku leży w kwietniu. Marzec 2025 ma o jeden dzień otwarty więcej (31 wobec 30), bo Wielkanoc 2024 zamknęła sklepy 31 marca. Ma też inny skład tygodnia: 4 piątki zamiast 5 i 5 niedziel zamiast 4. Kwiecień 2025 ma 28 dni otwartych, kwiecień 2024 – 29.

Jak może zmylić. Schemat nie mówi, ile każda różnica kosztuje. Piątek jest dla kwiaciarni dobrym dniem, niedziela słabym, ale „o ile” trzeba oszacować z danych. Do tego służy model (rysunek 3).

Podpis do pracy:

Rysunek 1. Układ kalendarza w marcu i kwietniu 2024 oraz 2025 roku. Uwaga. Zaznaczono dni zamknięte, piątki i soboty, Dzień Kobiet oraz dni od Niedzieli Palmowej do Wielkiej Soboty; w tytułach paneli podano liczbę dni otwartych oraz liczbę piątków, sobót i niedziel.

Rysunek 2: luty–maj dzień po dniu

Dwa panele słupków dziennej sprzedaży od 1 lutego do 31 maja, 2024 nad 2025. Zwykłe dni około 30–60 tys. zł. W 2024: Walentynki w środę 125 tys. zł, Dzień Kobiet w piątek 136 tys. zł, Wielka Sobota 30 marca 116 tys. zł i dwa dni zamknięte na przełomie marca i kwietnia. W 2025: Walentynki w piątek 170 tys. zł, Dzień Kobiet w sobotę 93 tys. zł obok piątku 93 tys. zł, Wielka Sobota 19 kwietnia 111 tys. zł, Dzień Matki w poniedziałek 139 tys. zł
Rysunek 2. Dzienna sprzedaż 20 kwiaciarni od lutego do maja 2024 i 2025 roku. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(688)).

Co widać. Zwykły dzień od lutego do maja (bez świąt i dni przed nimi) daje średnio 46.6 tys. zł w 2024 i 48.8 tys. zł w 2025 roku. Szczyty stoją jednak w innych miejscach. Dzień Kobiet w piątek 2024 przyniósł 136.0 tys. zł, a czwartek przed nim 54.1 tys. zł. W 2025 roku sprzedaż rozłożyła się na dwa dni: piątek 7 marca 93.4 i sobotę 8 marca 92.9 tys. zł. Walentynki w piątek 2025 dały 170.4 tys. zł wobec 125.0 tys. zł w środę rok wcześniej. Surowe sumy miesięcy: luty +5.5%, marzec −5.7%, kwiecień +10.5%, maj +10.4%.

Jak może zmylić. Maj 2025 też ma „premię” kalendarza: Dzień Matki w poniedziałek zamiast w niedzielę, a Boże Ciało (30 maja 2024) zamknęło sklepy w maju 2024, a w 2025 roku dopiero w czerwcu. Pojedynczy dzień ma też losowe wahania, które na wykresie wyglądają jak „wydarzenia”.

Podpis do pracy:

Rysunek 2. Dzienna sprzedaż sieci 20 kwiaciarni (tys. zł) od 1 lutego do 31 maja 2024 i 2025 roku. Uwaga. Wyróżniono dni prezentowe (Walentynki, Dzień Kobiet, Dzień Matki) i dni przed nimi, tydzień przed Wielkanocą oraz dni zamknięte. Dane fikcyjne.

Rysunek 3: regresja z efektami kalendarza

Pomysł jest stary: zmienność kalendarzową opisuje się regresją, a resztę – modelem szeregu czasowego (Bell i Hillmer, 1983). Dla każdego otwartego dnia piszemy:

ln(sprzedażdzień) = miesiącrok + dzień tygodnia + święta + błąd (AR(1))

To regresja wieloraka na logarytmie sprzedaży, więc efekty są mnożnikami: exp(b) = 1.29 znaczy „o 29% więcej”. Miesiącrok to 36 osobnych poziomów (od stycznia 2023 do grudnia 2025) – sprzedaż typowego dnia w danym miesiącu po odjęciu kalendarza. Dzień tygodnia i święta to zmienne zero-jedynkowe, a „dzień prezentowy w weekend” to interakcja święta z weekendem. Lovell (1963) porównuje taki model ze zmiennymi zero-jedynkowymi na danych surowych z regresją na danych wcześniej odsezonowanych. Dni zamknięte wchodzą do modelu jako braki danych.

Dlaczego AR(1). Zwykła regresja (lm) dopasowała się dobrze (R² = .910), ale autokorelacja reszt wyniosła .48 dla sąsiednich dni: deszczowy tydzień to kilka słabych dni z rzędu. Najpierw policzyliśmy przedziały z błędami Neweya–Westa (Newey i West, 1987) – w takim ustawieniu prawda wpadła tylko do 19 z 25 przedziałów, bo błędy te źle radzą sobie ze zmiennymi, które są równe 1 przez trzy dni w ciągu trzech lat. Dlatego zmieniliśmy metodę na regresję z błędami AR(1) (arima() z regresorami). Oszacowana autokorelacja błędu to 0.504 (SE = 0.027).

Wykres współczynników w dwóch panelach na logarytmicznej osi mnożnika. A: dni tygodnia wobec poniedziałku od niedzieli 0.78 do soboty 1.37, piątek 1.29. B: święta – Walentynki 3.07, Dzień Matki 2.87, Dzień Kobiet 2.45, 31 października 2.42, Wielka Sobota 1.85, koniec roku szkolnego 1.76, Dzień Nauczyciela 1.58, piątek przed weekendowym dniem prezentowym 1.51, Wielki Piątek 1.42, Niedziela Palmowa 1.41, dzień przed dniem prezentowym 1.18, Wielki Tydzień 1.18 oraz dzień prezentowy w weekend 0.68. Prawdziwe wartości leżą w przedziałach
Rysunek 3. Mnożniki sprzedaży dnia z regresji z efektami kalendarza i błędami AR(1): dzień tygodnia (A) oraz święta i dni wokół nich (B). Obliczenia: R, pakiety stats, ggplot2 i patchwork (dane fikcyjne, set.seed(688)).

Co widać. Ten wykres współczynników pokazuje, że piątek sprzedaje 1.29 razy tyle co poniedziałek, 95% CI [1.26, 1.31], a niedziela 0.78 razy tyle [0.77, 0.79]. Walentynki mnożą sprzedaż przez 3.07 [2.85, 3.29], Dzień Kobiet przez 2.45 [2.27, 2.65], Wielka Sobota przez 1.85 [1.69, 2.03]. Gdy dzień prezentowy wypada w weekend, jego efekt spada (mnożnik 0.68 [0.62, 0.75]), a piątek przed nim rośnie (1.51 [1.40, 1.63]). Prawda leży w 24 z 25 przedziałów (poza nim jest tylko Dzień Babci).

Jak może zmylić. W trzech latach dzień prezentowy wypadł w weekend tylko trzy razy, tak samo trzy razy był piątek przed nim. Efekt „święto w weekend” opiera się więc na trzech dniach i zakłada, że działa tak samo dla każdego święta. Przedziały są poprawne tylko, jeśli model kalendarza jest dobrze zapisany – tu wiemy, że jest, bo sami ukryliśmy te efekty.

Podpis do pracy:

Rysunek 3. Efekty kalendarza w regresji logarytmu dziennej sprzedaży z błędami AR(1): mnożniki sprzedaży dla dni tygodnia względem poniedziałku (A) oraz świąt i dni z nimi związanych (B). Uwaga. N = 1071 dni otwartych. Punkty – oszacowania exp(b); odcinki – 95% przedziały ufności; model zawiera także 36 efektów miesiąca kalendarzowego.

Zdanie do Wyników:

Sprzedaż w piątki była 1.29 razy wyższa niż w poniedziałki (95% CI [1.26, 1.31]), a w niedziele 0.78 razy niższa (95% CI [0.77, 0.79]). Walentynki zwiększały dzienną sprzedaż 3.07-krotnie (95% CI [2.85, 3.29]), a Dzień Kobiet 2.45-krotnie (95% CI [2.27, 2.65]); dzień prezentowy przypadający w weekend miał efekt mniejszy o 32% (mnożnik 0.68, 95% CI [0.62, 0.75]). Autokorelacja błędu z dnia na dzień wyniosła 0.50.

Rysunek 4: surowa, „ten sam dzień tygodnia” i wyrównana zmiana

Teraz trzy sposoby liczenia zmiany rok do roku dla każdego miesiąca 2025 roku. Surowa: suma miesiąca do sumy tego samego miesiąca w 2024. Ten sam dzień tygodnia: każdy dzień porównujemy z dniem sprzed 364 dni (52 tygodni), więc środa ze środą. Wyrównana: różnica efektów miesiąca z modelu, exp(b2025 − b2024) − 1, z przedziałem ufności. Prawda ukryta w danych to +4.1% w każdym miesiącu.

Dla 12 miesięcy 2025 roku trzy znaczniki zmiany wobec 2024 i przerywana linia prawdy +4.1%. Surowa zmiana skacze od −5.7% w marcu do +13.8% w styczniu i +10.5% w kwietniu. Porównanie z dniem sprzed 364 dni: od −2.4% w marcu do +11.3% w listopadzie. Wyrównana zmiana z modelu leży bliżej linii prawdy, np. marzec +1.7% z przedziałem od −5.0% do 8.8% i kwiecień +3.1%; przedziały mają szerokość około 14 punktów procentowych
Rysunek 4. Zmiana sprzedaży w poszczególnych miesiącach 2025 roku wobec 2024 roku liczona trzema sposobami. Obliczenia: R, pakiety stats i ggplot2 (dane fikcyjne, set.seed(688)).

Co widać. Surowa zmiana w marcu to −5.7%, w kwietniu +10.5%. Wyrównana: marzec +1.7%, 95% CI [−5.0, 8.8], kwiecień +3.1% [−3.8, 10.5] – obie zgodne ze stałym wzrostem. „Ten sam dzień tygodnia” naprawia skład tygodnia, ale nie Wielkanoc (marzec −2.4%) i psuje święta o stałej dacie: 1 listopada 2025 (sobota, duży dzień) porównuje z 2 listopada 2024 (zwykła sobota), stąd listopad +11.3%. Średni błąd bezwzględny wobec prawdy w 12 miesiącach: surowa 4.5, „ten sam dzień tygodnia” 4.4, wyrównana 2.6 punktu procentowego.

Jak może zmylić. Wyrównana zmiana też ma szum: przedziały pojedynczych miesięcy mają szerokość ok. 14 punktów procentowych, a w styczniu (+10.7% [3.5, 18.5]) prawda wypadła poza przedział – przy 12 przedziałach 95% to nic dziwnego. Pojedynczy miesiąc to mało danych. Cały rok jest stabilniejszy: surowo +4.17%, po wyrównaniu +4.49%, 95% CI [2.39, 6.62] (prawda +4.08%). Zwykła regresja bez AR(1) dałaby błąd standardowy rocznej zmiany 1.68 razy za mały (0.0061 wobec 0.0103).

Podpis do pracy:

Rysunek 4. Zmiana sprzedaży w miesiącach 2025 roku względem tych samych miesięcy 2024 roku: surowa (suma miesiąca), względem dni sprzed 52 tygodni oraz wyrównana o efekty kalendarza z regresji z błędami AR(1). Uwaga. Odcinki – 95% przedziały ufności zmiany wyrównanej; linia przerywana – zmiana bazowa ustalona w danych fikcyjnych.

Zdanie do Wyników:

Surowa sprzedaż w marcu 2025 roku była o 5.7% niższa niż w marcu 2024 roku, a w kwietniu o 10.5% wyższa. Po uwzględnieniu dnia tygodnia, dni zamknięcia i świąt zmiana wyniosła odpowiednio +1.7% (95% CI [−5.0, 8.8]) i +3.1% (95% CI [−3.8, 10.5]). W skali całego roku sprzedaż wyrównana o efekty kalendarza wzrosła o 4.49% (95% CI [2.39, 6.62]).

Rysunek 5: z czego składa się spadek w marcu

Zarząd chce jednego obrazka: ile z −5.7% to kalendarz. Model pozwala rozłożyć różnicę na części. Włączamy po kolei: liczbę dni otwartych, dzień tygodnia, tydzień przed Wielkanocą i Dzień Kobiet, a na końcu zmianę bazową. To, co zostaje, to szum pojedynczych dni.

Wykres wodospadowy zmiany marca 2025 wobec marca 2024 w punktach logarytmicznych: dni otwarte +3.3, skład dni tygodnia −1.8, tydzień przed Wielkanocą −8.1, Dzień Kobiet w sobotę 0.0, zmiana bazowa +1.7, szum dnia −0.9; razem −5.9, czyli −5.7%
Rysunek 5. Rozkład surowej zmiany sprzedaży w marcu 2025 roku wobec marca 2024 roku na części kalendarza, zmianę bazową i szum. Obliczenia: R, pakiety stats i ggplot2 (dane fikcyjne, set.seed(688)).

Co widać. W tym wykresie wodospadowym dodatkowy dzień otwarty dodał +3.3 punktu, skład tygodnia (jeden piątek mniej, niedziela więcej) zabrał −1.8, a przesunięta Wielkanoc −8.1. Dzień Kobiet w sobotę dał 0.0: szczyt nie zniknął, tylko rozlał się na piątek i sobotę. Zmiana bazowa to +1.7, szum −0.9. Razem −5.9 punktu logarytmicznego, czyli −5.7%.

Jak może zmylić. Części liczone są w skali logarytmu i sumują się dokładnie, ale procenty już nie. Kolejność włączania części trochę zmienia ich wielkość (podobnie jak w rozkładzie zmiany przychodu na cenę, ilość i mieszankę w porównaniu sklepów like-for-like). Napisz, w jakiej kolejności liczyłeś.

Podpis do pracy:

Rysunek 5. Rozkład różnicy sprzedaży między marcem 2025 a marcem 2024 roku na wkład liczby dni otwartych, składu dni tygodnia, tygodnia przed Wielkanocą, Dnia Kobiet, zmiany bazowej i składnika losowego. Uwaga. Wkłady w punktach logarytmicznych × 100; części kalendarza włączano kolejno w podanej kolejności, z efektami oszacowanymi w regresji z błędami AR(1).

Co z tym zrobić w marketingu

  • Nie oceniaj kampanii po surowym r/r miesiąca. Spadek o 5.7% w marcu nie był problemem do rozwiązania, a wzrost o 10.5% w kwietniu – sukcesem do nagrodzenia. Nagradzanie za kalendarz działa jak nagradzanie za szczęście, opisane we wpisie o kampanii miesiąca i regresji do średniej.
  • Raportuj trzy liczby obok siebie: surową zmianę, zmianę wyrównaną z przedziałem i listę różnic kalendarza („Wielkanoc w kwietniu, Dzień Kobiet w sobotę, jeden piątek mniej”).
  • Porównuj sezony świąteczne, nie miesiące. Dla Wielkanocy zestaw „14 dni przed Wielkanocą” z tym samym okresem rok wcześniej – niezależnie od miesiąca.
  • Planuj zapasy i obsadę pod kalendarz. Dzień prezentowy w sobotę przesuwa zakupy na piątek (mnożnik 1.51), a w dzień roboczy daje jeden wysoki szczyt.
  • Cele roczne stawiaj na wyrównanym wzroście. Rok 2025 urósł o 4.49% [2.39, 6.62] – to uczciwa baza do planu na 2026.

Gdy pytanie brzmi „czy wczorajszy dzień był dziwny?”, użyj karty kontrolnej dla KPI z tym samym modelem dnia tygodnia. Przegląd metod do prac z tej dziedziny znajdziesz w tekście statystyka w pracy z marketingu.

Jak opisać w pracy

W Metodzie opisz dane, zmienne kalendarza (z regułą dla świąt w weekend), postać modelu i sposób liczenia niepewności. W Wynikach podaj surową i wyrównaną zmianę obok siebie.

Metoda. Analizowano dzienną sprzedaż sieci 20 kwiaciarni od 1 stycznia 2023 do 31 grudnia 2025 roku (1071 dni otwartych). Logarytm sprzedaży modelowano regresją z błędami AR(1), w której predyktorami były: efekty miesiąca kalendarzowego (36 poziomów), dzień tygodnia oraz zmienne zero-jedynkowe dla świąt i dni z nimi związanych (Walentynki, Dzień Kobiet, Dzień Matki, Dzień Nauczyciela, dzień przed nimi, interakcja z weekendem, piątek przed świętem przypadającym w weekend, dni przed Wielkanocą, dni przed 1 listopada i przed Bożym Narodzeniem). Dni zamknięcia potraktowano jako braki danych. Zmianę rok do roku wyrównaną o efekty kalendarza obliczono jako exp(b2025 − b2024) − 1 dla efektów tego samego miesiąca, z 95% przedziałem ufności z macierzy kowariancji oszacowań. Obliczenia wykonano w R 4.5.3.

Model z błędami ARIMA to standard korekt kalendarzowych w statystyce publicznej (Findley i in., 1998) – możesz to zdanie dodać jako uzasadnienie. Szerzej o szeregach i modelach ARIMA pisze wpis szeregi czasowe i ARIMA w praktyce.

Przykład reprodukowalny

Kod R: kalendarz, regresja z błędami AR(1) i zmiana rok do roku

Kod odtwarza wszystkie liczby z tekstu i pięć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw, kalendarz i dane, przepis 3 dopasowuje model, a przepisy 4 i 5 korzystają z jego współczynników. Przepisy 1–5 kończą się nazwą wykresu (p1–p5), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p5, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losuje tylko przepis 1 i zaczyna od set.seed(688); pozostałe przepisy nie losują. Ziarno ustalono raz i nie zmieniano. Ręcznie ustalono (przepis 1): okres 2023–2025, dni zamknięte, daty Wielkanocy i końca roku szkolnego, poziom 38 tys. zł, wzrost 0.04 w skali logarytmu rocznie, efekty miesięcy, dni tygodnia i świąt w obiekcie prawda, autokorelację szumu 0.5 i jego odchylenie 0.07. Po pierwszym uruchomieniu zmieniliśmy w przepisie 3 błędy standardowe Neweya–Westa (opóźnienie 14 dni) na regresję z błędami AR(1), bo pierwsze dawały za wąskie przedziały dla świąt; parametrów danych nie zmienialiśmy. Cały kod liczy się w kilka sekund.

1. Kalendarz, dane i surowe zmiany: Rysunek 1

Dane wejściowe: nic – 1096 dni losuje kod (parametry w obiekcie prawda); plik CSV trafia do katalogu roboczego. Na początku paleta Okabe–Ito kol, motyw motyw i funkcja minus(), używane w dalszych przepisach.

Co odczytać: sumy sprzedaży i liczbę dni otwartych w lutym–maju obu lat, surową zmianę r/r, liczbę dni tygodnia w marcu i dni tygodnia, na które wypadają dni prezentowe.

R
# Rysunek 1. Dwa kalendarze: marzec i kwiecień 2024 oraz 2025 w fikcyjnej sieci 20 kwiaciarni
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", zolty = "#E69F00", blekit = "#56B4E9",
         szary = "#999999", granat = "#0f1d3a")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-", "−", x)

# --- Kalendarz 2023–2025 ---------------------------------------------------------------
d <- data.frame(data = seq(as.Date("2023-01-01"), as.Date("2025-12-31"), by = "day"))
d$rok <- as.integer(format(d$data, "%Y"))
d$mies <- as.integer(format(d$data, "%m"))
d$dzien <- as.integer(format(d$data, "%d"))
dni <- c("pn", "wt", "śr", "cz", "pt", "so", "nd")
d$dzien_tyg <- factor(dni[(as.POSIXlt(d$data)$wday + 6) %% 7 + 1], levels = dni)   # niezależne od języka systemu
d$okres <- factor(format(d$data, "%Y-%m"))
md <- function(x) format(x, "%m-%d")

wielkanoc <- as.Date(c("2023-04-09", "2024-03-31", "2025-04-20"))     # niedziele wielkanocne
koniec_szkoly <- as.Date(c("2023-06-23", "2024-06-21", "2025-06-27"))  # ostatni piątek roku szkolnego
od_wlk <- sapply(d$data, function(x) { r <- wielkanoc[format(wielkanoc, "%Y") == format(x, "%Y")]; as.numeric(x - r) })

# Dni zamknięte (reguła sieci): 1 i 6 stycznia, Wielkanoc i Poniedziałek Wielkanocny, Boże Ciało,
# 15 sierpnia, 25–26 grudnia, a od 2025 roku także 24 grudnia
d$zamkniete <- md(d$data) %in% c("01-01", "01-06", "08-15", "12-25", "12-26") | od_wlk %in% c(0, 1, 60) |
  (d$rok == 2025 & md(d$data) == "12-24")

# Dni prezentowe: efekt zależy od tego, czy wypadają w dzień roboczy, czy w weekend
weekend <- d$dzien_tyg %in% c("so", "nd")
d$walentynki <- as.integer(md(d$data) == "02-14")
d$dzien_kobiet <- as.integer(md(d$data) == "03-08")
d$dzien_matki <- as.integer(md(d$data) == "05-26")
d$dzien_nauczyciela <- as.integer(md(d$data) == "10-14")
prezent <- d$walentynki + d$dzien_kobiet + d$dzien_matki + d$dzien_nauczyciela
d$prezent_weekend <- as.integer(prezent == 1 & weekend)               # dzień prezentowy w sobotę lub niedzielę
d$dzien_przed <- as.integer(c(prezent[-1], 0) == 1)                   # dzień przed dniem prezentowym
d$piatek_przed <- as.integer(d$dzien_tyg == "pt" &                    # piątek przed dniem prezentowym w weekend
                             (c(prezent[-1], 0) == 1 | c(prezent[-(1:2)], 0, 0) == 1))
d$babci <- as.integer(md(d$data) == "01-21"); d$dziadka <- as.integer(md(d$data) == "01-22")
d$niedziela_palmowa <- as.integer(od_wlk == -7)
d$wielki_tydzien <- as.integer(od_wlk %in% -6:-3)                     # poniedziałek–czwartek przed Wielkanocą
d$wielki_piatek <- as.integer(od_wlk == -2); d$wielka_sobota <- as.integer(od_wlk == -1)
d$koniec_szkoly <- as.integer(d$data %in% koniec_szkoly)
d$zmarli_29 <- as.integer(md(d$data) == "10-29"); d$zmarli_30 <- as.integer(md(d$data) == "10-30")
d$zmarli_31 <- as.integer(md(d$data) == "10-31"); d$zmarli_1 <- as.integer(md(d$data) == "11-01")
d$przed_bn <- as.integer(md(d$data) %in% sprintf("12-%d", 18:23))

# --- Parametry ustawione ręcznie (znamy je tylko dlatego, że dane są fikcyjne) ------------
prawda <- list(
  poziom = 38, wzrost = 0.04,                  # 38 tys. zł dziennie w poniedziałek stycznia 2023; +0.04 log rocznie
  miesiac = c(-0.15, -0.05, 0.05, 0.08, 0.12, 0.05, -0.15, -0.15, 0, 0.02, -0.05, 0.10),
  dzien_tyg = c(pn = 0, wt = 0.03, śr = 0.06, cz = 0.10, pt = 0.25, so = 0.32, nd = -0.25),
  efekty = c(walentynki = 1.1, dzien_kobiet = 0.9, dzien_matki = 1.0, dzien_nauczyciela = 0.5,
             prezent_weekend = -0.4, dzien_przed = 0.2, piatek_przed = 0.45, babci = 0.35, dziadka = 0.2,
             niedziela_palmowa = 0.3, wielki_tydzien = 0.15, wielki_piatek = 0.35, wielka_sobota = 0.6,
             koniec_szkoly = 0.5, zmarli_29 = 0.4, zmarli_30 = 0.7, zmarli_31 = 0.9, zmarli_1 = 0.5, przed_bn = 0.25),
  ar = 0.5, sd_szumu = 0.07)                   # szum dnia (pogoda, ruch w galerii) z autokorelacją AR(1)

set.seed(688)                                  # ziarno ustalone raz, bez dobierania pod wynik
t_lata <- as.numeric(d$data - as.Date("2023-01-01")) / 365.25
szum <- as.numeric(arima.sim(list(ar = prawda$ar), n = nrow(d), sd = prawda$sd_szumu))
X <- as.matrix(d[names(prawda$efekty)])
log_y <- log(prawda$poziom) + prawda$wzrost * t_lata + prawda$miesiac[d$mies] +
  prawda$dzien_tyg[as.character(d$dzien_tyg)] + drop(X %*% prawda$efekty) + szum
d$sprzedaz <- ifelse(d$zamkniete, 0, round(exp(log_y), 2))   # tys. zł dziennie, 20 sklepów razem
write.csv(d[c("data", "rok", "mies", "dzien_tyg", "zamkniete", "sprzedaz", names(prawda$efekty))],
          "rok-do-roku-kwiaciarnie-sprzedaz-dzienna.csv", row.names = FALSE)

# Sprzedaż w marcu i kwietniu: zmiana „ten sam miesiąc rok wcześniej”
mc <- aggregate(cbind(sprzedaz, otwarte = !zamkniete) ~ rok + mies, data = d, FUN = sum)
mc <- mc[mc$mies %in% 2:5 & mc$rok >= 2024, ]
mc$sprzedaz <- round(mc$sprzedaz, 1)
print(mc, row.names = FALSE)
for (m in 2:5) cat(month.abb[m], "2025 vs 2024:", round(100 * (mc$sprzedaz[mc$rok == 2025 & mc$mies == m] /
                                                          mc$sprzedaz[mc$rok == 2024 & mc$mies == m] - 1), 1), "%\n")
# Ile poszczególnych dni tygodnia (dni otwarte) ma marzec w obu latach?
with(subset(d, mies == 3 & rok >= 2024 & !zamkniete), table(rok, dzien_tyg))
# Na jaki dzień tygodnia wypadają dni prezentowe?
subset(d, (walentynki | dzien_kobiet | dzien_matki | dzien_nauczyciela) == 1, c(data, dzien_tyg))

# --- Rysunek: kalendarz-schemat marca i kwietnia w dwóch latach ----------------------------
k <- subset(d, rok >= 2024 & mies %in% 3:4)
pierwszy <- as.Date(sprintf("%d-%02d-01", k$rok, k$mies))
k$kolumna <- as.integer(k$dzien_tyg)
k$tydzien <- (k$dzien + (as.integer(d$dzien_tyg[match(pierwszy, d$data)]) - 1) - 1) %/% 7 + 1
k$typ <- ifelse(k$zamkniete, "sklepy zamknięte",
          ifelse(k$dzien_kobiet == 1, "Dzień Kobiet",
          ifelse(k$niedziela_palmowa + k$wielki_tydzien + k$wielki_piatek + k$wielka_sobota > 0, "tydzień przed Wielkanocą",
          ifelse(k$dzien_tyg %in% c("pt", "so"), "piątek lub sobota", "pozostałe dni"))))
k$typ <- factor(k$typ, levels = c("pozostałe dni", "piątek lub sobota", "Dzień Kobiet", "tydzień przed Wielkanocą", "sklepy zamknięte"))
k$znak <- ifelse(k$zamkniete, "×", ifelse(k$dzien_kobiet == 1, "DK", ifelse(k$wielka_sobota == 1, "WS",
           ifelse(k$niedziela_palmowa == 1, "NP", ""))))
opis <- aggregate(cbind(otwarte = !zamkniete, pt = dzien_tyg == "pt" & !zamkniete, so = dzien_tyg == "so" & !zamkniete,
                        nd = dzien_tyg == "nd" & !zamkniete) ~ rok + mies, data = k, FUN = sum)
opis$panel <- sprintf("%s %d: %d dni otwartych (pt %d, so %d, nd %d)",
                      c("Marzec", "Kwiecień")[opis$mies - 2], opis$rok, opis$otwarte, opis$pt, opis$so, opis$nd)
k$panel <- factor(opis$panel[match(paste(k$rok, k$mies), paste(opis$rok, opis$mies))], levels = opis$panel)
print(opis[c("rok", "mies", "otwarte", "pt", "so", "nd")], row.names = FALSE)
wypelnienie <- c("pozostałe dni" = "white", "piątek lub sobota" = "grey85", "Dzień Kobiet" = kol[["zolty"]],
                 "tydzień przed Wielkanocą" = kol[["blekit"]], "sklepy zamknięte" = kol[["granat"]])
p1 <- ggplot(k, aes(kolumna, tydzien)) +
  geom_tile(aes(fill = typ), colour = "grey55", linewidth = 0.4, width = 0.94, height = 0.9) +
  geom_text(aes(label = dzien, colour = typ == "sklepy zamknięte"), size = 3.6, nudge_x = -0.25, nudge_y = 0.2) +
  geom_text(aes(label = znak, colour = typ == "sklepy zamknięte"), size = 3.9, fontface = "bold", nudge_x = 0.12, nudge_y = -0.12) +
  scale_colour_manual(values = c(`FALSE` = "#0f1d3a", `TRUE` = "white"), guide = "none") +
  scale_fill_manual(values = wypelnienie, name = NULL, drop = FALSE) +
  scale_x_continuous(breaks = 1:7, labels = dni, position = "top", expand = c(0.01, 0.01)) +
  scale_y_reverse(expand = c(0.02, 0.02)) +
  facet_wrap(~ panel, ncol = 2, scales = "free_x") +
  labs(x = NULL, y = NULL, title = "Ten sam miesiąc, inny kalendarz",
       subtitle = "DK – Dzień Kobiet, NP – Niedziela Palmowa, WS – Wielka Sobota, × – sklepy zamknięte") +
  motyw + theme(panel.grid = element_blank(), axis.text.y = element_blank(),
                strip.text = element_text(size = rel(0.82), hjust = 0)) +
  guides(fill = guide_legend(nrow = 2, override.aes = list(colour = "grey55")))
p1   # zapis: ggsave("rok-do-roku-kalendarz-dwa-lata.svg", p1, width = 10, height = 6.6)
Wynik w R
  rok mies sprzedaz otwarte
 2024    2   1303.7      29
 2025    2   1375.1      28
 2024    3   1634.9      30
 2025    3   1542.0      31
 2024    4   1359.9      29
 2025    4   1503.3      28
 2024    5   1591.0      30
 2025    5   1756.6      31
Feb 2025 vs 2024: 5.5 %
Mar 2025 vs 2024: -5.7 %
Apr 2025 vs 2024: 10.5 %
May 2025 vs 2024: 10.4 %
      dzien_tyg
rok    pn wt śr cz pt so nd
  2024  4  4  4  4  5  5  4
  2025  5  4  4  4  4  5  5
           data dzien_tyg
45   2023-02-14        wt
67   2023-03-08        śr
146  2023-05-26        pt
287  2023-10-14        so
410  2024-02-14        śr
433  2024-03-08        pt
512  2024-05-26        nd
653  2024-10-14        pn
776  2025-02-14        pt
798  2025-03-08        so
877  2025-05-26        pn
1018 2025-10-14        wt
  rok mies otwarte pt so nd
 2024    3      30  5  5  4
 2025    3      31  4  5  5
 2024    4      29  4  4  4
 2025    4      28  4  4  3

2. Sprzedaż dzień po dniu: Rysunek 2

Dane wejściowe: d, kol, motyw z przepisu 1.

Co odczytać: najwyższe dni w lutym–maju każdego roku, średnią zwykłego dnia oraz sprzedaż 7 i 8 marca w obu latach.

R
# Rysunek 2. Dzienna sprzedaż od lutego do maja 2024 i 2025 – gdzie leżą „dziury” i „szczyty” kalendarza
# (korzysta z d, kol, motyw i minus z przepisu 1)
library(ggplot2)

s <- subset(d, rok >= 2024 & mies %in% 2:5)
s$rodzaj <- ifelse(s$zamkniete, "sklepy zamknięte",
             ifelse(s$walentynki + s$dzien_kobiet + s$dzien_matki + s$dzien_przed + s$piatek_przed > 0, "dzień prezentowy lub dzień przed",
             ifelse(s$niedziela_palmowa + s$wielki_tydzien + s$wielki_piatek + s$wielka_sobota > 0, "tydzień przed Wielkanocą",
                    "pozostałe dni")))
s$rodzaj <- factor(s$rodzaj, levels = c("pozostałe dni", "dzień prezentowy lub dzień przed", "tydzień przed Wielkanocą", "sklepy zamknięte"))
s$dzien_sezonu <- as.Date(sprintf("2000-%s", format(s$data, "%m-%d")))    # wspólna oś dla obu lat (rok 2000 też przestępny)

# Najwyższe dni i średnia zwykłego dnia (bez świąt i dni przed nimi) w każdym roku
naj <- s[order(-s$sprzedaz), c("data", "dzien_tyg", "sprzedaz", "rodzaj")]
print(head(naj[format(naj$data, "%Y") == "2024", ], 4), row.names = FALSE)
print(head(naj[format(naj$data, "%Y") == "2025", ], 4), row.names = FALSE)
round(tapply(s$sprzedaz[s$rodzaj == "pozostałe dni"], s$rok[s$rodzaj == "pozostałe dni"], mean), 1)
# Dzień Kobiet i dzień przed nim w obu latach
subset(s, mies == 3 & dzien %in% 7:8, c(data, dzien_tyg, sprzedaz))

etyk <- subset(s, walentynki + dzien_kobiet + dzien_matki + wielka_sobota > 0)
etyk$opis <- ifelse(etyk$walentynki == 1, "Walentynki", ifelse(etyk$dzien_kobiet == 1, "Dzień Kobiet",
              ifelse(etyk$dzien_matki == 1, "Dzień Matki", "Wielka Sobota")))
etyk$opis <- paste0(etyk$opis, " (", etyk$dzien_tyg, ")")
p2 <- ggplot(s, aes(dzien_sezonu, sprzedaz)) +
  geom_col(aes(fill = rodzaj), width = 0.85) +
  geom_point(data = subset(s, zamkniete), aes(y = 4), shape = 4, size = 2.6, stroke = 1.1, colour = kol[["granat"]]) +
  geom_text(data = etyk, aes(y = sprzedaz + 8, label = opis, hjust = ifelse(mies == 5, 1, 0.5)), size = 3.4, vjust = 0, colour = "#0f1d3a") +
  facet_wrap(~ rok, ncol = 1) +
  scale_fill_manual(values = c("pozostałe dni" = "grey70", "dzień prezentowy lub dzień przed" = kol[["zolty"]],
                               "tydzień przed Wielkanocą" = kol[["blekit"]], "sklepy zamknięte" = kol[["granat"]]),
                    name = NULL, drop = FALSE) +
  scale_x_date(breaks = as.Date(c("2000-02-01", "2000-03-01", "2000-04-01", "2000-05-01")),
               labels = c("1 lutego", "1 marca", "1 kwietnia", "1 maja"), expand = c(0.005, 0.005)) +
  scale_y_continuous(limits = c(0, 200), expand = c(0, 0)) +
  labs(x = NULL, y = "Sprzedaż (tys. zł dziennie)", title = "Luty–maj w dwóch latach: te same daty, inne dni",
       subtitle = "20 kwiaciarni razem; × – dzień zamknięty") +
  motyw + theme(panel.grid.major.x = element_blank()) + guides(fill = guide_legend(nrow = 2))
p2   # zapis: ggsave("rok-do-roku-sprzedaz-dzienna.svg", p2, width = 10, height = 6.2)
Wynik w R
       data dzien_tyg sprzedaz                           rodzaj
 2024-03-08        pt   135.99 dzień prezentowy lub dzień przed
 2024-02-14        śr   124.96 dzień prezentowy lub dzień przed
 2024-03-30        so   115.73         tydzień przed Wielkanocą
 2024-05-24        pt    90.52 dzień prezentowy lub dzień przed
       data dzien_tyg sprzedaz                           rodzaj
 2025-02-14        pt   170.36 dzień prezentowy lub dzień przed
 2025-05-26        pn   139.14 dzień prezentowy lub dzień przed
 2025-04-19        so   111.23         tydzień przed Wielkanocą
 2025-03-07        pt    93.40 dzień prezentowy lub dzień przed
2024 2025 
46.6 48.8 
          data dzien_tyg sprzedaz
432 2024-03-07        cz    54.10
433 2024-03-08        pt   135.99
797 2025-03-07        pt    93.40
798 2025-03-08        so    92.90

3. Regresja z efektami kalendarza: Rysunek 3

Dane wejściowe: d, prawda, kol, motyw z przepisu 1.

Co odczytać: R² i autokorelację reszt zwykłej regresji, współczynnik AR(1), mnożniki kalendarza z 95% CI i informację, czy prawda leży w przedziale.

R
# Rysunek 3. Regresja z efektami kalendarza: ile wnosi dzień tygodnia i każde święto (oszacowanie i prawda)
# (korzysta z d, prawda, kol, motyw i minus z przepisu 1)
library(ggplot2)
library(patchwork)

efekty <- names(prawda$efekty)
# Krok 1: zwykła regresja (lm) na dniach otwartych – czy reszty są niezależne?
otw <- subset(d, !zamkniete)                       # dni zamknięte (sprzedaż 0) nie wchodzą do modelu logarytmów
m_lm <- lm(reformulate(c("okres", "dzien_tyg", efekty), response = "log(sprzedaz)"), data = otw)
c(n_dni = nobs(m_lm), R2 = round(summary(m_lm)$r.squared, 3), sd_reszt = round(sigma(m_lm), 3))
round(acf(resid(m_lm), plot = FALSE)$acf[2:4], 2)  # autokorelacja reszt: opóźnienia 1–3 dni

# Krok 2: ta sama regresja z błędami AR(1) – dzień „pamięta” odchylenie poprzedniego (pogoda, ruch)
# okres = miesiąc kalendarzowy (36 poziomów: 2023-01 … 2025-12); dni zamknięte jako braki danych
y <- ifelse(d$zamkniete, NA, log(d$sprzedaz))
X <- cbind(model.matrix(~ 0 + okres, d), model.matrix(~ dzien_tyg, d)[, -1], as.matrix(d[efekty]))
m <- arima(y, order = c(1, 0, 0), xreg = X, include.mean = FALSE, method = "ML")
V <- m$var.coef
round(c(ar1 = coef(m)[["ar1"]], se_ar1 = sqrt(V["ar1", "ar1"]), sd_szumu = sqrt(m$sigma2)), 3)

# Współczynniki kalendarza: mnożnik sprzedaży exp(b) z 95% CI obok prawdy z symulacji
wsp <- c(paste0("dzien_tyg", levels(d$dzien_tyg)[-1]), efekty)
se <- sqrt(diag(V))[wsp]
tab <- data.frame(zmienna = wsp, b = coef(m)[wsp], se = se,
                  prawda = c(prawda$dzien_tyg[-1], prawda$efekty))
tab$mnoznik <- exp(tab$b); tab$dolna <- exp(tab$b - 1.96 * tab$se); tab$gorna <- exp(tab$b + 1.96 * tab$se)
tab$w_ci <- log(tab$dolna) <= tab$prawda & tab$prawda <= log(tab$gorna)
print(transform(tab[c("zmienna", "mnoznik", "dolna", "gorna", "w_ci")],
                mnoznik = round(mnoznik, 2), dolna = round(dolna, 2), gorna = round(gorna, 2)), row.names = FALSE)
c(prawda_w_95_CI = sum(tab$w_ci), wszystkich = nrow(tab))
# Ile razy w 3 latach zdarzył się każdy efekt (liczba dni z wartością 1)
colSums(otw[c("prezent_weekend", "piatek_przed", "dzien_kobiet", "wielka_sobota")])

nazwy <- c(dzien_tygwt = "wtorek", `dzien_tygśr` = "środa", dzien_tygcz = "czwartek", dzien_tygpt = "piątek",
           dzien_tygso = "sobota", dzien_tygnd = "niedziela", walentynki = "Walentynki", dzien_kobiet = "Dzień Kobiet",
           dzien_matki = "Dzień Matki", dzien_nauczyciela = "Dzień Nauczyciela", prezent_weekend = "…gdy wypada w weekend",
           dzien_przed = "dzień przed dniem prezentowym", piatek_przed = "piątek przed weekendowym",
           niedziela_palmowa = "Niedziela Palmowa", wielki_tydzien = "Wielki Tydzień (pn–cz)", wielki_piatek = "Wielki Piątek",
           wielka_sobota = "Wielka Sobota", koniec_szkoly = "koniec roku szkolnego", zmarli_31 = "31 października")
pokaz <- tab[tab$zmienna %in% names(nazwy), ]
pokaz$etykieta <- factor(nazwy[pokaz$zmienna], levels = rev(nazwy))
pokaz$panel <- ifelse(grepl("^dzien_tyg", pokaz$zmienna), "A. Dzień tygodnia (wobec poniedziałku)", "B. Święta i dni wokół nich")
rys <- function(dd, ttl, przerwy) ggplot(dd, aes(y = etykieta)) +
  geom_vline(xintercept = 1, colour = "grey40", linewidth = 0.5) +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.3, orientation = "y", colour = kol[["niebieski"]], linewidth = 0.8) +
  geom_point(aes(x = mnoznik), shape = 16, size = 2.8, colour = kol[["niebieski"]]) +
  geom_point(aes(x = exp(prawda)), shape = 4, size = 2.8, stroke = 1.1, colour = kol[["pomaranczowy"]]) +
  scale_x_log10(breaks = przerwy, labels = function(x) paste0("×", x)) +
  labs(x = "Mnożnik sprzedaży dnia (skala logarytmiczna)", y = NULL, title = ttl) + motyw
p3 <- rys(subset(pokaz, grepl("^A", panel)), "A. Dzień tygodnia (wobec pn)", c(0.8, 0.9, 1, 1.2, 1.4)) +
  rys(subset(pokaz, grepl("^B", panel)), "B. Święta i dni wokół nich", c(0.75, 1, 1.5, 2, 3)) +
  plot_layout(widths = c(1, 1.25)) +
  plot_annotation(subtitle = "Niebieskie kropki: oszacowanie z 95% CI (regresja z błędami AR(1)); pomarańczowe ×: prawda ukryta w danych",
                  theme = theme(plot.subtitle = element_text(colour = "grey30")))
p3   # zapis: ggsave("rok-do-roku-efekty-kalendarza.svg", p3, width = 10, height = 6.4)
Wynik w R
   n_dni       R2 sd_reszt 
1071.000    0.910    0.082 
[1] 0.48 0.20 0.05
     ar1   se_ar1 sd_szumu 
   0.504    0.027    0.069 
           zmienna mnoznik dolna gorna  w_ci
       dzien_tygwt    1.02  1.01  1.03  TRUE
       dzien_tygśr    1.06  1.04  1.07  TRUE
       dzien_tygcz    1.10  1.09  1.12  TRUE
       dzien_tygpt    1.29  1.26  1.31  TRUE
       dzien_tygso    1.37  1.35  1.39  TRUE
       dzien_tygnd    0.78  0.77  0.79  TRUE
        walentynki    3.07  2.85  3.29  TRUE
      dzien_kobiet    2.45  2.27  2.65  TRUE
       dzien_matki    2.87  2.65  3.10  TRUE
 dzien_nauczyciela    1.58  1.46  1.70  TRUE
   prezent_weekend    0.68  0.62  0.75  TRUE
       dzien_przed    1.18  1.13  1.23  TRUE
      piatek_przed    1.51  1.40  1.63  TRUE
             babci    1.54  1.43  1.66 FALSE
           dziadka    1.28  1.18  1.38  TRUE
 niedziela_palmowa    1.41  1.30  1.52  TRUE
    wielki_tydzien    1.18  1.10  1.27  TRUE
     wielki_piatek    1.42  1.29  1.55  TRUE
     wielka_sobota    1.85  1.69  2.03  TRUE
     koniec_szkoly    1.76  1.64  1.89  TRUE
         zmarli_29    1.51  1.39  1.63  TRUE
         zmarli_30    1.94  1.78  2.13  TRUE
         zmarli_31    2.42  2.21  2.65  TRUE
          zmarli_1    1.69  1.56  1.83  TRUE
          przed_bn    1.34  1.27  1.41  TRUE
prawda_w_95_CI     wszystkich 
            24             25 
prezent_weekend    piatek_przed    dzien_kobiet   wielka_sobota 
              3               3               3               3 

4. Trzy sposoby liczenia zmiany rok do roku: Rysunek 4

Dane wejściowe: d, prawda z przepisu 1 oraz m, V i m_lm z przepisu 3.

Co odczytać: tabelę zmian w 12 miesiącach (surowa, −364 dni, wyrównana z 95% CI, prawda), zmianę całego roku, porównanie błędów standardowych i średni błąd bezwzględny metod.

R
# Rysunek 4. Zmiana rok do roku w każdym miesiącu 2025: surowa, „ten sam dzień tygodnia” i wyrównana z modelu
# (korzysta z d, prawda, kol, motyw i minus z przepisu 1 oraz m, V i m_lm z przepisu 3)
library(ggplot2)

proc <- function(x) 100 * (x - 1)
rr <- do.call(rbind, lapply(1:12, function(mm) {
  dni25 <- d$data[d$rok == 2025 & d$mies == mm]
  surowa <- sum(d$sprzedaz[d$data %in% dni25]) / sum(d$sprzedaz[d$rok == 2024 & d$mies == mm])
  t364 <- sum(d$sprzedaz[d$data %in% dni25]) / sum(d$sprzedaz[d$data %in% (dni25 - 364)])   # 52 tygodnie wcześniej
  L <- setNames(rep(0, length(coef(m))), names(coef(m)))     # kontrast: okres 2025-mm minus okres 2024-mm
  n25 <- sprintf("okres2025-%02d", mm); n24 <- sprintf("okres2024-%02d", mm)
  L[n25] <- 1; L[n24] <- -1
  roznica <- sum(L * coef(m)); se <- sqrt(drop(t(L) %*% V %*% L))
  t_lata <- as.numeric(dni25 - as.Date("2023-01-01")) / 365.25
  t_lata24 <- as.numeric(d$data[d$rok == 2024 & d$mies == mm] - as.Date("2023-01-01")) / 365.25
  data.frame(mies = mm, surowa = proc(surowa), t364 = proc(t364), wyrownana = proc(exp(roznica)),
             dolna = proc(exp(roznica - 1.96 * se)), gorna = proc(exp(roznica + 1.96 * se)),
             prawda = proc(exp(prawda$wzrost * (mean(t_lata) - mean(t_lata24)))))
}))
print(round(rr, 1), row.names = FALSE)

# Cały rok 2025 wobec 2024: surowo i po wyrównaniu (średnia 12 miesięcznych różnic w logarytmach)
L <- setNames(rep(0, length(coef(m))), names(coef(m)))
L[sprintf("okres2025-%02d", 1:12)] <- 1 / 12; L[sprintf("okres2024-%02d", 1:12)] <- -1 / 12
b_rok <- sum(L * coef(m)); se_rok <- sqrt(drop(t(L) %*% V %*% L))
round(c(surowa = proc(sum(d$sprzedaz[d$rok == 2025]) / sum(d$sprzedaz[d$rok == 2024])),
        wyrownana = proc(exp(b_rok)), dolna = proc(exp(b_rok - 1.96 * se_rok)), gorna = proc(exp(b_rok + 1.96 * se_rok)),
        prawda = proc(exp(prawda$wzrost))), 2)
L_lm <- setNames(rep(0, length(coef(m_lm))), names(coef(m_lm)))   # to samo w zwykłej regresji (lm) bez AR(1)
L_lm[sprintf("okres2025-%02d", 1:12)] <- 1 / 12; L_lm[sprintf("okres2024-%02d", 1:12)] <- -1 / 12
se_lm <- sqrt(drop(t(L_lm) %*% vcov(m_lm) %*% L_lm))
round(c(se_AR1 = se_rok, se_lm = se_lm, iloraz = se_rok / se_lm), 4)
# Rozrzut wokół prawdy: średni błąd bezwzględny (pkt proc.) każdej metody w 12 miesiącach
round(sapply(rr[c("surowa", "t364", "wyrownana")], function(x) mean(abs(x - rr$prawda))), 1)

mies_pl <- c("sty", "lut", "mar", "kwi", "maj", "cze", "lip", "sie", "wrz", "paź", "lis", "gru")
dl <- rbind(data.frame(mies = rr$mies, metoda = "surowa (ten sam miesiąc)", wart = rr$surowa, dolna = NA, gorna = NA),
            data.frame(mies = rr$mies, metoda = "ten sam dzień tygodnia (−364 dni)", wart = rr$t364, dolna = NA, gorna = NA),
            data.frame(mies = rr$mies, metoda = "wyrównana z modelu (95% CI)", wart = rr$wyrownana, dolna = rr$dolna, gorna = rr$gorna))
dl$metoda <- factor(dl$metoda, levels = unique(dl$metoda))
dl$x <- dl$mies + c(-0.22, 0, 0.22)[as.integer(dl$metoda)]
p4 <- ggplot(dl, aes(x, wart, colour = metoda, shape = metoda)) +
  geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.4) +
  geom_hline(yintercept = mean(rr$prawda), colour = "grey20", linetype = "dashed", linewidth = 0.6) +
  annotate("text", x = 0.45, y = mean(rr$prawda) - 1.3, label = sprintf("prawda +%.1f%%", mean(rr$prawda)),
           hjust = 0, size = 3.6, colour = "grey20") +
  geom_errorbar(aes(ymin = dolna, ymax = gorna), width = 0.18, linewidth = 0.8, na.rm = TRUE, show.legend = FALSE) +
  geom_point(size = 3) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["szary"]], kol[["niebieski"]]), name = NULL) +
  scale_shape_manual(values = c(17, 15, 16), name = NULL) +
  scale_x_continuous(breaks = 1:12, labels = mies_pl) +
  scale_y_continuous(labels = function(x) minus(paste0(x, "%"))) +
  labs(x = "Miesiąc 2025 roku", y = "Zmiana wobec 2024", title = "Rok do roku: trzy sposoby liczenia",
       subtitle = "20 kwiaciarni; prawdziwa zmiana bazowa jest w każdym miesiącu taka sama") +
  motyw + theme(panel.grid.minor = element_blank()) + guides(colour = guide_legend(nrow = 2))
p4   # zapis: ggsave("rok-do-roku-trzy-metody.svg", p4, width = 10, height = 5.8)
Wynik w R
 mies surowa t364 wyrownana dolna gorna prawda
    1   13.8  8.6      10.7   3.5  18.5    4.1
    2    5.5  7.9       6.2  -0.8  13.7    4.1
    3   -5.7 -2.4       1.7  -5.0   8.8    4.1
    4   10.5  6.6       3.1  -3.8  10.5    4.1
    5   10.4 10.0       5.0  -1.7  12.1    4.1
    6   -2.0 -0.5       1.5  -5.0   8.5    4.1
    7    3.1  3.1       3.6  -3.0  10.6    4.1
    8   -1.4 -1.1       2.1  -4.4   9.1    4.1
    9    4.9  3.6       3.4  -3.2  10.6    4.1
   10    1.2 -1.8       0.0  -6.4   6.7    4.1
   11    6.0 11.3       8.6   1.6  16.1    4.1
   12    6.7  9.2       8.5   1.4  16.0    4.1
   surowa wyrownana     dolna     gorna    prawda 
     4.17      4.49      2.39      6.62      4.08 
se_AR1  se_lm iloraz 
0.0103 0.0061 1.6811 
   surowa      t364 wyrownana 
      4.5       4.4       2.6 

5. Rozkład zmiany w marcu: Rysunek 5

Dane wejściowe: d z przepisu 1 i m z przepisu 3.

Co odczytać: wkłady części kalendarza, zmiany bazowej i szumu (punkty logarytmiczne × 100) oraz ich sumę w procentach.

R
# Rysunek 5. Skąd się wziął spadek w marcu: rozkład surowej zmiany r/r na części kalendarza (wykres wodospadowy)
# (korzysta z d, kol, motyw i minus z przepisu 1 oraz m z przepisu 3)
library(ggplot2)

b <- coef(m)
wd <- c(pn = 0, b[paste0("dzien_tyg", levels(d$dzien_tyg)[-1])]); names(wd) <- levels(d$dzien_tyg)
grupy <- list(wielkanoc = c("niedziela_palmowa", "wielki_tydzien", "wielki_piatek", "wielka_sobota"),
              dzien_kobiet = c("dzien_kobiet", "prezent_weekend", "dzien_przed", "piatek_przed"))
# Suma „mnożników kalendarza” po dniach otwartych miesiąca przy włączonych kolejnych częściach modelu
suma_kal <- function(rr, mm, czesci) {
  x <- subset(d, rok == rr & mies == mm & !zamkniete)
  c_d <- if ("dzien_tyg" %in% czesci) wd[as.character(x$dzien_tyg)] else rep(0, nrow(x))
  for (g in intersect(names(grupy), czesci)) c_d <- c_d + as.matrix(x[grupy[[g]]]) %*% b[grupy[[g]]]
  sum(exp(c_d))
}
kroki <- list(character(), "dzien_tyg", c("dzien_tyg", "wielkanoc"), c("dzien_tyg", "wielkanoc", "dzien_kobiet"))
log_ilorazy <- sapply(kroki, function(cz) log(suma_kal(2025, 3, cz) / suma_kal(2024, 3, cz)))
wklad <- c(dni_otwarte = log_ilorazy[1], dzien_tygodnia = log_ilorazy[2] - log_ilorazy[1],
           wielkanoc = log_ilorazy[3] - log_ilorazy[2], dzien_kobiet = log_ilorazy[4] - log_ilorazy[3],
           zmiana_bazowa = unname(b["okres2025-03"] - b["okres2024-03"]))
surowa_log <- log(sum(d$sprzedaz[d$rok == 2025 & d$mies == 3]) / sum(d$sprzedaz[d$rok == 2024 & d$mies == 3]))
wklad <- c(wklad, szum_dnia = surowa_log - sum(wklad))          # reszta: losowe odchylenia dni (pogoda itp.)
round(100 * wklad, 1)                                           # punkty logarytmiczne × 100 (≈ %)
round(c(suma_log = 100 * surowa_log, surowa_proc = 100 * (exp(surowa_log) - 1),
        bez_kalendarza_proc = 100 * (exp(wklad[["zmiana_bazowa"]]) - 1)), 1)

w <- data.frame(krok = c("dni otwarte\n(Wielkanoc 31.03)", "skład dni\ntygodnia", "tydzień przed\nWielkanocą",
                         "Dzień Kobiet\nw sobotę", "zmiana\nbazowa", "szum dnia\n(pogoda itp.)"),
                wart = 100 * wklad)
w$koniec <- cumsum(w$wart); w$start <- w$koniec - w$wart; w$i <- seq_len(nrow(w))
w$znak <- ifelse(w$wart < 0, "obniża", "podnosi")
calosc <- data.frame(i = nrow(w) + 1, start = 0, koniec = 100 * surowa_log,
                     krok = "surowa zmiana\nmarzec r/r")
p5 <- ggplot(w) +
  geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.4) +
  geom_rect(aes(xmin = i - 0.4, xmax = i + 0.4, ymin = start, ymax = koniec, fill = znak)) +
  geom_segment(data = w[-nrow(w), ], aes(x = i + 0.4, xend = i + 0.6, y = koniec, yend = koniec), colour = "grey50", linetype = "dotted") +
  geom_rect(data = calosc, aes(xmin = i - 0.4, xmax = i + 0.4, ymin = start, ymax = koniec), fill = kol[["granat"]]) +
  geom_text(aes(x = i, y = pmax(start, koniec) + 0.5, label = minus(sub("^[+-]0\\.0$", "0.0", sprintf("%+.1f", wart)))), vjust = 0, size = 4, colour = "#0f1d3a") +
  geom_text(data = calosc, aes(x = i, y = koniec - 0.5, label = minus(sprintf("%+.1f\n(%+.1f%%)", koniec, 100 * (exp(koniec / 100) - 1)))),
            vjust = 1, size = 4, colour = "#0f1d3a", lineheight = 0.9) +
  scale_fill_manual(values = c(obniża = kol[["pomaranczowy"]], podnosi = kol[["niebieski"]]), name = NULL) +
  scale_x_continuous(breaks = 1:(nrow(w) + 1), labels = c(w$krok, calosc$krok)) +
  scale_y_continuous(labels = function(x) minus(format(x)), expand = expansion(mult = c(0.18, 0.1))) +
  labs(x = NULL, y = "Wkład (punkty logarytmiczne × 100 ≈ %)", title = "Marzec 2025 wobec marca 2024: z czego składa się spadek",
       subtitle = "Kalendarz zabrał więcej, niż dodał wzrost bazowy") +
  motyw + theme(panel.grid.major.x = element_blank(), axis.text.x = element_text(size = rel(0.78), lineheight = 0.9))
p5   # zapis: ggsave("rok-do-roku-marzec-wodospad.svg", p5, width = 10, height = 5.8)
Wynik w R
   dni_otwarte dzien_tygodnia      wielkanoc   dzien_kobiet  zmiana_bazowa 
           3.3           -1.8           -8.1            0.0            1.7 
     szum_dnia 
          -0.9 
           suma_log         surowa_proc bez_kalendarza_proc 
               -5.9                -5.7                 1.7 

6. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: nic.

Co odczytać: odległość barw ΔE par kolorów z rysunków przy typowym widzeniu, deuteranopii i protanopii (para czerwony–zielony dla porównania).

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "błękit – żółty" = c("#56B4E9", "#E69F00"),
             "szary – pomarańczowy" = c("#999999", "#D55E00"), "granat – błękit" = c("#0f1d3a", "#56B4E9"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                 widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy                   114.6        108.3       91.9
błękit – żółty                             113.1        111.4      101.5
szary – pomarańczowy                        77.2         62.9       56.0
granat – błękit                             62.8         59.6       61.8
czerwony – zielony (do unikania)           121.7         21.1       31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Symulacja szumu (arima.sim()), zwykła regresja (lm()), autokorelacja reszt (acf()) i regresja z błędami AR(1) (arima() z argumentem xreg) – pakiet stats z podstawowej instalacji R. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • Zmiana liczby sklepów. Gdy w 2025 roku dojdą nowe kwiaciarnie, wzrost całej sieci miesza kalendarz z otwarciami. Najpierw zawęź dane do sklepów porównywalnych (zob. like-for-like i paradoks Simpsona), potem wyrównuj kalendarz.
  • Pogoda. Deszczowy tydzień przed Dniem Matki obniży sprzedaż, a model uzna to za szum albo – przy jednym roku – za „słabszy maj”. Jeśli masz dane pogodowe, dodaj je jako zmienną; jeśli nie, pamiętaj o szerokich przedziałach pojedynczych miesięcy.
  • Ruchome święta w danych miesięcznych. Liu (1980) pokazuje, że Wielkanoc przechodząca między miesiącami zaburza nawet autokorelację szeregu. Na danych miesięcznych dodaj zmienną „ile dni przedświątecznych wypada w miesiącu”.
  • Za mało powtórzeń. Trzy lata to trzy Wielkanoce i jeden Dzień Kobiet w sobotę. Wspólny efekt „święto w weekend” jest założeniem, nie odkryciem.
  • Porównanie z dniem sprzed 364 dni. Dobre dla dnia tygodnia, złe dla świąt o stałej dacie (1 listopada, Walentynki) i nadal ślepe na Wielkanoc.
  • Niesprawdzony model. Cleveland i Devlin (1982) radzą po korekcie szukać w resztach pozostałych efektów kalendarza. Obejrzyj reszty według dnia tygodnia i wokół każdego święta.

Najczęstsze pytania

Dlaczego porównanie sprzedaży rok do roku w tym samym miesiącu bywa mylące?

Bo ten sam miesiąc w dwóch latach ma inny kalendarz: inną liczbę piątków, sobót i niedziel, inną liczbę dni otwartych i święta w inne dni tygodnia, a Wielkanoc może przejść z marca do kwietnia. W przykładzie kwiaciarni surowy marzec spadł o 5.7%, a po wyrównaniu kalendarza wzrósł o 1.7%. Zawsze sprawdź kalendarz obu lat, zanim zinterpretujesz zmianę.

Jak wyrównać sprzedaż o dzień tygodnia i święta?

Dopasuj regresję logarytmu dziennej sprzedaży z efektem każdego miesiąca kalendarzowego, dniem tygodnia i zmiennymi zero-jedynkowymi dla świąt. Zmiana wyrównana to exp(b2025 − b2024) − 1 dla efektów tego samego miesiąca. Ponieważ dni sąsiednie są podobne, licz przedziały z modelu z błędami AR(1), a nie ze zwykłej regresji (Bell i Hillmer, 1983).

Czy porównanie z tym samym dniem tygodnia sprzed roku wystarczy?

Porównanie z dniem sprzed 364 dni (52 tygodni) usuwa efekt dnia tygodnia, ale nie Wielkanocy i psuje święta o stałej dacie. W przykładzie 1 listopada 2025 porównano ze zwykłą sobotą 2 listopada 2024, więc listopad wyszedł +11.3% zamiast ok. +4%. To dobra szybka kontrola, nie zamiennik modelu.

Jak Wielkanoc wpływa na porównanie marca i kwietnia?

Wielkanoc to święto ruchome: w 2024 roku wypadła 31 marca, w 2025 – 20 kwietnia, więc tydzień przedświątecznych zakupów przeszedł z marca do kwietnia. W przykładzie sam ten efekt obniżył marcową zmianę o 8.1 punktu. Porównuj okresy „X dni przed Wielkanocą”, a w danych miesięcznych dodaj zmienną z liczbą dni przedświątecznych w miesiącu (Liu, 1980).

Co zrobić, gdy Walentynki lub Dzień Kobiet wypadają w weekend?

Uwzględnij to w modelu: dodaj interakcję święta z weekendem i osobny efekt piątku przed świętem weekendowym. W przykładzie dzień prezentowy w weekend sprzedawał 0.68 razy tyle co w dzień roboczy, a piątek przed nim 1.51 razy więcej niż zwykły piątek. Dzień Kobiet w sobotę nie obniżył więc marca – szczyt rozłożył się na dwa dni.

Powiązane hasła

Przeczytaj też

Porównujesz sprzedaż rok do roku w pracy?

Pomożemy zbudować kalendarz świąt i dni handlowych, dopasować regresję z efektami kalendarza, policzyć zmianę wyrównaną z przedziałem i opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bell, W. R., & Hillmer, S. C. (1983). Modeling time series with calendar variation. Journal of the American Statistical Association, 78(383), 526–534. https://doi.org/10.1080/01621459.1983.10478005
  2. Cleveland, W. S., & Devlin, S. J. (1982). Calendar effects in monthly time series: Modeling and adjustment. Journal of the American Statistical Association, 77(379), 520–528. https://doi.org/10.1080/01621459.1982.10477841
  3. Findley, D. F., Monsell, B. C., Bell, W. R., Otto, M. C., & Chen, B.-C. (1998). New capabilities and methods of the X-12-ARIMA seasonal-adjustment program. Journal of Business & Economic Statistics, 16(2), 127–152. https://doi.org/10.1080/07350015.1998.10524743
  4. Liu, L.-M. (1980). Note—Analysis of time series with calendar effects. Management Science, 26(1), 106–112. https://doi.org/10.1287/mnsc.26.1.106
  5. Lovell, M. C. (1963). Seasonal adjustment of economic time series and multiple regression analysis. Journal of the American Statistical Association, 58(304), 993–1010. https://doi.org/10.1080/01621459.1963.10480682
  6. Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610

Cytowania BibTeX

@article{bell1983modeling, author={Bell, William R. and Hillmer, Steven C.}, title={{Modeling time series with calendar variation}}, journal={Journal of the American Statistical Association}, year={1983}, volume={78}, number={383}, pages={526--534}, doi={10.1080/01621459.1983.10478005}}
@article{cleveland1982calendar, author={Cleveland, William S. and Devlin, Susan J.}, title={{Calendar effects in monthly time series: Modeling and adjustment}}, journal={Journal of the American Statistical Association}, year={1982}, volume={77}, number={379}, pages={520--528}, doi={10.1080/01621459.1982.10477841}}
@article{findley1998new, author={Findley, David F. and Monsell, Brian C. and Bell, William R. and Otto, Mark C. and Chen, Bor-Chung}, title={{New capabilities and methods of the X-12-ARIMA seasonal-adjustment program}}, journal={Journal of Business \& Economic Statistics}, year={1998}, volume={16}, number={2}, pages={127--152}, doi={10.1080/07350015.1998.10524743}}
@article{liu1980analysis, author={Liu, Lon-Mu}, title={{Note—Analysis of time series with calendar effects}}, journal={Management Science}, year={1980}, volume={26}, number={1}, pages={106--112}, doi={10.1287/mnsc.26.1.106}}
@article{lovell1963seasonal, author={Lovell, Michael C.}, title={{Seasonal adjustment of economic time series and multiple regression analysis}}, journal={Journal of the American Statistical Association}, year={1963}, volume={58}, number={304}, pages={993--1010}, doi={10.1080/01621459.1963.10480682}}
@article{newey1987simple, author={Newey, Whitney K. and West, Kenneth D.}, title={{A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix}}, journal={Econometrica}, year={1987}, volume={55}, number={3}, pages={703--708}, doi={10.2307/1913610}}
R