Latent Class Models in the R Software

• Autorzy: Iwona Kasprzyk

Warianty tytułu

Modele klas ukrytych z wykorzystaniem programu R

• Języki publikacji: EN

Abstrakty

Artykuł przedstawia tradycyjne podejście do analizy klas ukrytych oraz analizę regresji klas ukrytych. Modele klas ukrytych zostały zaproponowane przez Lazarsfeld, Henry (1968). W tego rodzaju modelach zakłada się, że wszystkie zmienne są niezależne. Natomiast analiza regresji klas ukrytych jest uogólnieniem modeli klas ukrytych i pozwala poprzez włączenie tzw. zmiennych kontrolowanych na predykcję przynależności kategorii zmiennej do klasy ukrytej. Obliczenia zostały wykonane za pomocą pakietu poLCA w programie R. (abstrakt oryginalny)

EN

This paper presents traditional approach to latent class modelling and the latent class regression (LCR) as other type of latent class models. The latent class model was introduced by Lazarsfeld and Henry (1968). We can use poLCA package to estimate latent class and latent class regression models for polytomous outcome variables in the R statistical computing environment. In the basic latent class models it is assumed that all variables are mutually independent. The latent class regression (LCR) model allows to estimate the effects of covariates on predicting latent class membership. The main aim of this article is identification of number of classes and next building latent lass regression model. (original abstract)

Słowa kluczowe

PL

Metody statystyczne; Analiza regresji; Analiza statystyczna; Teoria statystyki; Norma płynności krótkoterminowej

EN

Statistical methods; Regression analysis; Statistical analysis; Theory of statistics; Liquidity Coverage Ratio (LCR)

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2010
• Tom: 235 Multivariate Statistical Analysis
• Strony: 139-148

Twórcy

autor

Iwona Kasprzyk

• The Karol Adamiecki University of Economics in Katowice, Poland, doktorant

Bibliografia

• Akaike H. (1974), A new look at the statistical model identification, IEEE Transactions on Automatic Control, 19 (6), 716-723.
• Blake C, Keogh E., Merz C.J.(1998). UCI Repository of Machine Learning databases, Department of Information and Computer Science, University of California, Irvine, www.ics.uci.edu/~mlearn/MLRepository.html
• Bozdogan H. (1987), Model selection and Akaike's Information Criterion (AIC): The General Theory and its Analytical Extensions, Psychometrica, 52, 345-370.
• Dayton, C. Mitchell and George B. Macready (1988), Concomitant Variable Latent Class Models, Journal of the American Statistical Association 83(401), 173-178.
• Dempster A. P., Laird N. M. and Rubin D. B. (1977), Maximum Likelihood from Incomplete Data via the EM Algorithm (With Discussion), Journal of the Royal Statistical Society, Series B, 39, 1-38.
• Goodman L. (1974), Exploratory Latent Structure Analysis using both Identifiable and Unidentifiable Models, Biometrika, 61, 315-331.
• Hagenaars J. A. and McCutcheon A. L. (2002). Applied Latent Class Analysis. Cambridge: Cambridge University Press.
• Lazarsfeld, P.F., Henry N.W. (1968), Latent structure analysis, Boston: Houghton Mill.
• Linzer D.A., Lewis J. (2006), poLCA: Polytomous Variable Latent Class Analysis, http://userwww.service.emory.edu/~dlinzer/poLCA
• McCutcheon A. L. (1987). Latent Class Analysis. Newbury Park: SAGE Publications.

Identyfikatory

DOI

11089/346