Podejście modelowe w analizie skupień - zastosowania na przykładach danych symulacyjnych

• Autorzy: Andrzej Bąk
• Języki publikacji: PL

Abstrakty

W artykule przedstawiono: podstawowe cechy podejścia modelowego w analizie skupień na tle klasycznych metod klasyfikacji opierających się na pojęciu odległości (podobieństwa), wybrane modele analizy skupień (modele klas ukrytych i modele regresji klas ukrytych) oraz ich zastosowania dla danych dyskretnych, zagadnienie generowania danych symulacyjnych (mieszanej rozkładów), problem wyboru modeli klas ukrytych i modele regresji klas ukrytych na podstawie kryteriów informacyjnych BIC i AIC, oprogramowanie komputerowe podejścia modelowego w analizie skupień. Głównym celem artykułu jest analiza wpływu zmiennych towarzyszących, uwzględnionych w modelach mieszanek, na wybór modelu na podstawie kryteriów informacyjnych BIC i AIC. (fragment tekstu)

Słowa kluczowe

PL

Analiza skupień; Metody klasyfikacyjne; Modele regresji; Oprogramowanie komputerowe

EN

Cluster analysis; Classification methods; Regression models; Computer software

• Czasopismo: Studia i Prace Uniwersytetu Ekonomicznego w Krakowie
• Rocznik: 2009
• Numer: nr 2
• Strony: 411-421

Twórcy

autor

Andrzej Bąk

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bąk A. [2008], Problem doboru zmiennych w modelach klas ukrytych [w:] Modelowanie i prognozowanie zjawisk społeczno-gospodarczych, red. J. Pociecha, Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie, Kraków.
• Cerdeira J.O. і in. [2007], Subselect: Selecting Variable Subsets. R Package Version 0.9-9992, http://cran.mirroring.de/src/contrib/Dcscriptions/subselect.html, dostęp: 17 kwietnia 2007.
• DeSarbo W.S, Wedel M. [1994], A Review of Recent Developments in Latent Class Regression Models [w:] Advanced Methods of Marketing Research, ed. R.P. Bagozzi, Blackwell, Cambridge.
• Domański С, Pruska K. [2000], Nieklasyczne metody statystyczne, PWE, Warszawa.
• Everitt B.S. [2004], An R and S-PLUS Companion to Multivariate Analysis, Springer-Verlag, London.
• Furnival G.M., Wilson R.W. [2000], Regression by Leaps and Bounds, "Technometrics", nr 42 (1), Special 40th Anniversary Issue.
• Grabiński Т., Wydymus S., Zeliaś A. [1982], Metody doboru zmiennych w modelach ekonometrycznych, PWN, Warszawa.
• Jajuga K. [2007], From Multivariate Distribution to Data Analysis - Model Based Clustering [w:] Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia nr 14, Sekcja Klasyfikacji i Analizy Danych PTS, Prace Naukowe nr 1169, Wydawnictwo AK we Wrocławiu, Wrocław.
• Kaczmarczyk S. [2002], Badania marketingowe. Metody i techniki, PWF, Warszawa.
• Leisch F. [2004], FlexMix: A General Framework for Finite Mixture Models and Latent Class Regression in R, "Journal of Statistical Software", nr 11 (8), http://www.jstatsoft. org/vl1/i08/, dostęp: 17 kwietnia 2007.
• Linzer D., Lewis J. [2007] poLCA: Polytomous Variable Latent Class Analysis. R Package Version 1.1., http://userwww.service.emory.edu/~dlinzer/poLCA, dostęp: 17 kwietnia 2007.
• Pociecha J., Podolec B., Sokołowski A., Zając K. [1988], Metody taksonomiczne w badaniach społeczno-ekonomicznych, PWN, Warszawa.
• R Development Core Team [2008], R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, http://www.R-project.org, dostęp: 17 kwietnia 2007.
• Vriens M. [2001], Market Segmentation. Analytical Developments and Application Guidelines, Millward Brown IntelliQuest.
• Walesiak M., Dudek A. |2007], clusterSim: Searching for Optimal Clustering Procedurefor a Data Set. R Package Version 0.33-1, http://www.ae.jgora.pl/keii/clusterSim, dostęp: 17 kwietnia 2007.
• Zhong S., Ghosh J. [2003], A Unified Framework for Model-based Clustering, "Journal of Machine Learning Research", nr 4.