Identyfikacja determinant bogactwa dochodowego z zastosowaniem modelu logitowego

• Autorzy: Anna Sączewska-Piotrowska

Warianty tytułu

Identification of Determinants of Income Richness Using Logistic Regression Model

• Języki publikacji: PL

Abstrakty

Celem artykułu była identyfikacja czynników objaśniających bogactwo gospodarstw domowych. W analizie zastosowano model logitowy, w którym rolę zmiennej zależnej pełniła zmienna binarna - przynależność do sfery bogactwa, przyjmująca wartość jeden, gdy gospodarstwo domowe należało do sfery bogactwa oraz wartość zero, gdy gospodarstwo domowe nie należało do sfery bogactwa. Wśród potencjalnych czynników uwzględniono zarówno cechy głowy gospodarstwa domowego (np. płeć, wiek, wykształcenie), jak i cechy samego gospodarstwa (np. miejsce zamieszkania, liczba osób). Oszacowany model poddano weryfikacji statystycznej polegającej na badaniu statystycznej istotności parametrów oraz na określeniu stopnia dopasowania modelu do danych empirycznych. (abstrakt oryginalny)

EN

The aim of the paper was identifying the factors explaining income richness. The logit model in which the dependent variable was binary was used - variable equals to 1 if household was rich and equals to 0 if household was not rich. Among the potential factors there were taken into account characteristics of household (e.g. place of resident, number of persons in household) and household's head (e.g. gender, age, education). The goodness of fit and statistical significance of estimated parameters were evaluated. (original abstract)

Słowa kluczowe

PL

Model logitowy; Modele regresji; Gospodarstwa domowe; Zamożność społeczeństwa; Dochody gospodarstw domowych

EN

Logit model; Regression models; Households; Society affluence; Household income

• Czasopismo: Zarządzanie i Finanse
• Rocznik: 2015
• Numer: R. 13, nr 4, cz. 2
• Strony: 241-259

Twórcy

autor

Anna Sączewska-Piotrowska

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• 1. Dudek H., Dybciak M. (2006), Zastosowanie modelu logitowego do analizy wyników egzaminu, Zeszyty Naukowe SGGW, "Ekonomika i Organizacja Gospodarki Żywnościowej", nr 60.
• 2. Gruszczyński M. (2001), Modele i prognozy zmiennych jakościowych w finansach i bankowości, Szkoła Głowna Handlowa, Warszawa.
• 3. Harańczyk G. (2010), Krzywe ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia, w: Medycyna i analiza danych, StatSoft, Kraków.
• 4. Jackowska B. (2011), Efekty interakcji między zmiennymi objaśniającymi w modelu logitowym w analizie zróżnicowania ryzyka zgonu, "Przegląd Statystyczny" nr 1-2.
• 5. Jackowska B., Wycinka E. (2009), Modele ryzyka skreślenia z listy studentów na przykładzie studentów trybu niestacjonarnego, w: "Taksonomia" nr 16. Klasyfikacja i analiza danych - teoria i zastosowania, Jajuga K., Walesiak M. (red.), Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 7, Wrocław.
• 6. Kasprzyk B., Fura B. (2011), Wykorzystanie modeli logitowych do identyfikacji gospodarstw domowych zagrożonych ubóstwem, "Wiadomości Statystyczne" nr 6.
• 7. Konsumpcja elit ekonomicznych w Polsce - ujęcie empiryczne (2006), Słaby T. (red.), SGH, Warszawa.
• 8. Kopczewska K., Kopczewski T., Wojcik P. (2009), Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, Warszawa.
• 9. KPMG w Polsce (2014), Rynek dóbr luksusowych w Polsce. Edycja 2014.
• 10. Książek M. (2013), Analiza danych jakościowych, w: Zaawansowane metody analiz statystycznych, Frątczak E. (red.), Szkoła Głowna Handlowa, Warszawa.
• 11. Leigh A. (2009), Top incomes, w: The Oxford handbook of economic inequality, Salverda W., Nolan B., Smeeding T. (red.), Oxford University Press, Oxford.
• 12. McFadden D. (1977), Quantitative methods for analyzing travel behaviour of individuals: Some recent developments, Cowles Foundation Discussion Paper No. 474, Yale University, New Haven.
• 13. Peichl A., Schaefer T., Scheicher C. (2008), Measuring richness and poverty: A micro data application to Europe and Germany, IZA Discussion Papers No. 3790, Institute for the Study of Labor (IZA).
• 14. Rada Monitoringu Społecznego (2014), Diagnoza społeczna 2000-2013: zintegrowana baza danych, http://www.diagnoza.com, dostęp dnia 9.11.2014.
• 15. Radziukiewicz M. (2006), Zasięg ubóstwa w Polsce, PWE, Warszawa.
• 16. R Development Core Team (2015), R: a language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, http://www.r-project.org.
• 17. Rusnak Z. (2012), Logistic regression model in poverty analyses, "Ekonometria" nr 1.
• 18. Stanisz A. (2007), Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny, t. 2, Modele liniowe i nieliniowe, StatSoft, Krakow.
• 19. Top incomes over the twentieth century (2007), Atkinson A., Piketty T. (red.), Oxford University Press, Oxford.
• 20. Więckowska B (2015), Podręcznik użytkownika - PQStat, PQStat Software.
• 21. Żarnowski J. (1992), Bieda i dostatek 1918-1939, w: Nędza i dostatek na ziemiach polskich od średniowiecza po wiek XX, Sztetyłła J. (red.), Seria: Instytut Historii Kultury Materialnej PAN, Semper, Warszawa.