Territorial Division and Income Affluence - Analysis Using Two-Level Logit Models

• Autorzy: Anna Sączewska-Piotrowska

Warianty tytułu

Podział terytorialny a zamożność dochodowa - analiza z wykorzystaniem dwupoziomowych modeli logitowych

• Języki publikacji: EN

Abstrakty

Celem pracy była ocena zróżnicowania występowania zamożności gospodarstw domowych w Polsce pomiędzy podregionami. Przeprowadzono analizę przy użyciu dwupoziomowych modeli logitowych bez zmiennych objaśniających (model pusty) i ze zmiennymi objaśniającymi na poziomie gospodarstwa domowego (model z losowym wyrazem wolnym i model z losowym nachyleniem). Zmienne odnosiły się do cech głowy gospodarstwa domowego, jak również do samego gospodarstwa. Przeprowadzona analiza pozwoliła stwierdzić, że występowanie zamożności jest zróżnicowane pomiędzy podregionami, zarówno w modelu pustym, jak i w modelu ze zmiennymi objaśniającymi.(abstrakt oryginalny)

EN

The aim of the paper was to assess differentiation of the occurrence of households' income affluence in Poland between subregions. An analysis was conducted using two-level logit models without explanatory variables (null model) and with explanatory variables at household level (random intercept model and random slope model). The variables were related to the characteristics of the household and its head. The conducted analysis allowed to state that the occurrence of affluence is differentiated between subregions in the null model as well as in the model with explanatory variables.(original abstract)

Słowa kluczowe

PL

Model logitowy; Modelowanie ekonometryczne; Zamożność społeczeństwa; Dochody; Gospodarstwa domowe

EN

Logit model; Econometric modeling; Society affluence; Income; Households

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2018
• Tom: 22
• Numer: nr 4
• Strony: 65-78

Twórcy

autor

Anna Sączewska-Piotrowska

• University of Economics in Katowice, Poland

Bibliografia

• Amara M., Jemmali H., 2018, Household and contextual indicators of poverty in Tunisia: A multilevel analysis, Social Indicators Research, vol. 137, is. 1, pp. 113-138.
• A practical guide to mixed models in R, 2017, https://ase.tufts.edu/gsc/gradresources/guidetomixedmodelsinr/mixed model guide.html (16.06.2018).
• Austin P.C., Merlo J., 2017, Intermediate and advanced topics in multilevel logistic regression analysis, Statistics in Medicine, vol. 36, no. 20, pp. 3257-3277.
• Barr D.J., Levy R., Scheepers C., Tily H.J., 2013, Random effects structure for confirmatory hypothesis testing: keep it maximal, Journal of Memory and Language, vol. 68, no. 3, pp. 1-43.
• Bates D., Maechler M., Bolker B., Walker S., 2015, Fitting linear mixed-effects models using lme4, Journal of Statistical Software, vol. 67, is. 1, pp. 1-48.
• Bivand R., Lewin-Koh N., 2017, Maptools: Tools for reading and handling spatial objects, R package version 0.9-2, https://CRAN.R-project.org/package=maptools.
• Bose A., Chakravarty S.R., D'Ambrosio C., 2014, Richness orderings, The Journal of Economic Inequality, vol. 12, is. 1, pp. 5-22.
• Brady D., Fullerton A.S., Cross J.M., 2009, Putting poverty in political context: a multi-level analysis of adult poverty across 18 affluent democracies, Social Forces, vol. 88, no. 1, pp. 271-299.
• Brzeziński M., 2010, Income affluence in Poland, Social Indicators Research, vol. 99, no. 2, pp. 285-299.
• Council for Social Monitoring, 2016, Integrated database, http://www.diagnoza.com (11.09.2016).
• Di Maggio F., Romanowski P., Walter C., 2003, Eastern European banking matures, The McKinsey Quarterly, no. 2.
• Domański H., Pokropek A., 2011, Podziały terytorialne, globalizacja a nierówności społeczne. Wprowadzenie do modeli wielopoziomowych, Wydawnictwo IFiS PAN, Warszawa.
• European Commission, 2010, Algorithms to compute Social Inclusion Indicators based on EU-SILC and adopted under the Open Method of Coordination (OMC), Doc. LC-ILC/39/09/EN-rev.1, http://www.dst.dk/ext/747139308/0 (15.06.2018).
• Evans M., Hastings N., Peacock B., 1993, Statistical Distributions, John Wiley and Sons, New York.
• Franzini M., Granaglia E., Raitano M., 2016, Extreme Inequalities in Contemporary Capitalism. Should We Be Concerned about the Rich?, Springer, Switzerland.
• Hutton R., 2006, Rich spurn ultra-luxury cars, The Sunday Times, November 5, 2006.
• Kim K., Lee Y., Lee Y., 2010, A multilevel analysis of factors related to poverty in welfare states, Social Indicators Research, vol. 99, iss. 3, pp. 391-404.
• Larsen K., Merlo J., 2005, Appropriate assessment of neighbourhood effects on individual health: integrating random and fixed effects in multilevel logistic regression, American Journal of Epidemiology, vol. 161, no. 1, pp. 81-88.
• Larsen K., Petersen J.H., Budtz-Jorgensen E., Endahl L., 2000, Interpreting parameters in the logistic regression model with random effects, Biometrics, vol. 56, no. 3, pp. 909-914.
• Lüdecke D., 2018a, Sjmisc: Miscellaneous data management tools, R package version 2.7.0, https://CRAN.R-project.org/package=sjmisc.
• Lüdecke D., 2018b, SjPlot: Data visualization for statistics in social science, R package version 2.4.1, https://CRAN.R-project.org/package=sjPlot.
• Moineddin R., Matheson F.I., Glazier R. II, 2007, A simulation study of sample size for multilevel logistic regression models, BMC Medical Research Methodology, vol. 7, no. 34, pp. 1-10.
• Peichl A., Schaefer T., Scheicher C., 2010, Measuring richness and poverty: a micro data application to Europe and Germany, Review of Income and Wealth, vol. 56, is. 3, pp. 597-619.
• Radziukiewicz M., 2006, Zasięg ubóstwa w Polsce, PWN, Warszawa.
• Random effects testing, 2009, http://glmm.wikidot.com/random-effects-testing (15.06.2018).
• Raudenbush S.W., Bryk A.S., 2002, Hierarchical Linear Models: Applications and Data Analysis Methods, Sage Publications, Thousand Oaks.
• R Core Team, 2017, R: A language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, Austria, URL https://www.R-project.org.
• Rynek dóbr luksusowych w Polsce. Edycja 2017, 2017, KPMG, https://assets.kpmg.com/content/dam/kpmg/pl/pdf/2017/12/pl-Raport-KPMG-Rynek-dobr-luksusowych-w-Polsce-Edycja-2017.pdf (15.05.2018).
• Sączewska-Piotrowska A., 2015, Identyfikacja determinant bogactwa dochodowego z zastosowaniem modelu logitowego, Zarządzanie i Finanse, vol. 13, no. 4/2, pp. 241-259.
• Snijders T.A.B., Bosker R.J., 1999, Multilevel Analysis. An Introduction to Basic and Advanced Multilevel Modelling, Sage Publications, London.
• Tӧrmӓlehto V.-M., 2017, High income and affluence: evidence from the European Union statistics on income and living conditions (EU-SILC), 2017 Edition, Statistical Working Papers, European Union.
• Twisk J.W.R., 2006, Applied Multilevel Analysis. A Practical Guide, Cambridge University Press, New York.
• Vorbeke G., Molenberghs G., 2000, Linear Mixed Models for Longitudinal Data, Springer, New York.
• Wickham H., 2009, Ggplot2: Elegant Graphics for Data Analysis, Springer-Verlag, New York.
• Zasobność gospodarstw domowych w Polsce. Raport z badania 2016 r., 2017, NBP, Departament Analiz Ekonomicznych i Departament Stabilności Finansowej, Warszawa, https://www.nbp.pl/aktualnosci/wiadomosci_2018/Raport_BZGD_2016.pdf (24.06.2018).
• http://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/administrative-units-statistical-units (21.06.2017).

Identyfikatory

DOI

10.15611/eada.2018.4.04