Wykorzystanie klasycznych metod analizy danych i sieci neuronowych do prognozowania upadku gospodarstw rolniczych - podejście klasyfikacyjne i regresyjne

• Autorzy: Joanna Kisielińska

Warianty tytułu

The Use of Classical Methods in Data Analysis and Neural Networks for Forecasting the Collapse of Farms - Classification and Regression Approach

• Języki publikacji: PL

Abstrakty

Przedstawiono modele klasyfikacji, które mogą być wykorzystywane do budowy prognoz ostrzegawczych dla gospodarstw rolniczych. Modele te opracowane zostały za pomocą liniowej analizy dyskryminacyjnej oraz "klasyfikacyjnych" i "regresyjnych" sieci neuronowych.

EN

Models of classifications which can be used for construction of warning forecasts for farms was described. These models were drawn up with the help of linear discriminant analysis (LDA) and "classification" and " regression" of neural networks. (AT)

Słowa kluczowe

PL

Sieci neuronowe; Analiza dyskryminacyjna; Prognozy gospodarcze; Gospodarstwa rolne

EN

Neural networks; Discriminant analysis; Economic forecast; Arable farm

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2008
• Tom: Modelowanie preferencji a ryzyko '08
• Strony: 167--182

Twórcy

autor

Joanna Kisielińska

Bibliografia

• Altman E.I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23, September.
• Barnes P. (2000). The Identification of U.K. Takeover Targets Using Published Historical Cost Accounting Data Some Empirical Evidence Comparing Logic with Linear Discriminant Analysis and Raw Financial Ratios with Industry - Relative Ratios. International Revew of Financial - Analysis, 9, 2.
• Ciechomski W. (2004). Analiza czynników determinujących "upadłość ekonomiczną" indywidualnych gospodarstw rolnych i przedsiębiorstw przetwórstwa rolno-spożywczego w Polsce w minionym dziesięcioleciu. W: Upadłość przedsiębiorstw w Polsce w latach 1990-2003: teoria i praktyka. Zeszyty Naukowe. AE, Poznań, 49.
• Cramer J.S. (1999). Predictive Performance of the Binary Logit Model in Unbalance Samples. The Statistician, 48, 1.
• Gatnar E. (2001). Nieparametryczna metoda dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa.
• Hadasik D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. AE, Poznań.
• Karnels G.V., Prakash A.J. (1987). Multivariate Normality and Forecasting of Business Bankruptcy. Journal of Business and Accounting, 14(4).
• Kisielińska J. (2006). Wykorzystanie analizy dyskryminacyjnej oraz sieci neuronowych do prognozowania sytuacji finansowej gospodarstw rolniczych z weryfikacją roli czasu. Acta Scientarum Polonarum. Seria Oeconomia, 5 (2).
• Kolonko J. (1980). Analiza dyskryminacyjna i jej zastosowania w ekonomii. PWN, Warszawa.
• Krzyśko M. (1990). Analiza dyskryminacyjna. Wydawnictwo Naukowo-Techniczne. Warszawa.
• Maddala G.S. (1994). Limited - Dependent and Qualitative Variables in Econometrics. Cambridge University Press, Cambridge.
• Morrison D.F. (1990). Wielowymiarowa analiza statystyczna. PWN, Warszawa.
• Osowski S. (1996). Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwo Naukowo-Techniczne. Warszawa.
• Tadeusiewicz R. (1993). Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa.
• Witkowska D. (2000). Sztuczne sieci neuronowe w analizach ekonomicznych. Menadżer, Łódź.
• Witkowska D., Staniec I. (2002). Dychotomiczna klasyfikacja kredytobiorców przy użyciu wielowymiarowej analizy dyskryminacyjnej. W: Wybrane problemy wielowymiarowej analizy statystycznej. Acta Universitatis Lodziensis. UŁ, Łódź.
• Wyszkowska Z. (1996). Wybrane elementy wskaźnikowej analizy finansowej na przykładzie przedsiębiorstw rolniczych. ART, Bydgoszcz.
• Ziętara W. , Kosiorek M., Tchorzewska E., Kondraszuk T. (1994). Rachunek ekonomiczny i analiza finansowa w przedsiębiorstwie rolniczym. Centrum Doradztwa i Edukacji w Brwinowie, Warszawa.