Modele mieszanek w taksonomii i regresji - graficzna prezentacja wyników

• Autorzy: Ewa Witek

Warianty tytułu

Mixture Models in Clustering and Regression - Graphical Results

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono podstawowe charakterystyki podejścia modelowego w taksonomii i regresji. Skoncentrowano się jednak głównie na zmiennych mierzonych na słabych skalach pomiaru (mieszanki dla tego typu zmiennych wykorzystywane są w badaniach marketingowych). Zaprezentowano przykład wykorzystania mieszanek modeli dwumianowych oraz mieszanek funkcji regresji Poissona w badaniach marketingowych, a wyniki badań przedstawiono graficznie. (fragment tekstu)

EN

The paper focuses on finite mixture models and their application in clustering and regression. These models are often used to capture overdispersion in the data which can occur for example if important covariates are omitted in the regression. It is then assumed that the influence of these covariates can be captured by allowing a random distribution for the intercept. The author presents the graphical results of research. (original abstract)

Słowa kluczowe

PL

Taksonomia; Modele regresji; Wizualizacja danych; Badania marketingowe; Studium przypadku

EN

Taxonomy; Regression models; Data visualisation; Marketing research; Case study

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2009
• Numer: nr 86 Wizualizacja wyników badań marketingowych : podejścia, metody i zastosowania
• Strony: 124--132

Twórcy

autor

Ewa Witek

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Banfield J.D., Raftery A.E., Model-Based Gaussian and Non-Gaussian Clustering, "Biometrics" 1993 nr 49, s. 803-821.
• Bąk A., Podejście modelowe w analizie skupień - zastosowania na przykładach danych symulacyjnych, [w:] Współczesne problemy modelowania i prognozowania zjawisk społeczno-gospodarczych, J. Pociecha (red.), UE, Kraków 2009, s. 411 -421.
• DeSarbo W.S., Cron W.L., A Maximum Likelihood Methodology for Clusterwise Linear Regression, "Journal of Classification" 1988 nr 5, s. 249-282.
• Dempster A.P., Laird N.M., Rubin D.B., Maxiumum Likelihood for Incomplete Data Via The EM Algorithm (With Discussion), "Journal of the Royal Statistical Society" 1977 Ser.B, nr 39, s. 1-38.
• Edwards Y., Allenby G., Multivariate Analysis of Multiple Response Data, "JMR" 2003 nr 30, s. 321-334.
• Fraley C., Raftery A.E., Model-based Clustering, Discriminant Analysis, and Density Estimation, "Journal of the American Statistical Association" 2002 nr 97, s. 611 -631.
• Frühwirth-Schnatter S., Finite Mixture and Markov Switching Models, Springer, 2006, s. 116-118.
• Jajuga K., From Multivariate Distribiton to Data Analysis - Model Based Clustering [w:] Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia nr 14, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1169, AE, Wrocław 2007.
• McLachlan G.J., Peel D., Finite Mixture Models, Wiley, New York 2000.
• Leisch R., Flexmix: A General Framework for Finite Mixture Models and Latent Class Regression in R, "Journal of Statistical Software" 2004 nr 11(8), s. 1-18, http://www.jstatsoft,org/vll/i08/.
• Stanford D.C., Raftery A.E., Principal Curve Clustering With Noise, "IEEE Transactions on Pattern Analysis and Machine Analysis" 2000 nr 22, s. 601-609.
• Wang P., Cockburn I.M., Puterman M.L., Analysis of Patent Data-A Mixed-Poisson-Regression-Model Approach, "Journal of Business & Economic Statistics" 1998 nr 16 (1), s. 27-41.
• Wedel M., Concomitant Variables in Finite Mixture Models, "Statistica Neerlandica" 2002 nr 55, s. 362- 375.
• Witek E., Analiza skupień - podejście modelowe, [w:] Statystyczna analiza danych z wykorzystaniem programu R, M. Walesiak, E. Gatnar (red.), PWN, Warszawa 2009, s. 434-462.