Zastosowanie regresji klas ukrytych w analizie danych mikroekonometrycznych

• Autorzy: Marcin Pełka , Aneta Rybicka

Warianty tytułu

Application of Latent Class Regression in the Analysis of Microeconometrics Data

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono zastosowanie regresji klas ukrytych w metodach wyborów dyskretnych, gdzie głównym celem jest wskazanie, które ze zmiennych wpływają na nieznaną strukturę klas. Dzięki wykorzystaniu regresji klas ukrytych z zastosowaniem pakietu flexmix programu R odkryto nieznaną wcześniej strukturę dwóch klas konsumentów piwa jasnego. Klasa 1 to osoby częściej spożywające piwo, w niewielkich ilościach, a co za tym idzie - wydające na piwo niewiele. Natomiast klasa 2 to osoby kupujące piwo rzadziej, ale w większych ilościach i za większe kwoty pieniężne. (abstrakt oryginalny)

EN

The paper presents a possibility of application of latent class regression in discrete choice analysis. The main aim is to present which variables have significant influence on unknown class structure. The application of latent class regression, with application of flexmix package of R software, allowed to discover two, prior unknown, clusters of light beer consumers. Cluster 1 - people that drink beer more often, but not too much at once and they spend less money. Cluster 2 - people that drink beer from time to time but they buy much more beer and they spend more money. (original abstract)

Słowa kluczowe

PL

Ekonometria; Analiza klas ukrytych; Mikroekonometria

EN

Econometrics; Latent class analysis; Microeconometrics

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2012
• Numer: nr 3 (37)
• Strony: 26--39

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

autor

Aneta Rybicka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bartholomew D.J., Knott M., Latent Variable Models and Factor Analysis, Arnold Kendall's Library of Statistics, London 2002.
• Bąk A., Rybicka A., Application of Discrete Choice Methods in Consumer Preference Analysis, [w:] D. Baier, K.-D. Wernecke (red.), Innovations in Classification, Data Science, and Information Systems, Proc. 27th Annual GfKL Conference, University of Cottbus, March 12-14, 2003, Springer-Verlag, Heidelberg-Berlin 2005.
• Gatnar E., Walesiak M. (red.), Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa 2011.
• Gruszczyński M. (red.), Mikroekonometria. Modele i metody analizy danych indywidualnych, Wolters Kluwer Polska Sp. z o. o., Warszawa 2010.
• Hagenaars J.A., McCutheon A.L., Applied Latent Class Analysis, Cambridge University Press, Cambridge 2002.
• Lazerfeld P.F., Henry N.W., Latent Structure Analysis, Houghton Miffilin, Boston 1968.
• Leish F., FlexMix: A general framework for finite mixture models and latent class regression in R, "Journal of Statistical Software" 2004, vol. 8, Issue 11.
• Magidson J., Vermunt J. K., A Nontechnical Introduction to Latent Class Models, Statistical Innovations White Paper