The Use of Finite Mixture Models in the Classification of the EU Member States

• Autorzy: Ewa Witek

Warianty tytułu

Zastosowanie modeli mieszanek do klasyfikacji krajów unii europejskiej

• Języki publikacji: EN

Abstrakty

EN

The aim of this paper is to determine the effect of different covariates on the number of years in the euro zone. The countries will be characterized by the selected economic indicators and convergence criteria. Poisson regression has been recognized as an important tool for analyzing this kind of data. (fragment of text)

Modele mieszanek rozkładów różnego typu są stosowane bardzo często wtedy, gdy zbiór obserwacji jest wysoce niejednorodny. Pozwalają one po pierwsze: na określenie optymalnej liczby klas (podzbiorów), po drugie na: zidentyfikowanie wielowymiarowych rozkładów zmiennych, charakteryzujących obiekty należące do poszczególnych klas. Celem artykułu jest weryfikacja i ocena ważności kryteriów wejścia poszczególnych państw do strefy euro. Na podstawie danych dotyczących 27 krajów Europy zbudowano model mieszanek rozkładów Poissona, wykorzystując pakiet flexmix w pro-gramie R. Określono optymalną liczbę klas, opierając się na kryteriach informacyjnych (np. BIC) oraz zinterpretowano parametry oszacowanego modelu. (abstrakt oryginalny)

Słowa kluczowe

EN

Statistics; Poisson regression

PL

Statystyka; Regresja Poissona

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2011
• Numer: nr 65 Statistical inference methods in economic research
• Strony: 91--99

Twórcy

autor

Ewa Witek

• University of Economics in Katowice, Poland, doktorant

Bibliografia

• D. M. Titterington, A. E. Smith. U. E. Makov: Statistical Analysis of Finite Mixture Distribution. John Wiley & Sons, San Diego 1985.
• G. J. McLachlan, D. Peel: Finite Mixture Models. Wiley, New York 2000, p. 81-116.
• P. McCullagh, J. Nelder: Generalized linear models. Chapman and Hall, New York 1989.
• M. Wedel, W. S. DeSarbo: A Mixture Likelihood Approach for Generalized Linear Models. "Journal of Classification" 1995, No. 12, p. 21-55.
• A. P. Dempster, N. M. Laird. D. B. Rubin: Maxiumum Likelihood for Incomplete Data via the EM Algorithm (with discussion). "Journal of the Royal Statistical Society" 1977. Series B, No. 39, p. 1-38.
• P. Wang: Mixed Regression Models for Discrete Data. PhD thesis, University of British Columbia, Vancouver 1994.
• C. Biernacki, G. Celeux, G. Govaert: Choosing Models in Model-based Clustermg and Discriminant Analysis. "Journal of Statistical Computation and Simulation" 1999. No. 64, p. 49-71.
• R. E. Kass, A. E. Raftery: Bayes Factors. "Journal of the American Statistical Association" 1995, No. 90 , p. 928-934.
• C. Keribin: Consistent Estimation of the Order of Mixture Models. "Sankhya Indian Journal Statistics" 2000, No. 62, p. 49-66.
• C. Fraley, A E. Raftery: Model-based Clustering. Discriminant Analysis, and Density Estimation. "]ournal of the American Statistical Association" 2002, No. 97, p. 611-631.
• D. Stanford, A. E. Raftery: Principal Curve Clustering with Noise."IEEE Transactions on Pattem Analysis and Machine Intelligence" 2000, No. 22, p. 601-609.
• F. J. Carmone. A. Kara. S. Maxwell: HINoV: A New Method to lmprove Market Segment Definition by Identifying Noisy Variables."Journal of Marketing Research" 1999, No. 36. p. 501-509.
• D. B. Dean: Testig for Overdispersion in Poisson and Binomial Regression Models. "Journal of the American Statistical Association" 1992, No. 87, p. 451-457.
• F. S. Blum, Y. Zhang, B. M. Sadler, R. J. Kozick: On the Approximation of Correlated Non-Gussian Noise PDFs Using Gaussian Mixture Models. Conference on the Applications of Heavy Tailed Distributions in Economics. "Engineering and Statistics" 1999, American University DC.
• F. Murtagh, J. L Starck: Bayes Factors for Edge Detection from Wavelet Product Spaces. "Optical Engineering" 2003, No. 4, p. 1375-1382.
• F. Murtagh, J. L. Starck: Quantization from Bayes Factors with Application to Multilevel Yhresholding.""Pattern Recognition Letters" 2003, No. 24.
• P. Wang, M. L. Puterman, I. Cockburn, N. Le: Mixed Poisson Regression Models with Covariate Dependent Rates. "Biometrics" 1996, No. 52, p. 381-400.
• P. Wang, I. Cockburn, M. L. Puterman: Analysis of Patent Data-A Mixed-Poisson- Regression-Model Approach "Journal of Business & Economic Statistics" 1998, No. 16. p. 27-41.