Segmentacja uczestników Industriady z wykorzystaniem analizy klas ukrytych

• Autorzy: Ewa Genge

Warianty tytułu

Clustering of Industrial Holiday Participants with the Use o Latent Class Analysis

• Języki publikacji: PL

Abstrakty

Modele mieszanek, których składowe charakteryzowane są przez rozkłady prawdopodobieństw (tzw. rozkłady składowe mieszanki), reprezentują tzw. podejście modelowe w taksonomii. W ostatnim czasie na popularności coraz bardziej zyskują modele mieszanek rozkładów dla zmiennych jakościowych (mierzonych na skalach słabych), zwane również modelami lub analizą klas ukrytych (latent class analysis). Celem artykułu będzie segmentacja uczestników Industriady, tj. imprez organizowanych przy obiektach leżących na Szlaku Zabytków Techniki Województwa Śląskiego. Obliczenia zostaną przeprowadzone za pomocą pakietu poLCA programu R.(abstrakt oryginalny)

EN

The paper focuses on latent class models and their application for quantitative data. Latent class modeling is one of multivariate analysis techniques of the contingency table and can be viewed as a special case of model-based clustering, for multivariate discrete data. It is assumed that every observation comes from one of the numbers of subpopulations, with its own probability distribution. We used latent class analysis for grouping and detecting homogeneity of participants of industrial holiday - "Industriada" using poLCA package of R. We analyzed data collected by the Marketing Department of University of Economics in Katowice.(original abstract)

Słowa kluczowe

PL

Analiza klas ukrytych; Segmentacja; Taksonomia

EN

Latent class analysis; Segmentation; Taxonomy

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2013
• Tom: 20
• Numer: nr 278 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 246--253

Twórcy

autor

Ewa Genge

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Agresti A., Categorical Data Analysis, John Wiley&Sons, Hoboken 2002.
• Akaike H., A new look at statistical model identification, "IEEE Transactionson Automatic Control" 1974, 19, s. 716-723.
• Bandeen-Roche K., Miglioretti D.L., Zeger S.L., Rathouz P.J., Latent variable regression for multiple discrete outcomes, "Journal of the American Statistical Association" 1997, 92(40), s. 123-135.
• Bąk A., Modele klas ukrytych dla danych jakościowych, [w:] E. Gatnar, M. Walesiak, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa 2011, s. 204-222.
• Biernacki C., Celeux G., Govaert G.: Choosing models in model-based clustering and discriminant analysis, "Journal of Statistical Computation and Simulation" 1999, 64, 49-71.
• Collins L.M., Lanza S.T., Latent Class and Latent Transition Analysis with Applications in the Social, Behavioral, and Health Sciences, John Wiley&Sons, Wiley 2011.
• Dayton C. M., Macready G.B., Concomitant-variable latent-class models, "Journal of the American Statistical Association" 1988, 83(401), s. 173-178.
• Dempster A.P., Laird N.P., Rubin D.B., Maximum likelihood for incomplete data via the EM algorithm (with discussion), "Journal of the Royal Statistical Society" 1977, 39, s. 1-38.
• Hagenaars A.J., McCutcheon A.L., Applied Latent Class Analysis, Cambridge University Press, Cambridge 2002.
• Linzer D., Lewis J., poLCA: an R package for polytomous variable latent class analysis, "Journal of Statistical Software" 2011, 42(10), s. 1-29.
• Schwarz G., Estimating the dimension of a model, "The Annals of Statistics" 1978, 6, s. 461-464.
• Witek E., Modele mieszanek dla danych jakościowych, [w:] E. Gatnar, M. Walesiak, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa 2011a, s. 223-241.
• Witek E., The Comparison of Model-Based Clustering with Heuristic Clustering Methods, [w:] Cz. Domański, J. Białek, Folia Oeconomica 255, Methodological Aspects of Multivariate Statistical Analysis, Statistical Models and Applications, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2011b, s. 191-197.