The multinomial mixture model - the analysis of students' attitude to the Silesia region

• Autorzy: Ewa Genge

Warianty tytułu

Mieszanki rozkładów wielomianowych - analiza postaw studentów wobec województwa Śląskiego

• Języki publikacji: EN

Abstrakty

EN

We have shown the use of the mixture models in the classification of students studying in different parts of Silesia. The mixture of multinomial models analysis yields two groups of students. The first group comprises students who feel strong ties with Silesia. The bond with Silesia in the second group of students is quite weak. The mixture model analysis has confirmed that students' and their parents' background has the influence on those two different attitudes. The difference can be especially observed among students living/studying in the Dabrowa Basin. Administratively, they feel Silesian. They live in this region, but do not have the roots here, so they do not necessarily identify with everything that Silesia is connected with. (fragment of text)

Mieszanki rozkładów są stosowane wówczas, gdy zbiór obserwacji charakteryzuje się nadmiernym rozproszeniem. W literaturze najczęściej są spotykane mieszanki rozkładów normalnych (model-based clustering). W referacie zostaną przedstawione mieszanki rozkładów wielomianowych oraz wyniki ich zastosowań do podziału studentów o podobnych postawach wobec województwa śląskiego (jego tradycji, kultury, możliwości rozwoju itd.). Badania zostaną przeprowadzone za pomocą pakietu mixtools programu komputerowego R. (abstrakt oryginalny)

Słowa kluczowe

EN

Inferential statistics; Local identity; Questionnaire survey; Students

PL

Wnioskowanie statystyczne; Tożsamość lokalna; Badania ankietowe; Studenci

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Numer: nr 133 Metody wnioskowania statystycznego w badaniach ekonomicznych
• Strony: 135--145

Twórcy

autor

Ewa Genge

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Banfield J.D., Raftery A.E. (1993): Model-based Gaussian and Non-Gaussian Clustering. "Biometrics", No. 49.
• Biernacki C., Celeux G., Govaert G. (1999): Choosing Models in Model-based Clustering and Discriminant Analysis. "Journal of Statistical Computation and Simulation", No. 64.
• Bozdogan H. (2000): Akaike's Information Criterion and Recent Developments in Information Criterion. "Journal of Mathematical Psychology", No. 44.
• Celeux G., Govaert G. (2008): http://www.mixmod.org/IMG/pdf/statdoc_2_1_1.pdf.
• Dempster A.P., Laird N.P., Rubin D.B. (1977): Maximum Likelihood for Incomplete Data Via the EM Algorithm (with discussion). "Journal of the Royal Statistical Society", No. 39, ser. B.
• Fraley C., Raftery A.E. (2002): Model-based Clustering, Discriminant Analysis, and Density Estimation. "Journal of the American Statistical Association", No. 97.
• Kass R.E., Raftery A.E. (1995): Bayes Factors. "Journal of the American Statistical Association", No. 90.
• Keribin C. (2000): Consistent Estimation of the Order of Mixture Models. "Sankhya Indian Journal Statistics", No. 62.
• McLachlan G.J., Peel D. (2000): Finite Mixture Models. Wiley, New York.
• Stanford D., Raftery A.E. (2000): Principal Curve Clustering with Noise. "IEEE Transactions on Pattern Analysis and Machine Intelligence", No. 22.
• Titterington D.M., Smith A.F., Makov U.E. (1985): Statistical Analysis of Finite Mixture Distribution. John Wiley & Sons, San Diego.
• Wang P. (1994): Mixed Regression Models for Discrete Data, PhD thesis. University of British Columbia, Vancouver.
• Wedel M., DeSarbo W.S. (1995): A Mixture Likelihood Approach for Generalized Linear Models. "Journal of Classification", No. 12.
• Witek E. (2010a): Analysis of Massive Emigration from Poland - the Model-based Clustering Approach. Proceedings of the 32nd Annual Conference of the Gesellschaft für Klassifikation, Springer.
• Witek E. (2010b): Wykorzystanie mieszanek rozkładów w regresji. W: Współczesne problemy modelowania i prognozowania zjawisk społeczno-gospodarczych. Red. J. Pociecha. Wydawnictwo UE, Kraków.