Wykorzystanie regresji nieparametrycznej do modelowania wielkości oszczędności gospodarstw domowych

• Autorzy: Joanna Trzęsiok

Warianty tytułu

Nonparametric Regression Applied to Modelling Household Savings

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono wykorzystanie regresji nieparametrycznej do modelowania wielkości oszczędności gospodarstw domowych. Analizę przeprowadzono na danych rzeczywistych, pochodzących z badania przeprowadzonego w 2000 r. przez Główny Urząd Statystyczny [GUS, 2001]. Przeprowadzone badania porównawcze pokazują, że niemożliwe jest wskazanie najlepszej metody regresji, która w każdej sytuacji, niezależnie od rozważanego zbioru danych, dawałaby najniższe błędy predykcji [Meyer et al., 2003]. W przypadku szacowania wielkości oszczędności gospodarstw domowych nie było też merytorycznych argumentów wspomagających wybór metody regresji. Zastosowano więc procedurę polegającą na zbudowaniu kilku modeli regresji nieparametrycznych i wybrano model o najlepszej zdolności predykcji, który następnie poprawiono poprzez wyeliminowanie z niego zmiennych nieistotnych. Wszystkie obliczenia i analizy wykonano z wykorzystaniem programu statystycznego R.(fragment tekstu)

EN

In the paper the procedure for selecting the best nonparametric model for a given problem of regression is presented. This procedure has two stages. In the first one, many nonparametric models of regression, for different parameters settings, are built. Then the model with the smallest mean squared error is chosen. In the second stage, the method for the reduction of insignificant predictors is used. This procedure is applied to modelling household savings.(original abstract)

Słowa kluczowe

PL

Regresja nieparametryczna; Oszczędności gospodarstw domowych; Badania empiryczne

EN

Nonparametric regression; Household savings; Empirical researches

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Numer: nr 159 Zastosowanie metod matematycznych w ekonomii i zarządzaniu
• Strony: 99--108

Twórcy

autor

Joanna Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Bishop C. (1995): Neural Networks for Pattern Recognition. Oxford University Press, Oxford.
• Breiman L. (1996): Bagging Predictors. "Machine Learning", 24, s. 123-140.
• Breiman L. (2001): Random Forests. "Machine Learning", 45, s. 5-32.
• Breiman L., Friedman J.H. (1985): Estimating Optimal Transformations for Multiple Regression and Correlation (with discussion). "Journal of the American Statistical Association", 80, s. 580-619.
• Breiman L., Friedman J.H., Olshen R.A., Stone C.J. (1984): Classification and Regression Trees. Chapman & Hall, New York.
• Friedman J. (1999a): Greedy Function Approximation: A Gradient Boosting Machine. Technical Report. Department of Statistics, Stanford University, Redwood City, CA.
• Friedman J. (1999b): Stochastic Gradient Boosting. Technical Report. Stanford University, Dept. of Statistics.
• Friedman J., Stuetzle W. (1981): Projection Pursuit Regression. "Journal of the American Statistical Association", 76, s. 817-823.
• Gatnar E. (2001): Nieparametryczna metoda dyskryminacji i regresji. "Biblioteka ekonometryczna", Wydawnictwo Naukowe PWN, Warszawa.
• GUS (2001): Warunki życia ludności w 2000 r. Warszawa.
• Hastie T., Tibshirani R., Friedman J. (2001): The Elements of Statistical Learning: Data Mining, Inference and Prediction. "Springer Series in Statistics", Springer Verlag, New York.
• Kooperberg C., Bose S., Stone C. (1997): Polychotomous Regression. "Journal of the American Statistical Association", 92, s. 117-127.
• Meyer D., Leisch F., Hornik K. (2003): The Support Vector Machine under Test. "Neurocomputing", 55(1-2), s. 169-186.
• Nagatani T., Abe S. (2007): Backward Variable Selection of Support Vector Regressors by Block Deletion. Proceedings of the International Joint Conference on Neural Networks, IJCNN 2007, IEEE, s. 2117-2122.
• Trzęsiok J. (2010): Dobór zmiennych do modelu regresyjnego zbudowanego za pomocą wybranych nieparametrycznych metod regresji. W: Klasyfikacja i analiza danych - teoria i zastosowania. Red. K. Jajuga, M. Walesiak. Taksonomia, 17, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław, s. 172-180.
• Vapnik V. (1998): Statistical Learning Theory. Adaptive and Learning Systems for Signal Processing, Communications, and Control. John Wiley & Sons, New York.