Problem wyboru liczby klas w analizie klas ukrytych

• Autorzy: Iwona Kasprzyk

Warianty tytułu

The Problem of Choosing the Number of Classes

• Języki publikacji: PL

Abstrakty

W artykule zostaną przedstawione badania symulacyjne określające poprawność wyboru liczby klas ze względu na założoną liczebność próby, wielkość klas, liczbę zmiennych. Dane zostały wygenerowane za pomocą funkcji polca. simdata znajdującej się w pakiecie poLCA w programie R. (fragment tekstu)

EN

The latent class analysis is one of multivariate techniques of the contingency table which is based on discrete data. This method was introduced by Lazarsfeld [1968]. The main aim of this article is to show simulation research results. The results describe choosing the correct number of classes with respect to number of sample size, number of latent classes and number of variables. In this article, various criteria of choosing the correct model were used. (original abstract)

Słowa kluczowe

PL

Analiza klas ukrytych; Analiza danych

EN

Latent class analysis; Data analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 291--298

Twórcy

autor

Iwona Kasprzyk

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Akaike H. (1974), A new look at the statistical model identification, IEEE Transactions on Automatic Control 19 (6), s. 716-723.
• Biernacki C., Celeux G., Govaert, G. (2000), Assessing a Mixture Model for Clustering with the Integrated Completed Likelihood, IEEE Transactions on Pattern Analy sis and Machine Intelligence, 22 (7), s. 719-725.
• Bozdogan H. (1987), Model selection and Akaike's information criterion (AIC): the general theory and its analytical extensions, "Psychometrica" 52, s. 345-370.
• Bozdogan H. (1992), Choosing the number of component clusters in the mixture- model using a new informational complexity criterion of the inverse-fisher information matrix" [w:] Information and classification: concepts, methods and applications, red. O. Opitz, B. Lausen, R. Klar, Springer-Verlag, New York, s. 44-54.
• Bozdogan H. (1994), Mixture-model cluster analysis using model selection criteria and a new information measure of complexity, [w:] Proceedings of the Fist US/Japan Conference on the Frontiers of Statistical Modeling: An Informational Approach, red. H. Bozdogan, vol. 2, Kluwer Academic Publishers, Boston, s. 69-113.
• Celeux G., Soromenho G. (1996), An entropy criterion for assessing the number of clusters in a mixture model, "Classifcation Journal" 13, s. 195-212.
• Dias J.G. (2006), Data science and classification. model selection for the binary latent class model: a monte carlo simulation, Heidelberg-Springer-Verlag.
• Kullback S., Leibler R.A. (1951), On information and sufficiency, "The Annals of Mathematics Statistics" 22, 76-86.
• Lazarsfeld P.F., Henry N.W. (1968), Latent structure analysis, Houghton Mil, Boston.
• Linker D.A., Lewis J. (2006), poLca: Polytomous Variable Latent Lass Analysis, http://userwww.service.emory.edu/~dlinzer/poLCA/.
• McLachlan G., Peel D. (2000), Finite mixture models, Wiley.
• Schwartz G. (1978), Estimating the dimension of a model, "The Annals of Statistics", nr 6(2), s. 461-464.
• Scolve L.S. (1987), Application of model-selection criteria to some problems in multivariate Analysis, "Psychometrika" 52, s. 333-343.