O dwóch sposobach uwzględnienia niejednorodności obserwacji w modelu częstości zakupów

• Autorzy: Robert Kapłon

Warianty tytułu

Two Approaches for Modelling Data Heterogeneity in a Purchase Frequency Model

• Języki publikacji: PL

Abstrakty

Dane dotyczące częstości zakupów są obecnie łatwo dostępne za sprawą systemów transakcyjnych, które je zbierają i przechowują. Dlatego potrzebne są odpowiednie narzędzia pozwalające na ich analizę. Często wykorzystywany model Poissona, ze względu na niejednorodność danych, jest nieodpowiedni. W tej sytuacji należy poszukiwać bardziej złożonych i zarazem bardziej wiarygodnych modeli. W pracy zaprezentowano dwa konkurencyjne modele pozwalające na uchwycenie niejednorodności: mieszanki rozkładów Poissona oraz mieszane modele Poissona. Wychodząc natomiast od przesłanek teoretycznych i empirycznych, wskazano na podobieństwa i różnice między nimi.(abstrakt oryginalny)

EN

Purchase frequency data are easily available with respect to the transactional systems that collect and store them. Thus, one needs suitable tools allowing for analyzing such data. Frequently used Poisson model on account of the data heterogeneity is unsuitable. This implies that the more complex and more reliable models are needed. In the paper we describe two competitive models allowing for capturing heterogeneity: finite mixture Poisson and mixed Poisson model. We also show similarities and differences based on theoretical as well as empirical background.(original abstract)

Słowa kluczowe

PL

Taksonomia; Rozkład Poissona; Analiza nierównomierności rozkładów

EN

Taxonomy; Poisson distribution; Unequal distribution analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2011
• Tom: 18
• Numer: nr 176 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 306--312

Twórcy

autor

Robert Kapłon

• Politechnika Wrocławska

Bibliografia

• Agresti A., Categorical Data Analysis, Wiley-Interscience Publication, New Jersey 2002.
• Clogg C.C., Latent Class Models, [w:] G. Arminger, C.C. Clogg, M.E. Sobel (red.), Handbook of Statistical Modelling for Social and Behavioural Science, Plenum, New York 1995, s. 311-359.
• Ehrenberg A., My Research in Marketing: How It Happened, "Marketing Research" 2004, vol. 16, s. 36-41.
• Gupta R.C., Ong S.H., Analysis of long-tailed count data by Poisson mixtures, "Communications in Statistics - Theory and Methods" 2005, no. 34, s. 557-573.
• Holgate P., The modality of some compound Poisson distributions, "Biometrika" 1970, no. 57, s. 666-667.
• Johnson N.L., Kemp A.W., Kotz S., Univariate Discrete Distributions, Hoboken, Wiley-Interscience, N.J. 2005.
• Kapłon R., Analiza danych dyskretnych za pomocą metody LCA, [w:] K. Jajuga, M. Walesiak (red.), Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia nr 9, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, Wrocław 2002.
• McCutcheon A.L., Latent Class Analysis, Sage University Papers Series on Quantitative Applications in the Social Sciences, 07-064, Thousand Oaks 1987.
• McLachlan G.J., Peel. D., Finite Mixture Models, Wiley, New York 2000.
• R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna 2009, URL: http://www.R-project.org.
• Titterington D.M., Smith A.F.M., Markov U.E., Statistical Analysis of Finite Mixture Distributions, John Wiley & Son, New York 1985.
• Vermunt J.K., Mixture Model, [w:] M. Lewis-Beck, A. Bryman, T.F. Liao (red.), Encyclopedia of Research Methods for the Social Sciences, Sage Publications, New Bury Park 2004, s. 653.
• Winkelmann R., Econometric Analysis of Count Data, Springer, Berlin 2008.