Zaufanie do instytucji publicznych i finansowych w polskim społeczeństwie - analiza empiryczna z wykorzystaniem ukrytych modeli Markowa

• Autorzy: Ewa Genge

Warianty tytułu

Trust to the Public and Financial Institutions in the Polish Society - an Application of Latent Markov Models

• Języki publikacji: PL

Abstrakty

Ukryte modele Markowa zaliczane są do grupy modeli ze zmiennymi ukrytymi, w których wykorzystywana jest idea mieszanek rozkładów. Modele te stosowane są najczęściej dla danych panelowych czy szeregów czasowych, gdzie celem jest już nie tylko podział obserwacji na homogeniczne grupy, ale również pewna analiza zmian w czasie. W części empirycznej artykułu uwzględnione zostaną dodatkowo tzw. zmienne towarzyszące. Celem badań będzie podział Polaków na klasy o podobnym stopniu zaufania do instytucji publicznych i finansowych, a także zaobserwowanie zmian ich postaw na przestrzeni kilku lat. Badania przeprowadzone będą za pomocą ukrytych modeli Markowa (latent Markov models) z wykorzystaniem pakietów depmixS4 i Rsolnp programu R(abstrakt oryginalny)

EN

The latent Markov model is a variation of the latent class model that is applied to estimate not only the prevalence of latent class membership, but the incidence of transitions over time in latent class membership. We used model-based clustering approach for grouping and detecting inhomogeneities of the Polish attitudes to public and financial institutions. We focused especially on the latent Markov models with covariates which additionally allow us to investigate the dynamic pattern of trust to the Polish institutions for different demographic features. We analyzed data collected as part of the Polish Social Diagnosis using depmixS4 package of R.(original abstract)

Słowa kluczowe

PL

Modele Markowa; Analiza empiryczna; Instytucje publiczne; Ukryty model Markowa

EN

Markov models; Empirical analysis; Public institutions; Hidden Markov model

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2015
• Tom: 24
• Numer: nr 384 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 100--107

Twórcy

autor

Ewa Genge

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Agresti A., 2002, Categorical Data Analysis, John Wiley&Sons, Hoboken.
• Akaike H., 1974, A new look at statistical model identification, IEEE Transactions on Automatic Control, 19, s. 716-723.
• Cappe O., Moulines E., Ryden T., 2005, Inference in Hidden Markov Models, Springer-Verlag, New York.
• Chung H., Walls T., Park Y., 2007, A latent transition model with logistic regression, Psychometrika, 72, s. 413-435.
• Collins L.M., Lanza S.T., 2011, Latent Class and Latent Transition Analysis with Applications in the Social, Behavioral, and Health Sciences, John Wiley&Sons, Wiley.
• Dayton C.M., Macready G.B., 1988, Concomitant-variable latent-class models, Journal of the American Statistical Association, 83(401), s. 173-178.
• Diagnoza społeczna 2013. Warunki i jakość życia Polaków (raport), Czapiński J., Panek T. (red.), Warszawa, Rada Monitoringu Społecznego (22.08.2013).
• 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, s. 1-38.
• Frühwirth-Schnatter S., 2006, Finite Mixture and Markov Switching Model, Springer-Verlag, New York.
• Genge E., 2013, A latent class analysis of the public attitude towards the euro adoption in Poland, Advances in Data Analysis and Classification, Springer 2013, s. 1-16.
• Ghysels E., 1994, On the periodic structure of the business cycle, Journal of Business and Economic Statistics, no. 12 (3), s. 289-298.
• Hagenaars A.J., McCutcheon A.L., 2002, Applied Latent Class Analysis, Cambridge University Press, Cambridge.
• Kim C.J., 1994, Dynamic linear models with Markov-switching, Journal of Econometrics, vol. 60, s. 1-22.
• Krogh A., 1998, An introduction to hidden Markov models for biological sequences, [w:] Salzberg S.L., Searls D.B., Kasif S. (red.), Computational Methods in Molecular Biology, Elsevier, Amsterdam, s. 45-63.
• Podgórska M., Śliwka P., Topolewski M., Wrzosek M., 2000, Łańcuchy Markowa w teorii i zastosowaniach, SGH, Warszawa.
• Rabiner L.R., 1989, A tutorial on hidden Markov models and selected applications in speech recognition, Proceedings of IEEE, vol. 77, no 2, s. 267-295.
• Schmittmann V.D., Visser I., Raijmakers M.E.J., 2006, Multiple learning modes in the development of rule-based category-learning task performance, Neuropsychologia, 44 (11), s. 2079-2091.
• Schwarz G., 1978, Estimating the dimension of a model, Annals of Statistics, 6, s. 461-464.
• Stawicki J., 2004, Wykorzystanie łańcuchów Markowa w analizie rynku kapitałowego, Wydawnictwo Uniwersytetu Mikołaja Kopernika, Toruń.
• Szumlicz T., 2013, Stan społeczeństwa obywatelskiego. Stosunek do instytucji finansowych. Diagnoza Społeczna 2013. Warunki i Jakość Życia Polaków - Raport [Special issue], Contemporary Economics, 7, 310-316.
• Vermunt J.K., Langeheine R., Böckenholt U., 1999, Discrete-time discrete-state latent Markov models with time-constant and time-varying covariates, Journal of Educational and Behavioral Statistics, 24, s. 178-205.
• Vermunt J.K., 2010, Longitudinal Research Using Mixture Models, [w:] K. van Montfort, J.H.L. Oud, A. Satorra (red.), Longitudinal research with latent variables, Springer, Berlin Heidelberg, 119-152.
• Visser I., Speekenbrink M, 2010, depmixS4: An R Package for Hidden Markov Models, Journal of Statistical Software, vol. 36, no. 7, s. 1-21.
• Visser I., 2011, Seven things to remember about hidden Markov models: a tutorial on Markovian models for time series, Journal of Mathematical Psychology, 55(6), s. 403-415.
• Wickens T.D., 1982, Models for Behavior: Stochastic Processes in Psychology, W.H. Freeman and Company, San Francisco.
• Zucchini W., MacDonald I., 2010, Hidden Markov Models for Time Series: An Introduction Using R, Monographs on Statistics and Applied Probability, Boca Raton, CRC Press.

Identyfikatory

DOI

10.15611/pn.2015.384.10