Metody analizy danych symbolicznych w badaniach ekonomicznych

• Autorzy: Andrzej Dudek

Warianty tytułu

Method of Symbolic Data Analysis in Economic Research

• Języki publikacji: PL

Abstrakty

Głównym celem pracy jest opracowanie na podstawie literatury i badań własnych spójnej i całościowej koncepcji danych symbolicznych, metod i narzędzi ich analizy, przetwarzania i interpretacji wyników oraz przeprowadzenie oceny zastosowania podejścia symbolicznego w badaniach społeczno-ekonomicznych. Cel główny pracy zostanie osiągnięty przez realizację celów cząstkowych, któ- rymi są: - przedstawienie podstaw koncepcyjnych podejścia symbolicznego, związanych z nim pojęć tablicy danych symbolicznych, obiektu symbolicznego i zmiennej symbolicznej oraz określenie cech wspólnych i cech dystynktywnych z powszechnie używanymi w ekonomii podejściami: ilościowym i jakościowym, - zaproponowanie systematyki metod podejścia symbolicznego i przedstawienie szczegółów implementacyjnych najważniejszych spośród tych metod, - przedstawienie zastosowań podejścia symbolicznego w analizie zjawisk ekonomicznych dla rzeczywistych, skompletowanych przez autora zbiorów danych symbolicznych(fragment tekstu)

EN

New challenges that the technological revolution of the late twentieth and twenty-first century placed in front of social sciences, including economics, make it necessary to redefine the existing research methods and to create the new ones. On the one hand they are available for the analysis datasets (databases) with unusual size before the information revolution counted in the hundreds of thousands, millions or even tens of millions of objects. On the other hand, the computational ability of modern computers allow for a much more precise analysis, which aim is not only to find the numerical results, but also to discover rules, logical relationships and patterns in the analyzed data, which previously lay in the sphere of interpretation rather than the integral part of the research. These two factors determine the directions of the development of modern methods of data analysis. At the end of the twentieth century, one of the most significant attempts to respond to these challenges was the development of methods for the analysis of symbolic data in the symbolic approach, distinguishing itself from previously known methods for the analysis of economic data with: 1. The possibility of mapping of economic phenomena modeled on the symbolic representing not but not only also text data, numerical intervals, a list of categories and the distributions of discrete variables. Operating on these data, although not "reserved" for the symbolic approach, one can find the examples of extension of known methods of multivariate statistical analysis to customize data formats. However, only a symbolic approach creates a wholly-valued and consistent set of tools to manipulate these values. 2. The possibility of defining the rules of logical and hierarchical relationship to the data used in the methods of this approach. 3. Extended form of the results. The results of a number of symbolic approaches is the detection of logical dependencies in a modeled segment of reality and storage in form of symbolic rules. 4. Lack of restrictions on the size of the analyzed raw data. Symbolic approach methods, using primary data aggregation in the symbolic objects of the second row creation do not impose any restrictions on the practice of the size of the input data (often derived from computer databases). Data aggregation is indeed not a unique feature of the symbolic approach, but the imposition of a large emphasis on the correctness of the process of aggregation and enhanced form of the resulting data minimize the information loss in the process. This paper presents the conceptual basis for the symbolic approach, the related concepts of symbolic data table, symbolic object and symbolic variable as well as it defines common and distinctive features of widely used quantitative and qualitative approaches in economics:, proposes the systematics of symbolic approach methods, presents the most important implementation details of these methods, and shows the use of the symbolic approach for the analysis of economic phenomena for real, completed by the author, symbolic data sets. The work consists of five chapters supplemented by an introduction, final conclusions, bibliography and attachments. The first chapter contains a proposal for placement of the symbolic approach in economics. It presents the characteristics of two most important, quantitative and qualitative, approaches in the analysis of economic data and highlights features of the symbolic approach that distinguish them from both qualitative and quantitative approach determining that the symbolic approach can be seen as a new sub-branch in the analysis of economic data. In the second chapter there are presented the most important issues of symbolic data analysis. It defines the concept of a symbolic variable, symbolic data table and symbolic object, discusses types of symbolic relationships between variables, defines the concept of probabilistic and Boolean symbolic objects, concept of symbolic objects of the first row, second row and synthetic symbolic objects, and shows the difference between Polish and foreign (first of all English and French) terminology for this type of symbolic objects. In this chapter there is also proposed a distinction between two paths of symbolic data analysis and a summary of the techniques used in the symbolic approach. Moreover, the chapter proposes the classification of symbolic data analysis methods, depending on the type of study and type of variables describing the symbolic data array used in the study. The third chapter characterizes measure of distance used for the symbolic data. The construction of distance measures for symbolic data requires consideration of two important problems which do not occur in the case of traditional data matrix: the lack of data to define the basic symbolic mathematical operators and the fact that the symbolic objects are usually characterized by symbolic variables of different types, with different realizations connected by different types of dependencies. This chapter presents the design of the most important distance measures for symbolic data, taking into account these limitations. It also describes partial and full matching measure of symbolic objects and key statistics defined for one or more symbolic variables. Chapter four presents the methods of examination of structure of symbolic data set. Cluster analysis procedure for symbolic data is characterized along with limitations of this procedure due to the form of symbolic data and the proposed modifications to the variable selection methods, actual partitioning methods and construction of clustering quality indices, as well as issues concerning the definition of clusters for symbolic data. This chapter also describes methods of reducing symbolic data dimensionality: principal component analysis, multidimensional scaling, and self-organizing Kohonen maps. The descriptions of the research methods are supplemented by numerous studies using methods of examination of structure of symbolic data set (symbolic data table). They study the structure of the Chinese economy using dynamic classification of probabilistic symbolic objects of the second row corresponding to provinces and separate cities in China, the level and structure of innovation in the European Union using dynamic classification of secondorder symbolic objects described by interval symbolic variables and segmentation of integrated enterprise resource planning (ERP) systems on the Polish software market with the use of classification of Boolean objects symbolic of the first row. Chapter five presents the symbolic approach methods of examination of relationships between variables. In the group of discriminant analysis methods there are presented: multiple discriminant analysis and discriminant analysis based on the intensity estimators, and a description of the author's Symbolic Kernel Discriminant Analysis Spam Filter, used to filter unsolicited e-mail in an Outlook e-mail program using discriminant analysis based on the intensity estimators. Among methods of discriminant analysis carried out by the classification tree construction algorithms there are presented classification trees based on the optimal division, Bayesian classification trees and tiered classification trees and described the study of assessing the credibility of the bank borrowers using the classification tree method for the construction of symbolic data based on the optimal division. This chapter also contains the characteristics of the methods of regression analysis to the data described by symbolic interval variables and non-linear regression analysis of the Multilayer Perceptron type. An integral part of this work is a programming package of symbolicDA containing the implementations of the presented methods and algorithms for the symbolic approach in the popular R statistical environment described in Appendix A. Appendix B contains the symbolic data sets used during the studies described in the fourth and fifth chapters.(original abstract)

Słowa kluczowe

PL

Analiza danych; Analiza skupień; Skalowanie wielowymiarowe; Ekonomia

EN

Data analysis; Cluster analysis; Multidimensional scaling; Economics

• Czasopismo: Monografie i Opracowania Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2013
• Numer: nr 226
• Strony: 230

Twórcy

autor

Andrzej Dudek

Bibliografia

• Adamczewski P. (2003), Zintegrowane systemy informatyczne w praktyce, wyd. III, Wydawnictwo MIKOM, Warszawa.
• Adams A.J., Van Anken (1995), Observations: a new approach to measuring product category membership, "Journal of Advertising Research", September/October, no. 5, 73-79.
• Agresti A. (2002), Categorical Data Analysis, John Wiley and Sons, New York.
• Aldenderfer M.S., Blashfield R.K. (1984), Cluster Analysis, Sage, Beverly Hills.
• Alefeld G., Mayer G. (2000), Interval analysis: Theory and applications, ,,Journal of Computational and Applied Mathematics", no. 121, 421-464.
• Altman E.I. (1968), Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, "Journal of Finance", vol. 23, no. 4, 189-209.
• Anderberg M.R. (1973), Cluster analysis for applications, Academic Press, New York, San Francisco, London.
• Anderson E., Bai Z., Bischof C., Blackford S., Demmel J., Dongarra J., Du Croz J., Greenbaum A., Hammarling A., McKenney A., Sorensen D. (1999), LAPACK User's Guide, Third Edition, SIAM, Philadelphia.
• Antoszkiewicz J. (1990), Metody heurystyczne, twórcze rozwiązywanie problemów, PWE, Warszawa.
• Arroyo J., Maté C., Muñoz-San Roque A. (2006), Hierarchical clustering for boxplot variables, [w:] V. Batagelj, H.H. Bock, A. Ferligoj, A. Žiberna (red.), Data Science and Classification, Studies in Classification, Data Analysis and Knowledge Organization, Springer-Verlag Berlin-Heidelberg, 59-66.
• Assael H., Poltrack D.F. (1999), Relating products to TV program clusters, "Journal of Advertising Research", no. 39, 2, 41 -52.
• Bacelar-Nicolau H. (2000), The affinity coefficient, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, 160-165.
• Baker F.B., Hubert L.J. (1975), Measuring the power of hierarchical cluster analysis, "Journal of the American Statistical Association", vol. 70, no. 349, 31-38.
• Banfield J.D., Raftery A.E. (1993), Model-based Gaussian and non-Gaussian clustering, "Biometrics", no. 49, 803-821.
• Barkai H. (1996), The methodenstreit and the emergence of mathematical economics, "Eastern Economic Journal", no. 1, vol. 22, 1-19.
• Bartłomowicz T. (2003), Metoda conjoint analysis jako narzędzie prognozowania preferencji nabywców nieruchomości, Taksonomia 10, Prace Naukowe AE we Wrocławiu nr 988, Wrocław, 32-40.
• Batóg B., Mojsiewicz M., Wawrzyniak K. (2009), Badanie rynku ubezpieczeń III filara z zastosowaniem analizy korespondencji, Taksonomia 16, Prace Naukowe UE we Wrocławiu nr 47, Wrocław, 149-156.
• Bayes T. (1763), An essay towards solving a problem in the doctrine of chances. By the late rev. Mr. Bayes, communicated by Mr. Price, in a letter to John Canton, "Philosophical Transactions of the Royal Society of London", no. 53 (1763), 370-418.
• Bąk A. (2004), Dekompozycyjne metody pomiaru preferencji w badaniach marketingowych, Monografie i Opracowania nr 157, Prace Naukowe AE we Wrocławiu nr 1013, Wrocław.
• Beale E.M.L. (1969), Euclidean cluster analysis, "Bulletin of the International Statistical Institute", no. 43, 92-94.
• Beckenridge J.N. (1989), Replicating cluster analysis: method, consistency and validity, "Multivariate Behavioral Research", 24, 147-161.
• Benzérci J. (1973), L'analyse des données. Tome I: La taxinomie. Tome II: L'analyse des correspondances, Dunod, Paris.
• Berkson J. (1944), Application of the logistic function to bio-assay, "Journal of the American Statistical Association", no. 39, 357-365.
• Berlage L., Legesse H. (1990), Classification of countries on the basis of different sets of socioeconomic variables, "Research Papers in Economic Development", no. 8, Leuven.
• Berndsen R., Daniels H. (1989), Sequential economics and qualitative economics, [w:] L.F. Pau, J. Motiwalla, Y.H. Pao, H.H. Teh (red.), Expert Systems in Economics, Banking and Management, North Holland, New York.
• Berry M.J.A., Linoff G.S. (1997), Data Mining Techniques: For Marketing, Sales, and Customer Support, John Willey & Sons, Chichester.
• Billard L., Diday E. (2006), Symbolic Data Analysis, Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• Bishop C.M. (1995), Neural Networks for Pattern Recognition, Oxford University Press Great Clarendon Street, Oxford.
• Bliss C.I. (1934), The method of probits, "Science", no. 79, 38-39, 409-401.
• Błażejowski M., Kufel T. (2007), Projektowanie scenariuszy promocji cenowych z wykorzystaniem wielorównaniowych ekonometrycznych modeli popytu konsumpcyjnego, Taksonomia 14, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 515-522.
• Bock H.H. (2000), Dissimilarity measures for probability distributions, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, 153-164.
• Bock H.H. (2008), Visualising symbolic data by Kohonen maps, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 205-234.
• Bock H.H., Diday E. (red.) (2000), Analysis of Symbolic data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin.
• Boole G. (1854), The Laws of Thought, Walton and Maberly, London.
• Boland L.A. (1998), The Foundations of Economic Method, George Allen & Unwin, London, Boston, Sydney.
• Bollen K.A. (1989), Structural Equations With Latent Variables, John Wiley, New York.
• Bollerslev T. (1986), Generalized autoregressive condition heteroskedasticity, "Journal of Econometrics", no. 31, 307-327.
• Borg I., Groenen P. (2005), Modern Multidimensional Scaling. Theory and Applications. Second Edition, Springer-Verlag, New York.
• Borys T. (1980), Elementy teorii jakości, PWN, Warszawa.
• Borys T. (1984), Kategoria jakości w statystycznej analizie porównawczej, Monografie i Opracowania nr 23, Prace Naukowe AE we Wrocławiu nr 284, Wrocław.
• Box G.E.P., Jenkins G.M. (1976), Time Series Analysis: Forecasting and Control, Holden-Day, San Francisco.
• Bravo Llatas M.C., Garcia-Sentesmasses J.M. (2000), The affinity coefficient, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, 266-293.
• Breiman L., Friedman J., Olshen R., Stone C. (1984), Classification and Regression Trees, Wadsworth, Monterey.
• Breiman L. (1998), Arcing Classifiers, "The Annals of Statistics", no. 26 (3), 801-849.
• Breiman L. (2001), Random Forests, "Machine Learning", vol. 45, issue 1, 5-32.
• Breiman L. (1994), Bagging Predictors, Technical Report, no. 421, September 1994, partially supported by NSF grant DMS-9212419, Department of Statistics University of California, Berkeley, California 94720.
• Brems H. (1975), Marshall on mathematics, "Journal of Law and Economics", no. 18 (2), University of Chicago Press, 583-585.
• Brito P. (1991), Analyse de données symboliques. Pyramides d'héritage, Doctoral thesis, Univ. Paris IX Dauphine.
• Brito P. (2004), Clustering interpretation. Interpreting clusters by using the module CLINT, [w:] M. Noirhomme-Fraiture (red.), User Manual for SODAS 2 Software, Software Report, Analysis System of Symbolic Official Data, Project no. IST-2000-25161, Paris.
• Brito P., de Carvalho F.A.T. (2008), Hierarchical and pyramidal clustering, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis and the Sodas Software, John Wiley & Sons, Chichester, 157-180.
• Bronsztejn I.N., Siemiendajew K.A., Musiol G., Muhlig H. (2004), Nowoczesne kompendium matematyki, PWN, Warszawa.
• Bunge M. (1968), O przyczynowości. Miejsce zasady przyczynowej we współczesnej nauce, PWN, Warszawa.
• Burt C. (1950), The factorial analysis of qualitative data, "British Journal of Psychology", no. 3, 166-185.
• Bytniewski A. (red.) (2005), Architektura zintegrowanego systemu informatycznego zarządzania, Wydawnictwo AE, Wrocław.
• Caliendo M., Clement M., Papies D., Scheel-Kopeinig S. (2012), The Cost Impact of Spam Filters - Measuring the Effect of Information System Technologies in Organizations "Information Systems Research", 23, 1068-1080.
• Caliński R.B., Harabasz J. (1974), A dendrite method for cluster analysis, "Communications in Statistics", vol. 3, 1-27.
• Carmone F., Kara A., Maxwell F. (1999), Hinov: A new model to improve market segments definition by identifying noisy variables, "Journal of Marketing Research", November, vol. 36, 501-509.
• Cazes P., Chouakria A., Diday E., Schektman Y. (1997), Extension de l'analyse en composantes principales ŕ des données de type intervalle, Revue de Statistique Appliquée, XIV(3), 5-24.
• Celeux G., Diday E., Govaert G., Lechevallier Y., Ralambondrainy H. (1989), Classification Automatique des Donnees, Dunod, Paris.
• Chang H.-H., Huang W.-Ch. (2006), Application of a quantification SWOT analytical method, "Mathematical and Computer Modelling", no. 43, 158-169.
• Chavent M. (1992), Analyses des donnes symboliques. Une methode divisive de classification, Doctoral thesis, Universite Paris IX-Dauphine.
• Chavent M. (2000), Criterion-Based Divisive clustering for symbolic data symbolic data, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin.
• Chavent M., de Carvalho F.A.T, Verde R., Lechevallier Y. (2003), Trois nouvelle méthodes de classification automatique de données symboliques de type intervalle, "Revue de Statistique Appliquée", LI 4, 5-29.
• Chouakria A., Diday E., Cazes P. (1998), An improved factorial representation of symbolic objects, [w:] Studies and Research, Proceedings of the Conference on Knowledge Extraction and Symbolic Data Analysis (KESDA'98), Office for Official Publications of the European Communities, Luxembourg, 276-289.
• Chouakria A., Cazes P.., Diday E. (2000), Symbolic principal componenet analysis, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, 200-211.
• Chrzanowska M., Kompa K., Witkowska D. (2005), Analiza spłat pewnego kredytu okolicznościowego, modele logitowe i sieci neuronowe, Metody Ilościowe w Badaniach Ekonomicznych V, SGGW, Warszawa.
• Churchill G.A. (1995), Marketing Research: Methodological Foundations, Dryden, Forth Worth.
• Cieślak M. (red.) (2005), Prognozowanie gospodarcze, metody i zastosowania, PWN, Warszawa.
• Connolly T., Begg C. (2004), Systemy baz danych,Wydawnictwo RM, Warszawa.
• Coombs D.V. (1950), Psychological Sscaling without a unit of measurement, "Psychological Review", no. 57, 145-158.
• Cox T.F., Cox M.A.A. (2001), Multidimensional Scaling. Second Edition, Chapman and Hall, London.
• Cragg J.G., Uhler R.S. (1970), The Demand for automobiles, "The Canadian Journal of Economics/Revue Canadienne d'Economique", vol. 3, no. 3 (Aug. 1970), 386-406.
• Dalkey N., Helmer O. (1963), An Experimental application of the Delphi Method to the use of experts, "Management Science", vol. 9, no. 3.
• Dąbrowski M., Laus-Mączyńska K. (1978), Metody wyszukiwania i klasyfikacji informacji, WNT, Warszawa.
• De Bodt E., Gregoire P., Cottrel M. (2001), Прогнозирование долгосрочных процентнин ставок с помощью самоорганизующинся карт, [w:] G. Deboeck, T. Kohonen (red.), Анализ финансовых данных с помощью самоорганизующинся карт, Springer, Moskwa, 63-79.
• De Boeck G. (2001), Выбор взаимных инвестиционных фондов с помощью самоорганизующихся карт Кохонена, [w:] G. Deboeck, T. Kohonen (red.), Анализ финансовых данных с помощью самоорганизующинся карт, Springer, Moskwa, 80-103.
• De Boeck G., Kohonen T. (red.) (2001), Анализфинансовых данных с помощьюсамоорганизующинся карт, Springer, Moskwa.
• Debreu G. (2008), Mathematical economics, [w:] S.N. Durlauf, L.E. Blume (red.), The New Palgrave Dictionary of Economics, second edition, Palgrave Macmillan, London.
• de Carvalho F.A.T., Souza R. (1998), Statistical proximity functions of Boolean symbolic objects based on histograms, "Advances in Data Science and Classification", Heidelberg-Springer-Verlag, 391-396.
• de Carvalho F.A.T., Lechevalier I., Verde R. (2008), Clustering methods in symbolic data analysis, [w:]
• E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 205-234.
• Denoeux T., Masson M. (2000), Multidimensional scaling of interval-valued dissimilarity data, "Pattern Recognition Letters", vol. 21, issue 1, 83-92.
• De Soete G. (1986), Optimal variable weighting for ultrametric and additive tree clustering, "Quality & Quantity", no. 20, 169-180.
• De Soete G. (1988), OVWTRE: a program for optimal variable weighting for ultrametric and additive tree fitting, "Journal of Classification", vol. 5, 101-104.
• Diday E. (1984), Une représentation visuelle des classes empiétantes: Les pyramides. Research Report 291. INRIA, Rocquencourt, Le Chesnay, France.
• Diday E. (1986), Orders and overlapping clusters by pyramids, [w:] J. de Leeuw, J. Heiser, J. Meulman, F. Critchley (red.), Multidimensional Data Analysis, Leiden: DSWO Press, 201-234.
• Diday E. (2002), An Introduction to Symbolic Data Analysis and the SODAS Software, J.S.D.A., International E-Journal, Paris.
• Diday E., Brito P. (1989), Symbolic cluster analysis, [w:] O. Opitz (red.), Conceptual and Numerical Analysis of Data, Springer-Verlag, Berlin-Heidelberg, 45-84.
• Diday E., Noirhomme-Fraiture M. (red.) (2008), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester.
• Domański C. (1997), Wprowadzenie do analitycznego procesu hierarchicznego, [w:] K. Jajuga, M. Walesiak (red.), Taksonomia nr 4. Klasyfikacja i analiza danych. Teoria i zastosowania, Wrocław, Wrocław, 217-226.
• Domański C., Pruska K. (2000), Nieklasyczne metody statystyczne, PWE, Warszawa.
• Duda R.O., Hart P.E. (1973), Classification and Scene Analysis, A Wiley-Interscience Publication, Wiley, New York.
• Dudek A. (1999), Programowanie geometryczne jako narzędzie optymalizacji w ekonomii, praca doktorska (rękopis).
• Dudek A. (2004a), Miary podobieństwa obiektów symbolicznych. Odległość Ichino-Yaguchiego, Prace Naukowe AE we Wrocławiu nr 1021, Wrocław, 100-106.
• Dudek A. (2004b), Tworzenie obiektów symbolicznych z baz danych, Prace Naukowe AE we Wrocławiu nr 1021, Wrocław, 107-114.
• Dudek A. (2005), Miary odległości dla obiektów symbolicznych. Odległość de Carvalho, Prace Naukowe AE we Wrocławiu nr 1100, Wrocław, 21-30.
• Dudek A. (2007a), Metody klasyfikacji dla danych symbolicznych - symulacja porównawcza, Prace Naukowe AE we Wrocławiu nr 1151, Wrocław 19-26.
• Dudek A. (2007b), Metoda taksonomii wrocławskiej w klasyfikacji obiektów symbolicznych, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 169-177.
• Dudek A. (2007c), Discrimination of Symbolic Objects, 2007, Acta Universitatis Lodziensis, Folia Oeconomica nr 206, Wydawnictwo Uniwersytetu Łódzkiego, 167-176.
• Dudek A. (2008), Kohonen Self-Organizing Maps for Symbolic Objects, Acta Universitatis Lodziensis. Folia Oeconomica nr 216, Wydawnictwo Uniwersytetu Łódzkiego, 245-252.
• Dudek A. (2009a), Internal Cluster Quality Indexes for Classification of Symbolic Data, Acta Universitatis Lodziensis, Folia Oeconomica nr 225, 91-100.
• Dudek A. (2009b), Multidimensional Scaling for Symbolic Interval Data, Acta Universitatis Lodziensis, Folia Oeconomica nr 228, 257-263.
• Dudek A. (2009c), Tworzenie zagregowanych modeli dyskryminacyjnych dla obiektów symbolicznych - wybrane problemy, Studia i Prace UE w Krakowie nr 3, Kraków, 33-40.
• Dudek A. (red.) (2011), Systemy informatyczne zarządzania. Microsoft Business Solutions Navision, Wydawnictwo UE we Wrocławiu, Wrocław
• Dudek A., Pełka M. (2008), SymScal: metoda skalowania wielowymiarowego obiektów symbolicznych, Prace Naukowe AE we Wrocławiu 1207, Wrocław, 454-461.
• Dudek A., Pełka M. (2009), Effectiveness of Symbolic Classification Trees vs. Noisy Variables, Acta Universitatis Lodziensis, Folia Oeconomica nr 228, 173-179.
• Dudek A., Pełka M. (2011), Analiza dyskryminacyjna i drzewa klasyfikacyjne na podstawie danych symbolicznych [w:] E. Gatnar, M. Walesiak (red.) (2011), Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, Bock, Warszawa.
• Dudek A., Michalska-Dudek I. (2011), Model przewidywania lojalności klientów biur podróży z wykorzystaniem sieci neuronowej typu MLP, Marketing i Rynek nr 8/2011, 21-32.
• Dudek A. (2012), symbolicDA package, http://www.R-project.org.
• Dudek A., Wilk J. (2009), Metody doboru zmiennych w procesie klasyfikacji obiektów symbolicznych, Prace Naukowe UE we Wrocławiu nr 84, Wrocław.
• Dziechciarz J., Walesiak M. (1996), Modelowanie wyboru wariantu kształcenia policealnego uczniów za pomocą metody conjoint analysis, Materiały z XVIII Ogólnopolskiego Seminarium Naukowego nt. Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, Kraków, 145-155.
• Dziechciarz J. (red.) (2002), Ekonometria. Metody, przykłady, zadania, Wydawnictwo AE we Wrocławiu, Wrocław.
• El Golli A., Conan-Guez B., Rossi F. (2004), Self organizing map and symbolic data, "Journal of Symbolic Data Analysis", vol. 2.
• Engle R.F., Rangel J.G. (2008), The spline-GARCH model for low-frequency volatility and its global macroeconomic causes, "Review of Financial Studies", Oxford University Press for Society for Financial Studies, vol. 21(3), 1187-1222.
• Epanechnikov V.A. (1969), Nonparametric estimates of multivariate probability density, "Theory of Probability and It's Applications", vol. 14, 153-158.
• Erdener K., Kucukemiroglu O., Kara A. (1994), Consumers' perceptions of airlines: A correspondence analysis approach in a global airline industry, "Management International Review", Third Quarter, no. 34 (3), 235-255.
• Esposito F., Malerba D., Appice A. (2008), Dissimilarity nad matching, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis and the Sodas Software, John Wiley & Sons, Chichester, 123-149.
• Everitt B.S. (1974), Cluster analysis, Heinemann, London.
• Everitt B.S., Landau S., Leese M. (2001), Cluster Analysis, Edward Arnold, London.
• Fisher R.A. (1922), The goodness of fit of regression formulae, and the distribution of regression coefficients, "J. Royal Statist. Soc." (Blackwell Publishing), no. 85 (4), 597-612.
• Fisher R.A. (1925), Statistical Methods for Research Workers, Oliver and Boyd, Edinburgh.
• Fisher R.A. (1936), The use of multiple measurements in taxonomic problems, Annals of Eugenics, t. 7, 179-188.
• Florek K., Łukasiewicz J., Perkal J., Steinhaus H., Zubrzycki S. (1951), Taksonomia wrocławska, "Przegląd Antropologiczny", nr (17), 193-210.
• Foryś I. (2008), Wykorzystanie metody porządkowania liniowego do oceny polskiego rynku nieruchomości, Taksonomia 15, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 381-389.
• Fowlkes E.B., Gnanadesikan R., Kettenring J.R. (1987), Variable selection in clustering and other contexts, [w:] C.L. Mallows (red.), Design, Data, and Analysis, Wiley, New York, Toronto.
• Fowlkes E.B., Gnanadesikan R., Kettenring J.R. (1988), Variable selection in clustering, "Journal of Classification", vol. 5, 205-228.
• Fowlkes E.B., Mallows C.L. (1983), A method for comparing two hierarchical clusterings, "Journal of the American Statistical Association", no. 383, 553-569.
• Friedman M. (1953), Essays on Positive Economics, The University of Chicago Press, Chicago, London.
• Friedman J.H. (1991), Multivariate adaptive regression splines, "Annals of Statistics", no. 19, 1-141.
• Friedman J.H., Stuetzle W. (1981), Projection pursuit regression, "Journal of the American Statistical Association", no. 76, 817-823.
• Friedman J.H., Meulman J.J. (2004), Clustering objects on subsets attributes, "Journal of the Royal Statistical Society", Series B (Statistical Methodology), November 2004, vol. 66, issue 4, 815-849.
• Freund Y., Schapire R.E. (1996), A decision-theoretic generalization of on-line learning and an application to boosting, "Journal of Computer and System Sciences", no. 55, 119-139.
• Galton F. (1877), Typical laws of heredity, "Nature", no. 15, 492-495, 512-514, 532-533.
• Galton F. (1885), Types and their inheritance [Presidential address, Section H, Anthropology], "Nature", no. 32, 507-510.
• Gatnar E. (1993), Modelowanie jakościowe zjawisk ekonomicznych, praca doktorska (rękopis).
• Gatnar E. (1994), Metody modelowania jakościowego, Oficyna Wydawnicza PLJ, Warszawa.
• Gatnar E. (1998a), Symboliczne metody klasyfikacji danych, PWN, Warszawa.
• Gatnar E. (1998b), Analiza czynnikowa. Teoria i zastosowanie, Akademia Ekonomiczna w Katowicach (maszynopis powielony).
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, PWN, Warszawa.
• Gatnar E. (2005), Dobór zmiennych do zagregowanych modeli dyskryminacyjnych, Prace Naukowe AE we Wrocławiu nr 1076, Wrocław, s. 79-85.
• Gatnar R. (2008), Fusion of multiple statistical classifiers, ,,Data Analysis, Machine Learning and Applications", Springer-Verlag, 19-28.
• Gatnar E. (2009), Analiza dyskryminacyjna, [w:] M. Walesiak, E. Gatnar (red.), Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa, 193-237.
• Gatnar E., Walesiak M. (red.) (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, Wydawnictwo AE, Wrocław.
• Gatnar E., Walesiak M. (red.) (2011), Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, Bock, Warszawa.
• Gatnar E., Wywiał J. (1998), Wykorzystanie metod grupowania danych do wspomagania prac nad podziałem administracyjnym kraju, Taksonomia 4, Prace Naukowe AE we Wrocławiu, Wrocław, 21-26.
• Gauss C.F. (1809), Theoria Motus Corporum Coelestium in Sectionibus Conicius Solem Ambientium, Friedrich Perthes and I.H. Besser, Hamburg.
• Gauss C.F. (1821), Theoria combinationis observationum erroribus minimis obnoxiae, Commentationes societatis Regiae scientiarum Gotlingensis recentiores 5, 33-90, Getynga.
• Gierałtowska U. (2004), Wykorzystanie liniowej funkcji dyskryminacyjnej do klasyfikacji spółek giełdowych, Taksonomia 11, Prace Naukowe AE we Wrocławiu nr 1022, Wrocław, 15-22.
• Gioia F., Lauro N.C. (2005), Basic statistical methods for interval data, "Statistica Applicata", vol. 17, no. 1, 1-27.
• Gioia F., Lauro N.C. (2006), Principal component analysis on interval data, "Computational Statistics", no. 21( 2), 343-363.
• Gliwa M. (2007), Wykorzystanie kryterium Kołmogorowa-Smirnowa przy budowie drzew klasyfikacyjnych dla zbioru obiektów symbolicznych, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 160-168.
• Gnanadesikan R., Kettenring J.R., Tsao S.L. (1995), Weighting and selection of variables for cluster analysis, "Journal of Classification", vol. 12, 113-136.
• Goodman L.A., Kruskal W.H. (1979), Measures of Association for Cross Classifications, Springer-Verlag, New York, Heidelberg.
• Gordon A.D. (1999), Classification, Chapman & Hall/CRC, London.
• Gordon T.J., Helmer O. (1964), Report on Long Range Forecasting Studies, RAND Publications nr 2982.
• Gordon T.J., Hayward H. (1968), Initial experiment of the cross-impact matrix method forecasting, "Futures", t. 1, nr 2.
• Gower J.C. (1975), Generalized Procrustes analysis, "Psychometrika", no. 40, 33-51.
• Grabiński T. (1992), Metody taksonometrii, Wydawnictwo AE, Kraków.
• Green B.F. (1952), The orthogonal approximation of an oblique structure in factor analysis, "Psychometrika", no. 17, 429-440.
• Green P.E. (1984), Hybrid models for conjoint analysis: an exploratory review, "Journal of Marketing Research", no. 21 (May), 155-69.
• Green P.E., Tull D.S., Albaum G. (1988), Research for Marketing Decisions, Prentice Hall, Englewood Cliffs.
• Green P.E., Wind Y. (1973), Multiattribute Decisions in Marketing. A Measurement Approach, Dryden Press, Hinsdale, Illinois.
• Green P.E., Wind Y. (1975), New way to measure consumers' judgments, ,,Harvard Business Review", July-August, no. 53, 107-117.
• Greenacre M.J. (1984), Theory and Applications of Correspondence Analyses, Academic Press, London.
• Groenen P.J.F., Winsberg S., Rodríguez O., Diday E. (2005), SymScal: Symbolic Multidimensional Scaling of Interval Dissimilarities, Econometric Report EI 2005-15, Erasmus University, Rotterdam.
• Groenen P.J.F., Winsberg S. (2006), 3WaySym-Scal: Three-way Symbolic Multidimensional Scaling, Econometric Report EI 2006-49, Erasmus University, Rotterdam.
• Groenen P.J.F., Winsberg S., Rodríguez O., Diday E. (2007), I-Scal: Multidimensional scaling of interval dissimilarities, "Computational Statistics and Data Analysis", vol. 51, issue 1, 360-378.
• Gruca M., Encyklopedia Zarządzania - Credit scoring, http://mfiles.pl/pl/index.php/Credit_scoring.
• Haavelmo T. (1943), The statistical implications of a system of simultaneous equations, "Econometrica", vol. 11, no. 1 (Jan. 1943), 1-12.
• Hadasik D. (1998), Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, Wydawnictwo AE, Poznań.
• Hair J.E., Black W.C., Babin J.B., Anderson R.E. (2010), Multivariate Data Analysis, Seventh Edition, Prentice Hall, New Jersey.
• Hall M. (2000), Correlation-based feature selection for discrete and numeric class machine learning, Proceedings of the 17th International Conference on Machine Learning, Morgan Kaufmann, San Francisco.
• Hammersley M. (1989), The Dilemma of Qualitative Method: Herbert Blumer and the Chicago Tradition, Routlege, London.
• Hand D. (1982), Kernel Discriminant Analysis, Wiley, Chichester.
• Hand D., Mannila H., Smyth P. (2001), Principles of Data Mining, MIT Press, Cambridge.
• Hardy A. (2005), Validation of unsupervised symbolic classification, Proceedings of ASMDA 2005 Conference, http://conferences.telecom-bretagne.eu/asmda2005/IMG/pdf/proceedings/379.pdf.
• Hardy A. (2008), Validation of clustering structure: determination of the number of clusters, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis and the Sodas Software, John Wiley & Sons, Chichester, 235-261.
• Hardy A., Lellemand P. (2002), Determination of the number of clusters for symbolic objects described by interval variables, [w:] K. Jajuga, A. Sokołowski, H.-H. Bock (red.), Classification, Clustering and Data Analysis, Springer-Verlag, Berlin-Heidelberg, 311-318.
• Harman H. (1975), Modern Factor Analysis, The University of Chicago Press, Chicago.
• Hart P.E. (1968), The Condensed Nearest Neighbor Rule, ,,IEEE Transactions on Information Theory", no. 14, 515-516.
• Hartigan J.A. (1975), Clustering Algorithms, New York, Wiley.
• Hartley H.O. (1940), Testing the Hhomogeneity of a set of variances, "Biometrika", no. 31.
• Hayek F. (1945), The Use of knowledge in society, "American Economic Review", no. 35 (4), 519-530.
• Härdle W., Simar L. (2003), Applied Multivariate Statistical Analysis, Springer-Verlag, Berlin-Heidelberg.
• Heckman J. (1976), Simultaneous equations models with continuous and discrete endogenous variables and structural shifts, [w:] S. Goldfeld, R. Quandt (red.), Studies in Non-Linear Estimation, Cambridge, Ballinger, s 235-272
• Heilbronner R.L. (1999), The Worldly Philosophers: The Lives, Times, and Ideas of the Great Economic Thinkers, A Touchstone Book published by Simon & Schuster, New York.
• Heilper S. (2007), Funkcje łączące, Wydawnictwo AE, Wrocław.
• Hellwig Z. (1968), Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwalifikowanych kadr, "Przegląd Statystyczny", nr 4.
• Helmer O. (1972), Cross-Impact Gaming, "Futures", t. 4, no. 2.
• Henderson B. (1970a), The product portfolio, [reprint w:] C.W. Stern, M.S. Deimler (red.), The Boston Consulting Group on Strategy, John Wiley & Sons, Hoboken, 35-38.
• Henderson B. (1970b), The product portfolio, [reprint w:] C.W. Stern, M.S. Deimler (red) The Boston Consulting Group on Strategy, John Wiley & Sons, Hoboken, 25-27.
• Heston S.L. (1993), A Closed-from solution for options with stochastic volatility with applications to bond and currency, "The Review of Financial Studies", vol. 6, no. 2, 327-343.
• Ho T.K. (1998), The random subspace method for constructing decision forests, ,,IEEE Transactions on Pattern Analysis and Machine Intelligence", 20, 832-844.
• Hofer Ch.W. (1973), Some preliminary research on patterns of startegic behaviour, "Academy of Menagement Proceedings", 46-54.
• Hofer Ch.W. (1975), Towards a contingency theory of business strategy, "Academy of Management Journal", 784-810.
• Hofer Ch.W., Schendel D. (1978), Strategy Formulation: Analytical Concepts, West Publishing Co., St Paul, Minn.
• Hoffman D.L., Franke G.R. (1986), Correspondence analysis: Graphical representation of categorical data in marketing research, "Journal of Marketing Research", no. 23 (August), 213-227.
• Holden, S. (2004), Porównanie serwerowych filtrów bayesowskich, "Hakin9" nr 2/2004, 62-71, Warszawa.
• Holmes C. (1980), AID comes to aid of marketing management, "European Journal of Marketing", vol. 14, no. 3, 409-413.
• Hołda A. (2001), Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej, "Rachunkowość", nr 5.
• Hooley G.J. (1980), Multidimensional scaling of consumer perceptions and preferences, "European Journal of Marketing", vol. 14, no. 7, 436-448.
• Hotelling H. (1933), Analysis of a complex of statistical variables into principal components, "Journal of Educational Psychology", no. 24, 417-441.
• Hruschka H. (2005), Interpretation aids for multilayer perceptron networks, [w:] D. Baier, R. Decker L. Schidt-Thieme (red.), Data Analysis and Support, Springer-Verlag, Berlin-Heidelberg, 57-64.
• Hubert L.J. (1974), Approximate evaluation technique for the single-link and complete-link hierarchical clustering procedures, "Journal of the American Statistical Association", vol. 69, no. 347, 698-704.
• Hubert L.J., Arabie P. (1985), Comparing partitions, "Journal of Classification", no. 2, 193-218.
• Hubert L.J., Levine J.R. (1976), Evaluating object set partitions: Free sort analysis and some generalizations, "Journal of Verbal Learning and Verbal Behaviour", vol. 15, 549-570.
• Hunter L., Leahey E. (2008), Collaborative research in sociology: trends and contributing factors, "American Sociologist", no. 39, 290-306.
• Hurley J.R., Cattell R.B. (1962), The Procrustes program: Producing direct rotation to test a hypothesized factor structure, "Behavioral Science", no. 7, 258-262.
• Ichino M. (1994), Feature selection for symbolic data classification, [w:] E. Diday (red.), New Approaches in Classification and Data Analysis, Springer-Verlag, Berlin-Heidelberg, 387-394.
• Ichino M., Yaguchi H. (1994), Generalized Minkowski metrics for mixed feature-type data analysis, "IEEE Transactions on Systems, Man, and Cybernetics", vol. 24, no. 4, 698-707.
• Irpino A. (2006), 'Spaghetti' PCA analysis: An extension of principal components analysis to time dependent interval data, "Pattern Recognition Letters", no. 27(5), 504-513.
• Jajuga K. (1993), Statystyczna analiza wielowymiarowa, Wydawnictwo Naukowe PWN, Warszawa.
• Jajuga K. (1998), Ekonometria: metody i analiza problemów ekonomicznych, Wydawnictwo AE, Wrocław.
• Jajuga K. (2003), Metody statystyczne w finansach, StatSoft Polska, Kraków.
• Jollife I.T. (2002), Principal Component Analysis, Springer-Verlag, New York.
• Jurkiewicz T., Najman K. (2004), Analiza wyników reprezentacyjnego badania szkolenia ustawicznego w przedsiębiorstwie z wykorzystaniem modyfikowanego estymatora syntetycznego, Taksonomia 11, Prace Naukowe AE we Wrocławiu nr 1022, Wrocław, 505-514.
• Kaczmarczyk S. (2007), Zastosowania badań marketingowych. Zarządzanie marketingowe i otoczenie przedsiębiorstwa, PWE, Warszawa.
• Kaiser H.F. (1970), A second-generation jittle jiffy, "Psychometrika", no. 35, 401-415.
• Kaliński J. (2008), Historia gospodarcza XIX i XX w., PWE, Warszawa.
• Karatzoglou A. (2006), Kernel Methods. Software, Algorithms andAapplications, rozprawa doktorska, Uniwersytet Techniczny w Wiedniu (maszynopis powielony).
• Kaufman L., Rousseeuw P.J. (1990), Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York.
• Keynes J.M. (1936), The General Theory of Employment, Interest and Money, Cambridge, Macmillan.
• Keynes J.M. (2003), Ogólna teoria zatrudnienia, procentu i pieniądza, Wydawnictwo Naukowe PWN, Warszawa, przekład M. Kalecki i S. Rączkowski.
• Kędzior Z. (red.) (2004), Badania rynku. Metody. Zastosowania, PWE, Warszawa.
• Kim J.O., Mueller C.W. (1978), Factor Analysis. Statistical Methods and Practical Issues, Beverly Hills, Sage.
• Kisielnicki J., Sroka H. (2005), Systemy informacyjne biznesu. Informatyka dla zarządzania. Placet, Warszawa.
• Kiviluoto K., Bergiud P. (2001), Карты для анализа банкротств малых и средних предприятий, [w:] G. Deboeck, T. Kohonen (red.) , Анализ финансовых данных с помощью самоорганизующинся карт, Springer, Moskwa, 104-119.
• Kluźniak F., Szpakowicz S. (1983), Prolog, Biblioteka Inżynierii Oprogramowania, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Klonowski Z.J. (2004), Systemy informatyczne zarządzania przedsiębiorstwem. Modele rozwoju i właściwości funkcjonalne, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław, książka dostępna w Dolnośląskiej Bibliotece Cyfrowej pod adresem http://dlib.bg.pwr.wroc.pl/Content/968/klonowski.pdf.
• Kohonen T. (1982), Self-organized formation of topologically correct feature maps, "Biological Cybernetics", no. 43, 59-69.
• Kohonen T. (1996), SOM Toolbox, Intro to SOM, Report A31, Helsinki University of Technology, Laboratory of Computer and Information Science, Espoo, Finland, dostępny pod adresesm http://www.cis.hut.fi/somtoolbox/theory/somalgorithm.shtml.
• Kohonen T. (2001), Self-Organizing Maps, 3 ed., Springer-Verlag, Berlin, Heidelberg, New York, Barcelona, Hong Kong, London, Milan, Paris, Singapore, Tokyo.
• Kolbusz E., Nowakowski A. (1999), Informatyka w zarządzaniu. Metody i systemy, Wydawnictwo Zachodniopomorskiej Szkoły Biznesu, Szczecin.
• Kolonko J. (1980), Analiza dyskryminacyjna i jej zastosowania w ekonomii, PWN, Warszawa.
• Kooperberg C., Bose S., Stone C.J. (1997), Polychotomous regression, " Journal of the American Statistical Association", no. 92, 117-127.
• Korol J., Lis Ch. (2004), Sieci neuronowe i modele równań strukturalnych w ocenie wpływu innowacyjności regionów na ich konkurencyjność, Taksonomia 11, Prace Naukowe AE we Wrocławiu nr 1022, Wrocław, 523-531.
• Kotlorz D. (red.) (2010), Pięciolecie członkostwa Polski w Unii Europejskiej. Zagadnienia gospodarcze i społeczne ze szczególnym uwzględnieniem polskiego rynku pracy, Wydawnictwo AE, Katowice.
• Kowal J. (2009), Wybrane teoretyczne i praktyczne aspekty metodologii badań jakościowych, Prace Naukowe UE we Wrocławiu nr 51, Wrocław.
• Kruskal J.B. (1964a), Multidimensional scaling by optimising goodness of fit to a nonmetric hypothesis, "Psychometrika", no. 29, 1-27.
• Kruskal J.B. (1964b), Nonmetric multidimensional scaling: A numerical method, "Psychometrika", no. 29, 115-129.
• Krzanowski W.J. (2000), Principles of Multivariate Analysis: A User's Perspective, Oxford University Press.
• Krzanowski W.J., Lai Y.T. (1985), A criterion for determining the number of groups in a data set using sum of squares clustering, "Biometrics", no. 44, 23-34.
• Kufel T., Błażejowski M. (2008), Ekonometryczne modelowanie asymetrii reakcji klienta na zmiany cen paliw, Taksonomia 15, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 136-143.
• Kuratowski K., Mostowski A. (1978), Teoria mnogości wraz ze wstępem do opisowej teorii mnogości, wyd. 3, PWN, Warszawa, Monografie Matematyczne 27.
• Kurzydłowski A. (2000), Zastosowanie drzew klasyfikacyjnych w segmentacji rynku, Taksonomia 7, Prace Naukowe AE we Wrocławiu nr 874, Wrocław, 171-179.
• Kwak H., Zinkhan G., Dominick J. (2002), The moderating role of gender and compulsive buying tendencies in the cultivation effects of TV shows and TV advertising: A cross cultural study between the United States and South Korea, "Media Psychology", no. 4, 77-111.
• Lauro N.C., Palumbo F. (2000), Principal components analysis of interval data: A symbolic data analysis approach "Computational Statistics", no. 15(1), 73-87.
• Lauro N.C., Verde R., Irpino A. (2008a), Principal component analysis of symbolic objects described by intervals, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 313-330.
• Lauro N.C., Verde R., Irpino A. (2008b), Factor discriminant analysis, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 341-358.
• Lautman M.R., Percy L.H., Kordish G.R. (1978), Compaigns from multidimensional scaling, "Journal of Adverising Research", June, 35-40.
• Learned E.P. (red.) (1969), Business Policy: Text and Cases, R.D. Irving, Homewood.
• Legendre A.M. (1805), Nouvelles méthodes pour la détermination des orbites des comètes, Dodatek "Sur la Méthode des moindres quarrés".
• Liebetrau A.M. (1983), Measures of Association, Newbury Park, CA: Sage Publications. Quantitative Applications in the Social Sciences Series no. 32.
• Liou C. (red.) (2001), Chiny, Wydawnictwo Pascal, Warszawa.
• Lisiński M. (2004), Metody planowania strategicznego, PWE, Warszawa.
• Lerman J.C. (1988), Comparing partitions (mathematical and statistical aspects), [w:] H.H. Bock (red.), Classification and Related Methods of Data Analysis, North-Holland, Amsterdam, 121-131.
• Louviere J.J. (1988), Analyzing Decision Making. Metric Conjoint Analysis, SAGE Publications, Newbury Park-Beverly Hills-London-New Delhi.
• Luce R.D., Tukey J.W. (1964), Simultaneous conjoint measurement: A new type of fundamental measurement, "Journal of Mathematical Psychology", vol. 1, issue 1, 1-27.
• Lula P. (1999), Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo AE, Kraków.
• Łuczak A., Wysocki F. (2010), Analiza SWOT jednostek administracyjnych z wykorzystaniem analitycznego procesu hierarchicznego, Wiadomości Statystyczne 3. Warszawa, 54-68.
• Macnaughton-Smith P., Williams W.T., Dale M.B., Mockett L.G. (1964), Dissimilarity analysis: a new technique of hierarchical sub-division, "Nature", no. 202, 1034-1035.
• MacQueen J. (1967), Some methods for classification and analysis of multivariate observations, [w:] W.L. LeCam, J. Neyman (red.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, University of California Press, Berkeley, 281-297.
• Maddala G.S. (1986), Limited-Dependent and Qualitative Variables in Econometrics, Cambridge University Press.
• Magidson J. (1994), The CHAID approach to segmentation modeling: Chi-squared automatic interaction detection, [w:] R.P. Bagozzi (red.), Advanced Methods of Marketing Research, Cambridge Press, 118-159.
• Makarenkov V., Legendre P. (2001), Optimal variable weighting for ultrametric and additive trees and K-means partitioning methods and software, "Journal of Classification", vol. 18, 245-271.
• Malerba D., Espozito F., Giovalle V., Tamma V. (2001), Comparing dissimilarity measures for symbolic data analysis, "New Techniques and Technologies for Statistcs" (ETK-NTTS'01), 473-481.
• Mali K., Mitra S. (2003), Clustering and its validation in a symbolic framework, "Pattern Recognition Letters", no. 24, 2367-2376.
• Malina A., Wanat S. (2000), Metody skalowania wielowymiarowego w badaniach rozwoju społeczno-gospodarczego Polski, Taksonomia 7, Prace Naukowe AE we Wrocławiu nr 874, Wrocław, 71-82.
• Malina A., Zeliaś A. (1997), O budowie taksonomicznej miary jakości życia, [w:] K. Jajuga, M. Walesiak (red.), Taksonomia nr 4. Klasyfikacja i analiza danych. Teoria i zastosowania , Wrocław, 238-262.
• Małuszyńska E., Gruchman B. (2010), Kompendium wiedzy o Unii Europejskiej, PWN, Warszawa.
• Manski C., McFadden D., (red.) (1981), Structural Analysis of Discrete Data with Econometric Applications, Cambridge, MA: MIT Press.
• Mardia K.V., Kent J.T., Bibby J.M. (1979), Multivariate Analysis, Academic Press, London.
• Marshall A. (1890), Principles of Economics, Macmillan and Co., Ltd, London.
• Marshall C., Rossman G.B. (2009), Designing Qualitative Research, SAGE Publicatons, Thousand Oks, London, New Delhi.
• Marzec J. (2008), Bayesowskie modele zmiennych jakościowych i ograniczonych w badaniach niespłacalności kredytów, Monografie, Kraków.
• Matuszczyk A. (2008), Credit scoring, CeDeWu.Pl Platinum, Warszawa.
• Mazur A., Witkowska D. (2007), Zastosowanie drzew klasyfikacyjnych w analizie rynku nieruchomości, Taksonomia 14, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 428-437.
• McCulloch W.S., Pitts W.H. (1943), A logical calculus of ideas imminent in nervous activity, "Bulletin of the Mathematical Biophysics", no. 5, 115-133.
• McFadden D. (1973), Conditional logit analysis of qualitative choice behaviour, [w:] P. Zarembka (red.), Frontiers in Econometrics, 105-142, Academic Press, New York-San Francisco-London.
• McKelvey R.D., Zavoina W., (1975), A statistical model for the analysis of ordinal level dependent variables, "Journal of Mathematical Sociology", no. 4, 103-120.
• McLachlan G.J., Basford K.E. (1988), Mixture Models: Inference and Applications to Clustering, Marcel Dekker, New York.
• McQuitty L.L. (1966), Similarity analysis by reciprocal pairs for discrete and continuous data, "Educational and Psychological Measurement", no. 26, 825-831.
• Menezes M.A.J., Currim I.S. (1992), An approach for determination of warranty length, "International Journal of Research in Marketing", no. 9/2, 177 195.
• Menger C. (1883), Untersuchungen über die methode der socialwissenschaften und der politischen oekonomie insbesondere, Duncker & Humblot, Vien.
• Milligan G.W. (1996), Clustering validation: results and implications for applied analyses, [w:] P. Arabie, L.J. Hubert, G. de Soete (red.), Clustering and Classification, World Scientific, Singapore, 341-375.
• Milligan G.W. (1989), A validation study of a variable weighting algorithm for cluster analysis, ,,Journal of Classification", no. 1, 53-71.
• Milligan G.W., Cooper M.C. (1985), An examination of procedures for determining the number of clusters in a data set, "Psychometrika", no. 2, 159-179.
• Moore R.E. (1966), Interval Analysis, Prentice-Hall, Englewood Cliffs, NJ.
• Mufti G.B., Bertrand P., El Moubarki L. (2005), Determining the number of groups from measures of cluster stability, [w:] J. Janssen, P. Lenca (red.), Applied Stochastic Models and Data Analysis, ENST Bretagne, Brest, 404-413.
• Mynarski S. (1990), Metody badań marketingowych, PWE, Warszawa.
• Mynarski S. (red.) (1992), Badania przestrzenne rynku i konsumpcji. Przewodnik metodyczny, PWE, Warszawa.
• Mynarski S. (1995), Badania rynkowe w warunkach konkurencji. Przewodnik, Fogra, Kraków.
• Nash J.F. (1950), Equilibrium points in n-person games, Proceedings of the National Academy of Sciences of the USA, no. 36, 48-9.
• Naunus B. (1982), QUEST - quick environmental scanning technique, ,,Long Range Planning", vol. 2.
• Nazarko J., Chrabołowska J., Rybaczuk M. (2004), Zastosowanie wielosezonowego modelu ARIMA w prognozowaniu obciążeń mocą elektryczną, Taksonomia 11, Prace Naukowe AE we Wrocławiu nr 1022, Wrocław, 173-182.
• Neelamegham R., Jain D. (1999), Consumer choice process for experience goods: An econometric model and analysis, "Journal of Marketing Research", vol. 36, no. 3 (August), 373-386.
• Nelsen R.B. (2006), An Introduction to Copulas, Springer, New York.
• Neumaier A. (1990), Interval Methods for Systems of Equations, Cambridge University Press, Cambridge.
• Neumann J. von., Morgenstern O. (1944), Theory of Games and Economic Behavior, Princeton University Press, Princeton.
• Ng A., Jordan M., Weiss Y. (2002), On spectral clustering: analysis and an algorithm, [w:] T. Dietterich, Becker Z. Ghahramani (red.), Advances in Neural Information Processing Systems 14, MIT Press, Cambridge.
• Nikodemska-Wołowik A.M. (1999), Jakościowe badania marketingowe, PWE, Warszawa.
• Oja E., Kaski S.(red.) (1999), Kohonen Maps, Elsevier Science B.V., Amsterdam.
• Olson D.L., Delen D. (2008), Advanced Data Mining Techniques, Springer-Verlag, Berlin Heidelberg.
• Osborn A.F. (1953), Applied Imagination: Principles and Procedures of Creative Problem-Solving, Scribner, New York.
• Palumbo F., Lauro N.C. (2003), A PCA for interval valued data based on midpoints and radii, [w:] H. Yanai, A. Okada, K. Shigemasu, Y. Kano, J.J. Meulman (red.), New Developments in Psychometrics, Springer-Verlag, Tokyo.
• Pearson K. (1901), On lines and planes of closest fit to systems of points in space, "Philosophical Magazine", no. 2 (6), 559-572.
• Pełka M. (2007a), Analiza danych symbolicznych i jej wykorzystanie w badaniach marketingowych, rozprawa doktorska.
• Pełka M. (2007b), Metody skalowania wielowymiarowego obiektów symbolicznych, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 178-185.
• Pełka M., Zaborski A. (2011), Skalowanie wielowymiarowe, [w:] E. Gatnar, M. Walesiak (red.), Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, Bock, Warszawa.
• Perinel E., Lechevalier Y. (2000), Symbolic discriminant rules, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, 244-266.
• Perkal J. (1953), Taksonomia wrocławska, "Przegląd Antropologiczny", t. 19, 82-96.
• Perona P., Freeman W.T. (1998), A factorization approach to grouping, Lecture Notes In Computer Science, Vol. 1406, Proceedings of the 5th European Conference on Computer Vision, vol. I, 655-670.
• Pluta W. (1977), Wielowymiarowa analiza porównawcza w badaniach ekonomicznych, PWN, Warszawa.
• Pluta W. (1986), Wielowymiarowa analiza porównawcza w modelowaniu ekonometrycznym, PWN, Warszawa.
• Porter M.E. (1979), How competitive forces shape strategy, ,,Harvard Business Review", March/April 1979.
• Porter M.E. (1980), Competitive Strategy, Free Press, New York.
• Prim R.C. (1957), Shortest connection networks and some generalizations, "Bell System Technical Journal", no. (36), 1389-1401.
• Quenouille M.H. (1957), The Analysis of Multiple Time Series, Charles Griffin, London.
• Qiu W., Joe H. (2006), Generation of eandom clusters with specified degree of separation, ,,Cluster of Classification", vol. 23, issue 2, 315-334.
• Quirk J. (1987), Qualitative economics, [W:[ The New Palgrave: A Dictionary of Economics, v. 4, 1-3.
• Rasson J.-P., Kubushishi T. (1994), The gap test: an optimal method for determining the number of natural classes in cluster analysis, [w:] E. Diday, Y. Lechevallier, P.B. Schader, B. Burtschy (red.), New Approaches in Classification and Data Analysis, Springer-Verlag, Berlin, 186-193.
• Rasson J.-P., Lissoir S. (2000), The affinity coefficient, [w:] H.H. Bock, E. Diday (red.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, 244-266.
• Rasson J.-P., Lallemand P., Adans S. (2008), Bayesian decision trees, [w:] E. Diday, M. Noirhomme-Fraiture
• (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 333-340.
• Rasson J.-P., Pirçon J.-Y., Lallemand P., Adans S. (2008), Unsupervised divisive classification, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 149-157.
• Rickards T. (1999), Brainstorming, [w:] M.A. Runco, S.R. Pritzker (red.), Encyclopedia of Creativity, Acadamic Press a Division of Harcourt Brace & Company, San Diego.
• Ripley B.D. (1996), Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge.
• Robbins H., Monro S. (1951), A stochastic approximation method, "Annals of Mathematical Statistics", no. 24, 400-407.
• Romanowska M., Gierszewska G. (2009), Analiza strategiczna przedsiębiorstwa, PWE, Warszawa.
• Rosenblatt F. (1958), The perceptron: A probabilistic model for information storage and organization in the brain, "Psychological Review", no. 65(6), 386-408.
• Rossi F., Conan-Guez B. (2008), Multi-layer perceptrons and symbolic data, Factor discriminant analysis, [w:] E. Diday, M. Noirhomme-Fraiture (red.), Symbolic Data Analysis with SODAS Software, John Wiley & Sons, Chichester, 373-391.
• Rousseeuw P.J. (1987), Silhouettes: A graphical aid to the interpretation and validation of cluster analysis, "Journal of Computational and Applied Mathematics", no. 20, 53-65.
• Rousseeuw P.J., Struyf A. (1998), Computing location depth and regression depth in higher dimensions, "Statistics and Computing", vol. 8, no. 3, 193-203, Springer Netherlands.
• Rowe A.J., Mason R.O., Dickel K.H. (1986), Strategic Management. A Methodological Approach, Addison-Wesley, New York.
• Rubner Y., Puzicha J., Tomasi C., Buhmann J.M. (2001), Empirical evaluation of dissimilarity measures for color and texture, "Computer Vision and Image Understanding", no. 84(1), 25-43.
• Rybicka A. (2006), Badanie preferencji klientów biur podróży z wykorzystaniem metody wyborów dyskretnych, Taksonomia 13, Prace Naukowe AE we Wrocławiu nr 1126, Wrocław, 103-111.
• Saaty T.L. (1980), The Analytic Hierarchy Process, McGraw-Hill, New York.
• Salamaga M. (2008), Wykorzystanie metod analizy wielowymiarowej do klasyfikacji funduszy inwestycyjnych, Taksonomia 15, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 409-415.
• Sammon J.W. (1969), A nonlinear mapping for data structure analysis, "IEEE Transactions on Computers", vol. C-18, no. 5, 401-409.
• Samuelson P.A. (1952), Economic Theory and Mathematics - An Appraisal, Cowles Foundation Paper, reprinted from ,,American Economic Review".
• Samuelson P.A. (1970), Foundations of Economics Analysis, Atheneum, New York.
• Schmidt P., Strauss R.P, (1975), The Prediction of Occupation Using Multiple Logit Models, International Economic Review, Department of Economics, University of Pennsylvania and Osaka University Institute of Social and Economic Research Association, vol. 16(2), 471-486.
• Siedlecka U., Siedlecki J. (1994), Taksonometryczna analiza standardów życia w Polsce, [w:] T. Borys, M. Walesiak (red.), Taksonomia nr 1. Zastosowania metod taksonomicznych w gospodarce, Wrocław, Wrocław, 123-131.
• Siedlecki J., Tarczyński G., (1998), Klasyfikacja obiektów przy pomocy sztucznych sieci neuronowych, [w:] K. Jajuga, M. Walesiak (red.), Taksonomia nr 5. Klasyfikacja i analiza danych. Teoria i zastosowania, Wrocław,, Wrocław, 27-36.
• Silverman B. (1981), Using kernel density estimates to investigate multimodality, "Journal of Royal Statistic Society", no. 43, 97-99.
• Silverman B.W. (1986), Data Analysis for Statistics and Data Analysis, Chapman & Hall, London.
• Silverman D. (2007), Prowadzenie badań jakościowych, PWN, Warszawa.
• Silverman D. (2008), Interpretacja badań jakościowych, PWN, Warszawa.
• Simon H. (1953), Causal ordering and identifiability, [w:] W.C. Hood, T.C. Koopmans (red.), Studies in Econometric Method, New York, Wiley, 49-74.
• Singson R.L. (1975), Multidimensional scaling analysis of store image and shopping behavior, "Journal of Retailing", no. 2, 38-52.
• Sklar A. (1959), Fonctions de r´epartition `a n dimensions et leurs marges, Publication de l'Institut de Statistique de l'Universit_e de Paris 8, 229-231.
• Smith R.E., Lusch R.F. (1976), How advertising can position a brand, "Journal of Advertising Research", February, 37-43.
• Smith W.E., Su A.G. (2008), Translations from Organon of Aristotle, Google Books,http://books.google.com/books?id=MEpllLqYC&printsec=frontcover&dq=aristotle+organon&hl=pl.
• Sneath P.H.A. (1957), The application of computers to taxonomy, "Journal Gen. Microbiol.", no. (17), 201-226.
• Sobczak E. (2008), Wielowymiarowa analiza korespondencji jako narzędzie wspomagające segmentację międzynarodową bazującą na konsumpcyjnych łańcuchach celów i środków, Taksonomia 15, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 305-315.
• Sokołowski A. (1992), Empiryczne testy istotności w taksonomii, Zeszyty Naukowe AE w Krakowie, seria specjalna: Monografie nr 108.
• Spearman C. (1904), General intelligence objectively determined and measured, "American Journal of Psychology", no. 15, 201-293.
• Speed T.P. (1987), What is an analysis of variance, "The Annals of Statistics", vol. 15, no. 3.
• Stabryła A. (2000), Zarządzanie strategiczne w teorii i praktyce firmy, Wydawnictwo Naukowe PWN, Warszawa.
• Staniec I. (2005), Drzewa klasyfikacyjne w ocenie wiarygodności kredytobiorców, Taksonomia 12, Prace Naukowe AE we Wrocławiu nr 1076, Wrocław, 547-555.
• Staniec I. (2007), Metody porządkowania liniowego w konstrukcji miernika oceny kapitału intelektualnego w przedsiębiorstwie, Taksonomia 14, Prace Naukowe AE we Wrocławiu nr 1169, Wrocław, 454-461.
• Staniec I., Szmit M. (2004), Sztuczne sieci neuronowe w ocenie wiarygodności kredytowej klienta, Automatyka, Akademia Górniczo-Hutnicza w Krakowie, t. 8, z. 3, 449-457.
• Stigler J., Stigler S.M., Friedland C. (1995), The journals of economics, "The Journal of Political Economy", vol. 103, no. 2 (April), The University of Chicago Press, 331-359.
• Straś-Romanowska M. (2000), O metodzie jakościowej w kontekście rozważań na tożsamość psychologii, [w:] M. Straś-Romanowska (red.), Metody jakościowe w psychologii współczesnej, Prace Psychologiczne LIII, Acta Universitatis Wratislaviensis 2263, Wydawnictwo UWr, Wrocław, 16-32.
• Struss P. (1998), Artificial intelligence for nature - Why knowledge representation and problem solving should play a key role in environmental decision support, [w:] O. Herzog, A. Guenter (red.), KI-98: Advances in Artificial Intelligence, LNAI 1504, Springer Verlag, Berlin 1998.
• Sutter D., Pjeski R. (2007), Where would Adam Smith publish today? The near absence of math-free research in top journals, "Economic Journal Watch", May, vol. 4, no. 2 , 230-240.
• Starzyk K. (2001), Przemiany gospodarcze ChRL w procesie reform, [w:] K. Tomala (red.), Chiny.
• Przemiany państwa i społeczeństwa w okresie reform 1978-2000, Wydawnictwo Trio, Warszawa.
• Szmit A., Szmit M., Kaniewski M. (2003), Analiza ryzyka kredytowego dla potrzeb pośrednika finansowego, Taksonomia 10, Prace Naukowe E we Wrocławiu nr 988, Wrocław, 163-173.
• Szpak J. (2007), Historia gospodarcza powszechna, PWE, Warszawa.
• Sztemberg M. (1999), Wykorzystanie analizy czynnikowej do pozycjonowania kawy na rynku, Taksonomia 6, Prace Naukowe AE we Wrocławiu nr 817, Wrocław, 131-143.
• Sztemberg-Lewandowska M. (2008), Analiza czynnikowa w badaniach marketingowych, Wrocław.
• Szumski S.A., Jarowoj A.W. (2001), Самоорганизующийся атлас росийских банков, [w:] G. Deboeck, T. Kohonen (red.), Анализ финансовых данных с помощью самоорганизующинся карт, Springer, Moskwa, 118-130.
• Tadeusiewicz R. (1993), Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa.
• Tarka P., Żuraw P. (2008), Model analizy conjoint w ocenie oferty ubezpieczeń od ryzyka od kredytu hipotecznego, Taksonomia 15, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 493-501.
• Theil H. (1972), Statistical Decomposition Analysis, North Holland Publishing, Amsterdam.
• Thompson A.A, Strickland A.J. (1990), Strategic Management, Irwin, Homewood, Illinois.
• Thurstone L.L. (1931), Multiple factor analysis, "Psychological Review", no. 26, 249-269.
• Tibshirani R., Walther G., Hastie T. (2001), Estimating the number of clusters in a data set via the gap statistic, "Journal of the Royal Statistical Society", ser. B, vol. 63, part 2, 411-423.
• Torgerson W.S. (1952), Multidimensional scaling: Theory and method, "Psychometrika", no. 17, 401-419.
• Tucker L.R. (1951), A method for the synthesis of factor analysis studies (Personnel Research Section Report No. 984), Department of the Army, Washington.
• Turner S. (2002), Tools for success: a manager's guide, McGraw-Hill, London.
• Unold J. (2001), Systemy informacyjne marketingu, Wydawnictwo AE, Wrocław.
• Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, New York.
• Verde R. (2004), Clustering methods in symbolic data analysis, Classification, [w:] D. Banks, L. House, P. Arabie, W. Gaul (red.), Clustering and Data Mining, Berlin-Springer-Verlag, 299-318.
• Verde R., Lechevalier Y., Chavent M. (2003), Symbolic clustering interpretation and visualization, "The Electronic Journal of Symbolic Data Analysis", vol. 1, no. 1.
• Von Luxburg U. (2006), A Tutorial on Spectral Clustering, Max Planck Institute for Biological Cybernetics, Technical Report TR-149.
• Von Neumann J., Morgenstern O. (1944), Theory of Games and Economic Behavior, Princeton University Press, Priceton
• Walesiak M. (1989) Syntetyczne badania porównawcze w świetle teorii pomiaru, "Przegląd Statystyczny", nr 4.
• Walesiak M. (1993), Statystyczna analiza wielowymiarowa w badaniach marketingowych, Monografie i Opracowania nr 101, Prace Naukowe AE we Wrocławiu nr 654, Wrocław.
• Walesiak M. (1996), Metody analizy danych marketingowych, PWN, Warszawa.
• Walesiak M. (2002), Uogólniona miara odległości w statystycznej analizie wielowymiarowej, Wrocław.
• Walesiak M. (2004), Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, Prace Naukowe AE we Wrocławiu nr 1010, Wrocław 52-71.
• Walesiak M. (2005a), Rekomendacje w zakresie strategii postępowania w procesie klasyfikacji zbioru obiektów, [w:] A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, Wydawnictwo AE, Kraków, 185-203.
• Walesiak M. (2005b), Problemy selekcji i ważenia zmiennych w zagadnieniu klasyfikacji, Taksonomia 12, Prace Naukowe AE we Wrocławiu nr 1076, Wrocław, 106-118.
• Walesiak M. (2008), Procedura analizy skupień z wykorzystaniem programu komputerowgeo clusterSim i środowiska R, Prace Naukowe AE we Wrocławiu nr 1207, Wrocław, 44-56.
• Walesiak M. (2009), Analiza skupień, [w:] M. Walesiak, E. Gatnar (red.), Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa, 407-433.
• Walesiak M., Dudek A. (2006), Symulacyjna optymalizacja wyboru procedury klasyfikacyjnej dla danego typu danych - oprogramowanie komputerowe i wyniki badań, Prace Naukowe AE we Wrocławiu nr 1126, Wrocław, 120-129.
• Walesiak M., Dudek A. (2008), Identification of noisy variables for nonmetric and symbolic data in cluster analysis, [w:] C. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (red.), Data Analysis, Machine Learning and Applications, Springer-Verlag, Berlin, Heidelberg, 85-92.
• Walesiak M., Dudek A. (2009), Graficzna prezentacja danych, [w:] M. Walesiak, E. Gatnar (red.), Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa, 81-103.
• Walesiak M. (2010), Klasyfikacja spektralna z wykorzystaniem odległości GDM, [w:] K. Jajuga, M. Walesiak (red.), Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 17, Prace Naukowe UE we Wrocławiu nr 107, Wrocław, 161-171.
• Walesiak M., Dudek A. (2012), clusterSim package, http://www.R-project.org.
• Walesiak M., Gatnar E. (red.) (2009), Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa.
• Wallace D.L. (1983), Comparing two hierarchical clustering: Comment, "Journal of the American Statistical Association", 78, no. 383, 569-576.
• Ward J.H. (1963), Hierarchical grouping to optimize an objective function, Journal of American. Statatistic. Associacion., no. 58, 236-244.
• Waszczyk M., Szczerbicki E. (2003), Metodologiczne aspekty opisowego modelowania w naukach ekonomicznych, Zeszyty Naukowe Politechniki Gdańskiej, Filozofia VII, Wydawnictwo Politechniki Gdańskiej, Gdańsk.
• Weingessel A., Dimitriadou A., Dolnicar (1999), An Examination of Indexes for Determining the Number of Clusters in Binary Data Sets, http://www.wu-wien.ac.at/am/wp99.htm