PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2016 | 63 | z. 2 | 211--232
Tytuł artykułu

Zastosowanie krzywych ROC w analizie ubóstwa miejskich i wiejskich gospodarstw domowych

Treść / Zawartość
Warianty tytułu
Application of ROC Curves in Poverty Analysis of Urban and Rural Households
Języki publikacji
PL
Abstrakty
W artykule przeprowadzono analizę determinant ubóstwa miejskich i wiejskich gospodarstw domowych z wykorzystaniem dwumianowego modelu logitowego. Do oceny mocy predykcyjnej oszacowanych modeli ryzyka ubóstwa gospodarstw miejskich i wiejskich zastosowano krzywe ROC oraz pola pod krzywymi ROC, oznaczane jako AUC. Wyboru punktów odcięcia (poziom prawdopodobieństwa, poniżej którego gospodarstwo uznawane jest za nieubogie) dokonano na podstawie wyznaczonych krzywych ROC. Dzięki wyznaczeniu krzywych ROC i pól AUC dla uproszczonych modeli logitowych, czyli zawierających podzbiory determinant określono wskaźnik najlepiej identyfikujący ubogie gospodarstwa domowe w mieście i na wsi. Najlepsze rezultaty w identyfikacji ubogich gospodarstw w mieście i na wsi są osiągane przy zastosowaniu wskaźnika odnoszącego się do grupy społeczno-ekonomicznej gospodarstwa domowego. (abstrakt oryginalny)
EN
The article analyses poverty determinants of urban and rural households using binomial logit model. There were used ROC curves and area under ROC curves (AUC) to evaluate the predictive power of estimated risk models of urban and rural households poverty. Based on ROC curves there were chosen cut-off points (level of probability below which a household is considered not poor). On the basis of ROC curves and areas under ROC curves for simplified logit models (containing subsets of determinants) there was pointed the best poverty indicator. In urban and in rural areas the best targeting indicator is socio-economic group of household. (original abstract)
Słowa kluczowe
Rocznik
Tom
63
Numer
Strony
211--232
Opis fizyczny
Twórcy
  • Uniwersytet Ekonomiczny w Katowicach
Bibliografia
  • Baulch B., (2002), Poverty Monitoring and Targeting Using ROC Curves: Examples from Vietnam, IDS Working Paper 161, Institute of Development Studies, Brighton.
  • Davis J., Goadrich M., (2006), The Relationship between Precision-recall and ROC Curves, Technical Report No. 1551, Computer Sciences Department, University of Wisconsin, Madison.
  • Dudek H., Dybciak M., (2006), Zastosowanie modelu logitowego do analizy wyników egzaminu, Zeszyty Naukowe SGGW, Ekonomika i Organizacja Gospodarki Żywnościowej, 60.
  • Gruszczyński M., (2001), Modele i prognozy zmiennych jakościowych w finansach i bankowości, SGH, Warszawa.
  • Gruszczyński M., (2012), Modele zmiennych jakościowych dwumianowych, w: Gruszczyński M., (red.), Mikroekonometria. Modele i metody analizy danych indywidualnych, Wolters Kluwer, 71-122.
  • Harańczyk G., (2010),Krzywe ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia, w: Medycyna i analiza danych, StatSoft, Kraków, 79-89.
  • Hosmer D. W., Lemeshow S., (2000), Applied Logistic Regression, John Wiley & Sons, Hoboken.
  • Hothorn T., Zeileis A., Farebrother R. W., Cummins C., Millo G., Mitchell D., (2015), Lmtest: Testing Linear Regression Models, https://cran.r-project.org/web/packages/lmtest/index.html.
  • Houssou N., Zeller M., (2009), Targeting the Poor and Smallholder Farmers: Empirical Evidence from Malawi, Department of Agricultural Economics and Social Sciences in the Tropics and Subtropics, Discussion Paper No. 1/2009.
  • Jackowska B., (2011), Efekty interakcji między zmiennymi objaśniającymi w modelu logitowym w analizie zróżnicowania ryzyka zgonu, Przegląd Statystyczny, 58 (1-2), 24-41.
  • Jackowska B., Wycinka E., (2009), Modele ryzyka skreślenia z listy studentów na przykładzie studentów trybu niestacjonarnego, w: Jajuga K., Walesiak M., (red.), Taksonomia 16. Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 7, UE, Wrocław, 485-493.
  • Kasprzyk B., Fura B., (2011), Wykorzystanie modeli logitowych do identyfikacji gospodarstw domowych zagrożonych ubóstwem, Wiadomości Statystyczne, 6 (601), 1-16.
  • Kopczewska K., Kopczewski T., Wójcik P., (2009), Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, Warszawa.
  • Książek M., (2013), Analiza danych jakościowych, w: Frątczak E., (red.), Zaawansowane metody analiz statystycznych, SGH, Warszawa, s. 25-138.
  • Kumari D., Rajnish K., (2015), Comparing Efficiency of Software Fault Prediction Models Developed through Binary and Multinomial Logistic Regression Techniques, w: Mandal J. K., Satapathy S. C., Sanyal M. K., Sarkar P. P., Mukhopadhyay A., (red.), Information Systems Design and Intelligent Applications, Proceedings of Second International Conference India 2015, 1, Springer, 87-198.
  • Lele S. R., Keim J. L., Solymos P., (2015), ResourceSelection: Resource Selection (Probability) Functions for Use-availability Data, https://cran.r-project.org/web/packages/ResourceSelection/index.html.
  • Lopez-Raton M., Rodriguez-Alvarez M. X., (2015), OptimalCutpoints: Computing Optimal Cutpoints in Diagnostic Tests, https://cran.r-project.org/web/packages/OptimalCutpoints/index.html.
  • Marzec J. (2008), Bayesowskie modele zmiennych jakościowych i ograniczonych w badaniach niespłacalności kredytów, UE, Kraków.
  • McFadden D., (1977), Quantitative Methods for Analyzing Travel Behaviour of Individuals: Some Recent Developments, Cowles Foundation Discussion Paper No. 474, Yale University, New Haven.
  • NCAR - Research Applications Laboratory, (2015), Verification: Weather Forecast Verification Utilities, https://cran.r-project.org/web/packages/verification/index.html.
  • Osiewalski J., (2007), Bayesowska statystyka i teoria decyzji w analizie ryzyka kredytu detalicznego, w: Fatuła D., (red.), Finansowe warunkowania decyzji ekonomicznych, Krakowska Szkoła Wyższa, Kraków, 15-28.
  • Panek T., (2011), Ubóstwo, wykluczenie społeczne i nierówności. Teoria i praktyka pomiaru, SGH, Warszawa.
  • Panek T., Czapiński J., (2015), Wykluczenie społeczne. Diagnoza społeczna 2015. Warunki i jakość życia Polaków - raport, Contemporary Economics, 9 (4), 396-432.
  • R Development Core Team, (2015), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, http://www.r-project.org.
  • Rada Monitoringu Społecznego, (2015), Diagnoza społeczna 2000-2015: zintegrowana baza danych, http://www.diagnoza.com (28.12.2015 r.).
  • Rusnak Z., (2012), Logistic Regression Model in Poverty Analyses, Ekonometria, 1 (35), 9-23.
  • Sompolska-Rzechuła A., Machowska-Szewczyk M., Chudecka-Głaz A., Cymbaluk-Płoska A., Menkiszak J., (2014), The Use of Logistic Regression in the Ovarian Cancer Diagnostics, Ekonometria, 3 (45), 151-164.
  • Stanisz A., (2007), Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny, Tom 2, Modele liniowe i nieliniowe, StatSoft, Kraków.
  • Warnes G. R., Bolker B., Lumley T., Johnson R. C., (2015), Gmodels: Various R Programming Tools for Model Fitting, https://cran.r-project.org/web/packages/gmodels/index.html.
  • Więckowska B., (2015), Podręcznik użytkownika - PQStat, PQStat Software.
  • Wodon Q. T., (1997), Targeting the Poor Using ROC Curves, World Development, 25 (12), 2083-2092.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171446036

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.