Analysis of Happiness in EU Countries Using the Multi-Model Classification Based on Models of Symbolic Data

• Autorzy: Marcin Pełka

Warianty tytułu

Analiza zadowolenia w krajach Unii Europejskiej z zastosowaniem wielomodelowej klasyfikacji opartej na modelach danych symbolicznych

• Języki publikacji: EN

Abstrakty

EN

The results of happiness analysis are presented in the form of a World Happiness Report that covers 156 countries and 17 different indicators. In the article model-based clustering ensemble is built to determine what selected European countries have similar patterns of happiness. The results are analyzed using multidimensional scaling and a decision tree to find out what factors determine cluster memberships. In the empirical part, three clusters were detected The first contains countries: Austria, Denmark, Finland, Germany, Ireland, Luxembourg, the Netherlands, Norway, Sweden, Switzerland and the United Kingdom. They have the highest values for all the variables, except the negative affect. The second cluster contains seven countries: Bulgaria, Estonia, Hungary, Lithuania, Poland, Romania and Slovakia. This cluster is also the most homogeneous one. The third cluster contains eight countries: Cyprus, the Czech Republic, France, Greece, Italy, Portugal, Slovenia and Spain.(original abstract)

W analizie zadowolenia stosowane są mierniki zadowolenia, a wyniki mają formę raportów. Dotyczą one 156 krajów, które są opisywane przez 17 zmiennych. W artykule zastosowno podejście wielomodelowe danych symbolicznych, w którym wykorzystano klasyfikację opartą na modelach, aby zidentyfikować, które z wybranych krajów Europy mają podobny poziom zadowolenia. Wyniki zanalizowano z użyciem skalowania wielowymiarowego i drzew klasyfikacyjnych danych symbolicznych. W efekcie zastosowanego podejścia zidentyfikowano strukturę trzech klas. W klasie pierwszej znalazły się: Austria, Dania, Finlandia, Niemcy, Irlandia, Luksemburg, Holandia, Norwegia, Szwajcaria oraz Wielka Brytania. Kraje te mają najwyższe wartości dla większości zmiennych. Klasa druga zawiera: Bułgarię, Estonię, Węgry, Litwę, Polskę, Rumunię, Słowację. Ta klasa jest równocześ- nie najbardziej homogeniczna. W klasie trzeciej znalazły się z kolei: Cypr, Czechy, Francja, Grecja, Włochy, Portugalia, Słowenia i Hiszpania.(abstrakt oryginalny)

Słowa kluczowe

EN

Society satisfaction; Multiple-model approach

PL

Zadowolenie społeczeństwa; Podejście wielomodelowe

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2019
• Tom: 23
• Numer: nr 3
• Strony: 15--25

Twórcy

autor

Marcin Pełka

• Wrocław University of Economics, Poland

Bibliografia

• Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• Bock H.-H., Diday E. (eds.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin-Heidelberg.
• Celeux G., Govaert G., 1995, Gaussian parsimonious clustering models, Pattern Recognition, 28(5), pp. 781-793.
• Deaton A., Stone A.A., 2013, Two happiness puzzles, American Economic Review, vol. 103(3), pp. 591-597.
• Diday E., Noirhomme-Fraiture M. (eds.), 2008, Symbolic Data Analysis and the SODAS Software, John Wiley & Sons.
• Diener E., Ng. W., Harter J., Arora R., 2010, Wealth and happiness across the world: Material prosperity predicts life evaluation, whereas psychosocial prosperity predicts positive feeling, Journal of Personality and Social Psychology, 99(1), pp. 52-61.
• Dudek A., Pełka M., Walesiak M., The symbolic DA package for R software, www.r-project.org.
• Dudoit S., Fridlyand J., 2003, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, 19(9), pp. 1090-1099.
• Fraley C., Raftery A.E., 2002, Model-based clustering, discriminant analysis and density estimation, Journal of the American Statistical Association, 97(458), pp. 611-631.
• Fred A.L., Jain A.K., 2005, Combining multiple clusterings using evidence accumulation, IEEE Transactions on Pattern Analysis & Machine Intelligence, (6), pp. 835-850.
• Gatnar E., Walesiak M. (eds.), 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem program R, C.H. Beck, Warszawa.
• Ghaemi R., Sulaiman M.N., Ibrahim H., Mustapha N., 2009, A survey: Clustering ensembles techniques, World Academy of Science, Engineering and Technology, 50, pp. 636-645.
• Graham C., 2005, The economics of happiness, World Economics, 6(3), pp. 41-55.
• Graham C., 2012, Happiness around the World: The Paradox of Happy Peasants and Miserable Millionaire, Oxford University Press.
• Graham C., 2019, Happiness around the World: The Paradox of Happy Peasants and Miserable Millionaires, Oxford University Press.
• Groenen P.J.F., Winsberg S., Rodriguez O., Diday E., 2006, I-Scal: Multidimensional scaling of interval dissimilarities, Computational Statistics and Data Analysis, vol. 51, pp. 360-378.
• Helliwell J., Layard R., Sachs J., 2018, World Happiness Report 2018, Sustainable Development Solutions Network, New York.
• Henne K., Jasińaka-Kania A., Skarżyńska K., 2012, Zadowolenie z życia a zaufanie do ludzi w Polsce i w różnych regionach Europy, [in:] A. Jasińska-Kania (red.), Wartości i zmiany. Przemiany postaw Polaków w jednoczącej się Europie, Wyd. Naukowe Scholar, pp. 78-104.
• Hornik K., 2005, A CLUE for CLUster ensembles, Journal of Statistical Software, 14(12), pp. 1-25.
• Karatzoglu A., 2006, Kernel methods. Software, algorithms and applications, Doctoral thesis, Vienna University of Technology.
• Kaufmann L., Rousseeuw P.J., 1990, Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York.
• Krok E., 2016, Metody pomiaru szczęścia i jego zależność od dochodu, Studia Ekonomiczne, no. 286, pp. 43-55.
• Lebret R., Iovleff S., Langrognet F., Biernacki Ch., Celeux G., Govaert G., 2015, Rmixmod: The R package of the model-based unsupervised, supervised, and semi-supervised classification mixmod library, Journal of Statistical Software, vol. 67, issue 6, pp. 1-29.
• Leisch F., 1999, Bagged clustering, Adaptive Information Systems and Modeling in Economics and Management Science, Working Paper 51.
• Machowska-Okrój S., 2014, Wzrost gospodarczy a dobrobyt ekonomiczno-społeczny w wybranych krajach europejskich, Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania Uniwersytetu Szczecińskiego, 35(2), pp. 409-430.
• Ng A., Jordan N., Wiess Y., 2002, On Spectral Clustering: Analysis and an Algorithm, [in:] T. Dietterich, S. Becker, Z. Ghahramani (eds.), Advances in Neural Information Processing Systems 14, MIT Press, pp. 849-856.
• Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: Symbolic data analysis, Statistical Analysis and Data Mining: the ASA Data Science Journal, 4(2), 157-170.
• Raftery A.E., Dean N., 2006, Variable selection for model-based clustering, Journal of the American Statistical Association, 101(473), pp. 168-178.
• Rokicka E., 2014, Rozwój gospodarczy i społeczny a jakość życia. Wybrane kontrowersje teoretyczne i metodologiczne, Przegląd Socjologiczny, 63(1), pp. 81-107.
• Ryan P.B., McNicholas P.D., 2014, Estimating common principal components in high dimensions, Advances in Data Analysis and Classification, 8(2), pp. 217-226.
• Scrucca L., Fop M., Murphy T.B., Raftery A.E., 2016, Mclust 5: Clustering, classification and density estimation using Gaussian finite mixture models, The R Journal, 8/1, pp. 205-233.
• Shi J., Malik J., 2000, Normalized cuts and image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), pp. 888-905.
• von Luxburg U., 2006, A tutorial on spectral clustering, Max Planck Institute for Biological Cybernetics, Technical Report TR-149.
• Wallis C., 2005, The new science of happiness, Time Magazine, vol. 22.

Identyfikatory

DOI

10.15611/eada.2019.3.02