Badanie możliwości zastosowania beta-regresji do modelowania związków pomiędzy stopą bezrobocia w województwach a innymi wskaźnikami makroekonomicznymi w latach 2004-2018

• Autorzy: Grzegorz Rydlewski , Daniel Kosiorowski

Warianty tytułu

Beta-regression application to model relationships between the unemployment rate in voivodships and other macroeconomic indicators for the years 2004-2018

• Języki publikacji: PL

Abstrakty

W modelu beta-regresji zakładamy, że zmienna objaśniana ma rozkład beta. Model jest użyteczny w sytuacjach, gdy zmienna objaśniana przyjmuje dowolne wartości z pewnego ustalonego przedziału, np. z przedziału [0%, 100%]. W najprostszej sytuacji rozkład beta jest dwuparametrowy, jednakże można rozważać jego bardziej skomplikowaną postać, która pozwala na uwzględnienie zmienności w czasie niektórych parametrów rozkładu beta. Używając metody największej wiarygodności, można estymować parametry modelu.(fragment tekstu)

EN

Beta-regression method has been applied to model relationship between the unemployment rate in voivodships and other macroeconomic indicators of digital development, i.e., e.g. intramural expenditures on R&D for the years 2004-2018. Taking into account the beta regression model, in which the mean of beta distributed random variable is modelled, allows for a better insight into the nature of the observed phenomenon.(original abstract)

Słowa kluczowe

PL

Współczynnik Beta; Stopa bezrobocia; Gospodarka cyfrowa; Makroekonomia; Zmienna objaśniana

EN

Beta factor; Unemployment rate; Digital economy; Macroeconomics; Endogenous variable

• Czasopismo: Roczniki Kolegium Analiz Ekonomicznych / Szkoła Główna Handlowa
• Rocznik: 2019
• Numer: nr 55
• Strony: 55--67

Twórcy

autor

Grzegorz Rydlewski

• AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

autor

Daniel Kosiorowski

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Baltagi B. H., Econometric Analysis of Panel Data, Wiley, Chichester 2005.
• Cribari-Neto F., Zeileis A., Beta regression in R, "Journal of Statistical Software" 2010, vol. 34, s. 1-24.
• Ferrari S. L. P., Cribari-Neto F., Beta regression for modelling rates and proportions, "Journal of Applied Statistics" 2004, vol. 31 (7), s. 799-815.
• Kleiber C., Kotz S., Statistical Size Distributions in Economics and Actuarial Sciences, Wiley, New Jersey 2003.
• Kosiorowski D., Zawadzki Z., DepthProc: An R Package for Robust Exploration of Multidimensional Economic Phenomena, "Journal of Statistical Software" 2019 (w druku).
• McCullagh P., Nelder J. A., Generalized Linear Models, Chapman and Hall, New York 1983.
• Nelder J., Wedderburn R. W. M., Generalized Linear Models, "Journal of the Royal Statistical Society" series A, 1972, vol. 135 (3), s. 370-384.
• Rydlewski J. P., Beta-regression model for periodic data with a trend, "Universitatis Iagellonicae Acta Mathematica" 2007, t. 45, s. 211-222.
• Rydlewski J. P., Estymatory największej wiarygodności w uogólnionych modelach regresji nieliniowej, rozprawa doktorska, Uniwersytet Jagielloński, 2010.
• Rydlewski J. P., Mielczarek D., On the maximum likelihood estimator in the generalized beta regression model, "Opuscula Mathematica" 2012, vol. 32, s. 761-774.
• https://bdl.stat.gov.pl/BDL/dane/podgrup/tablica (odczyt: 05.04.2019).