Cluster Analysis - Symbolic vs. Classical Data

• Autorzy: Justyna Wilk , Marcin Pełka

Warianty tytułu

Analiza skupień - dane symboliczne a dane klasyczne

• Języki publikacji: EN

Abstrakty

EN

Clustering problem is addressed in many contexts and disciplines. Although there are numerous studies on cluster analysis, there is a lack of a review to complete and systematize knowledge of research approach depending on data form. The paper presents a concept of clustering, classifications of cluster analysis methods, comparison of numerical and symbolic taxonomy, specificity of symbolic data as regards classical data, methods of numerical and symbolic data analysis applicable in clustering procedure. (original abstract)

Celem artykułu jest usystematyzowanie wiedzy na temat analizy skupień w zależności od rodzaju danych empirycznych opisujących problem badawczy. W artykule zaprezentowano cele analizy skupień, dokonano klasyfikacji metod analizy skupień, porównano metody taksonomii numerycznej i symbolicznej. Omówiono także specyfikę danych symbolicznych w odniesieniu do danych w ujęciu klasycznym oraz ich źródła w badaniach ekonomicznych. Wskazano metody statystyczne, jakie mają zastosowanie w analizie danych klasycznych i symbolicznych na każdym etapie procedury klasyfikacji. (abstrakt oryginalny)

Słowa kluczowe

EN

Cluster analysis; Taxonomy; Data analysis; Data classifications

PL

Analiza skupień; Taksonomia; Analiza danych; Klasyfikacja danych

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2013
• Tom: 286 Methods and Applications of Multivariate Statistical Analysis
• Strony: 205--213

Twórcy

autor

Justyna Wilk

• Wrocław University of Economics, Poland

autor

Marcin Pełka

• Wrocław University of Economics, Poland

Bibliografia

• Anderberg M.R. (1973), Cluster Analysis for Applications, Academic Press Inc., New York.
• Bock H.H., Diday E. (Eds.) (2000), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer- Verlag, Berlin-Heidelberg.
• Diday E., Noirhomme-Fraiture M. (Eds.) (2008), Symbolic Data Analysis and the SODAS Software, Wiley, Chichester.
• Everitt B.S., Landau S., Leese M. (2001), Cluster Analysis, Fourth Edition, Arnold, London.
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, PWN, Warszawa.
• Gordon A.D. (1999), Classification, Chapman & Hall, London-New York-Washington.
• Grabiński T. (1992), Metody taksonometrii, Wyd. AE w Krakowie, Kraków.
• Hair J.F., Black W.C., Babin B.J, Anderson R.E., Tatham R.L. (2006), Multivariate Data Analysis, Pearson Prentice Hall, New Jersey.
• Jain A.K., Murty M.N., Flynn P.J. (1999), Data Clustering: A Review, ACM Computer Survey, vol. 31, no. 3, pp. 264-323.
• Koronacki J., Ćwik J. (2005), Statystyczne systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Milligan G.W. (1996), Clustering Validation: Results and Implications for Applied Analyses, In: P. Arabie, L.J. Hubert, G. de Soete (Eds.), Clustering and Classification, World Scientific, Singapore, pp. 341-375.
• Mynarski S. (2000), Praktyczne metody analizy danych rynkowych i marketingowych, Zakamycze, Kraków.
• Walesiak M. (1993), Strategie postępowania w badaniach statystycznych w przypadku zbioru zmiennych mierzonych na skalach różnego typu, Badania Operacyjne i Decyzje, no. 1, pp. 71-77.
• Walesiak M. (2004), Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, In: J. Dziechciarz (Ed.), Ekonometria 13. Zastosowania metod ilościowych, PN AE we Wrocławiu, no. 1010, pp. 52-71.
• Wilk J. (2010a), Problemy segmentacji rynku z wykorzystaniem metod klasyfikacji i danych symbolicznych, doctoral thesis, Jelenia Góra (unpublished).
• Wilk J. (2010b), Cluster Analysis Methods in Symbolic Data Analysis, In: J. Pociecha (Ed.), Data Analysis Methods in Economic Investigations, Studia i Prace UE w Krakowie, no. 11, Kraków, pp. 39-54.
• Wilk J., Pełka M. (2004), Dane symboliczne w zagadnieniu klasyfikacji, In: M. Rószkiewicz (Ed.), Identyfikacja struktur rynkowych: pomiar - modelowanie - symulacja, Monografie i opracowania, no. 533, Of. Wyd. SGH w Warszawie, Warszawa, pp. 103-120.