Wykorzystanie mieszanek rozkładów w regresji

• Autorzy: Ewa Witek

Warianty tytułu

Applications for Finite Mixtures of Regression Models

• Języki publikacji: PL

Abstrakty

Modele mieszanek znajdują zastosowanie przede wszystkim w marketingu. W artykule podjęto próbę wykorzystania mieszanek modeli GLM dla danych społeczno-ekonomicznych. Zastosowana metoda pozwoliła na wybór optymalnej liczby klas, oszacowanie parametrów modeli GLM w każdej z nich, jak również określenie wpływu poszczególnych zmiennych na wielkość emigracji w wyodrębnionych grupach województw Polski. (fragment tekstu)

EN

While finite mixture models have been in use for a hundred years, they have seen a real boost in popularity over the last decade due to the tremendous increase in the computing power now available. The simplest finite mixture models consist of a finite mixture of distributions used for model-based clustering. More complicated mixtures have been developed by inserting different kinds of models for each component. An obvious extension is to estimate a generalised linear model (GLM) for each component. Finite mixtures of GLMs allow us to relax the assumption that the regression coefficients and dispersion parameters are the same for all observations and are often used to capture the over-dispersion in the data that can occur, for example, if important covariates are omitted in the regression. All computations and graphics are done with R's flexmix package. (original abstract)

Słowa kluczowe

PL

Analiza skupień; Rozkłady normalne; Rozkład prawdopodobieństwa; Modele liniowe

EN

Cluster analysis; Normal distribution; Probability distributions; Linear models

• Czasopismo: Studia i Prace Uniwersytetu Ekonomicznego w Krakowie
• Rocznik: 2010
• Numer: nr 10
• Strony: 63--72

Twórcy

autor

Ewa Witek

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Dean C. [1992], Testing for Overdispersion in Poisson and Binomial Regression Models, "Journal of the American Statistical Association", nr 84.
• Dempster A. P., Laird N.M., Rubin D.B. [1977], Maxiumum Likelihood for Incomplete Data via the EM Algorithm (with discussion), "Journal of the Royal Statistical Society", Ser. B, nr 39.
• Faraway J.J. [2006], Extending the Linear Model with R, Chapmann&Hall/CRC.
• Frtühwirth-Schnatter S. [2006], Finite Mixture and Markov Switching Models, Springer Series in Statistics, Hardcover.
• Jajuga K. [1993], Statystyczna analiza wielowymiarowa, Wydawnictwo Naukowe PWN, Warszawa.
• Leisch R., FlexMix [2004], A General Framework for Finite Mixture Models and Latent Class Regression in R, "Journal of Statistical Software", nr 11(8), http://wwwjstatsoft,org/
• Tantrum J., Murua A., Stuetzle W. [2003], Assesment and Pruning of Hierarchical Model-based Clustering, Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, ACM Press, New York.