Możliwości zastosowania modelowania dwupoziomowego w badaniach ekonomicznych

• Autorzy: Hanna Gruchociak

Warianty tytułu

The Possibility of Two-Level Modeling Used in Economic Studies

• Języki publikacji: PL

Abstrakty

Głównym celem artykułu jest wykazanie przydatności metodologii modelowania dwupoziomowego w szacowaniu wartości zmiennych społeczno-ekonomicznych. W pierwszej części opracowania przedstawione zostaną etapy konstrukcji modelu uwzględniającego dwupoziomową strukturę badanej populacji oraz zmiennych. W części drugiej przedstawiono przykład zastosowania opisanej metodologii do szacowania liczby osób pracujących w przekroju powiatów. Jako jednostki drugiego poziomu przyjęto województwa. Dzięki zastosowaniu metodologii modelowania dwupoziomowego możliwe jest uwzględnienie zróżnicowania poziomu badanej zmiennej oraz siły jej zależności ze zmiennymi objaśniającymi pomiędzy grupami. Ponadto, pozyskane zostały dodatkowe informacje dzięki wprowadzeniu zmiennych objaśniających z drugiego poziomu, czyli dotyczących całych grup. W części drugiej jako zmienne objaśniające wykorzystane zostały miedzy innymi wyniki unikatowego badania przeprowadzonego w Urzędzie Statystycznym w Poznaniu, które dotyczyły przepływów związanych z zatrudnieniem. Głównym źródłem informacji tego badania są zasoby rejestrów podatkowych Ministerstwa Finansów. Dane te dotyczą roku 2006 i jest to pierwsza informacja od 1988 roku dotycząca dojazdów do pracy udostępniona przez GUS. Przeprowadzone zostało porównanie jakości szacunków otrzymanych przy pomocy omawianego podejścia dwupoziomowego oraz klasycznej regresji liniowej. Otrzymane wyniki wskazują na przewagę modelu dwupoziomowego. (abstrakt oryginalny)

EN

The main objective of this paper is to demonstrate the usefulness of two-level modeling methodology for estimating the socio-economic variables. In the first part of the paper one will present the model construction stages taking the two-level structure of population and variables into account. In the second part an example of using the above methodology for estimating the number of working people in cross-section of counties is presented. Province were chosen as second-level unit. With the two-level modeling methodology one can include variation of the level of the considered variable and the strength of its dependencies with explanatory variables between the groups. Furthermore, additional information has been obtained by using the explanatory variables from the second level -concerning the entire group. In the second part, as the explanatory variables, among others, the results of unique study in the Statistical Office in Poznań which concerned the flow of employees were used. The main source of information of this study are the fiscal records of the Ministry of Finance. These data concern the year 2006 and this has been the first information for commuting since 1988 provided by the Central Statistical Office. The comparison of the quality of estimates obtained using two-level approach and the classical linear regression were conducted. The results show the advantage of two-level model. (original abstract)

Słowa kluczowe

PL

Zmienna objaśniająca; Regresja liniowa; Modele regresji

EN

Exogenous variable; Linear regression; Regression models

• Czasopismo: Przegląd Statystyczny
• Rocznik: 2012
• Tom: 59
• Numer: z. 4
• Strony: 409--433

Twórcy

autor

Hanna Gruchociak

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• [1] Bliese P., (2012), Multilevel Modeling in R (2.4) A Brief Introduction to R, the multilevel package and the nlme package, Paul Bliese, April 10, http://cran.r-project.org/doc/contrib/Bliese Multilevel.pdf.
• [2] Bołt T., Krauze K., Kulawczuk T., (1985), Agregacja modeli ekonometrycznych, Państwowe Wydawnictwo Ekonomiczne, Warszawa.
• [3] Goldstein H., (2003), Multilevel Statistical Models, 3rd edition, London: Edward Arnold.
• [4] Harville D.A., (1974), Bayesian Inference for Variance Components Using Only Error Contrasts, Biometrika, 61, 383-385.
• [5] Hox J., (2002), Multilevel Analysis. Techniques and Applications, Lawrence Erlbaum Associates, Publishers, London.
• [6] Klimanek T., (2003), Wielopoziomowa analiza struktury agrarnej gminy w systemie Geo-Info, Praca doktorska napisana na Akademii Ekonomicznej w Poznaniu na Wydziale Zarządzania w Katedrze Statystyki, Poznań.
• [7] Kopczewska K., Kopczewski T., Wójcik P., (2009), Metody ilościowe w R Aplikacje ekonomiczne i finansowe, CeDeWu.pl, Warszawa.
• [8] Krzyśko M., (1996), Statystyka matematyczna, Wydawnictwo Naukowe UAM, Poznań.
• [9] Lin X., (1997), Variance Component Testing in Generalized Linear Models with Random Effects, Biometrika, 84, 309-25.
• [10] Pinheiro J.C., Bates D.M., (2000), Mixed-Effects Models in S and S-PLUS, New York: Springer-Verlag.
• [11] Rao J.N.K., (2003), Small Area Estimation, Wiley & Sons, New York.
• [12] Raudenbush S.W., Bryk A.S., (2002), Hierarchical Linear Models. Applications and Data Analysis Methods, Second Edition, Sage Publications, London Thousand Oaks New Delhi.
• [13] Rydlewski J.P., (2009), Estymatory największej wiarygodności w uogólnionych modelach regresji nieliniowej, Praca doktorska napisana na Uniwersytecie Jagiellońskim na Wydziale Matematyki i Informatyki w Instytucie Matematyki, Kraków.
• [14] Sakamoto Y., Ishiguro, M., and Kitagawa G., (1986), Akaike Information Criterion Statistics, D. Reidel Publishing Company.
• [15] Schwarz G., (1978), Estimating the Dimension of a Model, Annals of Statistics, 6, 461-464.
• [16] Twisk J.W.R., (2010), Analiza wielopoziomowa - przykłady zastosowań Praktyczny podręcznik biostatyki i epidemiologii, Oficyna Wydawnicza SGH, Warszawa.
• [17] Węziak D., (2007), Wielopoziomowe modelowanie regresyjne w analizie danych, Wiadomości Statystyczne, 9 (556), 1-12.