Poczucie śląskości wśród Ślązaków - analiza empiryczna z wykorzystaniem modeli klas ukrytych

• Autorzy: Ewa Genge

Warianty tytułu

A Sense of Being Silesian - an Empirical Analysis with the Use of Latent Class Models

• Języki publikacji: PL

Abstrakty

Modele klas ukrytych (latent class models), zwane również analizą klas ukrytych (latent class analysis), zaliczane są do tzw. modeli ze zmiennymi ukrytymi (latent variable models), w których ukrytą zmienną jest klasa. Modele te można zaliczyć również do tzw. podejścia modelowego w taksonomii (model-based clustering), gdzie wykorzystywana jest idea mieszanek rozkładów. Celem artykułu będzie dokonanie podziału Ślązaków w różny sposób postrzegających śląskość. Badania przeprowadzone zostaną za pomocą modelu klas ukrytych dla danych zgromadzonych przez Katedrę Pedagogiki Społecznej Uniwersytetu Śląskiego w Katowicach. Obliczenia zostaną przeprowadzone za pomocą pakietów poLCA i flexmix programu R.(abstrakt oryginalny)

EN

The paper focuses on latent class models and their application for quantitative data. Latent class modeling is one of multivariate analysis techniques of the contingency table and can be viewed as a special case of model-based clustering, for multivariate discrete data. It is assumed that each observation comes from one of the numbers of subpopulations, with its own probability distribution. We used latent class analysis for grouping and detecting homogeneity of Silesian people using poLCA package of R. We analyzed data collected by the Department of Social Pedagogy, University of Silesia in Katowice.(original abstract)

Słowa kluczowe

PL

Analiza klas ukrytych; Taksonomia

EN

Latent class analysis; Taxonomy

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2013
• Numer: nr 4 (42)
• Strony: 48--59

Twórcy

autor

Ewa Genge

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Agresti A., Categorical Data Analysis, John Wiley&Sons, Hoboken 2002.
• Akaike H., A new look at statistical model identification, "IEEE Transactionson Automatic Control" 1974, 19, s. 716-723.
• Bandeen-Roche K., Miglioretti D.L., Zeger S.L., Rathouz P.J., Latent variable regression for multiple discrete outcomes, "Journal of the American Statistical Association" 1997, 92(40), s. 123-135.
• Bąk A., Modele klas ukrytych dla danych jakościowych, [w:] E. Gatnar, M. Walesiak, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa 2011, s. 204-222.
• Biernacki C., Celeux G., Govaert G., Choosing models in model-based clustering and discriminant analysis, "Journal of Statistical Computation and Simulation" 1999, 64, s. 49-71.
• Bozdogan H., Akaike's information criterion and recent developments in information criterion, "Journal of Mathematical Psychology" 2000, 44, s. 62-91.
• Collins L.M., Lanza S.T., Latent Class and Latent Transition Analysis with Applications in the Social, Behavioral, and Health Sciences, John Wiley&Sons, Wiley 2011.
• Dayton C.M., Macready G.B., Concomitant-variable latent-class models, "Journal of the American Statistical Association" 1988, 83(401), s. 173-178.
• Dempster A.P., Laird N.P., Rubin D.B., Maximum likelihood for incomplete data via the EM algorithm (with discussion), "Journal of the Royal Statistical Society" 1977, 39, s. 1-38.
• Domański C., Pruska K., Nieklasyczne metody statystyczne, PWE, Warszawa 2000.
• Goodman L., The multivariate analysis of qualitative data: interactions among multiple classification, "Journal of the American Statistical Association" 1970, 65, s. 226-256.
• Haberman S.J., Analysis of Qualitative Data, New Developments, "Academic Press", New York 1979, 2.
• Hagenaars A.J., McCutcheon A.L., Applied Latent Class Analysis, Cambridge University Press, Cambridge 2002.
• Lazarsfeld P.F., The Logical and Mathematical Foundations of Latent Structure Analysis, [w:] S.A. Stouffer, Measurement and Prediction, John Wiley&Sons, New York 1950, s. 362-412.
• Linzer D., Lewis J., poLCA: an R package for polytomous variable latent class analysis, "Journal of Statistical Software" 2011, 42(10), s. 1-29.
• McLachlan G.J., Peel D., Finite Mixture Models, Wiley, New York 2000, s. 81-116.
• Schwarz G., Estimating the dimension of a model, "The Annals of Statistics" 1978, 6, s. 461-464.
• Vermunt J.K., Latent class modeling with covariates: Two improved three-step approaches, "Political Analysis" 2010, 18, s. 450-469.
• Witek E., Analiza skupień - podejście modelowe, [w:] M. Walesiak, E. Gatnar, Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa 2009, s. 434-462.
• Witek E., Modele mieszanek dla danych jakościowych, [w:] E. Gatnar, M. Walesiak, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa 2011a, s. 223-241.
• Witek E., The Comparison of Model-Based Clustering with Heuristic Clustering Methods, [w:] C. Domański, J. Białek, Folia Oeconomica 255, Methodological Aspects of Multivariate Statistical Analysis, Statistical Models and Applications, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2011b, s. 191-197.