Analiza skupień oparta na modelach mieszanek i jej zastosowania w marketingu

• Autorzy: Ewa Witek
• Języki publikacji: PL

Abstrakty

W artykule zostanie przedstawiona charakterystyka modeli mieszanek, sposobów estymacji jej parametrów oraz wyboru stosownej liczby składników mieszanki (klas, segmentów rynku). Przykład zastosowania mieszanek rozkładów dwumianowych w badaniu popularności różnych gatunków whiskey, a także przykład dla mieszanek liniowych funkcji regresji zostaną przedstawione w części empirycznej artykułu. (fragment tekstu)

Słowa kluczowe

PL

Analiza skupień; Regresja liniowa; Estymacja; Modele liniowe; Wielowymiarowa analiza statystyczna

EN

Cluster analysis; Linear regression; Estimation; Linear models; Multi-dimensional statistical analysis

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2009
• Tom: Zarządzanie, finanse, ekonomia : warsztaty doktoranckie '08
• Strony: 435--444

Twórcy

autor

Ewa Witek

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach, doktorant

Bibliografia

• Edwards Y., Allenby G.: Multivariate Analysis of Multiple Response Data. "JMR" 2003, No. 30, s. 321-334.
• DeSarbo W.S., Cron W.L.: A Maximum Likelihood Melhodology for Clustenvise Linear Regression. "Journal of Classification" 1988, No. 5, s. 249-282.
• Dempster A.P., Laird N.M., Rubin D.B.: Maximum Likelihood for Incomplète Data via the EMAlgorithm (with Discussion). "Journal of the Royal Statistical Society" 1977, Seria B, No. 39, s. 1-38.
• Fraley C., Raftery A.E.: Modet-Based Clustering, Discriminant Analysis, and Density Estimation. "Journal of the American Statistical Association" 2002, No. 97, s. 611-631.
• Gatnar E., Walesiak M.: Metody statystycznej analizy wielowymiarowej w badaniach marketingowych. Wydawnictwo Akademii Ekonomicznej, Wrocław 2004, s. 316-350.
• Kamakura W. A., Agrawal J.: Concommitant Variable Latent Class Models for Conjoint Analysis. "International Journal of Research in Marketing" 1994, No. 11, s. 451-464.
• Kamakura W.A., Russell G.J.: A Probabilistic Choice Model for Market Segmentation and Elasticity Structure. "Journal of Marketing Research" November 1989, No. 26, s. 379-390.
• Leisch R.: Exploring the Structure of Mixture Mode! Components. Compstat 2004 - Proceedings in Computational Statistics, 2004, s. 1405-1412.
• Leisch R.: FlexMix: A General Framework for Finite Mixture Models and Latent Class Regression in R. "Journal of Statistical Software" 2004, No. 11(8), s. 1-18, http://www.jstatsoft.org/vll/i08/.
• McLachlan G.J., Peel D.: Finite Mixture Models. John Wiley and Sons, New York 2000.
• Stanford D.C., Raftery A.E.: Principal Curve Clustering with Noise. "IEEE Transactions on Pattern Analysis and Machine Analysis" 2000, No. 22, s. 601-609.
• Tantrum J., Murua A., Stuetzle W.: Assesment and Pruning of Hierarchical Mode-Based Clustering. Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, NY 2003, s. 197-205.
• Wang P., Cockburn I.M., Puterman M.L.: Analysis of Patent Data - a Mixed-Poisson-Regression-Model Approach. "Journal of Business & Economic Statistics" 1998, No. 16(1), s. 27-41.
• Wedel M.: Concomitant Variables in Finite Mixture Models. "StatisticaNeerlandica" 2002, No. 55, s. 362-375.
• Wedel M., Kamakura W.A.: Market Segmentation: Conceptual and Methodological Foundations. Kluwer Academic Publishers, Boston-Dordrecht-London, 2001.