BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Batóg Jacek (Uniwersytet Szczeciński)
Title
Identyfikacja i znaczenie obserwacji nietypowych w modelach konwergencji dochodowej
Identification and Significance of Outliers in Models of Income Convergence
Source
Zeszyty Naukowe / Uniwersytet Ekonomiczny w Krakowie, 2015, nr 5 (941), s. 5-15, bibliogr. 16 poz.
Cracow Review of Economics and Management
Keyword
Obserwacje nietypowe, Konwergencja, Modele ekonometryczne
Outliers, Convergence, Econometric models
Note
streszcz., summ.
Abstract
Badanie zjawiska konwergencji dochodowej znajduje szerokie odzwierciedlenie w dotychczasowym dorobku nauki i praktyce gospodarczej. Otrzymywane rezultaty charakteryzują się jednak stosunkowo dużym zróżnicowaniem. Wielu autorów wskazuje na silne uzależnienie uzyskiwanych wyników od zakresu czasowego i przekrojowego prowadzonych analiz oraz stosowanych metod badawczych. Mało uwagi poświęca się jednak roli obserwacji nietypowych, które mogą być wynikiem błędnego pomiaru, wystąpienia zdarzenia losowego, niestandardowych warunków lub działań o charakterze celowym. Weryfikacji poddana została hipoteza o istotnym wpływie tych obserwacji na uzyskiwane wyniki procesu estymacji. Głównym celem pracy było ustalenie, czy występowanie obserwacji uznanych za nietypowe istotnie zmienia jakość modeli oraz szybkość procesu konwergencji dochodowej.(abstrakt oryginalny)

The research of income convergence found remunerative findings in the existing literature and economic practice. The results obtained, however, show comparatively large differentiation. Many authors underline the strong dependence of the results obtained from the time and spatial character of the sample as well as the type of methods applied. Little attentions is placed on the role of non-typical observations (outliers) which can occur as a result of incorrect measurement, random error, non-standard circumstances or intentional impact. The hypothesis verified was that outliers exert an essential influence on estimation results. The main objective of the analyses provided was to determine if the occurrence of such observations significantly changes the quality of the models built and the speed of the process of income convergence.(original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
Full text
Show
Bibliography
Show
  1. Acuna E., Rodriguez C.A. [2004], A Meta Analysis Study of Outlier Detection Methods in Classification, Proceedings IPSI 2004, Venice, http://academic.uprm.edu/eacuna/paperout.pdf (dostęp: 26.04.2014).
  2. Barnett V., Lewis T. [1994], Outliers in Statistical Data, John Wiley, Chichester.
  3. Barro R.J., Sala-i-Martin X. [2004], Economic Growth, 2nd ed., MIT Press, Cambridge, Massachusetts.
  4. Batóg J. [2010], Konwergencja dochodowa w krajach Unii Europejskiej. Analiza ekonometryczna, Rozprawy i Studia, t. DCCCLIV (780), Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin.
  5. Batóg J. [2013], Analiza krańcowej pionowej konwergencji dochodowej typu β w krajach Unii Europejskiej w latach 1993-2010, Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania, nr 31, Metody ilościowe w ekonomii, t. 1, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin.
  6. Batóg J., Batóg B. [2006], Income Convergence in the European Countries: Empirical Analysis, "Folia Oeconomica Stetinensia", nr 5(13).
  7. Ben-Gal I. [2005], Outlier Detection[w:] Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers, red. O. Maimon, L. Rokach, Kluwer Academic Publishers, Boston.
  8. The Conference Board Total Economy Database [2014], January, http://www.conference-board.org/data/economydatabase/ (dostęp: 22.04.2014).
  9. Fawcett T., Provost F. [1997], Adaptive Fraud Detection, "Data Mining and Knowledge Discovery", vol. 1, nr 3.
  10. Hawkins D. [1980], Identification of Outliers, Chapman and Hall, London.
  11. Hozer J. [1993], Mikroekonometria, PWE, Warszawa.
  12. Maddala G.S. [2006], Econometrics, Wydawnictwo Naukowe PWN, Warszawa.
  13. Penny K.I., Jolliffe I.T. [2001], A Comparison of Multivariate Outlier Detection Methods for Clinical Laboratory Safety Data, "The Statistician", vol. 50, nr 3, http://dx.doi.org/10.1111/1467-9884.00279.
  14. Ruts I., Rousseeuw P.J. [1996], Computing Depth Contours of Bivariate Point Clouds, "Computational Statistics and Data Analysis", vol. 23, nr 1, http://dx.doi.org/10.1016/s0167-9473(96)00027-8.
  15. Walfish S. [2006], A Review of Statistical Outlier Methods, "Pharmaceutical Technology", November 2.
  16. Williams G.J., Baxter R.A., He H.X., Hawkins S., Gu L. [2002], A Comparative Study of RNN for Outlier Detection in Data Mining, Proceedings of the 2ndIEEE International Conference on Data Mining (ICDM'02), Maebashi City, Japan.
Cited by
Show
ISSN
1898-6447
Language
pol
URI / DOI
http://dx.doi.org/10.15678/ZNUEK.2015.0941.0501
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu