Regresja logistyczna dla danych symbolicznych interwałowych

Pełka, Marcin

doi:10.15611/ekt.2015.2.04

Author

Pełka Marcin (Uniwersytet Ekonomiczny we Wrocławiu)

Title

Regresja logistyczna dla danych symbolicznych interwałowych
Logistic Regression for Interval-valued Symbolic Data

Source

Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu, 2015, nr 2 (48), s. 44-52, rys., tab., bibliogr. 16 poz.
Econometrics / Uniwersytet Ekonomiczny we Wrocławiu

Keyword

Analiza danych, Logistyka, Regresja logistyczna
Data analysis, Logistics, Logistic regression

Note

streszcz., summ.

Abstract

W praktyce badawczej często mamy do czynienia z sytuacją, gdy zmienna za-leżna ma postać zmiennej dwumianowej (binarnej, dychotomicznej). Ponieważ model regre-sji liniowej nie znajduje tutaj zastosowania, konieczne jest zastosowanie modeli nielinio-wych. Modelem regresji stosowanym dla zmiennych dwumianowych jest model regresji lo-gistycznej. Artykuł prezentuje adaptację modelu regresji logistycznej dla zmiennych symbo-licznych interwałowych. W tym celu wskazano cztery różne rozwiązania, które zapropono-wano w literaturze przedmiotu. W części empirycznej zaprezentowano wyniki badań z za-stosowaniem sztucznych i rzeczywistych zbiorów danych. Otrzymane wyniki wskazują, że model regresji logistycznej, po odpowiedniej modyfikacji, może znaleźć zastosowanie dla zmiennych symbolicznych interwałowych. Najlepsze dopasowanie uzyskują modele budo-wane na podstawie środków bądź metody krańców o estymacji łącznej.(abstrakt oryginalny)

When dealing with real data situation we often have a binary (biomial, dichoto-mous) dependent variable. As the linear probability model is not such a good solution in such a situation there is a need to use nonlinear models. A quite good solution for such a sit-uation is the logistic regression model. The paper presents an adaptation of linear regression model when dealing with symbolic interval-valued variables. Four approaches poposed by de Souza et. al [2011] how to apply such variables are presented. In the empirical part re-sults obtained with the application of artificial and real data sets are shown. The best results are obtained for midpoint and bounds (joint estimation) methods.(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
The Main Library of the Wroclaw University of Economics

Full text

Bibliography

Alexandre L.A., Campilho A.C., Kamel M., 2001, On combining classifiers using product and sum rules, Pattern Recogintion Letters, vol. 22, issue 12, s. 1283-1289.
Bock H.-H., Diday E. (red.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer Verlag, Berlin-Heidelberg.
Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
de Souza R.M.C.R., Queiroz D.C.F, Cysneiros F.J.A., 2011, Logistic regression-based pattern classi-fiers for symbolic interval data. Pattern Analysis and Applications, vol. 14, issue 3, s. 273-282.
Diday E., Noirhomme-Fraiture M., 2008, Symbolic Data Analysis. Conceptual Statistics and Data Mining, Wiley, Chichester.
Dudek A., 2004, Tworzenie obiektów symbolicznych z baz danych, Prace Naukowe Akademii Eko-nomicznej we Wrocławiu nr 1021, s. 107-114.
Dudek A., 2013, Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. Uniwer-sytetu Ekonomicznego we Wrocławiu, Wrocław.
Gatnar E., Walesiak M. (red.), 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa.
Gruszczyński M. (red.), 2010, Mikroekonometria. Modele i metody analizy danych indywidualnych, Wolters Kulwer Polska, Warszawa.
Hosmer D.W., Lemeshow S., Sturdivant R.X., 2013, Applied logistic regression, John Wiley & Sons, Chichester.
Ichino M., Yaguchi H., 1994, Generalized Minkowski metrics for mixed feature-type data analysis, IEEE Transactions on Systems, Man and Cybernetics, vol. 24, no. 4, s. 698-708.
Menard S., 2002, Applied logistic regression, second edition, Sage Publishing, Thousand Oaks, Cali-fornia.
Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: Symbolic data analy-sis, Statistical Analysis and Data Mining, vol. 4, issue 2, s. 157-170.
Silva A.P.D., Brito P., 2006, Linear discriminant analysis for interval data, Computational Statistics, vol. 21, issue 2, s. 289-308.
Smith T.J., McKenna C.M, 2013, A comparison of logistic regression pseudo R2 indices, Multiple Linear Regression Viewpoints, vol. 39(2), s. 17-26.
Walesiak M., Dudek A., 2014, The clusterSim package, www.r-project.org.

Cited by

ISSN

1507-3866

Language

pol

URI / DOI

BazEkon - The Main Library of the Cracow University of Economics

Main menu