BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Pełka Marcin (Wrocław University of Economics, Poland)
Title
Analysis of Happiness in EU Countries Using the Multi-Model Classification Based on Models of Symbolic Data
Analiza zadowolenia w krajach Unii Europejskiej z zastosowaniem wielomodelowej klasyfikacji opartej na modelach danych symbolicznych
Source
Econometrics. Advances in Applied Data Analysis, 2019, vol. 23, nr 3, s. 15-25, rys., tab., bibliogr. 34 poz.
Ekonometria
Keyword
Zadowolenie społeczeństwa, Podejście wielomodelowe
Society satisfaction, Multiple-model approach
Note
JEL Classification: C38; C87; O52
streszcz., summ.
Company
Unia Europejska (UE)
European Union (EU)
Abstract
W analizie zadowolenia stosowane są mierniki zadowolenia, a wyniki mają formę raportów. Dotyczą one 156 krajów, które są opisywane przez 17 zmiennych. W artykule zastosowno podejście wielomodelowe danych symbolicznych, w którym wykorzystano klasyfikację opartą na modelach, aby zidentyfikować, które z wybranych krajów Europy mają podobny poziom zadowolenia. Wyniki zanalizowano z użyciem skalowania wielowymiarowego i drzew klasyfikacyjnych danych symbolicznych. W efekcie zastosowanego podejścia zidentyfikowano strukturę trzech klas. W klasie pierwszej znalazły się: Austria, Dania, Finlandia, Niemcy, Irlandia, Luksemburg, Holandia, Norwegia, Szwajcaria oraz Wielka Brytania. Kraje te mają najwyższe wartości dla większości zmiennych. Klasa druga zawiera: Bułgarię, Estonię, Węgry, Litwę, Polskę, Rumunię, Słowację. Ta klasa jest równocześ- nie najbardziej homogeniczna. W klasie trzeciej znalazły się z kolei: Cypr, Czechy, Francja, Grecja, Włochy, Portugalia, Słowenia i Hiszpania.(abstrakt oryginalny)

The results of happiness analysis are presented in the form of a World Happiness Report that covers 156 countries and 17 different indicators. In the article model-based clustering ensemble is built to determine what selected European countries have similar patterns of happiness. The results are analyzed using multidimensional scaling and a decision tree to find out what factors determine cluster memberships. In the empirical part, three clusters were detected The first contains countries: Austria, Denmark, Finland, Germany, Ireland, Luxembourg, the Netherlands, Norway, Sweden, Switzerland and the United Kingdom. They have the highest values for all the variables, except the negative affect. The second cluster contains seven countries: Bulgaria, Estonia, Hungary, Lithuania, Poland, Romania and Slovakia. This cluster is also the most homogeneous one. The third cluster contains eight countries: Cyprus, the Czech Republic, France, Greece, Italy, Portugal, Slovenia and Spain.(original abstract)
Accessibility
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of the Wroclaw University of Economics
Full text
Show
Bibliography
Show
  1. Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
  2. Bock H.-H., Diday E. (eds.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin-Heidelberg.
  3. Celeux G., Govaert G., 1995, Gaussian parsimonious clustering models, Pattern Recognition, 28(5), pp. 781-793.
  4. Deaton A., Stone A.A., 2013, Two happiness puzzles, American Economic Review, vol. 103(3), pp. 591-597.
  5. Diday E., Noirhomme-Fraiture M. (eds.), 2008, Symbolic Data Analysis and the SODAS Software, John Wiley & Sons.
  6. Diener E., Ng. W., Harter J., Arora R., 2010, Wealth and happiness across the world: Material prosperity predicts life evaluation, whereas psychosocial prosperity predicts positive feeling, Journal of Personality and Social Psychology, 99(1), pp. 52-61.
  7. Dudek A., Pełka M., Walesiak M., The symbolic DA package for R software, www.r-project.org.
  8. Dudoit S., Fridlyand J., 2003, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, 19(9), pp. 1090-1099.
  9. Fraley C., Raftery A.E., 2002, Model-based clustering, discriminant analysis and density estimation, Journal of the American Statistical Association, 97(458), pp. 611-631.
  10. Fred A.L., Jain A.K., 2005, Combining multiple clusterings using evidence accumulation, IEEE Transactions on Pattern Analysis & Machine Intelligence, (6), pp. 835-850.
  11. Gatnar E., Walesiak M. (eds.), 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem program R, C.H. Beck, Warszawa.
  12. Ghaemi R., Sulaiman M.N., Ibrahim H., Mustapha N., 2009, A survey: Clustering ensembles techniques, World Academy of Science, Engineering and Technology, 50, pp. 636-645.
  13. Graham C., 2005, The economics of happiness, World Economics, 6(3), pp. 41-55.
  14. Graham C., 2012, Happiness around the World: The Paradox of Happy Peasants and Miserable Millionaire, Oxford University Press.
  15. Graham C., 2019, Happiness around the World: The Paradox of Happy Peasants and Miserable Millionaires, Oxford University Press.
  16. Groenen P.J.F., Winsberg S., Rodriguez O., Diday E., 2006, I-Scal: Multidimensional scaling of interval dissimilarities, Computational Statistics and Data Analysis, vol. 51, pp. 360-378.
  17. Helliwell J., Layard R., Sachs J., 2018, World Happiness Report 2018, Sustainable Development Solutions Network, New York.
  18. Henne K., Jasińaka-Kania A., Skarżyńska K., 2012, Zadowolenie z życia a zaufanie do ludzi w Polsce i w różnych regionach Europy, [in:] A. Jasińska-Kania (red.), Wartości i zmiany. Przemiany postaw Polaków w jednoczącej się Europie, Wyd. Naukowe Scholar, pp. 78-104.
  19. Hornik K., 2005, A CLUE for CLUster ensembles, Journal of Statistical Software, 14(12), pp. 1-25.
  20. Karatzoglu A., 2006, Kernel methods. Software, algorithms and applications, Doctoral thesis, Vienna University of Technology.
  21. Kaufmann L., Rousseeuw P.J., 1990, Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York.
  22. Krok E., 2016, Metody pomiaru szczęścia i jego zależność od dochodu, Studia Ekonomiczne, no. 286, pp. 43-55.
  23. Lebret R., Iovleff S., Langrognet F., Biernacki Ch., Celeux G., Govaert G., 2015, Rmixmod: The R package of the model-based unsupervised, supervised, and semi-supervised classification mixmod library, Journal of Statistical Software, vol. 67, issue 6, pp. 1-29.
  24. Leisch F., 1999, Bagged clustering, Adaptive Information Systems and Modeling in Economics and Management Science, Working Paper 51.
  25. Machowska-Okrój S., 2014, Wzrost gospodarczy a dobrobyt ekonomiczno-społeczny w wybranych krajach europejskich, Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania Uniwersytetu Szczecińskiego, 35(2), pp. 409-430.
  26. Ng A., Jordan N., Wiess Y., 2002, On Spectral Clustering: Analysis and an Algorithm, [in:] T. Dietterich, S. Becker, Z. Ghahramani (eds.), Advances in Neural Information Processing Systems 14, MIT Press, pp. 849-856.
  27. Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: Symbolic data analysis, Statistical Analysis and Data Mining: the ASA Data Science Journal, 4(2), 157-170.
  28. Raftery A.E., Dean N., 2006, Variable selection for model-based clustering, Journal of the American Statistical Association, 101(473), pp. 168-178.
  29. Rokicka E., 2014, Rozwój gospodarczy i społeczny a jakość życia. Wybrane kontrowersje teoretyczne i metodologiczne, Przegląd Socjologiczny, 63(1), pp. 81-107.
  30. Ryan P.B., McNicholas P.D., 2014, Estimating common principal components in high dimensions, Advances in Data Analysis and Classification, 8(2), pp. 217-226.
  31. Scrucca L., Fop M., Murphy T.B., Raftery A.E., 2016, Mclust 5: Clustering, classification and density estimation using Gaussian finite mixture models, The R Journal, 8/1, pp. 205-233.
  32. Shi J., Malik J., 2000, Normalized cuts and image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), pp. 888-905.
  33. von Luxburg U., 2006, A tutorial on spectral clustering, Max Planck Institute for Biological Cybernetics, Technical Report TR-149.
  34. Wallis C., 2005, The new science of happiness, Time Magazine, vol. 22.
Cited by
Show
ISSN
1507-3866
Language
eng
URI / DOI
http://dx.doi.org/10.15611/eada.2019.3.02
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu