BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Genge Ewa (Uniwersytet Ekonomiczny w Katowicach)
Tytuł
Rola kobiet w polskim społeczeństwie - analiza empiryczna z wykorzystaniem modeli klas ukrytych dla danych jakościowych
A Role of Women in Polish Society - an Empirical Analysis with the Use of Latent Class Models
Źródło
Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach, 2013, nr 152, s. 60-72, bibliogr. 18 poz.
Tytuł własny numeru
Metody wnioskowania statystycznego w badaniach ekonomicznych
Słowa kluczowe
Analiza danych statystycznych, Zmienne jakościowe, Statystyka matematyczna
Statistical data analysis, Qualitative variables, Mathematical statistics
Uwagi
summ.
Abstrakt
W artykule przedstawiono przykład zastosowania modeli klas ukrytych do oceny roli kobiet w polskim społeczeństwie. Analiza klas ukrytych umożliwiła segmentację respondentów na podstawie odpowiedzi udzielonych w badaniu Polskiego Generalnego Sondażu Społecznego. Wyodrębniono trzy klasy o podobnych wzorcach zachowań i postaw dla polskich respondentów. Dokonano również oceny wpływu zmiennych demograficznych na ich przynależność do klas. Do klasy pierwszej zaliczono najmniej osób przeciwnych temu, by kobiety zajmowały się polityką (zarówno jeśli chodzi pełnienie różnych funkcji politycznych, jak i rządzenie krajem). W przypadku pracy zawodowej panuje tu raczej przekonanie, by kobieta została w domu. Respondenci klasy drugiej są przekonani, że kobiety jak najbardziej powinny realizować się zawodowo, a rodzina na tym nie ucierpi. Nie mają również przeciwwskazań, by kobiety pełniły funkcje polityczne. Klasa trzecia jest klasą osób "konserwatywnych", będących zdania, że kobieta po prostu powinna przebywać w domu (ani nie pracować, ani nie angażować się w życie polityczne naszego kraju).(fragment tekstu)

The paper focuses on latent class models and it's application for quantitative data. Latent class modeling is one of a 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 a number of subpopulations, with its own probability distribution. We used latent class analysis for grouping and detecting inhomogeneities of Polish opinions on role of women in polish society. We analyzed data collected as part of the Polish General Social Survey (GSS) using poLCA package of R.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Agresti A. (2002): Categorical Data Analysis. John Wiley & Sons, Hoboken.
  2. Bandeen-Roche K., Miglioretti D.L., Zeger S.L., Rathouz P.J. (1997): Latent Variable Regression for Multiple Discrete Outcomes. "Journal of the American Statistical Association", No. 92(40), s. 123-135.
  3. Bąk A. (2011), Modele klas ukrytych dla danych jakościowych. W: Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R. Red. E. Gatnar, M. Walesiak. C.H. Beck, Warszawa, s. 204-222.
  4. Biernacki C., Celeux G., Govaert G. (1999): Choosing Models in Model-Based Clustering and Discriminant Analysis. "Journal of Statistical Computation and Simulation", No. 64, s. 49-71.
  5. Bolck A., Croon M., Hagenaars J. (2004): Estimating Latent Structure Models with Categorical Variables: One-step Versus Three-step Estimators. "Political Analysis", No. 12(1), s. 3-27.
  6. Bozdogan H. (2000): Akaike's Information Criterion and Recent Developments in Information Criterion. "Journal of Mathematical Psychology", No. 44, s. 62-91.
  7. Collins L.M., Lanza S.T. (2011): Latent Class and Latent Transition Analysis with Applications in the Social, Behavioral, and Health Sciences. John Wiley & Sons, Wiley, s. 100-103; 151, 177.
  8. Dayton C. M., Macready G.B. (1988): Concomitant-variable Latent-class Models. "Journal of the American Statistical Association", No. 83(401), s. 173-178.
  9. Dempster A.P., Laird N.P., Rubin D.B. (1977): Maximum Likelihood for Incomplete Data Via the EM Algorithm (with discussion). "Journal of the Royal Statistical Society", No. 39, ser.B, s. 1-38.
  10. Domański C., Pruska K. (2000): Nieklasyczne metody statystyczne. PWE, Warszawa. Goodman L. (1970): The Multivariate Analysis of Qualitative Data: Interactions Among Multiple Classification. "Journal of the American Statistical Association", No. 65, s. 226-256.
  11. Haberman S.J. (1979): Analysis of Qualitative Data, New Developments. Academ ic Press, New York, No 2.
  12. Hagenaars A.J., McCutcheon A.L. (2002): Applied Latent Class Analysis. Cambridge University Press, Cambridge.
  13. Lazarsfeld P.F. (1950): The Logical and Mathematical Foundations of Latent Structure Analysis. W: Measurement and Prediction. Red. S.A. Stouffer. John Wiley & Sons, New York, s. 362-412.
  14. Linzer D., Lewis J. (2011): poLCA: An R Package for Polytomous Variable Latent Class Analysis. "Journal of Statistical Software", No. 42(10), s. 1-29.
  15. McLachlan G.J., Peel D. (2000): Finite Mixture Models. Wiley, New York, s. 81-116
  16. Vermunt, J.K. (2010): Latent Class Modeling With Covariates: Two Improved Three-step Approaches. Political Analysis, 18, s. 450-469.
  17. Witek E. (2009): Analiza skupień - podejście modelowe. W: Statystyczna analiza danych z wykorzystaniem programu R. Red. M. Walesiak, E. Gatnar. Wydawnictwo Naukowe PWN, Warszawa, s. 434-462.
  18. Witek E. (2011): Modele mieszanek dla danych jakościowych. W: Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R. Red. E. Gatnar, M. Walesiak. C.H. Beck, Warszawa, s. 223-241
Cytowane przez
Pokaż
ISSN
2083-8611
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu