BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Beręsewicz Maciej (Poznań University of Economics, Poland)
Tytuł
PLS Regression Using Spatial Weights on the Example of Spatial Modeling Support for Political Parties in Elections 2011 to the Sejm of the Republic of Poland
Regresja PLS z uwzględnieniem wag przestrzennych na przykładzie modelowania poparcia dla partii politycznych w wyborach do sejmu 2011 roku
Źródło
Acta Universitatis Lodziensis. Folia Oeconomica, 2013, t. 292, s. 155-167, tab., rys., bibliogr. 8 poz.
Tytuł własny numeru
Spatial Econometrics and Regional Economics Analysis
Słowa kluczowe
Analiza przestrzenna, Partie polityczne, Modelowanie zjawisk czasowo-przestrzennych, Modele regresji, Ekonometria
Spatial analysis, Political parties, Modeling of time-space, Regression models, Econometrics
Abstrakt
Przestrzeń odgrywa ważną rolę w otaczającej nas rzeczywistości, zwłaszcza w kontekście badań społeczno-ekonomicznych. Jednym z przykładów, którym położenie geograficzne badanej jednostki jest znaczące jest poparcie dla partii politycznych, widoczne przy okazji wyborów dokonywanych przez obywateli. Interesujące z punktu widzenia badań politycznych jest analizowanie czynników wpływających na wyniki danej partii politycznej w określonej jednostce przestrzennej czy administracyjnej. W artykule skupiono się na analizie danych wyborczych w ujęciu powiatów. Podyktowane było to dużą dostępnością informacji na stosunkowo niskim poziomie agregacji przestrzennej, które można pozyskać z Banku Danych Lokalnych GUS. Występująca współliniowość zmiennych, które wpływają na poparcie partii politycznych ogranicza jednak stosowanie zwykłych modeli liniowych co skutkuje nieuwzględnieniem części informacji. Metodą, która pozwala na uwzględnienie współliniowości jest regresja PLS (Partial Least Squares Regression), która nie była wcześniej proponowana w modelowaniu przestrzennym. W artykule zostanie zaprezentowany model Przestrzennej Regresji Metodą Cząstkową Najmniejszych Kwadratów (SPLSR) uwzględniający czynnik przestrzenny. Następnie dokonana zostanie analiza porównawcza SPLSR z modelami klasycznej regresji liniowej uwzględniającej czynnik przestrzenny. Celem artykułu jest ocena modelu SPLSR w badaniach społeczno-ekonomicznych na przykładzie modelowania poparcia dla partii politycznych. Obliczenia zostaną wykonane w programie R z wykorzystaniem pakietów pis, sp, spdep, maps. (abstrakt oryginalny)

Space has an important role in the reality around us, especially in the context of socioeconomic research. One of the best examples in which the geographic location of one of the most significant factors is the support for political parties. Interesting from the standpoint of policy research is to analyze factors influencing the results of the political party in a particular spatial or administrative unit. The article focuses on the analysis of electoral data for counties. This was motivated by the high availability of data at a county level, which may be obtained from the Local Data Bank. However, collinearity which occurs in data that affect the support of political parties, limits the use of ordinary linear models. It results in failure of taking into account most of the information contained in the data. In the article will be presented Spatial Partial Least Squares Regression (SPLSR) which takes into account the spatial factor and collinearity. Author will assess SPLSR model with known spatial linear models with spatial lag and error to compare fit, information criteria and errors. Aim of the article is to show, if taking into account collinearity of predictors significantly improve modelling the support for political parties, which SPLSR model does. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Anderson G, Kaufmann P. and Renberg L. (1996), Non-linear modelling with a coupled neural network-PLS regression system. J. Chemom. 10.
  2. Hoskuldsson A. (1988), PLS regression methods. J. Chemom. 2.
  3. Lorber A., Wangen L. and Kowalski B.R. (1987), A theoretical foundation for PLS, J. of Chemo-metrics 1.
  4. Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R CRAN, CeDeWu, Warszawa.
  5. Suchecki B. (ed.) (2010), Ekonometria Przestrzenna Metody i modele analizy danych, Warszawa, C.H. Beck.
  6. Wold, H. (1966), Estimation of principal components and related models by iterative least squares, In P.R. Krishnaiaah (Ed.). Multivariate Analysis, (pp. 391-420) New York: Academic Press.
  7. Wold H. (1981), The fix-point approach to interdependent systems, Amsterdam: North Holland.
  8. Wold H. (1985), Partial least squares, (in:) Samuel Kotz and Norman L. Johnson (eds.), Encyclopedia of statistical sciences, Vol. 6, New York: Wiley, pp. 581-591.
Cytowane przez
Pokaż
ISSN
0208-6018
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu