BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Szupiluk Ryszard (Szkoła Główna Handlowa w Warszawie)
Tytuł
Nowe metody analizy danych a teoria ekonomii
New methods in data analysis and economic theory
Źródło
Prace i Materiały Instytutu Rozwoju Gospodarczego / Szkoła Główna Handlowa, 2015, nr 95, s. 245-270, bibliogr. 38 poz.
Tytuł własny numeru
Podejście krótkookresowe i strategiczne w polityce gospodarczej
Słowa kluczowe
Analiza danych, Metodologia ekonomii
Data analysis, Economic methodology
Abstrakt
W niniejszym opracowaniu przedstawiliśmy związki między współczesnymi trendami w badaniach ekonomicznych a nowymi metodami analizy danych. Jako reprezentanta nowego nurtu analizy danych wybraliśmy metody ślepej separacji. Jest to dynamicznie rozwijająca się gałąź analizy danych, która zapoczątkowana pewnymi badaniami neurofizjologicznymi, przekształciła się w szerokie spektrum podejść rozważanych w kategoriach metod separacji, reprezentacji oraz transformacji danych. Do zasadniczych technik w tym obszarze należą przede wszystkim: analiza składowych niezależnych, nieujemna faktoryzacja macierzy oraz algorytmy AMUSE oraz SOBI. W drugiej części opracowania rozważamy różnice pozyskiwania wiedzy w podejściu indukcyjno-eksploracyjnym, którego reprezentantem mogą być metody separacji, a podejściem aprioryczno-dedukcyjnym typowym dla ortodoksyjnych nurtów ekonomii. Wykazujemy, że wbrew często opozycyjnemu ich przedstawieniu są to zasadniczo podejścia komplementarne. W naszej interpretacji wybór podejścia jest związany z relacją ilości danych do wielkości wiedzy eksperckiej o zjawisku.(abstrakt oryginalny)

In this paper, we present relations between actual trends in economic research and novel methods in data analysis. As the representation of the new data analysis approach we choose the blind signal separation methods. Blind separation methods is a rapidly developed branch of data analysis. It started from some neurophysiological problem and grew to wide range analytical approaches which currently are considered in term of data separation, representation and transformation. The main techniques in this area are: independent component analysis, nonnegative matrix factorization or AMUSE and SOBI algorithms. In the second part of paper we consider knowledge discovery differences in inductive-exploration approach what is typical for blind signal separation methods and apriori-deductive approach what is typical for orthodox economy theories. Against often opposite treatments we suggest complementary interpretation. In our meaning the natural methodological choice is associated with relation data to expert knowledge about given phenomena. In the small data case we need to compensate it by some theorethical assumptions.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Berry M., Browne M., Langville A., Pauca P., Plemmons R., Algorithms and Applications for Approximate Nonnegative Matrix Factorization, "Computational Statistics & Data Analysis" 2007, vol. 52, no. 1, s. 155-173.
  2. Blaug M., Metodologia ekonomii, PWN, Warszawa 1995.
  3. Blaug M. Teoria ekonomii: ujęcie retrospektywne, PWN, Warszawa 2000.
  4. Cao X.-R., Liu R.-W., General approach to blind source separation, "IEEE Transactions on Signal Processing" 1996, vol. 44, no. 3, s. 562-571.
  5. Cichocki A., Amari S., Adaptive Blind Signal and Image Processing, John Wiley, Chichester, 2002.
  6. Cichocki A., Zdunek R., Phan A.-H., Amari S., Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis. John Wiley, 2009.
  7. Cichocki A., Unbehauen R., Robust neural networks with on-line learning for blind identification and blind separation of sources, "IEEE Transactions on Circuits and Systems I: Fundamentals Theory and Applications" 1996, vol. 43, no. 11, s. 894- 906.
  8. Comon P., Independent Component Analysis, a new concept?, "Signal Processing" 1994, vol. 36, no. 3.
  9. Comon P., Jutten C. Handbook of blind source separation: independent component analysis and blind deconvolution, Oxford; Burlington, Academic Press/Elsevier, 2010.
  10. Czerwonka M., Gorlewski B., Finanse behawioralne, Wydawnictwo Oficyna Wydawnicza SGH, Warszawa 2012.
  11. Dębiec J., Problemy determinizmu i wolnej woli w neurobiologii - neuroekonomia Paula Glimchera, "Zagadnienia Filozoficzne w Nauce" 2004, XXXIV.
  12. Flexer A., Makeig S., Correlation of Subjective Expectation and P300 Amplitude during a Game of Matching Pennies, Technical Report, Oesterreichisches Forschungsinstitut fuer Artificial Intelligence, Wien, TR-2004-19, 2004.
  13. Frydman R., Goldberg M., Imperfect Knowledge Economics - Exchange Rates and Risk, Princeton University Press, 2007.
  14. Glimcher, P., Decisions, Uncertainty, and the Brain: The Science of Neuroeconomics, The MIT Press, Cambridge, Massachusetts, 2003.
  15. Globler A. Metdologia nauk, Wydawnictwo Znak, 2006.
  16. Hérault J., Jutten Ch., Space or time adaptive signal processing by neural network models, International Conference on Neural Networks for Computing, Snowbird 1986.
  17. Hicks J.R. Perspektywy ekonomii, PWN, Warszawa 1988.
  18. Huerta de Soto J., Pieniądz, kredyt bankowy i cykle koniunkturalne, Wyd. Instytut Ludwiga von Mises, 2009.
  19. Hyvärinen A., Karhunen J., Oja E., Independent Component Analysis, John Wiley, 2001.
  20. Jaynes E.T., Probability theory the logic of science, Cambridge Univ. Press, 2003.
  21. Jutten C., Hérault J., Blind separation of sources, Part 1: An adaptive algorithm based on neuromimetic architecture, "Signal Processing" 1991, vol. 24, s. 1-10.
  22. Kacprzyk J., Neuroeconomics: Yet Another Field Where Rough Sets Can Be Useful? Proceedings of RSCTC'2008, 2008.
  23. Keynes J.M., Ogólna teoria zatrudnienia, procentu i pieniądza, Wydawnictwo Naukowe PWN, Warszawa 2003.
  24. Kisielewicz A., Sztuczna Inteligencja i Logika. Podsumowanie Przedsięwzięcia Naukowego WNT, 2011.
  25. Lee D.D., Seung H.S., Learning the parts of objects with nonnegative matrix factorization, "Nature" 1999, no. 401.
  26. Lakatos I., Renesans empiryzmu we współczesnej filozofii matematyki, w: Współczesna filozofia matematyki, red. R. Murawski, PWN, Warszawa 2002.
  27. Magee B., Historia Filozofii, Wydawnictwo Arkady, 2000.
  28. Matsuoka K., Kawamoto M., A neural net for blind separation of nonstationary signal sources, IEEE Symposium on Circuits and Systems, 1994, s. 221-226.
  29. Mayer T., Prawda kontra precyzja w ekonomii, PWN, Warszawa 1996.
  30. Nowak R., Statystyka dla fizyków, PWN, Warszawa 2002.
  31. Penrose R., Nowy umysł cesarza: o komputerach, umyśle i prawach fizyki, PWN, Warszawa 1995.
  32. Piegat A., (2011.09.30) Nowa, kompletnościowa interpretacja prawdopodobieństwa, strona autora: http://wikizmsi.zut.edu.pl/wiki/Publikacje
  33. Plumbley M.D., Algorithms for nonnegative independent component analysis, "Neural Networks" 2003, vol. 14, no. 3.
  34. Putnam H., Wiele twarzy realizmu i inne eseje, PWN, Warszawa 1998.
  35. Snowdon B., Vane H., Wynarczyk P., Współczesne nurty teorii makroekonomii, Wydaw. Naukowe PWN, Warszawa 1998.
  36. Szupiluk R. Metody redukcji i estymacji szumów przy estymacji i separacji sygnałów statystycznie niezależnych, Politechnika Warszawska, 2002.
  37. Taleb N. Ślepy traf, rola przypadku w sukcesie finansowym, Gdańskie Wydawnictwo Psychologiczne, 2006.
  38. Woleński J,. Epistemologia, Aureus, Kraków 2000.
Cytowane przez
Pokaż
ISSN
0866-9503
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu