- Autor
- Pełka Marcin (Uniwersytet Ekonomiczny we Wrocławiu)
- Tytuł
- Regresja logistyczna dla danych symbolicznych interwałowych
Logistic Regression for Interval-valued Symbolic Data - Źródło
- Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu, 2015, nr 2 (48), s. 44-52, rys., tab., bibliogr. 16 poz.
Econometrics / Uniwersytet Ekonomiczny we Wrocławiu - Słowa kluczowe
- Analiza danych, Logistyka, Regresja logistyczna
Data analysis, Logistics, Logistic regression - Uwagi
- streszcz., summ.
- Abstrakt
- 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) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu - Pełny tekst
- Pokaż
- Bibliografia
-
- 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.
- Cytowane przez
- ISSN
- 1507-3866
- Język
- pol
- URI / DOI
- http://dx.doi.org/10.15611/ekt.2015.2.04
