BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Genge Ewa (University of Economics in Katowice, Poland)
Tytuł
Graphical Tools of Discrete Longitudinal Data Presentation in R
Graficzne narzędzia prezentacji dyskretnych zbiorów panelowych w programie R
Źródło
Econometrics. Advances in Applied Data Analysis, 2019, vol. 23, nr 3, s. 26-39, rys., tab., bibliogr. 14 poz.
Ekonometria
Słowa kluczowe
Dane panelowe, Sekwencyjność, Wizualizacja danych
Panel data, Sequencing, Data visualisation
Uwagi
Klasyfikacja JEL: C00, G40
streszcz., summ.
The author would like to acknowledge the research grant (SONATA 12, UMO-2016/23/D/ HS4/00989, "Latent variable models in the identification of homogenous structures in socio-economic longitudinal data") of the National Science Centre, Poland.
Abstrakt
Właściwa prezentacja graficzna danych jest przydatna podczas całego procesu analizy, począwszy od wstępnego rozpoznania zbioru do dopasowania modelu i prezentacji wyników. Najpopularniejszym sposobem wizualizacji danych panelowych jest oddzielne (dla każdej fali, w wymiarze przekrojowym) porównywanie wykresów dla każdego z okresów z osobna. Głównym celem tego artykułu jest przedstawienie zmieniającej się subiektywnej oceny sytuacji finansowej w Polsce dla wybranych cech demograficznych. W niniejszej pracy za pomocą różnych wykresów charakteryzujących sekwencje odpowiedzi (udzielanych przez respondentów w następujących po sobie okresach) przedstawione zostaną nowoczesne metody prezentacji dyskretnych zbiorów danych panelowych. Porównane zostaną również tzw. miary złożoności analizowanych sekwencji odpowiedzi. Obliczenia i wykresy przedstawione zostaną z wykorzystaniem głównie procedur pakietu TraMineR [Gabadinho et al. 2017] programu R.(abstrakt oryginalny)

Good graphical presentation of data is useful during the whole analysis process from the first glimpse into the data to the model fitting and presentation of results. The most popular way of longitudinal data presentation are separate (for each wave, in cross-sectional dimension) comparisons of figures. However, plotting the data over time is useful in suggesting appropriate modeling techniques to deal with the heterogeneity observed in the trajectories. The main aim of this paper is to present the changing perceptions of the financial situation in Poland using different graphical tools for the heterogonous discrete longitudinal data sets and present demographics features for those changes. We will focus on the most important features of the categorical longitudinal data - category sequences and their graphical presentation. We aim to characterize the analyzed sequences on the basis of unidimensional indicators and composite complexity measures, as well as using mainly TraMineR [Gabadinho et al. 2017] package of R.(original abstract)
Dostępne w
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Billari F.C., 2001, The analysis of early life courses: Complex description of the transition to adulthood, Journal of Population Research, 18(2), pp. 119-142.
  2. Brzinsky-Fay C., Kohler U., Luniak M., 2006, Sequence analysis with stata, The Stata Journal, 6(4), pp. 435-460.
  3. Elzinga C.H., Liefbroer A.C., 2007, De-standardization of family-life trajectories of young adults: A cross-national comparison using sequence analysis, European Journal of Population, 23, 225-250, https://link.springer.com/content/pdf/10.1007/s10680-007-9133-7.pdf.
  4. Gabadinho A., Ritschard G., Müller N.S., Studer M., 2010, Indice de complexité pour le tri et la comparison de séquences catégorielles, Revue des nouvelles technlologies de l'information RNTI, E-19, pp. 61-66.
  5. Gabadinho A., Ritschard G., Müller N.S., Studer M., 2011, Analyzing and visualizing state sequences in R with TraMineR, Journal of Statistical Software, 40(4), pp. 1-37.
  6. Gabadinho A., Studer M., Müller N., Bürgin R., Fonta P.A., Ritschard G., 2017, TraMineR - Trajectory Miner: A Toolbox for Exploring and Rendering Sequence, Version 2.0-7, https://cran.r-project.org/web/packages/TraMineR/TraMineR.pdf.
  7. Helske J., Helske S., 2017, Hidden Markov Models for live sequences and other multivariate multichannel categorical time series, Version 1.0.8, https://cran.r-project.org/web/packages/seqHMM/seqHMM.pdf.
  8. Muthén B., Shedden K., 1999, Finite mixture modeling with mixture outcomes using the EM algorithm, Biometrics, 55(2), pp. 463-469.
  9. Ritschard G., Gabadinho A., Studer M., Müller N.S., 2009, Converting between Various Sequence Representations, [in:] Z. Ras, A. Dardzinska, Advances in Data Management, Studies in Computational Intelligence, 223 Springer-Verlag, Berlin, pp. 155-175, DOI:10.1007/978-3-642-02190-9_8.
  10. Scherer S., 2001, Early career patterns: a comparison of Great Britain and West Germany, European Sociological Review, 17(2), pp. 119-144.
  11. Singer J.D., Willett J.B., 2003, Applied longitudinal data analysis: Modeling change and event occurrence, Oxford, UK, Oxford University Press.
  12. Social Diagnosis, 2015, Objective and Subjective Quality of Life in Poland, Czapinski J., Panek T. (eds.), Warszawa, Social Monitoring Council (22.11.2017), http://www.diagnoza.com/index-en.html.
  13. Tueller S.J., 2017, longCatEDA - Package for Plotting Categorical Longitudinal and Time-Series. Version 0.31, https://cran.r-project.org/web/packages/longCatEDA/longCatEDA.pdf.
  14. Tueller S.J., Dorn R.A., Bobashev G.V., 2016, longCatEDA: Package for Plotting Categorical Longitudinal and Time-Series Data, Methods Report RTI Press. 2016 Feb; 2016: MR-0033-1602, DOI: 10.3768/rtipress.2016.mr.0033.1602.
Cytowane przez
Pokaż
ISSN
1507-3866
Język
eng
URI / DOI
http://dx.doi.org/10.15611/eada.2019.3.03
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu