Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Kapłon, Robert" wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
Kryteria wyboru liczby skupień w binarnym modelu klas ukrytych – analiza symulacyjna
Criteria for Choosing the Number of Clusters of the Binary Latent Class Model – Simulation Analysis
Autorzy:
Kapłon, Robert
Powiązania:
https://bibliotekanauki.pl/articles/1827225.pdf
Data publikacji:
2010-03-31
Wydawca:
Główny Urząd Statystyczny
Tematy:
analiza klas ukrytych
liczba skupień
kryteria informacyjne
analiza symulacyjna
latent class analysis
the number of clusters
information criteria
simulations
Opis:
Wykorzystanie analizy klas ukrytych (LCA) wymaga przyjęcia a priori liczby klas. W celu rozstrzygnięcia, ile ma ich być, można wykorzystać kryteria informacyjne. Procedura selekcji sprowadza się do: szacowania kilku modeli o różnej liczbie klas, obliczenia wartości kryterium informacyjnego oraz wyboru modelu, dla którego odnotowano najmniejszą wartość tego kryterium. Ponieważ istnieje wiele kryteriów informacyjnych, więc należy zadecydować, które powinno rozstrzygać. Niestety, nie można jednoznacznie wskazać na konkretne kryterium, gdyż w zależności od klasy modelu, zmienia się ich wiarygodność. Taki wniosek wynika z badań symulacyjnych. Biorąc pod uwagę fakt, że najczęściej badania takie dotyczyły mieszanek rozkładów normalnych, dlatego celem niniejszego opracowania jest rozszerzenie tych badań o analizę klas ukrytych.
When using latent class analysis the number of clusters need to be known in advance. In order to decide on this, one can use information criteria. In such a case selection procedure is as follows: estimating a few models with different number of classes, computing information criteria and choosing a model for which a criterion takes the smallest value. Because there are many information criteria one need to determine which of them ought to be decisive. Unfortunately, by virtue of the differences among these criteria, their reliability alter depending on model class. Simulations confirm it as well. Taking into account the fact that simulations mainly concern finite mixtures of normal density functions, therefore in this paper we broaden research to latent class analysis.
Źródło:
Przegląd Statystyczny; 2010, 57, 1; 66-84
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modele analizy czynnikowej z dwoma zmiennymi ukrytymi
Factor Analysis Models with Two Latent Variables
Autorzy:
Kapłon, Robert
Powiązania:
https://bibliotekanauki.pl/articles/1830794.pdf
Data publikacji:
2011-12-31
Wydawca:
Główny Urząd Statystyczny
Opis:
Celem analizy czynnikowej jest redukcja zmiennych poprzez ich zastąpienie mniejszą liczbą czynników, które traktowane są jako konstrukty lub zmienne ukryte. Niestety, jeśli mamy do czynienia z niejednorodnym zbiorem danych, estymacja jednego zbioru wartości średnich, ładunków czynnikowych czy wariancji specyficznych może prowadzić do błędnych wniosków. Jednym ze sposobów radzenia sobie z tą niejednorodnością jest wprowadzenie dodatkowej zmiennej ukrytej do modelu analizy czynnikowej. W konsekwencji zakłada się, że obserwacje pochodzą z dwóch lub więcej podpopulacji, których struktura jest nieznana. W zależności od ograniczeń nałożonych na macierze ładunków czynnikowych i wariancji specyficznej, można otrzymać różne warianty modelu. W pracy przedstawiono 8 modeli analizy czynnikowej, wraz z propozycją procedury estymacji parametrów algorytmem EM. Zwrócono również uwagę na problem w wykorzystaniu testów statystycznych, opartych na ilorazie wiarygodności, wskazując na kryteria informacyjne jako alternatywne podejście. Proponowane podejście zilustrowano przykładem, wykorzystując w tym celu rzeczywiste dane dotyczące satysfakcji.
The goal of factor analysis is to reduce the redundancy among variables by using smaller number of factors that are treated as constructs or latent variables. Unfortunately, if we face with data heterogeneity, the estimates of a single set of means, factor loadings and specific variances may be misleading.One way of accounting for unobserved heterogeneity is to include another latent variable in a factor analysis model. As a consequence, the observations in a samples are assumed to arise from two or more subpopulations that are mixed in unknown proportions. Since putting some restrictions on parameters such as factor loadings and specific variancesone can get more parsimonious models. Therefore, the purpose of this paper is to present the eight factor analysis models. Methods of optimization to derive the maximum likelihood estimates based on EM algorithm as well as model selection procedure are considered. Proposed approach is illustrated by using a set of data referring to preferences.
Źródło:
Przegląd Statystyczny; 2011, 58, 3-4; 242-255
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies