Contemporary Changes in Statistical Research
DOI:
https://doi.org/10.15678/ZNUEK.2018.0976.0408Keywords:
classical scheme of statistical investigations, data classification methods, supervised learning, multimodel approachAbstract
Many changes are observed in statistical tools for research in the field of analysis and the forecasting of socio-economic processes. The starting point of the considerations carried out is a classic scheme of statistical investigations in the economic sciences. Particular attention is paid to its limitations. Modern methods of data analysis, based on artificial intelligence, can help eliminate the limitations of the classical statistical investigations. These methods can be counted among supervised learning procedures. The paper next goes on to discuss the basic methods of data classification, including LDA and logit. Supervised learning methods that may have wider application in socio-economic studies are then presented. These include: the Naïve Bayes Classifier, Bayesian Networks, k-nearest neighbours, vector support machines, kernel classifiers, artificial neural networks, decision trees, and a multi-model approach (random forests, bagging, boosting). However, these methods are also subject to certain restrictions.
The article is an overview and contains references to works in which supervised learning methods have been applied in socio-economic studies.
Downloads
References
Bartłomowicz T. (2010), Klasyfikacja nieruchomości metodą k-najbliższych sąsiadów, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 107, Taksonomia 17.
Breiman L. (1996), Bagging Predictors, „Machine Learning”, vol. 24(2), https://doi.org/10.1007/bf00058655.
Breiman L. (2001), Random Forests, „Machine Learning”, vol. 45, nr 1, https://doi.org/ 10.1023/a:1010933404324.
Breiman L., Friedman J., Olshen R., Stone C. (1984), Classification and Regression Trees, CRC Press, London.
Chrzanowska M., Drejerska N. (2015), Małe i średnie przedsiębiorstwa w strefie podmiejskiej Warszawy – określenie znaczenia lokalizacji z wykorzystaniem drzew klasyfikacyjnych, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 385, Taksonomia 25, https://doi.org/10.15611/pn.2015.385.05.
Cichosz P. (2000), Systemy uczące się, WNT, Warszawa.
Dudek A. (2013), Metody analizy danych symbolicznych w badaniach ekonomicznych, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław.
Fijorek K., Mróz K., Niedziela K., Fijorek D. (2010), Prognozowanie cen energii elektrycznej na rynku dnia następnego metodami data mining, „Rynek Energii”, nr 12.
Fisher R.A. (1936), The Use of Multiple Measurements in Taxonomic Problems, „Annals of Eugenics”, vol. 7, nr 2, https://doi.org/10.1111/j.1469-1809.1936.tb02137.x.
Freund Y., Schapire R. (1997), A Decision-theoretic Generalization of On-line Learning and an Application to Boosting, „Journal of Computer and System Sciences”, vol. 55, nr 1, https://doi.org/10.1006/jcss.1997.1504.
Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, PWN, Warszawa.
Gatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, Warszawa.
Gąska D. (2013), Zastosowanie metody SVM do oceny ryzyka bankructwa i prognozowania upadłości przedsiębiorstw, „Śląski Przegląd Statystyczny”, nr 11.
Gąska D. (2015), Prognozowanie bankructwa za pomocą klasyfikatorów rozmytych realizujących ideę maksymalnego marginesu, „Śląski Przegląd Statystyczny”, vol. 13, nr 19, https://doi.org/10.15611/sps.2015.13.06.
Gąska D. (2016), Wykorzystanie sieci bayesowskich do prognozowania bankructwa firm, „Śląski Przegląd Statystyczny”, nr 14.
Hastie T., Tibshirani R., Friedman J. (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer.
Hellwig Z. (1998), Elementy rachunku prawdopodobieństwa i statystyki matematycznej, PWN, Warszawa.
James G., Witten D., Hastie T., Tibshirani R. (2013), An Introduction to Statistical Learning with Applications in R, Springer, New York.
Kohonen T. (1995), Sef-organizing Maps, Springer, Berlin.
Koronacki J., Ćwik J. (2005), Statystyczne systemy uczące się, WNT, Warszawa.
Kotarbiński T. (1990), Elementy teorii poznania, logiki formalnej i metodologii nauk, Zakład Narodowy im. Ossolińskich, Wrocław.
Krzyśko M., Wołyński W., Górecki T., Skorzybut M. (2008), Systemy uczące się – rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, WNT, Warszawa.
Kulczycki P. (2005), Estymatory jądrowe w analizie systemowej, WNT, Warszawa.
Lula P. (1999), Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
Łapczyński M. (2010), Drzewa klasyfikacyjne i regresyjne w badaniach marketingowych, Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie, Kraków.
McLachlan G.J. (1992), Discriminant Analysis and Statistical Pattern Recognition, Wiley, New York.
Migdał-Najman K., Najman K. (2013), Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii, Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk.
Nowak S. (2007), Metodologia badań społecznych, PWN, Warszawa.
Pawełek B., Grochowina D. (2017), Podejście wielomodelowe w prognozowaniu zagrożenia przedsiębiorstw upadłością, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 468, Taksonomia 28.
Pawełek B., Pociecha J., Baryła M. (2016), Dynamic Aspects of Bankruptcy Prediction. Logit Model for Manufacturing Firms in Poland (w:) Analysis of Large and Complex Data Studies in Classification, red. A.F.X. Wilhelm, H.A. Kestler, Data Analysis and Knowledge Organization, Springer, Switzerland.
Pawłowski Z. (1976), Ekonometryczna analiza procesu produkcyjnego, PWN, Warszawa.
Pełka M. (2012), Podejście wielomodelowe z wykorzystaniem metody boosting w analizie danych symbolicznych, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 242, Taksonomia 19.
Pełka M. (2015), Adaptacja metody bagging z zastosowaniem klasyfikacji pojęciowej danych symbolicznych, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 384, Taksonomia 24, https://doi.org/10.15611/pn.2015.384.24.
Pociecha J. (2006), Dyskryminacyjne metody klasyfikacji danych w prognozowaniu bankructwa firmy, „Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, nr 1126, Taksonomia 13.
Pociecha J., Pawełek B., Baryła M., Augustyn S. (2014), Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków.
Pociecha J., Podolec B., Sokołowski A., Zając K. (1988), Metody taksonomiczne w badaniach społeczno-ekonomicznych, PWN, Warszawa.
Rozmus D. (2013), Porównanie stabilności zagregowanych algorytmów taksonomicznych opartych na idei metody bagging, „Studia Ekonomiczne”, t. 133.
Rutkowski L. (2009), Metody i techniki sztucznej inteligencji, PWN, Warszawa.
Scutari M. (2010), Learning Bayesian Networks with the bnlearn R Package, „Journal of Statistical Software”, vol. 35, nr 3, https://doi.org/10.18637/jss.v035.i03.
Strawiński W. (2011), Funkcja i cele nauki – zarys problematyki metodologicznej, „Zagadnienia Naukoznawstwa”, vol. 3(189).
Tadeusiewicz R. (1993), Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa.
Trzęsiok M. (2010), Wyodrębnianie reguł klasyfikacyjnych z modelu dyskryminacyjnego budowanego metodą wektorów nośnych, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 107, Taksonomia 27.
Vapnik V. (1995), The Nature of Statistical Learning Theory, Springer, Berlin.
Witkowska D. (2002), Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. Beck, Warszawa.
Witkowska D. (2015), Wykorzystanie drzew klasyfikacyjnych do analizy zróżnicowania płac w Niemczech, „Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu”, nr 384, Taksonomia 24, https://doi.org/10.15611/pn.2015.384.33.
