Evaluation of Relationships between Variables Using Two Selected Statistical Models
Result description
The aim of this paper is to describe two completely different mathematics-statistical methods that can be used to analyze relationship between variables and in addition to predict ordinal variable. The first method is one of the data mining methods – classification tree CART, the second one is a commonly used linear regression model. It is possible to use both described approaches for prediction of missing ordinal values as well as for analysis of relations between the variables. The models are described with emphasis on comparison of advantages and disadvantages both of approaches. Data from Eurostat web pages from 2011 were used for model building. Gross domestic product (GDP) per capita at current market prices by NUTS 2 regions was used as depend variable; population by current activity status, NACE Rev. 2 activity and NUTS 2 region were used as predictors. This information is known for 27 EU countries (excluding Finland) and in addition for Switzerland, Island, Lichtenstein and Norway. It is possible to use both described approaches for prediction of missing ordinal values as well for relations between variables analysis.
Keywords
data miningclassification treeCARTmultiple regressioncurrent activity status NACE Rev. 2GDP per capitaNUTS 2
The result's identifiers
Result code in IS VaVaI
Result on the web
https://www.vspj.cz/tvurci-cinnost-a-projekty/casopisy-vspj/logos-polytechnikos
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Využití dvou vybraných statistických modelů pro posouzení vztahu mezi proměnnými
Original language description
Článek popisuje možnosti využití dvou statistických modelů (lineární regresní model a klasifikační strom typu CART) pro posouzení vztahu mezi proměnnými a pro predikci ordinální proměnné. Možnosti modelů jsou ilustrovány na proměnných „počet lidí zapojených do jednotlivých ekonomických aktivit NACE Rev. 2“ (nezávisle proměnná) a „HDP na osobu v regionech NUTS 2“ (závisle proměnná) vybraných evropských států. Oba modely je možné použít pro predikci HDP na obyvatele v regionech, pro které Eurostat tuto hodnotu neposkytuje, a tím provést i porovnání funkčnosti obou modelů. Kromě predikce modely umožňují vytipovat z početné skupiny ekonomických aktivit NACE Rev. 2, ty, které mají na výši HDP největší vliv.
Czech name
Využití dvou vybraných statistických modelů pro posouzení vztahu mezi proměnnými
Czech description
Článek popisuje možnosti využití dvou statistických modelů (lineární regresní model a klasifikační strom typu CART) pro posouzení vztahu mezi proměnnými a pro predikci ordinální proměnné. Možnosti modelů jsou ilustrovány na proměnných „počet lidí zapojených do jednotlivých ekonomických aktivit NACE Rev. 2“ (nezávisle proměnná) a „HDP na osobu v regionech NUTS 2“ (závisle proměnná) vybraných evropských států. Oba modely je možné použít pro predikci HDP na obyvatele v regionech, pro které Eurostat tuto hodnotu neposkytuje, a tím provést i porovnání funkčnosti obou modelů. Kromě predikce modely umožňují vytipovat z početné skupiny ekonomických aktivit NACE Rev. 2, ty, které mají na výši HDP největší vliv.
Classification
Type
Jost - Miscellaneous article in a specialist periodical
CEP classification
—
OECD FORD branch
10103 - Statistics and probability
Result continuities
Project
—
Continuities
V - Vyzkumna aktivita podporovana z jinych verejnych zdroju
Others
Publication year
2016
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Name of the periodical
LOGOS POLYTECHNIKOS
ISSN
1804-3682
e-ISSN
—
Volume of the periodical
7
Issue of the periodical within the volume
3
Country of publishing house
CZ - CZECH REPUBLIC
Number of pages
19
Pages from-to
22-40
UT code for WoS article
—
EID of the result in the Scopus database
—
Basic information
Result type
Jost - Miscellaneous article in a specialist periodical
OECD FORD
Statistics and probability
Year of implementation
2016