ANALIZA ZASOBÓW KOMPETENCJI Z WYKORZYSTANIEM GRUPOWANIA ZMIENNYCH NIEMETRYCZNYCH

• Authors: Grześkowiak Alicja

Title variants

EN

ANALYSIS OF COMPETENCES RESOURCES USING THE CLUSTERING METHOD FOR NONMETRIC VARIABLES

• Languages of publication: PL

Abstracts

PL

W artykule przedstawiono zastosowanie grupowania zmiennych niemetrycznych do badania zasobów kompetencji w Polsce. Analizę przeprowadzono na podstawie danych z ogólnopolskiego badania pt. Bilans Kapitału Ludzkiego odnoszących się zarówno do kompetencji twardych, jak i miękkich. Zastosowana procedura analityczna pozwoliła na wyróżnienie grup kompetencji podobnie ocenianych i wyznaczenie dla nich syntetycznych zmiennych – reprezentantek, które posłużyły do ewaluacji powiązań z wybranymi charakterystykami społeczno-demograficznymi.

EN

The article presents the application of a nonmetric variables clustering method to a study of competences resources in Poland. The analysis is based on results from a nationwide survey on Human Capital in Poland, including data both on hard and soft skills. The analytical procedure allowed for grouping competences assessed similarly into clusters and assigning to them synthetic variables – representatives, which were used to evaluate the relationships with chosen socio-demographic characteristics. Keywords: competences, nonmetric variables, cluster analysis

Keywords

PL

kompetencje; zmienne niemetryczne; analiza skupień

EN

competences; nonmetric variables; cluster analysis

• Publisher: Katedra Ekonometrii i Statystyki, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
• Journal: Metody Ilościowe w Badaniach Ekonomicznych
• Year: 2017
• Volume: 18
• Issue: 4
• Pages: 592-601

Contributors

author

Grześkowiak Alicja

• Wydział Zarządzania, Informatyki i Finansów , Uniwersytet Ekonomiczny we Wrocławiu

References

• Bilans Kapitału Ludzkiego w Polsce. Badania ludności (2013) Polska Agencja Rozwoju Przedsiębiorczości, https://bkl.parp.gov.pl/pobierz.html/kwestionariusze_IV_2013.7z.
• Bühlmann P., Rütimann P., van de Geer S., Zhang C. H. (2013) Correlated Variables in Regression: Clustering and Sparse Estimation. Journal of Statistical Planning and Inference, 143(11), 1835-1858.
• Chavent M., Kuentz V., Liquet B., Saracco L. (2013) ClustOfVar: An R Package for the Clustering of Variables. Journal of Statistical Software, 50(13), 1-16.
• Czarnik Sz., Turek K. (2015) Polski rynek pracy – aktywność zawodowa i struktura wykształcenia. PARP, Warszawa.
• Dhillon I. S., Marcotte E. M., Roshan U. (2003) Diametrical Clustering for Identifying anti-Correlated Gene Clusters. Bioinformatics, 19(13), 1612-1619.
• Dziechciarz-Duda M., Dziechciarz J. (2016) The Identification of Training Needs for Human Capital Quality Improvement in Poland – a Statistical Approach. Statistics in Transition New Series, 17(4), 723-736.
• Everitt B. S., Landa S., Leese M., Stahl D. (2011) Cluster Analysis. Wiley, Chichester.
• Górniak J. (red.) (2014) Kompetencje Polaków a potrzeby polskiej gospodarki. Raport podsumowujący IV edycję badań BKL z 2013 roku. Polska Agencja Rozwoju Przedsiębiorczości, Warszawa.
• Grześkowiak A. (2014) Deklarowane umiejętności zawodowe Polaków – analiza na podstawie danych sondażowych o charakterze niemetrycznym. Acta Universitatis Nicolai Copernici. Nauki Humanistyczno-Społeczne. Ekonomia, 45 (2), 2014, 161-171.
• Grześkowiak A. (2015) Competences of Adult Poles - Evaluation of the Age as a Differentiating Factor. [w:] Rotschedl J., Cermakova K. (red.) Proceedings of the 15th International Academic Conference. International Institute of Social and Economic Sciences, Prague, 381-391.
• Grześkowiak A. (2016) Wielowymiarowa analiza kompetencji zawodowych według grup wieku ludności. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 427, 122-130.
• Hubert L., Arabie P. (1985) Comparing Partitions. Journal of Classification, 2(1), 193-218.
• Kassambara A. (2017) Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning. STHDA.
• Kaufman L., Rousseeuw P. J. (2009) Finding Groups in Data: an Introduction to Cluster Analysis. John Wiley & Sons, Hoboken.
• Kiers H. A. (1991) Simple Structure in Component Analysis Techniques for Mixtures of Qualitative and Quantitative Variables. Psychometrika, 56(2), 197-212.
• Lasek M., Pęczkowski M. (2010) Grupowanie zmiennych w procesach eksploracji danych (Data Mining). Ekonomia i Zarządzanie, 2(1), 83-94.
• Malarska A. (2005) Statystyczna analiza danych wspomagana programem SPSS. SPSS Polska, Kraków.
• Palla K., Ghahramani Z., Knowles D. A. (2012) A Nonparametric Variable Clustering Model. [w:] Advances in Neural Information Processing Systems, 2987-2995.
• Rand W. M. (1971) Objective Criteria for the Evaluation of Clustering Methods. Journal of the American Statistical Association, 66(336), 846-850.
• Vigneau E., Chen M., Qannari E. M. (2015) ClustVarLV: An R Package for the Clustering of Variables Around Latent Variables. The R Journal, 7 (2), 134-148.
• Vigneau E., Qannari E. M. (2003) Clustering of Variables Around Latent Components. Communications in Statistics-Simulation and Computation, 32(4), 1131-1150.
• Wagner S., Wagner D. (2007) Comparing Clusterings: an Overview. Karlsruhe: Universität Karlsruhe, Fakultät für Informatik. http://www.cs.ucsb.edu/~veronika/MAE/wagner07 comparingclusterings.pdf.
• Yeung K. Y., Ruzzo W. L. (2001) Details of the Adjusted Rand Index and Clustering Algorithms, Supplement to the Paper An Empirical Study on Principal Component Analysis for Clustering Gene Expression Data. Bioinformatics, 17(9), 763-774.