The paper presents an estimation of life standard diversity for residents of Polish voivodships in 2003–2013. The principal component analysis was applied for multidimensional functional data and the dendrite method was used for cluster analysis. These methods made it possible to isolate relatively homogeneous groups of voivodships that had similar values of characteristics under consideration, for the whole period at issue.
PL
W artykule przedstawiono ocenę zróżnicowania poziomu życia mieszkańców województw w latach 2003–2013. Do oceny zastosowano analizę składowych głównych dla wielowymiarowych danych funkcjonalnych oraz dendrytową analizę skupień. Metody te pozwoliły na wyodrębnienie względnie jednorodnych grup województw o zbliżonym poziomie rozpatrywanych cech dla całego rozpatrywanego okresu łącznie.
Schölkopf, Smola and Müller (1998) have proposed a nonlinear principal component analysis (NPCA) for fixed vector data. In this paper, we propose an extension of the aforementioned analysis to temporal‑spatial data and weighted temporal‑spatial data. To illustrate the proposed theory, data describing the condition of state of higher education in 16 Polish voivodships in the years 2002–2016 are used.
PL
Schölkopf, Smola i Müller (1998) zaproponowali analizę nieliniowych składowych głównych (NPCA) dla ustalonych danych wektorowych. Niniejszy artykuł zawiera rozszerzenie tej metody na dane czasowo‑przestrzenne oraz czasowo‑przestrzenne geograficznie ważone. Każdy obiekt jest scharakteryzowany za pomocą macierzy Xi, rozmiaru T × p, zawierającej wartości p cech zaobserwowanych w T momentach czasowych, i = 1, …, n. Macierze te są przekształcane nieliniowo do przestrzeni Hilberta i budowana jest scentrowana macierz jądrowa. Ostatecznie macierz ta jest podstawą konstrukcji nieliniowych składowych głównych. W przypadku danych geograficznie ważonych macierz Xizostaje zastąpiona macierzą wiXi, gdzie wijest dodatnią wagą geograficzną związaną z i‑tym miejscem obserwacji, i = 1, …, n. Teoria zilustrowana jest przykładem dotyczącym stanu szkolnictwa wyższego w 16 polskich województwach, notowanego w latach 2002–2016.
A new variable selection method is considered in the setting of classification with multivariate functional data (Ramsay and Silverman (2005)). The variable selection is a dimensionality reduction method which leads to replace the whole vector process, with a low-dimensional vector still giving a comparable classification error. Various classifiers appropriate for functional data are used. The proposed variable selection method is based on functional distance covariance (dCov) given by Székely and Rizzo (2009, 2012) and the Hilbert-Schmidt Independent Criterion (HSIC) given by Gretton et al. (2005). This method is a modification of the procedure given by Kong et al. (2015). The proposed methodology is illustrated with a real data example.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.