Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 2

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  drzewo regresyjne
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

PORÓWNANIE MODELU REGRESJI WIELORAKIEJ ORAZ DRZEWA REGRESYJNEGO NA PRZYKŁADZIE INDEKSU KORUPCJI

100%
Gostkowski M., Gajowniczek K., Jałowiecki P.
Metody Ilościowe w Badaniach Ekonomicznych
|
2014
|
vol. 15
|
issue 3
65-74
PL
W pracy przedstawiono wyniki badań nad modelowaniem tzw. indeksu korupcji (ang. Failed States Index). Zbudowano i porównano model regresji wielorakiej z drzewem regresyjnym. Badania zostały oparte na podstawie danych publikowanych przez niezależną organizację The Fund for Peace. Jako potencjalne zmienne zostały wybrane zmienne udostępnione na stronie internetowej Banku Światowego. Wstępne wyniki jednoznacznie wskazują, że drzewo regresyjne lepiej odzwierciedla zmienność parametru niż model regresji wielorakiej.
EN
This paper presents the results of research on corruption index modeling (Failed States Index). The multiple regression model was constructed and compared with the regression tree. The research was based on the data published by an independent organization The Fund for Peace. Predictors were selected from a set of variables available on the website of the World Bank. The preliminary results clearly indicate that the regression tree better reflects the variation of the parameter than the multiple regression model.
2
Content available remote

Determinanty przestępczości w Polsce. Analiza zależności z wykorzystaniem drzew regresyjnych

100%
Kądziołka K.
Ekonomia. Rynek, Gospodarka, Społeczeństwo
|
2016
|
issue 45
53-81
PL
Celem artykułu była identyfikacja zależności między przestępczością a wybranymi charakterystykami powiatów w 2014 roku z wykorzystaniem drzew regresyjnych. Do wygenerowania drzewa wykorzystana została nieobciążona metoda rekurencyjnego podziału. W trakcie kolejnych podziałów przestrzeni zmiennych istotne okazały się następujące czynniki objaśniające natężenie przestępstw stwierdzonych ogółem: wskaźnik urbanizacji, odsetek gospodarstw jednoosobowych, natężenie przestępstw stwierdzonych w powiatach sąsiednich, współczynnik rozwodów oraz udzielone noclegi w przeliczeniu na 1000 ludności. Do identyfikacji zależności między wybranymi charakterystykami obszarów a przestępczością wykorzystano również las losowy zbudowany z wielu drzew regresyjnych. Uzyskane dla lasów losowych rankingi ważności predyktorów ujawniły szczególnie silny związek między przestępczością a urbanizacją.
XX
The aim of this article is to identify relationships between crime rate and some socio-economic, demographic and environmental factors in the poviats of Poland. There were analysed cross – sectional data using regression tree. The following factors were found to significantly explain the intensity of crime rate: urbanisation, percentage of single-person households, provided accommodation per 1000 population, divorce’s coefficient and the intensity of crime in the neighboring areas. Then the random forest was used to improve prediction’s accuracy and generate rank of variable importance.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.