Functional data analysis is used to examine beef price differences in selected countries of the European Union from 2006 to 2011. The prices are modeled as functional observations. The analysis is conducted in three steps relating to three kinds of functional data analysis. First the observations are smoothed with roughness penalty. Then functional principal analysis is applied. Finally functional analysis of variance is used to reveal significant difference between two given groups of countries.
Głównym celem artykułu była analiza danych funkcjonalnych dotyczących liczby pozytywnych wyników testu, zgonów, ozdrowieńców, osób hospitalizowanych oraz w stanie ciężkim podczas drugiej fali pandemii COVID-19 w Polsce. Pierwszym krokiem była konwersja danych w funkcje gładkie. Następnie przedstawiono analizę głównych składowych funkcjonalnych oraz użycie modelu multiple function-on-function linear regression w celu predykcji liczby osób hospitalizowanych oraz będących w stanie ciężkim z powodu COVID-19 w polskich województwach. Otrzymane wyniki porównano z wcześniej uzyskanymi dla połączonych danych z drugiej i trzeciej fali pandemii.
EN
The aim of this article was to analyse functional data of the number of hospitalised individuals, intensive care patients, positive COVID-19 tests, deaths and convalescents during the second wave of the COVID-19 pandemic in Poland. For this purpose, firstly the author convert data of sixteen voivodeships to smooth functions, and then used the principal component analysis and multiple function-on-function linear regression model to predict the number of hospitalised and intensive care patients due to the COVID-19 infection during the second wave of the pandemic. Finally, the results were compared with those previously obtained for the combined data of the second and third wave of the COVID-19 pandemic in Poland (Hęćka, 2023).
Analiza głównych składowych (PCA) polega na transformacji zmiennych pierwotnych w zbiór nowych wzajemnie ortogonalnych zmiennych, zwanych głównymi składowymi. Funkcjonalna analiza głównych (FPCA) składowych ma zalety klasycznej analizy głównych składowych, dodatkowo umożliwia analizę danych o charakterze dynamicznym. Podstawową różnicą między tymi dwiema metodami jest rodzaj danych: PCA bazuje na danych wielowymiarowych, natomiast FPCA na danych funkcjonalnych. Danymi funkcjonalnymi są krzywe i trajektorie, czyli ciąg indywidualnych obserwacji, a nie pojedyncza obserwacja. Celem artykułu jest pokazanie możliwości wykorzystania funkcjonalnej analizy głównych składowych do badania zjawisk opisanych danymi wzdłużnymi (longitudinal data). Przykład wykorzystania tej metody omówiony w artykule opiera się na analizie zmiany liczby studentów w czasie w wybranych krajach europejskich. Możliwości wizualizacyjne metody pozwalają na porównanie krajów i wyodrębnienie obserwacji odstających.
EN
Principal component analysis (PCA) transforms an original set of variables into a new orthogonal set called principal components. Functional principal component analysis (FPCA) has the same advantages as classical principal component analysis while also enabling the analysis of dynamic data. The main difference between them is that PCA is based on multidimensional data and FPCA is based on functional data. The functional data are curves, surfaces or anything else varying over a continuum. They are not a single observation. The main aim of the paper is to show the usefulness of applying functional principal component analysis in order to analyse longitudinal data. The paper presents an example of how this method has been used based on the analysis of changes in the number of students (over time) in chosen European countries. Visualisation of the results makes it possible to compare countries and detect outliers.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.