Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
1.CELIMETODYBADAŃ
Wskaźnikizostaływybranenapodstawiesubiektywnejocenydostęp-
nychdanychlokalnychdokonanejprzezautorkę.Każdyzuwzględnionych
wskaźnikówznajdujeuzasadnieniewteoriilokalnychsystemówżwynościo-
wychbądźnawiązujedowynikówbadańpilotażowychprzezniąprzeprowa-
dzonych(Drejerska,Bareja-Wawryszuk,Gołębiewski,2019).Wykorzystane
zmienneobjaśniającetakżewyrażonowwartościachwzględnych,takaby
wmożliwienajbardziejrelatywnysposóbcharakteryzowałydanypowiat.
Badaniaprzeprowadzonodla2017roku.
Wszystkieobliczeniaiwizualizacjezostaływygenerowanewśrodo-
wiskustatystycznymRCRANzużyciempakietówdplyr,rpart,party,rattle.
Drzewaskonstruowanezostałydwomaodmiennymialgorytmami.Zapo-
mocąpierwszegoznich,algorytmuCART(ClassificationandRegression
Trees),utworzonokolejnewęzłydrzewanapodstawiepewnejmiaryinfor-
macjiwtensposób,abyzmaksymalizowaćmiędzygrupowąsumękwadratów
dlapowstałychwwynikupodziaługrup(Breimanetal.,1984).Drugi,algo-
rytmrekurencyjnegopodziału,bazowałnastatystycznychtestachpermuta-
cyjnychniezależnościzmiennychobjaśnianejiobjaśnianychdlaokreślenia,
czystworzonybędziekolejnywęzełdrzewa(Hothorn,Hornik,Zeileis,2006).
Wmodelachzidentyfikowanodwarodzajeobserwacjiodstających.Pierwszy
rodzajobserwacjiodstającychwyodrębnionoprzedrozpoczęciemprocesu
rekurencyjnegopodziału.Obserwacjeodstającewcałymzbiorzezdefinio-
wanojakoobserwacjeprzekraczającewartośćtrzechwyestymowanych(za
pomocąestymatoraasymptotycznienieobciążonego)odchyleństandardo-
wychpopulacjipowyżejśredniejlubmniejszeodróżnicyśredniejiwspo-
mnianejwartościodchylenia.Niezdecydowanosięnausunięcieichzezbioru
zewzględunawysokąodpornośćdrzewregresyjnychnaniewielkąliczbę
obserwacjiodstających.Natomiastdrugirodzajobserwacjiodstającychsta-
nowiłyobserwacjeodstającewpodzbiorach,podokonaniupodziałunawę-
zły.Zdefiniowanojejakoobserwacjewykraczającewięcejniż1,5IQR(roz-
stępumiędzykwartylowego)powyżejtrzeciegokwartyla.
–16–
