PLS Regression Using Spatial Weights on the Example of Spatial Modeling Support for Political Parties in Elections 2011 to the Sejm of the Republic of Poland

Maciej Beręsewicz

doi:10.18778/0208-6018.292.13

Autor

Maciej Beręsewicz Poznań University of Economics, Department of Statistics

DOI:

https://doi.org/10.18778/0208-6018.292.13

Abstrakt

Przestrzeń odgrywa ważną rolę w otaczającej nas rzeczywistości, zwłaszcza w kontekście badań społeczno-ekonomicznych. Jednym z przykładów, którym położenie geograficzne badanej jednostki jest znaczące jest poparcie dla partii politycznych, widoczne przy okazji wyborów dokonywanych przez obywateli. Interesujące z punktu widzenia badań politycznych jest analizowanie czynników wpływających na wyniki danej partii politycznej w określonej jednostce przestrzennej czy administracyjnej. W artykule skupiono się na analizie danych wyborczych w ujęciu powiatów. Podyktowane było to dużą dostępnością informacji na stosunkowo niskim poziomie agregacji przestrzennej, które można pozyskać z Banku Danych Lokalnych GUS.

Występująca współliniowość zmiennych, które wpływają na poparcie partii politycznych ogranicza jednak stosowanie zwykłych modeli liniowych co skutkuje nieuwzględnieniem części informacji. Metodą, która pozwala na uwzględnienie współliniowości jest regresja PLS (Partial Least Squares Regression), która nie była wcześniej proponowana w modelowaniu przestrzennym. W artykule zostanie zaprezentowany model Przestrzennej Regresji Metodą Cząstkową Najmniejszych Kwadratów (SPLSR) uwzględniający czynnik przestrzenny. Następnie dokonana zostanie analiza porównawcza SPLSR z modelami klasycznej regresji liniowej uwzględniającej czynnik przestrzenny.

Celem artykułu jest ocena modelu SPLSR w badaniach społeczno-ekonomicznych na przykładzie modelowania poparcia dla partii politycznych. Obliczenia zostaną wykonane w programie R z wykorzystaniem pakietów pis, sp, spdep, maps.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Anderson G, Kaufmann P. and Renberg L. (1996), Non-linear modelling with a coupled neural network-PLS regression system. J. Chemom. 10.
Google Scholar DOI: https://doi.org/10.1002/(SICI)1099-128X(199609)10:5/6<605::AID-CEM449>3.0.CO;2-3

Hoskuldsson A. (1988), PLS regression methods. J. Chemom. 2.
Google Scholar DOI: https://doi.org/10.1002/cem.1180020306

Lorber A., Wangen L. and Kowalski B.R. (1987), A theoretical foundation for PLS, J. of Chemometrics 1.
Google Scholar DOI: https://doi.org/10.1002/cem.1180010105

Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R CRAN, CeDeWu, Warszawa.
Google Scholar

Suchecki B. (ed.) (2010), Ekonometria Przestrzenna Metody i modele analizy danych, Warszawa, C.H. Beck.
Google Scholar

Wold, H. (1966), Estimation of principal components and related models by iterative least squares, In P.R. Krishnaiaah (Ed.). Multivariate Analysis, (pp. 391-420) New York: Academic Press.
Google Scholar

Wold H. (1981), The fix-point approach to interdependent systems, Amsterdam: North Holland.
Google Scholar DOI: https://doi.org/10.1016/B978-0-444-85451-3.50007-8

Wold H. (1985), Partial least squares, (in:) Samuel Kotz and Norman L. Johnson (eds.), Encyclopedia of statistical sciences, Vol. 6, New York: Wiley, pp. 581-591.
Google Scholar