Application of Spatial Regression in Employment Characteristics Modelling

Ewa Katarzyna Pośpiech; Adrianna Mastalerz-Kodzis

doi:10.18778/0208-6018.335.05

Authors

Ewa Katarzyna Pośpiech University of Economics in Katowice, Faculty of Management, Department of Statistics, Econometrics and Mathematics
Adrianna Mastalerz-Kodzis University of Economics in Katowice, Faculty of Management, Department of Statistics, Econometrics and Mathematics

DOI:

https://doi.org/10.18778/0208-6018.335.05

Keywords:

spatial modelling, spatial error model, spatial lag model, employment

Abstract

The article analyses the employment characteristics. The employment rate was studied in selected regions of Europe, and subsequently, for selected variables: total population employed, women employed and men employed, classic econometric models were constructed and the necessity of including the spatial factor in the process of modelling was verified. The demographic variables and GDP per capita were chosen as explaining variables of the model. It was analysed whether including a spatial approach in the models would improve their quality. Two basic spatial models were taken into consideration: the spatial error model and the spatial lag model, the former of which turned out to be the right tool for the analyses.

Downloads

Download data is not yet available.

References

Anselin L. (2006), Spatial Analysis with GeoDa. 4. Spatial Regression, University of Illinois, Urbana Champaign.

Anselin L., Bera A. (1998), Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics, [in:] A. Ullah, D.E.A. Giles (eds.), Handbook of Applied Economic Statistics, Springer‑Verlag, Berlin.

Arbia G. (2006), Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence, Springer‑Verlag, Berlin.

Cliff A.D., Ord J.K. (1981), Spatial Process: Models and Applications, Pion, London.

Eurostat, http://ec.europa.eu/eurostat/web/regions/data/database [accessed: 24.10.2016].

Kopczewska K. (2011), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R Cran, CeDeWu, Warszawa.

Overmars K.P., Koning G.H.J. de, Veldkamp A. (2003), Spatial autocorrelation in multi‑scale land use models, “Ecological Modelling”, no. 164, pp. 257–270, http://dx.doi.org/10.1016/S0304-3800(03)00070‑X.

Pietrzykowski R. (2011), Wykorzystanie metod statystycznej analizy przestrzennej w badaniach ekonomicznych, “Roczniki Ekonomiczne Kujawsko‑Pomorskiej Szkoły Wyższej w Bydgoszczy”, vol. 4, pp. 97–112.

Pośpiech E. (2015), Analiza przestrzenna bezrobocia w Polsce, “Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach”, vol. 227, pp. 59–74.

Pośpiech E. (2016), Modelowanie przestrzenne charakterystyk rynku pracy, “Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach”, vol. 265, pp. 69–79.

Pośpiech E., Mastalerz‑Kodzis A. (2015), Autokorelacja przestrzenna wybranych charakterystyk społeczno‑ekonomicznych, “Metody Ilościowe w Badaniach Ekonomicznych”, vol. 16, no. 4, pp. 85–94.

Pośpiech E., Mastalerz‑Kodzis A. (2016), Spatial and Temporal Analysis of Labour Market Characteristics, “Folia Oeconomica Stetinensia” [in print].

Sikora J., Woźniak A. (2007), Autokorelacja przestrzenna wskaźników infrastruktury wodno‑ściekowej woj. małopolskiego, “Infrastruktura i Ekologia Terenów Wiejskich”, vol. 4, no. 2, pp. 315–329.

Suchecki B. (ed.) (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, C.H. Beck, Warszawa.

Tobler W. (1970), A Computer Model Simulating Urban Growth in Detroit Region, “Economic Geography”, vol. 46, no. 2, pp. 234–240.

Zeug‑Żebro K. (2014), Analiza przestrzenna procesu starzenia się polskiego społeczeństwa, “Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania”, vol. 36, no. 2, pp. 441–456.