MPaR'08 - artykuł nr 13
Wykorzystanie klasycznych metod analizy danych i sieci neuronowych do prognozowania upadku gospodarstw rolniczych - podejście klasyfikacyjne i regresyjne
Joanna Kisielińska
Streszczenie:
W pracy Wykorzystanie klasycznych metod analizy danych i sieci neuronowych do prognozowania upadku gospodarstw rolniczych - podejście klasyfikacyjne i regresyjne (J. Kisielińska) przedstawiono modele klasyfikacyjne, które mogą być wykorzystywane do budowy prognoz ostrzegawczych dla gospodarstw rolniczych. Modele te opracowane zostały za pomocą liniowej analizy dyskryminacyjnej oraz "klasyfikacyjnych" i "regresyjnych" sieci neuronowych. Podstawę prognoz stanowił zestaw obejmujący 33 zmienne, głównie wskaźniki finansowe uzupełnione o dodatkowe informacje o gospodarstwie i osobie je prowadzącej. Dane pochodzące z lat 1992-2000 tworzyły panel niezbilansowany. Założono brak efektów indywidualnych i wpływu czasu budując model dla danych połączonych ("pooled"). Ze względu na bardzo duże różnice w liczebnościach klas, opracowane modele wykazywały silne asymetrie w ich rozpoznawaniu. Dlatego też zastosowano eksperymentalny dobór wartości rozgraniczającej klasy.
Nota bibliograficzna:
Joanna Kisielińska. (2008). Wykorzystanie klasycznych metod analizy danych i sieci neuronowych do prognozowania upadku gospodarstw rolniczych - podejście klasyfikacyjne i regresyjne. W: Tadeusz Trzaskalik (red.), Modelowanie Preferencji a Ryzyko '08. Wydawnictwo Akademii Ekonomicznej im. Karola Adamieckiego w Katowicach, s. 169-182
