Celem artykułu jest zbadanie zależności między wydatkami na napoje alkoholowe i wyroby tytoniowe a pozostałymi wydatkami konsumpcyjnymi gospodarstw domowych w 27 krajach Europy w latach 2000—2010. Wybór krajów i przedziału czasowego podyktowany został dostępnością i kompletnością danych pochodzących z Eurostatu. Nowością zaprezentowaną w tej pracy jest rozpatrywanie lat łącznie, a nie każdego roku oddzielnie. Stało się to możliwe dzięki przekształceniu danych pierwotnych na wielowymiarowe dane funkcjonalne oraz skonstruowaniu korelacji i zmiennych kanonicznych dla danych przekształconych.
Z badania wynika, że wydatki na napoje alkoholowe i wyroby tytoniowe są bardzo silnie skorelowane z pozostałymi wydatkami konsumpcyjnymi (współczynnik korelacji kanonicznej między dwiema pierwszymi funkcjonalnymi zmiennymi kanonicznymi wynosi 0,99). Wydatki na napoje alkoholowe i wyroby tytoniowe mają prawie jednakowy wkład w budowę funkcjonalnej zmiennej kanonicznej U1, natomiast największy udział w budowie funkcjonalnej zmiennej kanonicznej V1 przypada wydatkom na artykuły żywnościowe i napoje bezalkoholowe oraz wydatkom na odzież i obuwie.
analiza kanoniczna, wielowymiarowa funkcjonalna analiza danych, spożycie indywidualne według celu
C18, C22, C38
Cuevas, A. (2014). A partial overview of the theory of statistics with functional data. Journal of Statistical Planning and Inference, vol. 147, s. 1—23.
Górecki, T., Krzyśko, M. (2012). Functional principal components analysis. W: J. Pociecha, R. Decker (eds.), Data Analysis and Methods and Its Applications, s. 71—87. Warszawa: Wydawnictwo C.H. Beck.
Górecki, T., Krzyśko, M., Waszak, Ł., Wołyński, W. (2014). Methods of reducing dimension for functional data. Statistics in Transition new series, vol. 15, no. 2, s. 231—242. Warszawa GUS i PTS.
Górecki, T., Krzyśko, M., Waszak, Ł., Wołyński, W. (2016). Selected statistical methods of data analysis for multivariate functional data. Statistical Papers, DOI 10.1007/s00362-016-0757-8.
He, G., Muller, H.G., Wang, J.L. (2004). Methods of canonical analysis for functional data. Journal of Statistical Planning and Inference, vol. 122, s. 141—159.
Hotelling, H. (1936). Relations between two sets of variates. Biometrika, vol. 28, s. 321—377.
Jacques, J., Preda, C. (2014). Model-based clustering for multivariate functional data. Computational Statistics&Data Analysis, vol. 71, s. 92—106.
Krzyśko, M., Majka, A., Wołyński, W. (2016). Ocena zróżnicowania poziomu życia mieszkańców województw w latach 2002—2013 za pomocą składowych głównych dla wielozmiennych danych funkcjonalnych oraz analizy skupień. Przegląd Statystyczny, nr 63(1), s. 81—97.
Piekut, M. (2016). Wydatki na wybrane używki w europejskich gospodarstwach domowych. Wiadomości Statystyczne, nr 3, s. 85—100. Warszawa: GUS i PTS.
Ramsay, J.O., Silverman, B.W. (1997). Functional Data Analysis. New York: Springer.
Ramsay, J.O., Silverman, B.W. (2005). Functional Data Analysis, Second Edition. New York: Springer.
R Core Team (2015). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Pobrano z https://www.R-project.org .
Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, vol. 6, no. 2, s. 461—464.
Waszak, Ł. (2016). Wybrane wielowymiarowe metody statystyczne dla wielozmiennych danych funkcjonalnych. Rozprawa doktorska. Poznań: Wydział Matematyki i Informatyki, Uniwersytet im. Adama Mickiewicza.
