Imi臋 |
Nazwisko |
Kierunek studi贸w |
ANALIZA EKONOMICZNO-PRZESTRZENNA 2009
ZESTAW PYTA艃 EGZAMINACYJNYCH (A - 49 pkt)
1 |
Jakie typy jednostek badania mo偶na wyr贸偶ni膰 w analizie ekonomiczno-przestrzenej Liniowy, powierzchniowy, punktowy |
||||||
2 |
Co oznacza skr贸t NUTS Nomenclature of Teritorial Units for Statistics - czyli nomenklatura jednostek terytorialnych dla cel贸w statystycznych. Trzy pierwsze poziomy (NUTS 1, NUTS 2, NUTS 3) maj膮 charakter regionalny, a dwa ostatnie (NUTS 4, NUTS 5) lokalny. 1- kraj, 2-wojew贸dztwo, 3-zgrupowanie, 4-powiaty, 5-gmina |
||||||
3 |
Jakiego typu jednpostki najcz臋艣ciej wykorzystuje si臋 w praktyce bada艅 ekonomiczno-przestrzennych Wojew贸dztwa, powiaty, okr臋gi, gminy, wsie so艂eckie, miasta, dzielnice, obwody, rejony spisowe, makroregiony, rejony statystyczne |
||||||
4 |
Na poziomie regionalnym jednostki NUTS powinny by膰 por贸wnywalne pod wzgl臋dem: Liczby ludno艣ci |
||||||
5 |
Jaki jest warunek poprawno艣ci pomiaru w analizie ekonomiczno-przestrzennej W艂a艣ciwy dob贸r cech charakteryzuj膮cych (zmiennych) badane zjawiska; jakimi og贸lnymi w艂a艣ciwo艣ciami cechuje si臋 macierz geograficzna |
||||||
6 |
Wska偶 typowe sposoby pomiaru wielko艣ci ekonomicznych Nominalna, porz膮dkowe, interwa艂owa, ilorazowa (str. 75 Runge) |
||||||
7 |
Jakie s膮 kryteria diagnostyczno艣ci cech w badaniach przestrzennych Wiarygodno艣膰 Dok艂adno艣膰 Por贸wnywalno艣膰 Adekwatno艣膰 kompletno艣膰 (str 14 - 15, Gibas) |
||||||
8 |
Co oznacza zastosowanie kryterium formalnego w analizie ekon.-przestrzennej Oznacza wykorzystanie metod statystycznych, w艣r贸d kt贸rych najcz臋艣ciej stosowane s膮: - analiza struktury macierzy korelacji - analiza czynnikowa - analiza wsp贸艂czynnik贸w korelacji miedzy zmiennymi diagnostycznymi, a zmienn膮 syntetyczn膮 |
||||||
9 |
Wska偶 typowe struktury danych w badaniach przestrzennych Macierz, tabela |
||||||
10 |
Co oznacza pojecie frakcji w analizie ekonomiczno-przestrzennej |
||||||
11 |
Jakie s膮 wa偶niejsze przekszta艂cenia wyj艣ciowych zmiennych naturalnych Rangowanie zmiennych, przekszta艂cenia ilorazowe, standaryzacja, unitaryzacja |
||||||
12 |
Jakimi badaniami najcz臋艣ciej zajmuje si臋 analiza ekonomiczno-przestrzenna Badania obejmuj膮 poszukiwania wyja艣nie艅 i zwi膮zk贸w pomi臋dzy zjawiskami gospodarczymi, cechami populacji oraz przestrzeni. Charakterystyczne s膮 4 etapy uwarunkowa艅 osi膮ganych efekt贸w badawczych w zale偶no艣ci od skali bada艅, obiektu bada艅, uj臋cia czasowego, rodzaj贸w dzia艂alno艣ci w uj臋ciu przestrzennym. (str 11. Gibas) |
||||||
13 |
Okresl kryteria doboru metod analizy ekonomiczno-przestrzennej ze wzgl臋du na ich przydatno艣膰 dla planowania Kryteria doboru metod analizy ekonomiczno-przestrzennej, ze wzgl臋du na ich przydatno艣膰 dla planowania spo艂eczno--gospodarczego i przestrzennego:
|
||||||
14 |
Jakie s膮 zasady doboru cech do wielocechowych bada艅 ekonomiczno-przestrzennych
|
||||||
15 |
Co zawieraj膮 formu艂y w najcz臋艣ciej stosowanych metodach standaryzacji cech Odchylenie standardowe, 艣rednia arytmetyczna zmiennej, maksymalna warto艣膰 zmiennej, minimalna warto艣膰 zmiennej, d艂ugo艣膰 wektora realizacji zmiennej, suma realizacji zmiennej / gibas, str35 |
||||||
16 |
Najcz臋艣ciej stosowane metody standaryzacji cech w analizie ekonomiczno-przestrzennej opieraj膮 si臋 na formu艂ach zawieraj膮cych To samo co 15 pyt. |
||||||
17 |
Jakim kryteriom powinno odpowiada膰 prowadzenie warto艣ciowej poznawczo klasyfikacji Kryterium roz艂膮czno艣ci [wydzielania klas] i zupe艂no艣ci (ka偶dy z obiekt贸w nale偶y do tylko jednej klasy i ka偶dy z obiekt贸w wchodzi w sk艂ad kt贸rej艣 z klas (notatki - wyk艂ady) |
||||||
18 |
W jaki spos贸b mo偶emy prowadzi膰 klasyfikacj臋 w analizie ekonomiczno-przestrzennej Klasyfikacja mo偶e by膰 prowadzona przez: - podzia艂 zbioru obiekt贸w (spos贸b dedukcyjny) - grupowanie obiekt贸w (spos贸b indukcyjny) |
||||||
19 |
Co oznacza pojecie klasyfikacji indukcyjnej Grupowanie obiekt贸w |
||||||
20 |
Co oznacza poj臋cie klasyfikacji dedukcyjnej Podzia艂 zbioru obiekt贸w |
||||||
21 |
Wska偶 typowe etapy procedury klasyfikacyjnej - wyb贸r zmiennych diagnostycznych (cech) - redukcja wymiar贸w przestrzeni obserwacji (normalizacja) - wyznaczenie kryterium klasyfikacji (ex post lub przez poznanie) - wyb贸r metody i techniki klasyfikacji - wydzielanie klas typologicznych (estymacja szacowania) podobie艅stwa badanych obiekt贸w |
||||||
22 |
Jaka jest najprostsza metoda klasyfikacji Droga podzia艂u lub grupowania (procedura punktowa) => rangowa lub rankingowa |
||||||
23 |
Do czego s艂u偶y konstruowanie tzw. diagramu podobie艅stwa Diagram podobie艅stwa J. Czekanowskiego. Autor okre艣la j膮 jako metod臋 „r贸偶nic i podobie艅stw” . Polega ona na:
9. Interpretacji uzyskanych wynik贸w. |
||||||
24 |
Wska偶 formu艂y miernik贸w odleg艂o艣ci taksonomicznych - odleg艂o艣膰 metropolitarna dij = 鈭 | xik - xjk |
- wa偶ona odleg艂o艣膰 euklidesowa
- 艣rednia odleg艂o艣膰 euklidesowa
- odleg艂o艣膰 Clarka
- Odleg艂o艣膰 Czebyszewa str. 46 Gibas |
||||||
25 |
Wska偶 metody s艂u偶膮ce do wydzielania klas typologicznych w analizie ekonomiczno-przestrzenej
|
||||||
26 |
Jaki element procedury klasyfikacyjnej jest okre艣lany przy u偶yciu tzw. kryterium Z. Hellwiga - Ostateczna weryfikacja przynale偶no艣ci jednostek do dendrytu (s.237 Runge) - weryfikacja podzia艂u zbioru (s. 244 Runge) |
|
|||||
27 |
Jakie wielko艣ci s膮 elementami tzw. kryterium Z. Hellwiga Warto艣膰 minimalna, 艣rednia arytmetyczna, warto艣膰 odchylenia standardoweg wektora najmniejszych odleg艂o艣ci, wariantowe warto艣ci krytyczne (str. 235-236 Runge) |
|
|||||
28 |
Dla jakiej ilo艣ci cech analiza przy u偶yciu tzw. tabeli znak贸w daje najlepsze efekty badawcze Tabela ta znajduje zastosowanie w przypadku najprostszego podzia艂u na klasy, przeprowadzonego na podstawie niewielkiej liczby cech (dw贸ch, trzech, czterech) na wst臋pnym etapie badania danego problemu. Str 199 Runge |
||||||
29 |
Wska偶 najcz臋艣ciej stosowane metody wska藕nikowe W艣r贸d procedur najcz臋艣ciej u偶ywa si臋 wska藕nika syntetycznego Jerzego Perkla, rzadziej wska藕nika Zbigniewa Zio艂y. |
||||||
30 |
Wska偶 typowe metody analizy rozk艂adu przestrzennego Metody taksonomiczne:
|
||||||
31 |
Okre艣l taksonomiczne metody grupowania zjawisk przestrzennych GRUPOWANIE: - diagram Czekanowskiego (efekt: uporz膮dkowanie liniowe obiekt贸w na prostej) - taksonomia wroc艂awska (efekt: dendryt na p艂aszczy藕nie) (pan Runge 203) |
||||||
32 |
Co jest miar膮 odleg艂o艣ci w analizie elementarnego po艂膮czenia Mc Quitty'ego Miara odleg艂o艣ci
im wy偶sza (+) warto艣膰 tym wi臋ksze podobie艅stwo badanych element贸w macierz wsp贸艂czynnikow korelacji => symetryczna, z jedynkami na przek膮tnej
|
||||||
33 |
Wska偶 charakterystyczne cechy tzw. Krzywej Gaussa (to rozk艂ad normalny) - symetryczno艣膰 - kszta艂t dzwonowaty - jednomodalno艣膰 - 艣rednia i odchylenie standardowe determinuj膮 ca艂kowicie kszta艂t krzywej - 艣rednia arytmetyczna, mediana i dominanta s膮 r贸wne |
||||||
34 |
Co jest podstaw膮 analizy g艂贸wnych sk艂adowych Zadaniem metody sk艂adowych g艂贸wnych jest transformacja zbioru wyj艣ciowych cech xj w nowy uk艂ad cech (Vj). Punktem wyj艣cia w metodzie sk艂adowych g艂贸wnych jest MACIERZ DANYCH (macierz kowariancji lub korelacji) /str. 299 - 300 Runge |
||||||
35 |
Jakie s膮 podstawy dla r贸偶nych typ贸w indeks贸w Indeksy - to ka偶da liczba wzgl臋dna powsta艂a przez podzielenie wielko艣ci danego zjawiska w okresie badanym przez wielko艣膰 tego zjawiska w okresie podstawowym (bazowym). Indeksy przedstawiaj膮 skal臋 r贸偶nic zjawiska, gdy baza jest r贸wna 100%. Indeksy dziel膮 si臋 na jednopodstawowe i 艂a艅cuchowe. |
||||||
36 |
Jaki jest cel stosowania dendrytu w tzw. metodzie wroc艂awskiej Celem jest 艂膮czenie ka偶dej jednostki z jednostk膮 do niej najbardziej podobn膮, w ten spos贸b powstaj膮 powi膮zania pierwszego stopnia. Dendryt jest r贸wnie偶 pomocny w uzyskaniu diagramu uporz膮dkowanego J.Czekanowskiego. |
||||||
37 |
Wska偶 podstawowe charakterystyki statystyczne w badaniach przestrzennych
|
||||||
38 |
Typowe szeregi statystyczne do prezentacji informacji przestrzennych - wska偶 SZEREGI STATYSTYCZNE:
|
||||||
39 |
Jakie s膮 cechy formu艂 miernik贸w odleg艂o艣ci taksonomicznych Miary odleg艂o艣ci taksonomicznych (str. 203 - 205 Runge) - przepisa膰!
W przypadku trzech pierwszych miar dij 鈮 0, natomiast 0 鈮 鈭ij 鈮 1
- w praktyce: odejmowanie standaryzowanych wielko艣ci poszczeg贸lnych wierszy od siebie |
||||||
40 |
Jakimi metodami mo偶na charakteryzowa膰 zale偶no艣ci korelacyjne miedzy zmiennymi? Miarami korelacyjnymi s膮 nazywane wska藕niki ilustruj膮ce liczbow膮 wielko艣膰 wsp贸艂zale偶no艣ci mi臋dzy zmiennymi. Do najcz臋艣ciej stosowanych nale偶膮: - wsp贸艂czynnik korelacji Persona - wsp贸艂czynnik korelacji cz膮stkowej i wielorakiej - wsp贸艂czynnik korelacji dla danych pogrupowanych - stosunek korelacyjny - wsp贸艂czynnik korelacji rangowej Spearmana - wsp贸艂czynnik konkordacji - wsp贸艂czynnik zbie偶no艣ci Czuprowa - wsp贸艂czynnik korelacji Yule'a - wsp贸艂czynnik korelacji dla danych jako艣ciowych - korelacja ekologiczna (Runge, 491) |
||||||
41 |
Podstawowe charakterystyki statystyczne w badaniach przestrzennych Pytanie 37 - to samo |
||||||
42 |
Jakie metody badania stosuje si臋 do oceny zr贸偶nicowania hierarchicznego zbioru obiekt贸w przestrzennych
(pan Runge str. 59) |
||||||
43 |
Wska偶 formu艂y uzywane w modelach przesuni臋膰 S. Dunna
Przesuni臋cia dyferencjalne dzia艂owe:
Przesuni臋cia dyferencjalne og贸lne:
Przesuni臋cia globalne:
Przesuni臋cia globalne wzgl臋dne:
|
||||||
44 |
Jakie problemy przestrzenne mo偶na bada膰 za pomoc膮 modeli przesuni臋膰 S. Dunna Okre艣lenie „intensywno艣ci zmian strukturalnych” analizowanego zjawiska - wskazanie r贸偶nic w tempie wzrostu poszczeg贸lnych element贸w - okre艣lanie zmian zachodz膮cych w danej jednostce przestrzennej w stosunku do zmian w innej jednostce przestrzennej uznanej za baz臋 odniesienia (im wy偶sze - tym tempo zmian silniejsze) mo偶na por贸wnywa膰 zmiany strukturalne wieku, zatrudnienia, wykszta艂cenia itp. |
||||||
45 |
Jakie s膮 g艂贸wne cechy modeli wzajemnego oddzia艂ywania
Triada Ullmana - za艂o偶enia:聽 Modele oddzia艂ywa艅聽przestrzennych to: 1. Model grawitacji - oddzia艂ywanie mi臋dzy 2 o艣rodkami 2. Model potencja艂u - jednoczesne oddzia艂ywanie wielu mas na jeden o艣rodek聽 |
||||||
46 |
Wska偶 dwie charakterystyki struktur przestrzennych uzywane w modelach grawitacji i potencja艂u Potencja艂 - sprawno艣膰, wydajno艣膰, mo偶liwo艣c do dzia艂ania
|
||||||
47 |
Do czego s艂uzy okreslanie tzw. wyk艂adnika kontrastu w badaniach rank-size rule a - wyk艂adnik kontrast贸w w wielko艣ci miast analizowanego zbioru - do zbadania dynamiki zmian sieci osadniczej - do scharakteryzowania r贸偶nicy mi臋dzy rozk艂adem wielko艣ci jednostek osadniczych badanego obszaru a rozk艂adem idealnym - obliczenie wyk艂adnik贸w kontrast贸w dla ka偶dego miasta pozwala na obliczenie 艣redniej odnosz膮cej si臋 do ca艂ego zbioru a tym samym policzenia wsp贸艂czynnik贸w kontrastu dla r贸偶nych przekroj贸w czasu. (Runge 441-443) |
||||||
48 |
Jaki typ procedury stosuje si臋 w tzw. regule Zipfa - procedura obliczania wyk艂adnik贸w kontrastu (Runge 439-443) |
||||||
49 |
Jakie s膮 g艂贸wne za艂ozenia analiz opartych na tzw. regule Zipfa Na rozmieszczenie jednostek osadniczych dzia艂aj膮 dwie si艂y:
|
||||||
50 |
Si艂a unifikuj膮ca i r贸znicuj膮ca w uk艂adach wielkosci miast - kiedy przewaga pierwszej Fr - si艂a r贸偶nicuj膮ca ; Fu - si艂a unifikuj膮ca - je艣li Fr > Fu analizowany uk艂ad osadniczy zawiera du偶膮 liczb臋 ma艂ych miejscowo艣ci - je艣li Fu > Fr wielko艣膰 osiedli powi膮zanych w system nie ma chaotycznego rozk艂adu. W艣r贸d du偶ych miast nie ma jednakowych osiedli wg liczny mieszka艅c贸w. W obr臋bie du偶ych miast r贸偶nice liczby ludno艣ci s膮 jaskrawe. W grupie najmniejszych miast, kontrasty mi臋dzy nimi malej膮. (Runge 439) |
||||||
51 |
Do czego s艂u偶y metoda 艣rednich arytmetycznych w badaniach poartych na tzw. taksonomii wroc艂awskiej Pozwala na znalezienie odpowiedzi na pytanie, kt贸re z wybranych cech zdecydowa艂y o wydzieleniu poszczeg贸lnych klas, i jednocze艣nie daje odpowied藕 na pytanie, jakie cechy s膮 w poszczeg贸lnych klasach dominuj膮ce. |
||||||
52 |
Jakie s膮 g艂贸wne cele stosowania anlizy regresji w badaniach przestrzennych -por贸wnanie: wielko艣ci i kierunku zmian jednej zmiennej wzgl臋dem drugiej, pozwala skonstruowa膰 r贸wnanie odzwierciedlaj膮ce wsp贸艂zale偶no艣ci mi臋dzy nimi (pan Runge str. 516) CEL analizy regresji to odpowiedzi na pytania:
|
||||||
53 |
Kiedy prosty model regresji przechodzi w model regresji wielokrotnej Je偶eli zwi臋ksza si臋 liczba zmiennych obja艣niaj膮cych (z jednej na kilka) to wtedy prosty model regresji (liniowy) przechodzi w model regresji wielorakiej (wielokrotnej) |
||||||
54 |
Do badania jakich zjawisk przestrzennych s艂u偶膮 metody korelacyjne poszukiwanie maksymalnych (najistotniejszych) wsp贸艂zale偶no艣ci mi臋dzy pytaniami w ankiecie - identyfikacja problem贸w spo艂eczno- ekonomicznych - identyfikacja wsp贸艂zale偶no艣ci dw贸ch cech z wy艂膮czeniem wp艂ywu innych - wsp贸艂zale偶no艣膰 mi臋dzy liczb膮 ludno艣ci a zatrudnieniem - badanie wsp贸艂zale偶no艣ci mi臋dzy wi臋cej ni偶 dwiema cechami (konkordacja) - wsp贸艂zale偶no艣膰 mi臋dzy cechami jako艣ciowymi (czy istanieje wsp贸艂zale偶no艣膰) |
||||||
55 |
Okresl g艂贸wne cechy metody taksonomicznej Jerzego Perkala - stosue si臋 j膮 do agregacji zespo艂u cech wej艣ciowych do wsp贸lnego wektora okre艣lanego jako tzw. wska藕nik wielko艣ci og贸lnej (Wi) - sk艂ada si臋 zwykle z dziewi臋ciu kolejnych krok贸w 1) zdefiniowanie macierzy danych 2) Pogrupowanie cech w zespo艂y 3) Sprawdzenie warunku dodatniej korelacji mi臋dzy cechami tworz膮cymi zesp贸艂 cech 4) Standaryzacja cech wg wzoru Perkala 5) Obliczenie wska藕nik贸w Wi dla ca艂ej macierzy oraz poszczeg贸lnych zespo艂贸w cech 6) Analiza uzyskanych informacji 7) Badanie harmonijno艣ci uk艂adu przestrzennego poprzez obliczenie wska藕nik贸w resztowych 8) Obliczenie wska藕nika proporcjonalnego rozwoju 9) Analiza uzyskanych informacji - poszczeg贸lne cechy przyjmuj膮 r贸偶ne warto艣ci w stosunku do wska藕nika Wi, co staje si臋 podstaw膮 do obliczenia tzw. wska藕nik贸w resztowych ( str 87-88 Gibas) |
5