A multi-inflated hurdle regression model for the total number of overnight stays of Italian tourists in the years of the economic recession
Notice bibliographique
Résumé
This contribution is concerned with the tourism behavior of Italian residents in the period covering the last economic recession: it investigates whether and how the economic recession has affected the total number of overnight stays in a quarter by modelling it through a hurdle multi-inflated regression model. The assumptions of the hurdle model are consistent with the phenomenon under study, in which firstly a person decides whether to have a vacation trip and then, conditionally to a positive decision, he decides the number of overnight stays. Therefore the binary process concerning the decision to have at least a vacation in a given quarter is modelled through a logit regression model. Then the total number of overnight stays, for those who had at least a vacation, is modelled. Since this variable is naturally concentrated on some specific values (like 2, 6, 7, 14, 20 nights), we use a Multi-Inflated Truncated Negative Binomial regression model in order to control for this peculiar peaks. We analyse data from the quarterly survey on Trips and Holidays in Italy and Abroad carried out by the Italian National Institute of Statistics, in the period 2004 to 2013. The empirical results show that socio-economic characteristics of the individuals and of their families have an important effect on their tourism participation; that these factors, together with some trips-related characteristics, affect the total number of overnight stays; and that the economic recession impacted negatively on both aspects of tourism behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».