多指标面板数据聚类方法及应用

《多指标面板数据聚类方法及应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、多指标面板数据聚类方法及应用以行业一次能源消费xtz/:据为例王双英王群伟3，曹泽4(1.曲阜师范大学管理学院，FI照276826;2.南京航空航天大学经济与管理学院，南京210016;3.苏州大学商学院，苏州215325;4.安徽建筑工业学院管理学院，合肥230601)摘要：综合考虑而板数裾多指标屮因变砧指标特征及其与自变砧指标的相关关系，通过定义因变量自协方差及自变量与因变量协方差以构建面板数据相似及相关性测度距离函数，在引入自组织竞争网络算法的基础之上，提岀了多指标面板数据聚类的方法。以我国1996-200

2、8年44个行业煤炭、天然气、电力消耗量及国际石油价格面板数据进行实际应用,验证了新方法聚类结果更为显著的优点。关键字：自协方差；协方差；自组织竞争网络聚类分析；系统广义矩估计；一次能源消费TheClusteringMethodBasedontheMulti-dimensionalPanelDataanditsApplicationWangShuang-ying1,2,WangQun-wei2,3,CaoZe2’（1.CollegeofManagement,QufuNormalUniversity,Rizhao27

3、6826,China;2.CollegeofEconomicsandManagement,NanjingUniversityofAeronauticsandAstronautics，Nanjing210016,China;3.SchoolofBusiness，SoochowUniversity，Suzhou215021，China;4.AnhuiUniversityofArchitecture，Hefi230601，China）Abstract:Basedonmultivariablecharacteristic

4、sofpaneldata，bydefiningtheautocovarianceofthedependentvariableandthecovariancebetweenthedependentandindependentvariablestoconstructingthesimilarandrelateddistances，asintroducingtheself-organizingcompetitiveneuralnetworksin,itproposesonenewclusteringmethod.Asa

5、nexample，themethodisusedtoanalysistheenergyconsumptionin44industriesandtheinternationaloilprice1996-2008,andtheresultsisprominent.Keywords:Autocovariance;Covariance;Self-organizingcompetitiveNNSClustering;SystemGMM;Primaryenergyconsumption0引言尽管对而板数据聚类分析的研究在二十

6、世纪末才逐渐开始完善，但因而板数据具有同时反映研究对象时间及截面维度信息的优势，相关聚类分析已在图像识别、数据挖掘、经济评价及市场分析等领域广泛应用。李因果认为，面板数据聚类分析应首先解决统计量及聚类方法的问题W。根据对统计量和聚类方法研宂重点的不同，相关文献大体可分为三类：第一类文献着重于聚类方法的改进，如BonzoD.C.和郑兵云分别应用ASA（向适应退化方法）和重建Ward函数对而板数据进行聚类分析［2'31。徐华锋则通过引入投影寻踪模型对而板数据聚类方法进行改进14）。此类收稿日期：2011-11-09基

7、金项目:国家自然科学基金(71203151);山东省社科基金项目(13CDYJ04);曲阜师范大学科技项目(XJ201235),而板数裾聚类方法往往选择样本均值（如［4］）、样木方差（如［3］＞等传统统计铽，这些数裾特征统计量往往因忽视数据的动态特征而遗漏重要的信息。第二类文献侧重于统计量的选择与改进，如Ren1、李因果和肖泽磊等，主要通过构建新的统计量对面板数据进行描述或降维其巾，Renj.通过构建样本模的距离函数对面板数据进行降维，肖泽磊则着重选择指祕间的相关系数对面板数据进行降维处理。李因果通过定义面板数据

8、的全时“绝对量”距离、全时“增长速度”距离、全时“变异系数”距离及全时“综合”距离对而板数据进行Ward聚类，得到了广泛的关注。第三类文献则对数据特征统计量及聚类方法同时进行改进，如张可引入灰色关联度及灰色聚类对面板数据进行聚类分析［71,虽然此方法在数据年份较少的情况下，对指标聚类具有较好的效果，但是选择灰色关联度与选择相关系数相似，容易造成数据信息的丢失。虽然［1］通