多指标面板数据聚类方法及应用.docVIP

多指标面板数据聚类方法及应用( ——以行业一次能源消费面板数据为例 王双英1,2，王群伟3，曹泽4 (1.曲阜师范大学管理学院,日照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：综合考虑面板数据多指标中因变量指标特征及其与自变量指标的相关关系，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，提出了多指标面板数据聚类的方法。以我国1996-2008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 The Clustering Method Based on the Multi-dimensional Panel Data and its Application Wang Shuang-ying1,2， Wang Qun-wei2,3 ，Cao Ze2， (1.College of Management,Qufu Normal University, Rizhao 276826, China; 2. College of Economics and Management,Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China; 3.School of Business,Soochow University, Suzhou 215021,China; 4.Anhui University of Architecture, Hefi 230601, China ) Abstract:Based on multivariable characteristics of panel data, by defining the autocovariance of the dependent variable and the covariance between the dependent and independent variables to constructing the similar and related distances, as introducing the self-organizing competitive neural networks in, it proposes one new clustering method. As an example, the method is used to analysis the energy consumption in 44 industries and the international oil price 1996-2008, and the results is prominent. Key words: Autocovariance; Covariance; Self-organizing competitive NNS Clustering; System GMM; Primary energy consumption 0 引言 尽管对面板数据聚类分析的研究在二十世纪末才逐渐开始完善，但因面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[1]。根据对统计量和聚类方法研究重点的不同，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Bonzo D.C.和郑兵云分别应用ASA(自适应退化方法)和重建Ward 函数对面板数据进行聚类分析[2,3]。徐华锋则通过引入投影寻踪模型对面板数据聚类方法进行改进[4]。此类面板数据聚类方法往往选择样本均值(如[4])、样本方差(如[3])等传统统计量，这些数据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Ren J.、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[5,6]。其中，Ren J.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标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”距离对面板数据进行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