多指标面板数据融合聚类分析

针对多指标面板数据的样品分类和历史时期划分问题,从多元统计分析理论角度提出一个多指标面板数据的融合聚类分析方法。该方法改进了多指标面板数据的因子分析和系统聚类方法,依据Fisher有序聚类理论,构造了Frobenius范数形式的离差平方和函数,提出了多指标面板数据的有序聚类方法。实证结果表明,该方法能够满足系统分析的统一性要求,保证指标之间的不相关;能够克服时间维度上均值处理造成的偏误,信息损失较少;能够解决面板数据有序聚类的问题;弥补了单一分析的片面性和局限性。     

多指标面板数据的聚类分析及其应用

多指标面板数据的多元统计分析在国内研究中尚属空白.本文分析了面板数据的数据格式和数字特征,根据聚类分析原理,重新构造了多指标面板数据的距离函数和离差平方和函数,在此基础上,说明了多指标面板数据的聚类分析过程.最后对我国各地区工业企业生产效率进行了聚类实证分析,显示了良好的效果。     

多指标面板数据因子分析的分层模型及应用

针对多指标面板数据的公因子提取及评价问题,提出一种充分挖掘面板数据时间序列价值的分层因子模型.模型在底层上通过对各个时点上截面数据指标变量的精炼实现对截面样本数据的评价,将截面数据压缩成只具有时间维度的样本评价值向量;模型顶层进一步实现了对由各个截面样本评价值向量形成的综合评价矩阵时间维度的精炼,并推导出面板数据因子得分公式及评价函数.最后,运用模型方法对我国大陆31个省市国有及规模以上非国有企业生产及经营状态面板数据进行了因子分析,分析结果显示了方法的合理性.分层模型实现了对面板数据各样本的指标维度与时间维度的双重提炼,弥补了现有方法的片面性与局限性.     

基于数据流形结构的聚类方法及其应用研究

随着信息社会的不断发展,人类已经进入了信息爆炸时代,海量的数据使数据处理变得繁琐复杂,因此如何对现有的高维数据降维、聚类,并在一定程度上消除高维数据中存在的噪声是解决该问题的关键.基于相关的理论知识采用先降维后聚类的步骤,把高维数据按照子空间结构和流形结构两种情况分类,运用稀疏子空间聚类、谱多流形聚类、K-manifolds方法进行建模求解,通过对各种方法的对比,得出谱多流形聚类方法运行速度快,聚类准确度高,是最具有一般性特征的模型.     

基于成对约束的主动学习半监督谱聚类

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,该算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,并利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

数据的多流形结构分析

建立了基于ALM和权值的LRR聚类改进模型,对高维数据进行分析,将其分为两个独立的子空间,并与传统k-means聚类模型进行对比,采用评价指标模型对聚类结果进行评价分析.提出的LRR聚类改进模型在正则项引入了权重系数w,可以更好地将扰动分开,求解结果及评价指标均有效地验证了其稳定性、精确度等性能均有所提升.建立了SMMC改进模型,对机器工件外部边缘轮廓进行分类.从求解结果可看出该模型非常适合用于处理混合多流形聚类问题,对于比较复杂的曲线有着很好的分类性能.按照数据预处理、数据建模分析、模型结果评价步骤,通过使用谱聚类分析和多流形学习方法,对所给出的高维数据进行分析和处理,并通过评价模型得出相应的评价指标,对数据的多流形结构进行了深入的研究和探讨.     

基于灰色聚类的多指标稳健性设计研究

随着市场竞争的日趋激烈,迫切地需要将产品的质量、成本、效益和顾客的满意度等市场竞争要素一起综合考虑进行稳健性设计.采用灰色聚类多指标综合评价对定性、定量指标用灰数的白化权函数加以聚类,对试验方案进行初步筛选,然后在备选方案中对同属于"优"类别的方案进行综合分析,得到一组最佳可控因子组合,并进行验证性分析.最后利用此方法对一款洗衣机用串激电机从成本、效益和顾客满意度方面综合进行考虑,进行了稳健性设计,得到真正意义上的低成本、高质量、高可靠性和高效益的产品,从而最终为解决这种带有模糊性因素的多指标优化问题开创了一种稳健性设计新思路.     

基于多维面板数据的聚类方法探析及实证研究

面板数据由于能够从截面和时间构成的二维空间来描述研究对象的动态特征而被广泛应用于经济问题的建模实践中。本文借鉴多元统计学中主成分分析方法对面板数据进行降维处理,然后通过构建综合评价函数序列矩阵的相似指标对面板数据进行聚类分析,并提出一些研究面板数据亲疏关系的有效途径,最后运用该算法对我国地区科技能力进行实证分析,结果与实际状况较为吻合.     

基于k-means聚类与粗糙集算法的指标筛选方法研究

针对多属性决策中指标的信息重复和不确定性问题,提出了一种基于改进的k-means聚类与粗糙集算法相结合的指标筛选方法。首先,定义样本的空间分布密度,实现初始聚类中心优化的k-means算法,对连续型指标进行离散化处理;然后利用粗糙集的相对约简原理进行指标约简,删除存在信息重复的冗余指标,并结合绿色经济指标体系构建的案例验证了该方法的合理性和有效性。     

基于先验信息和一维数据聚类的专家赋权方法

多属性群体评价方法研究中,对专家赋权是一项重要的研究内容。本文结合专家的先验信息和后验信息,提出了一种确定专家权重的方法。首先,利用专家历史评价活动中的序值相关系数,做出本次评价活动的预测值,进而确定专家先验权重;其次,基于群体共识视角,对各专家所给出的指标信息进行一维数据聚类,结合不同分组情况下出现的概率,计算出专家后验权重;最后,将两类权重进行组合确定最终权重,并用一个算例验证了该方法的有效性以及合理性。     

碳排放问题面板数据曲线的棱镜模型聚类分析

采用类比方法构建出一种面板数据曲线的棱镜模型,把时间横坐标与经济问题纵坐标加以角度化变换,选取恰当的经济变量作为棱镜的折射率和顶角,可将面板数据曲线用棱镜曲线进行再描绘.在碳排放问题上,列举大量的面板数据曲线作为具有棱镜曲线形状的证据,并给出聚类分析,解决了棱镜模型的应用问题,得出了存在经济折射定律的观点结论,从而为应用经济学研究提供一种全新视角的分析工具.     

改进的基于特征向量集的距离判别及在企业信用评价中的应用

在基于特征向量集的距离判别的基础上,提出新的判别分析方法,试图解决现有判别分析方法中计算量大及对复杂数据判别效果差的缺点.同时,将方法用于企业信用评价中,并与传统的判别方法及一些改进的判别方法作比较,实验结果表明,方法提高了企业信用评价的准确率.     

基于仿射传播的道路网络聚类

对于道路网络聚类问题,提出了仿射传播算法。首先,将道路网络上的交叉路口和结点作为顶点,建立了无向图;然后,根据最短路径计算网络距离,进而得到图的相似度矩阵;并基于仿射传播算法对道路网络进行聚类;最后,试验结果证实了本文方法的有效性与稳定性。     

Panel Dataģ�ͻ���Within���Ƶ��������

In this paper, optimal identical designs of bivariatepanel data model based on within estimator are discussed. It is proved that D-, A-, E- and I-optimal design of bivariate panel data model can be obtained on the vertexes of the design region. Equal-weight design is proved to be D-,A-, E-optimal of bivariate panel data model in the paper. I-optimal design is also obtained in the paper and it shows that equal-weight design has high I-efficiency.     

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

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。