中国区域创新能力静态分析——基于自适应赋权主成分聚类模型

本文在对经典聚类模型和现有改进聚类模型优点与不足剖析的基础上,通过定义客观加权主成分距离为分类统计量,提出了一种自适应赋权的主成分聚类模型。与现有同类方法相比,新模型克服了指标之间的高度共线性,能够对指标重要性的客观差异进行自适应赋权,每一步都有充分的理论保证其必要性、合理性.应用加权主成分聚类对中国区域创新能力进行集团划分,分类结果的可解释性明显提高,统计检验效果显著,所得的结论对了解和推动中国区域创新能力发展具有借鉴意义。     

有序聚类虚拟变量法及其应用

本文在对邹至庄检验和递归最小二乘法剖析基础上,综合有序聚类法和虚拟变量方法,提出了一种新的结构稳定性检验方法—有序聚类虚拟变量法,克服chow检验和递归最小二乘法等在系数稳定性检验中的缺陷,利用蒙特卡罗模拟方法比较了这三种方法的优劣。并利用这三种方法对从沪深300成份股中按πPS方法抽取出来的30只股票进行β系数稳定性检验比较。研究表明,有序聚类虚拟变量法在检验系数稳定性比邹至庄检验方法和递归最小二乘法更为有效。     

双向聚类方法综述

传统的聚类方法由于无法提取样本和变量间的局部对应关系,并且当数据具有高维性和稀疏性时表现不佳,因此学者们提出了双向聚类,基于样本和变量间的局部关系,同时对样本和变量进行聚类,形成一系列子矩阵的聚类结果。近年来,双向聚类发展迅速,在基因分析、文本聚类、推荐系统等领域应用广泛。首先,对双向聚类方法进行梳理与归纳,重点阐述稀疏双向聚类、谱双向聚类和信息双向聚类三类方法,分析它们之间的区别和联系,并且介绍这三类方法在多源数据的整合分析、多层聚类、半监督学习以及集成学习上的发展现状和趋势;其次,重点介绍双向聚类在基因分析、文本聚类、推荐系统等领域的应用研究情况;最后,结合大数据时代的数据特征和双向聚类存在的问题,展望双向聚类未来的研究方向。