第1章 引言 1
1.1 研究背景和研究意义 1
1.1.1 研究背景 1
1.1.2 研究的现实意义 4
1.1.3 研究的理论意义 4
1.2 研究内容及结构安排 5
1.3 研究创新点和难点 8
1.3.1 研究创新点 8
1.3.2 研究难点 9
第2章 面板数据聚类的方法及文献综述 11
2.1 聚类方法的分类和聚类效果的评价 11
2.1.1 聚类方法的分类 11
2.1.2 聚类效果的评价 13
2.2 面板数据聚类的文献综述 14
2.2.1 面板数据聚类的研究对象 14
2.2.2 面板数据的聚类步骤 14
2.2.3 构造相似性度量的方法 14
2.2.4 面板数据的聚类方法 27
2.3 纵向数据聚类的文献综述 28
2.4 小结 29
第3章 基于密度的面板数据聚类分析 31
3.1 用分类方法构造相似系数 31
3.1.1 用Logistic回归模型构造相似系数 32
3.1.2 用判别分析构造相似系数 34
3.1.3 用K近邻分类器构造相似系数 37
3.2 构造非对称相似矩阵 39
3.2.1 相似系数的确定 39
3.2.2 非对称相似矩阵的构造 41
3.3 BF-DBSCAN聚类方法 42
3.3.1 DBSCAN聚类方法 42
3.3.2 最佳优先搜索 43
3.3.3 轮廓系数 43
3.3.4 BF-DBSCAN聚类方法 44
3.4 实例分析 45
3.4.1 影响BF-DBSCAN聚类结果的因素 46
3.4.2 比较BF-DBSCAN和DBSCAN的聚类结果 51
3.4.3 比较BF-DBSCAN聚类结果和截面数据聚类结果 53
3.5 小结 56
第4章 基于复合PCC的面板数据聚类分析 59
4.1 多元copula的构建 59
4.1.1 可交换阿基米德copula的构造 60
4.1.2 嵌套阿基米德copula的构造 62
4.1.3 Paircopula的构造 65
4.1.4 三种多元copula构造方法的比较 68
4.2 用复合PCC度量面板数据的依赖结构 69
4.2.1 用HNAC度量依赖结构 70
4.2.2 用D-vine和HNAC度量依赖结构 70
4.2.3 用C-vine和HNAC度量依赖结构 71
4.2.4 用PCC和HNAC度量依赖结构的一般模型 72
4.3 复合PCC的参数估计 72
4.3.1 极大似然法 73
4.3.2 边际推断函数两阶段估计 77
4.3.3 半参两阶段估计 79
4.3.4 半参逐步估计 82
4.4 模型评价和拟合优度检验 84
4.4.1 Hit检验 84
4.4.2 模型评价 86
4.4.3 拟合优度检验 90
4.5 基于复合PCC的面板数据聚类步骤 91
4.5.1 面板数据聚类的模型设定和参数估计 91
4.5.2 面板数据聚类的算法选择和聚类步骤 92
4.6 实例分析 93
4.6.1 不同copula函数的选择 93
4.6.2 HNAC的聚类结果 94
4.6.3 D-vine和HNAC的复合PCC聚类结果 96
4.6.4 C-vine和HNAC的复合PCC聚类结果 99
4.7 小结 100
第5章 基于近邻传播的面板数据聚类分析 103
5.1 近邻传播聚类 103
5.2 自适应近邻传播聚类 105
5.3 基于自适应近邻传播的面板数据聚类 106
5.4 实例分析 108
5.4.1 最佳聚类中心 108
5.4.2 几何聚类中心 110
5.5 小结 112
第6章 总结与展望 113
6.1 总结 113
6.2 展望 115
参考文献 117
附录 127
致谢 162