混合频率FA-MIDAS类模型构建及其应用

文章构建了一类能够直接将大量不同频率指标放入同一模型的混频数据因子（FA-MIDAS）模型,深入挖掘了FA-MIDAS类模型的内部结构及驱动机制,推导出了FA-MIDAS类模型非线性最小二乘估计方法。在此基础上,引入多个高频宏观经济影响因素对我国经济增长进行了预测和监测研究。结果表明：非线性最小二乘估计方法能迅速找到FA-MIDAS类模型的收敛解;FA-MIDAS-AR模型在对经济增长的短期预测上具有领先优势,组合模型FA-MIDAS-AR-BIC对新时期经济增长的预测具有较高的时效性及精确性;按照各因子对经济增长的动力程度由高到低依次为高频消费因子、高频投资因子。     

基于Dirichlet过程无限混合模型的基因表达数据聚类算法

Dirichlet过程作为一种典型的变参数贝叶斯模型,基于该过程进行的聚类分析无需预先确定聚类数,聚类数作为模型中的参数由模型和数据自主计算得出,因而成为机器学习研究领域中的一个研究热点,可用于海量数据的聚类分析。文章建立Dirichlet过程无限混合模型对DNA基因表达数据展开了聚类分析。模拟测试数据集和急性白血病的DNA基因表达测试数据集的实验结果表明,Dirichlet过程无限混合模型能够准确地估计出数据中的聚类数。     

基于密度的面板数据聚类分析

研究面板数据聚类问题过程中,在相似性度量上,用Logistic回归模型构造相似系数和非对称相似矩阵。在聚类算法上,目前的聚类算法只适用于对称的相似矩阵。在非对称相似矩阵的聚类算法上,采用最佳优先搜索和轮廓系数,改进DBSCAN聚类方法,提出BF—DBSCAN方法。通过实例分析,比较了BF—DBSCAN和DBSCAN方法的聚类结果,以及不同参数设置对BF—DBSCAN聚类结果的影响,验证了该方法的有效性和实用性。     

南京市消费品市场实证分析

本文利用因子分析法分析南京市2005-2012年连续8年限额以上企业商品分类零售额增长情况,找出消费品市场发展的主要因子,拟合各因子线性回归模型,计算各年综合得分,并利用聚类分析法分别对综合得分和因子作用进行归类,描述各因子特征和各年市场状态,最后提出了促进市场发展的建议.     

基于灰色动态聚类-粗糙集的绿色资源环境评价指标构建模型

以内蒙古自治区12个盟市的绿色资源环境发展为研究对象,采用灰色动态聚类与粗糙集相结合的方法,构建包含有全年供水量等11个指标的内蒙古自治区绿色资源环境指标体系,其要点在于:一是通过灰色关联分析建立样本间的灰色关联矩阵,进而进行样本间的灰色聚类,反映样本间的信息重复性;二是采用动态聚类方法,每次去除一个指标后继续通过灰色关联分析建立的灰色关联矩阵进行灰色样本聚类,为粗糙集约简提供信息数据;三是通过粗糙集约简理论判断海选指标对聚类结果的影响是否显著,将每一次的聚类结果与原始聚类结果比较,保留两次聚类结果不同且对评价样本分类有显著影响的海选指标;四是采用非参数Kruska-Wallis检验的P值检验法证明本文构建的指标体系是合理的。通过对比分析表明,本文的灰色动态聚类-粗糙集指标筛选模型优于现有研究的聚类-灰色关联指标筛选模型。     

基于改进的自适应传播模型的农业风险区划分析

农业险定价中的核心问题是农业风险区划问题,为了体现农业区划中个体指标的动态发展特征,根据近邻传播改进自适应近邻传播聚类方法对数据进行优化,基于轮廓系数、归属度和吸引度得到最佳聚类中心和几何聚类中心,并将聚类转化为新数据集的聚类问题;选取代表性的棉花为例进行实证分析,通过计算生产、销售、收入、财政等指标进行棉花风险区划实例分析,计算最优棉花风险区划,结果表明对于具有动态特征的数据,本模型具有很好的有效性、实用性和解释性。     

工伤保险差别费率测算

基于聚类分析的基本思想测算差别费率,选择层次聚类法中的Q聚类方法,以伤亡率和应支率作为聚类指标,对各个行业进行分类。根据总体平衡的基金筹集原则,建立了差别费率测算模型,以西安市的调查数据为基础,对模型进行了检验和应用性研究。     

基于稀疏聚类的高维数据特征选择及应用

文章研究了一种高维数据聚类特征选择方法——稀疏聚类,稀疏聚类是通过对特征变量赋予权重,并添加lasso惩罚因子,压缩权重,得到对变量的权重排序,即重要性排序,使其在进行分类预测的同时达到自动剔除冗余变量的效果,从而起到了对高维数据聚类时的特征选择作用.将此方法运用于中国环保问题,将中国31个省份根据环保情况分为3类,并从现有的104个环保指标中筛选得到20个重要指标.     

基于相对隶属度的灰色聚类评估方法

文章将相对隶属度引入到灰色聚类评估中,对灰色最优聚类评估问题进行了研究。通过样本观测值与标准特征值的关联系数来反映评估对象与各类中心的相似程度,在此基础上,基于相对隶属度的概念,建立了一种优化的灰色聚类评估模型,构造拉格朗日函数解得相对隶属度,最后根据相对隶属度的大小对评估对象进行归类,从而将分类模糊隶属度信息有效融入灰色聚类评估过程中。最后通过实例验证了该模型的有效性与实用性。     

面板数据加权聚类分析方法研究

在面板数据聚类分析方法的研究中,基于面板数据兼具截面维度和时间维度的特征,对欧氏距离函数进行了改进,在聚类过程中考虑指标权重与时间权重,提出了适用于面板数据聚类分析的"加权距离函数"以及相应的Ward.D聚类方法。首先定义了考虑指标绝对值、邻近时点增长率以及波动变异程度的欧氏距离函数;然后,将指标权重与时间权重通过线性模型集结成综合加权距离,最终实现面板数据的加权聚类过程。实证分析结果显示,考虑指标权重与时间权重的面板数据加权聚类分析方法具有更好的分辨能力,能提高样本聚类的准确性。