第1章 引言

1.1 研究背景和研究意义

1.1.1 研究背景

1.1.2 研究的现实意义

1.1.3 研究的理论意义

1.2 研究内容及结构安排

1.3 研究创新点和难点

1.3.1 研究创新点

1.3.2 研究难点

第2章 面板数据聚类的方法及文献综述

2.1 聚类方法的分类和聚类效果的评价

2.1.1 聚类方法的分类

2.1.2 聚类效果的评价

2.2 面板数据聚类的文献综述

2.2.1 面板数据聚类的研究对象

2.2.2 面板数据的聚类步骤

2.2.3 构造相似性度量的方法

2.2.4 面板数据的聚类方法

2.3 纵向数据聚类的文献综述

2.4 小结

第3章 基于密度的面板数据聚类分析

3.1 用分类方法构造相似系数

3.1.1 用Logistic回归模型构造相似系数

3.1.2 用判别分析构造相似系数

3.1.3 用K近邻分类器构造相似系数

3.2 构造非对称相似矩阵

3.2.1 相似系数的确定

3.2.2 非对称相似矩阵的构造

3.3 BF-DBSCAN聚类方法

3.3.1 DBSCAN聚类方法

3.3.2 最佳优先搜索

3.3.3 轮廓系数

3.3.4 BF-DBSCAN聚类方法

3.4 实例分析

3.4.1 影响BF-DBSCAN聚类结果的因素

3.4.2 比较BF-DBSCAN和DBSCAN的聚类结果

3.4.3 比较BF-DBSCAN聚类结果和截面数据聚类结果

3.5 小结

第4章 基于复合PCC的面板数据聚类分析

4.1 多元copula的构建

4.1.1 可交换阿基米德copula的构造

4.1.2 嵌套阿基米德copula的构造

4.1.3 Paircopula的构造

4.1.4 三种多元copula构造方法的比较

4.2 用复合PCC度量面板数据的依赖结构

4.2.1 用HNAC度量依赖结构

4.2.2 用D-vine和HNAC度量依赖结构

4.2.3 用C-vine和HNAC度量依赖结构

4.2.4 用PCC和HNAC度量依赖结构的一般模型

4.3 复合PCC的参数估计

4.3.1 极大似然法

4.3.2 边际推断函数两阶段估计

4.3.3 半参两阶段估计

4.3.4 半参逐步估计

4.4 模型评价和拟合优度检验

4.4.1 Hit检验

4.4.2 模型评价

4.4.3 拟合优度检验

4.5 基于复合PCC的面板数据聚类步骤

4.5.1 面板数据聚类的模型设定和参数估计

4.5.2 面板数据聚类的算法选择和聚类步骤

4.6 实例分析

4.6.1 不同copula函数的选择

4.6.2 HNAC的聚类结果

4.6.3 D-vine和HNAC的复合PCC聚类结果

4.6.4 C-vine和HNAC的复合PCC聚类结果

4.7 小结

第5章 基于近邻传播的面板数据聚类分析

5.1 近邻传播聚类

5.2 自适应近邻传播聚类

5.3 基于自适应近邻传播的面板数据聚类

5.4 实例分析

5.4.1 最佳聚类中心

5.4.2 几何聚类中心

5.5 小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

附录

致谢