朱紅燦，陳星星

（湘潭大學(xué) 公共管理學(xué)院，湖南 湘潭 411105）

一種消除變量間相關(guān)性的模型聚類方法

朱紅燦，陳星星

（湘潭大學(xué) 公共管理學(xué)院，湖南 湘潭 411105）

歐氏距離條件下的聚類分析沒有考慮指標(biāo)間的相關(guān)性，基于模型的聚類方法存在多重共線性影響參數(shù)穩(wěn)定性等問題，針對上述問題，文章在歐式距離條件下對變量間具有相關(guān)性的數(shù)據(jù)樣本進(jìn)行聚類分析時，先構(gòu)建變量間相關(guān)性結(jié)構(gòu)的回歸相關(guān)模型，再通過差分分析對變量間的多重共線進(jìn)行消除，然后做聚類分析。并以1996—2011年9個省份城市教育投入情況進(jìn)行聚類分析，結(jié)果表明，給出的聚類方法是有效的。

相關(guān)性；聚類；差分分析；多重共線

0 引言

聚類分析就是將個體或?qū)ο蠓诸?，使得同一類中的對象之間的相似性比與其他類的對象的相似性更強(qiáng)。對象之間的“相似性”往往用歐式距離來刻畫，但歐氏距離條件下的聚類分析沒有考慮指標(biāo)之間的相關(guān)性。指標(biāo)間的相關(guān)性即2個或2個以上的指標(biāo)具有相同因素，發(fā)生了重迭現(xiàn)象[1]。因而Q型聚類分析中應(yīng)盡量消除變量間的相關(guān)性，否則將會由于指標(biāo)的重復(fù)計算而直接影響到聚類結(jié)果的準(zhǔn)確性。

學(xué)者們從不同角度對Q型聚類分析進(jìn)行了深入的研究，王紅睿[2]等學(xué)者針對截面數(shù)據(jù)對K均值聚類法進(jìn)行了均衡化的改進(jìn)，通過引入懲罰因子，限制過多的訓(xùn)練矢量集中于一個或幾個類，使樣本空間劃分近似均勻。殷瑞飛[3]等學(xué)者基于Q型因子分析的基本思想，建立了一種適用于大型數(shù)據(jù)庫聚類的方法，主要對Q型因子分析算法效率進(jìn)行了提高。上述文獻(xiàn)均對聚類方法的算法效率和穩(wěn)定性進(jìn)行改進(jìn)，并沒有考慮變量之間的相關(guān)性。王德青[4]等學(xué)者針對經(jīng)典聚類分析和普通主成分聚類分析極端情形下的失效問題，引入主成分聚類分析法對指標(biāo)間的相關(guān)性進(jìn)行改進(jìn)，但要求指標(biāo)的相關(guān)性強(qiáng)且可解釋性差。黃閩英[5]等學(xué)者則引入馬氏距離法進(jìn)行相似矩陣的構(gòu)建，解決了變量之間的相關(guān)性干擾問題。如：已知一二維正態(tài)總體G的分布，求點和至均值的距離。如果用歐式距離則有，；用馬氏距離=3.8/0.19，按歐氏距離，兩者相等，而按馬氏距離兩者差倍之多。而由兩者的密度函數(shù)可知，點A應(yīng)離均值近，點B離均值遠(yuǎn)。馬氏距離正確地反映了這一情況，而歐式距離則不然。但是，馬氏距離的計算需要知道數(shù)據(jù)總體分布的數(shù)字特征，而大部分?jǐn)?shù)據(jù)的分布特征（如均值、協(xié)方差矩陣）也是未知的。另一方面，采用全部數(shù)據(jù)計算得到的均值和協(xié)方差矩陣來計算馬氏距離效果也往往并不理想，因此在實際分析中仍然傾向于采用歐式距離。魏瑾瑞[6]在歐式距離條件下，先對變量間的相關(guān)性結(jié)構(gòu)建模（作為輔助信息），用模型的回歸系數(shù)來體現(xiàn)變量的重要性，再做聚類分析，用以解決復(fù)雜結(jié)構(gòu)生成的數(shù)據(jù)聚類問題。而多元線性回歸模型經(jīng)典假設(shè)之一是回歸模型的解釋變量之間不存在線性關(guān)系，也就是說，解釋變量X1，X2，…，Xk中的任何一個都不能是其他解釋變量的線性組合，變量間的多重共線性將使得模型參數(shù)估計值很不穩(wěn)定，模型擬合效果不好，導(dǎo)致模型的錯誤構(gòu)建，文獻(xiàn)[6]的回歸模型中并沒有考慮變量間的多重共線性導(dǎo)致的參數(shù)不穩(wěn)和模型擬合效果不好的問題，針對上述問題，本文先采用線性回歸方法對變量間的相關(guān)性結(jié)構(gòu)進(jìn)行建模，然后采用滯后差分變換對變量間的多重共線進(jìn)行消除，最后做聚類分析，以期提高變量間具有相關(guān)性數(shù)據(jù)的聚類效果。

1 消除變量間相關(guān)性的模型聚類方法

1.1 變量間相關(guān)性結(jié)構(gòu)模型構(gòu)建

設(shè)觀測變量為（X1，X2，Y)，且三個指標(biāo)間存在相關(guān)關(guān)系。

建立模型：

一方面，自變量間的多重共線性使得參數(shù)估計值很不穩(wěn)定，并且對樣本非常敏感。另一方面，自變量間的多重共線性使參數(shù)擬合效果不好，導(dǎo)致模型的定型錯誤。由已知可知x1，x2共線，因而x1，x2不適合作為聚類分析的基礎(chǔ)。而Y作為x1，x2的線性函數(shù)包含了x1，x2所有的信息，可以作為聚類分析的基礎(chǔ)。

1.2 基于差分思想的變量間相關(guān)性消除

為了解決多元線性回歸模型中變量間多重共線性導(dǎo)致的模型參數(shù)估計值不穩(wěn)定和模型擬合效果不好的問題，必須對變量間的多重共線進(jìn)行消除。消除變量間的多重共線性方法很多，本文采用滯后差分變換方法來消除變量間的多重共線性。

設(shè)有模型：

其一階滯后差分形式為：

把式（2）簡記為：

其中：

其中：

但是，對于大樣本有關(guān)系：

1.3 消除變量間相關(guān)性的模型聚類方法

消除變量間相關(guān)性的模型聚類方法具體步驟如下所示：

（1）對變量間的相關(guān)性結(jié)構(gòu)建模。設(shè)觀測變量為（X1，X2，Y)，且三個指標(biāo)間存在相關(guān)關(guān)系，建立模型yt=β0+β1x1t+β2x2t+ut。

（2）采用滯后差分變換方法消除自變量間的多重共線性。一階滯后差分形式簡記為，使得之間的相關(guān)系數(shù)r*12?0，一階差分后模型幾乎沒有多重共線性。

（3）對模型進(jìn)行求解，計算出yt的值，如果擬合的輔助回歸模型是恰當(dāng)?shù)?，那么因變量作為自變量的線性組合實際上包含了這些自變量所提供的信息（線性表出）。

（4）最后用yt作為聚類輸入變量進(jìn)行聚類，得出聚類結(jié)果。

2 實例分析

為了驗證方法的有效性，本文選取我國各個省份的教育投入情況進(jìn)行實例分析。影響一個國家或一個地區(qū)教育投入的主要因素應(yīng)該考慮該區(qū)域的經(jīng)濟(jì)發(fā)展水平，其次，由于目前教育投入特別是基礎(chǔ)教育的投入主要還是依靠政府的財政支出，因而區(qū)域財政支出的規(guī)模及結(jié)構(gòu)也會對教育投入產(chǎn)生較大的影響。本文選取經(jīng)濟(jì)發(fā)展水平、財政支出規(guī)模和教育經(jīng)費三個指標(biāo)來研究各個省份的教育投入情況。衡量經(jīng)濟(jì)發(fā)展水平的常用指標(biāo)為GDP，財政支出規(guī)?？捎玫胤截斦话泐A(yù)算支出來衡量，教育經(jīng)費就可以直接用各省的教育經(jīng)費表示。選取了9個省份1996—2011年的數(shù)據(jù)進(jìn)行研究，數(shù)據(jù)來源于統(tǒng)計年鑒。將采用傳統(tǒng)的經(jīng)典聚類方法、文獻(xiàn)[6]的基于模型的聚類方法和本文方法進(jìn)行對比分析。

首先，采用傳統(tǒng)的經(jīng)典聚類方法對數(shù)據(jù)進(jìn)行聚類，把數(shù)據(jù)導(dǎo)入spss20.0，得到數(shù)據(jù)集的聚類結(jié)果并沒有明顯的聚集特征，垂直地聚為9類（如圖1），每個樣本都只是自己聚為一類，顯然這樣的結(jié)果是不能令人滿意的。

圖1 經(jīng)典聚類方法的聚類結(jié)果

其次，采用文獻(xiàn)[6]的基于模型的聚類方法，由于教育經(jīng)費受經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模的影響，所以首先建立這三個指標(biāo)間的回歸方程模型再進(jìn)行聚類，得到的聚類結(jié)果如表1所示。

表1 文獻(xiàn)[6]方法的聚類結(jié)果

從表1的結(jié)果看，除了廣東聚為一類，其余省份都聚到一起了，聚類效果不明顯。

最后，采用本文方法進(jìn)行聚類分析。采用stata12.0進(jìn)行數(shù)據(jù)處理。

先用回歸模型建立教育經(jīng)費與經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模之間的關(guān)系，其中求解的各省經(jīng)濟(jì)發(fā)展水平和財政支出兩個變量間的相關(guān)系數(shù)如表2所示，表中各相關(guān)系數(shù)均接近1，說明經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模兩個變量之間存在著一定的相關(guān)關(guān)系，應(yīng)消除這兩個變量的相關(guān)性，消除變量間多重共線性對聚類結(jié)果的影響。

表2 各省經(jīng)濟(jì)發(fā)展水平和財政支出兩個變量間的相關(guān)系數(shù)

然后，把9個省份的數(shù)據(jù)分別導(dǎo)入stata12.0進(jìn)行差分處理。再將差分處理后的數(shù)據(jù)導(dǎo)入進(jìn)行回歸方程模型求解，得出各省份在1996—2011年教育經(jīng)費的擬合值，最終將擬合數(shù)據(jù)導(dǎo)入spss20.0進(jìn)行聚類（采用K-均值）。得出的聚類結(jié)果如表3所示。

表3 本文聚類方法的聚類結(jié)果

由表3可知，聚類結(jié)果將江蘇、上海、廣東聚類一類，這與我國將教育投入分為北京、廣東、江蘇、上海一類，剩下省份為一類基本一致。最終的聚類的準(zhǔn)確率如表4所示。

表4 三種聚類方法結(jié)果

由表4可知，本文方法明顯優(yōu)于經(jīng)典聚類方法和文獻(xiàn)[6]的方法，主要原因是教育經(jīng)費受經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模的影響，經(jīng)濟(jì)發(fā)展水平與財政支出規(guī)模存在著一定的相關(guān)性，而經(jīng)典聚類方法沒有消除變量間的相關(guān)性，從而直接影響到聚類結(jié)果的準(zhǔn)確性；文獻(xiàn)[6]的方法意識到了變量間的相關(guān)性問題，盡管采用回歸模型建立了教育經(jīng)費與經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模的關(guān)系模型，但沒有消除經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模之間的共線性，導(dǎo)致大部分信息重疊，影響了聚類結(jié)果；本文方法在教育經(jīng)費與經(jīng)濟(jì)發(fā)展水平和財政支出規(guī)模的關(guān)系模型構(gòu)建的基礎(chǔ)上，運用差分思想消除變量間共線性之后再進(jìn)行聚類，提高了聚類的準(zhǔn)確性，也說明本文方法是有效的。

3 總結(jié)

聚類分析并不適用于所有類型或結(jié)構(gòu)的數(shù)據(jù)，當(dāng)數(shù)據(jù)的變量間存在相關(guān)性時，基于歐式距離的聚類分析便不再有效，可以通過建立相應(yīng)的變量間相關(guān)性模型，用模型的回歸系數(shù)來體現(xiàn)變量的重要性，再做聚類分析，但在結(jié)構(gòu)建模時，自變量間的多重共線性使得參數(shù)估計值很不穩(wěn)定，對樣本敏感，容易導(dǎo)致模型擬合效果不好，因而本文先對變量間的相關(guān)性結(jié)構(gòu)建模，再對模型自變量間的多重共線性進(jìn)行消除，然后進(jìn)行聚類，可以解決基于模型聚類中的變量間的共線性問題，實例也表明本文方法是有效的。

[1]李亮，吳瑞明.消除評價指標(biāo)相關(guān)性的權(quán)值計算方法[J].系統(tǒng)管理學(xué)報，2009，18(2).

[2]王紅睿，趙黎明，裴劍.均衡化的改進(jìn)K均值聚類法[J].吉林大學(xué)報， 2006，24(2).

[3]殷瑞飛，朱建平.數(shù)據(jù)挖掘中一種新的聚類方法—基于對應(yīng)分析與因子旋轉(zhuǎn)[J].統(tǒng)計研究，2008，25（1）.

[4]王德青，朱建平，謝邦昌.主成分聚類分析有效性的思考[J].統(tǒng)計研究，2012，（11）.

[5]黃閩英，牟銳.對模糊聚類分析法的改進(jìn)及其在SRM中的應(yīng)用[J].計算機(jī)工程與科學(xué)，2011，(6).

[6]魏瑾瑞.一類基于模型的聚類方法[J].統(tǒng)計與信息論壇，2014，29（2）.

（責(zé)任編輯/易永生）

O21

A

1002-6487（2016）21-0026-03

湖南省教育科學(xué)“十二五”規(guī)劃課題資助項目（XJK012BGD008）

朱紅燦（1976—），女，湖南湘潭人，博士，副教授，研究方向：信息資源管理。