Orthogonality and Dimensionality in Airline Cluster Analysis using PCA and Kernel PCA
航空业聚类分析中的正交性与维度：PCA 和核 PCA 的比较AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是降维与聚类的几何诊断，虽提及面板数据，但未提供面板计量或宏观因子模型的直接研究依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
航空业聚类分析中的正交性与维度：PCA 和核 PCA 的比较
- 研究问题
- 航空业利润周期数据中的共线性与有效维度如何影响聚类稳定性和簇数选择？非线性降维是否提供额外的信息或预测收益？
- 方法与思路
- 作者在原始七维及三、四维主成分空间复现 k-means，比较多类核 PCA，并通过轮廓系数和核岭回归检查聚类与非线性。
- 材料陈述的贡献
- 摘要称三主成分空间完全复现原六簇分组，但轮廓准则支持三簇；核方法未检出曲率，排除疫情年份后也未显示非线性预测增益。
- 阅读关注点
- 应核对变量标准化、主成分保留规则、聚类初始化、核参数选择与排除疫情年份的依据，以及三簇和六簇结论各自对应的目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；结论来自所述航空业数据，摘要未提供不确定性评估，也不足以证明一般线性结构。
原文摘要
This methodological study analyzes the effects of collinearity, effective dimensionality, and cluster stability in a 2023 study of US airline profit cycles from 1995 to 2020 by Renold et al., which uses k-means clustering, principal component analysis, and system dynamic modelling.We replicate their clustering experiment in three spaces -- the original 7-dim. raw-variable space, a 3-dim. PC score space, and a 4-dim. PC score space using their dataset. We show that the six-cluster taxonomy is geometrically robust: k-means in 3-PC space produces bit-for-bit identical cluster assignments relative to 7D raw space. As a nonlinearity check we apply kernel PCA under six kernels spanning three families plus a linear baseline. The kernels confirm an intrinsically linear manifold with no detectable curvature. The silhouette criterion reveals that the dataset structurally supports only three clusters, not six. Collinearity in the raw 7D space suppresses the silhouette signal. A kernel ridge regression check confirms no nonlinear accuracy gain over linear ridge once the COVID19 year is excluded. Together, these results argue for clustering on PC scores rather than raw variables in collinearity-prone panel data.