Dynamic clustering of multivariate panel data
多变量面板数据的动态聚类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。
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：摘要以个体可转组的多变量面板为对象，并以银行层面的面板数据应用。
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…
多变量面板数据的动态聚类
- 研究问题
- 如何识别多变量面板中随时间变化的潜在群组，允许群组特征改变、个体转组及转组概率受经济变量影响？
- 方法与思路
- 作者使群组位置和尺度矩阵随时间变化，以隐马尔可夫模型描述个体转组，并让转移矩阵依赖滞后群组距离和协变量。
- 材料陈述的贡献
- 摘要称，模拟中分类较可靠；欧洲银行应用显示群组构成动态具有经验重要性，盈利差异部分解释转组概率。
- 阅读关注点
- 应核对群组数选择、群组标签识别、转移概率设定，以及盈利变量与转组关系能否支持因果解释。
- 阅读边界
- 仅据出版社摘要；分类误差、估计不确定性及协变量处理未说明，银行盈利与转组的关系不能直接解释为因果效应。
原文摘要
We propose a dynamic clustering model for uncovering latent time-varying group structures in multivariate panel data. The model is dynamic in three ways. First, the cluster location and scale matrices are time-varying to track gradual changes in cluster characteristics over time. Second, all units can transition between clusters based on a Hidden Markov model (HMM). Finally, the HMM’s transition matrix can depend on lagged time-varying cluster distances as well as economic covariates. Monte Carlo experiments suggest that the units can be classified reliably in a variety of challenging settings. Incorporating dynamics in the cluster composition proves empirically important in a study of 299 European banks between 2008Q1 and 2018Q2. We find that approximately 3% of banks transition per quarter on average. Transition probabilities are in part explained by differences in bank profitability, suggesting that factors contributing to low profitability for some banks can lead to long-lasting changes in financial industry structure.