Business Cycle Synchronization in the EU: A Regional-Sectoral Look through Soft-Clustering and Wavelet Decomposition
欧盟经济周期同步性：软聚类与小波分解的区域行业视角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：摘要分析跨区域、跨行业的宏观增加值时间序列及经济周期同步性。
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
欧盟经济周期同步性：软聚类与小波分解的区域行业视角
- 研究问题
- 欧盟不同区域和行业的经济周期有多同步，如何区分同步、较弱同步与异步群组，并检视核心与外围格局？
- 方法与思路
- 作者对漂移调整后的增加值序列作小波分解，以同步性距离改造层次聚类，再结合轮廓指标和概率稀疏算法划分群组。
- 材料陈述的贡献
- 摘要称提出区域行业周期同步性的软聚类方法，将数据分为三组，并报告其二〇〇〇年至二〇二一年样本结果支持核心外围假说。
- 阅读关注点
- 应核对漂移调整、小波频段和同步性距离的选择，异步数据剔除规则，以及群组划分与核心外围结论对这些选择的敏感性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收。摘要未说明分组不确定性，也未实际量化所讨论的预测用途。
原文摘要
This paper elaborates on the sectoral-regional view of the business cycle synchronization in the EU -- a necessary condition for the optimal currency area. We argue that complete and tidy clustering of the data improves the decision maker's understanding of the business cycle and, by extension, the quality of economic decisions. We define the business cycles by applying a wavelet approach to drift-adjusted gross value added data spanning over 2000Q1 to 2021Q2. For the application of the synchronization analysis, we propose the novel soft-clustering approach, which adjusts hierarchical clustering in several aspects. First, the method relies on synchronicity dissimilarity measures, noting that, for time series data, the feature space is the set of all points in time. Then, the ``soft'' part of the approach strengthens the synchronization signal by using silhouette measures. Finally, we add a probabilistic sparsity algorithm to drop out the most asynchronous ``noisy'' data improving the silhouette scores of the most and less synchronous groups. The method, hence, splits the sectoral-regional data into three groups: the synchronous group that shapes the EU business cycle; the less synchronous group that may hint at cycle forecasting relevant information; the asynchronous group that may help investors to diversify through-the-cycle risks of the investment portfolios. The results support the core-periphery hypothesis.