Testing for Unobserved Heterogeneity via k-means Clustering
利用 k-means 聚类检验未观测异质性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：摘要研究通用聚类检验，汽车企业与基金仅是应用，未明确对应给定细分方向。
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
利用 k-means 聚类检验未观测异质性
- 研究问题
- 如何用统计检验判断数据是否只有一个簇，还是存在多个簇，并使检验适用于非正态、其他维度异质或短时间维度的数据？
- 方法与思路
- 作者提出基于 k-means 的分样本检验，以单簇同质性为原假设，并讨论除均值以外参数的聚类及多种数据情境。
- 材料陈述的贡献
- 摘要称，检验实施简单且在较宽条件下有效，有限样本尺寸控制良好；汽车制造商与美国共同基金应用展示了使用方式。
- 阅读关注点
- 应核对样本如何拆分、聚类和检验统计量如何衔接、允许的依赖与异质性，以及拒绝单簇后能否进一步确定簇数。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；所谓较宽条件的具体形式未说明，拒绝同质性也不能据此解释为已识别真实分组数量。
原文摘要
Clustering methods such as k-means have found widespread use in a variety of applications. This article proposes a split-sample testing procedure to determine whether a null hypothesis of a single cluster, indicating homogeneity of the data, can be rejected in favor of multiple clusters. The test is simple to implement, valid under mild conditions (including nonnormality, and heterogeneity of the data in aspects beyond those in the clustering analysis), and applicable in a range of contexts (including clustering when the time series dimension is small, or clustering on parameters other than the mean). We verify that the test has good size control in finite samples, and we illustrate the test in applications to clustering vehicle manufacturers and U.S. mutual funds.