كاربرد تحليل خوشه ايو تحليل عاملي در مطالعات اقتصادي و محيط زيستي چندمقطعي با استفاده از مولفه هاي موثر

Using Clustering and Factor Analysis in Cross Section Analysis Based on Economic-Environment Factors

همگني گروه ها در مطالعاتي كه از روش هاي چند مقطعي استفاده مي نمايند از اهميت ويژه اي برخوردار است. اين امر در مطالعات اقتصادي بويژه مطالعات متكي بر روش داده هاي تابلويي براي اعتبار نتايج و برآوردها اهميت زيادي دارد. در تحليل هاي چند مقطعي با مقاطع زياد، بويژه تحليل هاي مبتني بر داده هاي تابلويي، خوشه بندي ضمن افزايش اطمينان از همگني موردنظر و استحكام و اعتبار نتايج بدست آمده، امكان مقايسه گروه هاي مختلف با ويژگي هاي متفاوت را نيز فراهم مي آورد. در اين مقاله به ارائه روش هاي مرسوم در خوشه بندي و همگن سازي گروه ها در مطالعات چند مقطعي اقتصادي و محيط زيستي بر مبناي مولفه هاي موثر پرداخته شده است. بدين منظور نمونه اي متشكل از 92 كشور با بيشترين ميزان انتشار CO2 در دوره زماني 1990 تا 2012 كه داده هاي مربوط به آنها در اين دوره در دسترس بوده است، براساس 18 معيار موثر خوشه بندي شده اند. معيارهاي مذكور با استفاده از تحليل عاملي به پنج مولفه اصلي تقليل پيدا كرده و خوشه بندي كشورها به روش سلسله مراتبي بر مبناي مولفه هاي اصلي (HCPC) انجام شده است. انجام خوشه بندي به تفكيك 92 كشور به هفت خوشه متفاوت هركدام با ويژگي هاي خاص منجر شده است. بررسي مشخصات غالب كشورها، نشان از همگني در هر يك از خوشه هاي مشخص شده دارد.

Homogeneity of groups in studies those use cross section and multi-level data is important. Most studies in economics especially panel data analysis need some kinds of homogeneity to ensure validity of results. This paper represents the methods known as clustering and homogenization of groups in cross section studies based on enviro-economics components. For this, a sample of 92 countries which produce the most greenhouse gases including CO2, clustered based on 18 criteria. Those criteria reduced to five primary components using factor analysis. Clustering of countries done by HCPC (Hierarchical Clustering on Principal Component) method. All 92 countries were clustered in 7 different groups. For each group properties of countries indicates the homogeneity of each cluster. In cross section analysis with many sections, especially analysis based on panel data, clustering, increases assurance of expected homogeneity and validity of result.