Кластерный анализ
Х4 - Европе
Х5 - Канаде
Х6 - Японии
Х7 - Австралии
Показатели потребления:
Х8 - в мире
Х9 - США
Х10 - Европе
Х11 - Канаде
Х12 - Японии
Х13 - Австралии
Запасы цинка у производителей:
Х14 - в мире
Х15 - США
Х16 - Европе
Х17 - других странах
Запасы цинка у потребителей:
Х18 - в США
Х19 - в Англии
Х10 - в Японии
Импорт цинковых руд и концентратов (тыс. тонн)
Х21 - в США
Х22 - в Японии
Х23 - в ФРГ
Экспорт цинковых руд и концентратов (тыс. тонн)
Х24 - из Канады
Х25 - из Австралии
Импорт цинка (тыс. тонн)
Х26 - в США
Х27 - в Англию
Х28 - в ФРГ
Экспорт цинка (тыс. Тонн)
Х29 - из Канады
Х30 - из Австралии
Для определения конкретных зависимостей был использован аппарат корреляционно-регрессионного анализа. Анализ связей производился на основе матрицы парных коэффициентов корреляции. Здесь принималась гипотеза о нормальном распределении анализируемых показателей конъюнктуры. Ясно, что rij являются не единственно возможным показателем связи используемых показателей. Необходимость использования кластерного анализа связано в этой задаче с тем, что число показателей влияющих на цену цинка очень велико. Возникает необходимость их сократить по целому ряду следующих причин:
а) отсутствие полных статистических данных по всем переменным;
б) резкое усложнение вычислительных процедур при введении в модель большого числа переменных;
в) оптимальное использование методов регрессионного анализа требует превышения числа наблюдаемых значений над числом переменных не менее, чем в 6-8 раз;
г) стремление к использованию в модели статистически независимых переменных и пр.
Проводить такой анализ непосредственно на сравнительно громоздкой матрице коэффициентов корреляции весьма затруднительно. С помощью кластерного анализа всю совокупность конъюнктурных переменных можно разбить на группы таким образом, чтобы элементы каждого кластера сильно коррелировали между собой, а представители разных групп характеризовались слабой коррелированностью.
Для решения этой задачи был применен один из агломеративных иерархических алгоритмов кластерного анализа. На каждом шаге число кластеров уменьшается на один за счет оптимального, в определенном смысле, объединения двух групп. Критерием объединения является изменение соответствующей функции. В качестве функции такой были использованы значения сумм квадратов отклонений вычисляемые по следующим формулам:

(j = 1, 2, …, m),
где j - номер кластера, n - число элементов в кластере.
rij - коэффициент парной корреляции.
Таким образом, процессу группировки должно соответствовать последовательное минимальное возрастание значения критерия E.
На первом этапе
первоначальный массив данных представляется в виде множества, состоящего из
кластеров, включающих в себя по одному элементу. Процесс группировки начинается
с объединения такой пары кластеров, которое приводит к минимальному возрастанию
суммы квадратов отклонений. Это требует оценки значений суммы квадратов
отклонений для каждого из возможных
объединений
кластеров. На следующем этапе рассматриваются значения сумм квадратов
отклонений уже для
кластеров и т.д. Этот
процесс будет остановлен на некотором шаге. Для этого нужно следить за
величиной суммы квадратов отклонений. Рассматривая последовательность
возрастающих величин, можно уловить скачок (один или несколько) в ее динамике,
который можно интерпретировать как характеристику числа групп «объективно»
существующих в исследуемой
совокупности. В приведенном примере скачки имели место при числе
кластеров равном 7 и 5. Далее снижать число групп не следует, т.к. это приводит
к снижению качества модели. После получения кластеров происходит выбор
переменных наиболее важных в экономическом смысле и наиболее тесно связанных с
выбранным критерием конъюнктуры - в данном случае с котировками Лондонской
биржи металлов на цинк. Этот подход позволяет сохранить значительную часть
информации, содержащейся в первоначальном наборе исходных показателей
конъюнктуры.