دوره 9، شماره 35 - ( 3-1398 )                   سال9 شماره 35 صفحات 145-166 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Majed V, Mirshojaeian Hosseini H, Riazi ِdoust S. Using Clustering and Factor Analysis in Cross Section Analysis Based on Economic-Environment Factors. jemr. 2019; 9 (35) :145-166
URL: http://jemr.khu.ac.ir/article-1-1630-fa.html
ماجد وحید، میرشجاعیان حسینی حسین، ریاضی دوست سمیرا. کاربرد تحلیل خوشه‌ای و تحلیل عاملی در مطالعات اقتصادی و محیط‌زیستی چندمقطعی با استفاده از مؤلفه‌های مؤثر. فصلنامه تحقیقات مدل سازی اقتصادی. 1398; 9 (35) :145-166

URL: http://jemr.khu.ac.ir/article-1-1630-fa.html


چکیده:   (362 مشاهده)
همگنی گروه‌ها در مطالعاتی که از روش‌های چند مقطعی استفاده می‌نمایند از اهمیت ویژه‌ای برخوردار است. این امر در مطالعات اقتصادی بویژه مطالعات متکی بر روش داده‌های تابلویی برای اعتبار نتایج و برآوردها اهمیت زیادی دارد. در تحلیل‌های چند مقطعی با مقاطع زیاد، بویژه تحلیل‌های مبتنی بر داده‌های تابلویی، خوشه‌بندی ضمن افزایش اطمینان از همگنی موردنظر و استحکام و اعتبار نتایج بدست‌آمده، امکان مقایسه گروه‌های مختلف با ویژگی‌های متفاوت را نیز فراهم می‌آورد. در این مقاله به ارائه روش‌های مرسوم در خوشه‌بندی و همگن‌سازی گروه‌ها در مطالعات چند مقطعی اقتصادی و محیط‌زیستی بر مبنای مؤلفه‌های مؤثر پرداخته شده است. بدین منظور نمونه‌ای متشکل از 92 کشور با بیشترین میزان انتشار CO2 در دوره زمانی 1990 تا 2012 که داده‌های مربوط به آنها در این دوره در دسترس بوده است، براساس 18 معیار مؤثر خوشه‌بندی شده‌اند. معیارهای مذکور با استفاده از تحلیل عاملی  به پنج مؤلفه اصلی تقلیل پیدا کرده و خوشه‌بندی کشورها به روش سلسله مراتبی بر مبنای مؤلفه‌های اصلی (HCPC) انجام شده است. انجام  خوشه‌بندی به تفکیک 92 کشور به هفت خوشه متفاوت هرکدام با ویژگی‌های خاص منجر شده است. بررسی مشخصات غالب کشورها، نشان از همگنی در هر یک از خوشه‌های مشخص‌شده دارد.
متن کامل [PDF 878 kb]   (89 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: انرژی، منابع و محیط زیست
دریافت: ۱۳۹۷/۳/۱۴ | پذیرش: ۱۳۹۷/۱۲/۱۸ | انتشار: ۱۳۹۸/۳/۲۰

فهرست منابع
1. Bakirtas, I., Bayrak, S., & Cetin, A. (2014). Economic growth and carbon emission: A dynamic panel data analysis. European Journal of Sustainable Development, 3(4), 91-102. [DOI:10.14207/ejsd.2014.v3n4p91]
2. Belke, A., Dreger, Ch., Haan, F., (2010), Energy Consumption and Economic Growth -New Insights into the Cointegration Relationship, Ruhr Economic Papers, (190). [DOI:10.2139/ssrn.1635765]
3. Dinda. S., & Coondo. D. (2006), Income and emission: a panel data-based cointagration analysis. Ecological Economics, (57), 167-181. [DOI:10.1016/j.ecolecon.2005.03.028]
4. Du, K. (2018). Econometric convergence test and club clustering using Stata. The Stata Journal, 17(4), 882-900. [DOI:10.1177/1536867X1801700407]
5. ESSO, J.L. (2010), The Energy Consumption-Growth Nexus in Seven Sub-Saharan African Countries,, Issue 2,(30), 1191-1209.
6. Huang, B., Hwang, M.J., Yang, C.W., (2008), Causal relationship between energy consumption and GDP growth revisited: A dynamic panel data approach, Ecological Economics, (67), 41-54. [DOI:10.1016/j.ecolecon.2007.11.006]
7. Husson, F., Josse, J., & Pagѐs. J. (2010). Principal component methods‌-hierarchical clustering-partitional clustering: why would we need to choose for visualizing data?, Agrocampus, 1.
8. KALANTARI, K. 2003. Data Processing and Analysis in Socio-Economic Research. Sharif Publication, Tehran.[Persian]
9. Kapetanios, G. (2005). Cluster Analysis of Panel Datasets using Non-Standard Optimisation of Information Criteria. Queen Mary, University of London, (535).
10. Lee, C. & Chang, C. (2007), Energy consumption and economic growth in Asian countries: A more comprehensive analysis using panel data, Resource and Energy Economics. [DOI:10.1016/j.reseneeco.2007.03.003]
11. Liao, N., & He, Y. (2018). Exploring the effects of influencing factors on energy efficiency in industrial sector using cluster analysis and panel regression model. Energy, 158, 782-795. [DOI:10.1016/j.energy.2018.06.049]
12. Mahdavi G, Majed V.(2011). The impact of Socio-Economic and Psychological Factors on Life Insurance Demand in Iran. JEMR. 2 (5) :21-46. .[Persian]
13. McNeish, D., & Kelley, K. (2018). Fixed effects models versus mixed effects models for clustered data: Reviewing the approaches, disentangling the differences, and making recommendations. Psychological methods. [DOI:10.1037/met0000182]
14. Pao. H. T., & Tsai. C. M. (2010), "CO2 emissions, energy consumption and economic growth in BRIC countries". Energy Policy, (38), 7850-7860. [DOI:10.1016/j.enpol.2010.08.045]
15. Pourkazemi, M., & Ebrahimi, I. (2008). Evaluation of environmental Kuznets curve in the Middle East. Journal of Economic Research, 34, 57-71.[Persian]
16. Rafat M. (2019). The Application of Complex Networks Analysis to Assess Iran's Trade and It's Most Important Trading Partners in Asia. JEMR. 9 (34) :107-137. .[Persian]
17. Squalli, J. (2006), Electricity consumption and economic growth: Bounds and causality analyses of OPEC members, Energy economics. [DOI:10.1016/j.eneco.2006.10.001]
18. Stolyarova, E. (2013). "Carbon Dioxide Emissions, economic growth andenergy mix: empirical evidence from 93 countries". Climate Economics Chair.
19. Wolde-Rufael, Y. (2006), Electricity consumption and economic growth: a time series experience for 17 African countries, Energy Policy, (34), 1106-1114. [DOI:10.1016/j.enpol.2004.10.008]
20. Wooldrige, M. (2006). CLUSTER-SAMPLE METHODS IN APPLIED ECONOMETRICS: AN EXTENDED ANALYSIS. Michigan State University. (517) 353-5972.
21. www.bp.com. Statistical Review of World Energy (2016)
22. www.eia.gov. (2016)
23. www.worldbank.org. World Development Indicator (2016)

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصلنامه تحقیقات مدلسازی اقتصادی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Economic Modeling Research

Designed & Developed by : Yektaweb