面板数据记录了个体在指标与时间两个方面的信息,对其进行聚类分析能够在固定状态、发展状态上衡量面板个体间的相似性与相异性,从而得到一个比截面数据更为全面的聚类结果。通常情况下,完成面板数据聚类分析一般需要两步,第一步是将面板数据转化为截面数据,第二步是用传统聚类方法对转化后的截面数据进行聚类。但是已有研究还未分析过不同面板数据聚类方法的优势与不足及其原因。在已有研究的基础上,本文主要做了以下工作:首先,从第一步数据转化时对面板数据分解方式的不同详细论述了经典面板数据聚类方法及其优势与不足。简要介绍不同方法适合处理的数据特征。其次,从时间分解的角度,针对个体间具有简单趋势差异的情形,本文改进了Daniel C.Bonzo构造的概率连接相似性(算法一)。从变量分解的角度,针对个体间趋势特征混杂的情形,设计了基于DTW(Dynamic Time Warping)距离的面板数据聚类方法(算法二)。最后用算法一与算法二在单指标与多指标面板数据上分别做了实证分析,相关程序均用R语言编写。第一个数据集是爬取的股票数据集(多指标面板数据),结果显示算法一能按规模与简单趋势将个体区分为三类,算法二能按趋势将个体区分为三到十类,实际中可以根据分析需求选用不同的方法。第二个是“加拿大温度数据集”(单指标面板数据,也是经典的函数型数据),使用两种方法得到的聚类结果都大致按从北到南的地理位置对城市进行区分,但算法二能给出更细致的温度随时间变化趋势的差异。