- •IV. Многомерные статистические методы
- •Тема 11. Кластерный анализ
- •11.1. Постановка задачи кластерного анализа и общая схема процедуры его применения в психологическом исследовании
- •11.2. Классификация методов кластерного анализа по измерительным шкалам, направлению кластеризации и используемой метрике
- •Примеры мер различия и сходства, используемых в кластерном анализе эмпирических данных
- •11.3. Классификация методов кластерного анализа по глобальным стратегиям кластеризации
- •11.4. Классификация иерархических агломеративных методов кластерного анализа по способам определения межкластерных расстояний
- •11.5. Применение методов кластерного анализа в психологических исследованиях
- •Определить: на какие группы можно разделить претендентов по признаку сходства показанных ими результатов.
- •Определить: Изменятся ли результаты решения задачи 11.5-4, если вместо меры Жаккара использовать обычную евклидову метрику (и, соответственно, не выполнять дихотомизацию исходных признаков)?
- •Вопросы для самопроверки по теме 11
- •Рекомендуемая литература по теме 11
Определить: на какие группы можно разделить претендентов по признаку сходства показанных ими результатов.
Таблица 11.5-2
Показатели претендентов на вакантные рабочие места
№ |
ТП |
УГР |
УМД |
ЛК |
ВР |
П |
||||
К |
С |
Р |
СВ |
РД |
||||||
1 |
ЧЗ |
СР |
19 |
3 |
1 |
4 |
5 |
2 |
19 |
Ж |
2 |
ЧЗ |
СР |
20 |
4 |
2 |
3 |
5 |
1 |
21 |
Ж |
3 |
ЧЗ |
СУ |
17 |
4 |
1 |
5 |
3 |
2 |
18 |
М |
4 |
ЧП |
СО |
5 |
2 |
3 |
5 |
4 |
1 |
24 |
Ж |
5 |
ЧХО |
СУ |
7 |
1 |
2 |
4 |
5 |
3 |
23 |
М |
6 |
ЧТ |
СР |
21 |
3 |
1 |
4 |
5 |
2 |
25 |
М |
7 |
ЧЧ |
СР |
15 |
4 |
3 |
1 |
5 |
2 |
19 |
Ж |
8 |
ЧЗ |
СУ |
16 |
5 |
1 |
4 |
3 |
2 |
22 |
М |
9 |
ЧЧ |
СР |
15 |
4 |
3 |
1 |
5 |
2 |
21 |
Ж |
10 |
ЧЧ |
СУ |
14 |
2 |
1 |
4 |
5 |
3 |
22 |
Ж |
11 |
ЧЗ |
СР |
17 |
2 |
1 |
3 |
4 |
5 |
23 |
М |
12 |
ЧЧ |
СУ |
18 |
3 |
2 |
4 |
5 |
1 |
24 |
Ж |
13 |
ЧЧ |
СР |
19 |
5 |
1 |
3 |
4 |
2 |
20 |
М |
14 |
ЧХО |
СУ |
2 |
4 |
2 |
1 |
5 |
3 |
19 |
Ж |
15 |
ЧЧ |
СУ |
4 |
3 |
1 |
4 |
5 |
2 |
18 |
М |
16 |
ЧХО |
СР |
20 |
3 |
1 |
4 |
5 |
2 |
22 |
М |
17 |
ЧЧ |
СУ |
16 |
3 |
1 |
4 |
5 |
2 |
19 |
М |
18 |
ЧТ |
СР |
18 |
2 |
1 |
4 |
5 |
3 |
19 |
Ж |
19 |
ЧЧ |
СР |
12 |
3 |
2 |
4 |
5 |
1 |
23 |
М |
20 |
ЧЗ |
СУ |
18 |
5 |
3 |
2 |
4 |
1 |
24 |
Ж |
21 |
ЧТ |
СУ |
16 |
2 |
1 |
4 |
5 |
3 |
18 |
Ж |
22 |
ЧХО |
СР |
15 |
3 |
1 |
4 |
5 |
2 |
22 |
М |
23 |
ЧЧ |
СР |
8 |
3 |
2 |
4 |
5 |
1 |
21 |
Ж |
24 |
ЧЗ |
СО |
13 |
3 |
1 |
4 |
5 |
2 |
23 |
Ж |
25 |
ЧЧ |
СУ |
14 |
3 |
1 |
4 |
5 |
2 |
18 |
М |
26 |
ЧЧ |
СР |
20 |
4 |
1 |
2 |
5 |
3 |
20 |
Ж |
27 |
ЧЗ |
СУ |
16 |
1 |
2 |
3 |
5 |
4 |
21 |
Ж |
28 |
ЧЧ |
СО |
17 |
4 |
1 |
5 |
3 |
2 |
22 |
М |
29 |
ЧЗ |
СР |
7 |
3 |
2 |
4 |
5 |
1 |
25 |
М |
30 |
ЧЗ |
СУ |
15 |
3 |
1 |
4 |
5 |
2 |
22 |
Ж |
Решение:
Действуя по алгоритму, предложенному в начале раздела 11.5, заметим, что данная задача является менее стандартной, чем рассмотренные до этого задачи 11.5-1 – 11.5-3. Главная ее особенность – наличие разнотипных (смешанных) измерительных шкал: действительно, здесь встречаются шкалы интервальные (показатели УМД и ВР), ранговые (показатель УГР), номинальные (показатель ТП) и их частный случай – дихотомические (показатель П). Особый вопрос – к какому типу шкалы отнести показатели локуса контроля К, С, Р, СВ и РД. На первый взгляд, они относятся к ранговой шкале, так как представляют собой ранговые предпочтения, указанные респондентами. Однако такое решение будет ошибочным: ведь ранжирование в данном случае выполняется внутри ответов одного респондента, а не по всей выборке эмпирических данных. Поэтому на самом деле эти показатели представляют собой своеобразные «сырые баллы», но их характер по отношению к различным испытуемым действительно позволяет построить из них ранговую шкалу, только для этого необходимо выполнить стандартную процедуру ранжирования (по столбцу, то есть – по всем испытуемым выборки).
Наличие разнотипных измерительных шкал подсказывает нам, что для корректного решения данной задачи не подходят меры сходства или различия, предназначенные для работы с однородными шкалами (причем любых типов – и интервальными, и порядковыми, и дихотомическими). Как уже отмечалось, из этой ситуации есть два корректных выхода:
Воспользоваться мерами различия или сходства, специально предназначенными для работы со смешанными шкалами (см. раздел 11.2). Однако, к сожалению, такие меры не реализованы в большинстве стандартных статистических пакетов программ и, в частности, в пакетах, рассматриваемых в данном пособии. Поэтому пользователю, выбравшему данный путь, придется самостоятельно вычислять матрицу попарных расстояний, что для больших массивов данных весьма трудоемко (или требует определенных навыков программирования, использования макроязыков статистических пакетов и т.п.).
Перевести все данные в одну и ту же шкалу, имеющую самый низкий статус из всех представленных (то есть, в данном случае, в дихотомическую). Разумеется, такой путь тоже достаточно трудоемкий, однако зато он позволяет использовать распространенные меры различия или сходства, представленные в стандартных статистических пакетах. Другими словами, «ручная» работа исследователя здесь ограничивается этапом кодирования и ввода исходных данных, а все остальные этапы процедуры кластеризации «возьмет на себя» статистический пакет.
В силу приведенных соображений, мы выберем второй путь, но при этом заметим, что исследователь должен хорошо представлять себе размер «платы» за подобное понижение статуса шкал, которая заключается в неизбежном огрублении исходных эмпирических данных и, соответственно, в потере некоторой части содержащейся в них информации. Однако это все же – меньшее «зло» по сравнению с некорректным использованием для смешанных шкал мер различия или сходства, предназначенных для шкал однородных.
Итак, нам надо переписать исходные данные в дихотомических шкалах, выполнив необходимые для этого преобразования. В качестве предполагаемой меры сходства наметим, например, коэффициент Jaccard (Жаккара), реализованный в пакете SPSS, хотя, конечно, можно было бы взять и любую другую меру, предназначенную для использования с дихотомическими признаками (см. табл. 11.2-3).
Преобразование шкал более высокого порядка в дихотомические шкалы называется дихотомизацией. Проиллюстрируем дихотомизацию на примере наших эмпирических данных (см. табл.11.5-3). При этом совершенно необязательно (и даже нецелесообразно) выполнять перекодировку вручную, на бумаге: лучше воспользоваться для этого возможностями по преобразованию данных, встроенными в статистические пакеты. Поскольку мы наметили в качестве меры сходства коэффициент Жаккара, а он реализован в пакете SPSS, применим для решения задачи именно этот пакет.
1. Запускаем пакет SPSS и выбираем возможность Type in data (Ввести данные). Сам ввод исходных данных целесообразно выполнять пошагово, совместно с их дихотомизацией.
Признак ТП – номинальный и имеет пять категорий; для его дихотомизации надо представить каждую из этих категорий в виде отдельного дихотомического признака: тогда значение «единица» будет означать наличие данной категории у рассматриваемого испытуемого, а «нуль», соответственно, ее отсутствие. Но сначала вводим в первый столбец данные по признаку ТП из табл. 11.5-3, закодировав их следующим образом: 1 – ЧЗ, 2 – ЧП, 3 – ЧТ, 4 – ЧЧ, 5 – ЧХО (если имеется русифицированная версия пакета SPSS, то можно было бы ввести исходные символьные обозначения категорий, но в с случае англоязычной версии при этом возникают проблемы с русскими буквами, поэтому мы предлагаем выполнить числовую кодировку). После этого копируем данный столбец в последующие четыре переменные: тем самым мы зарезервировали место под все новые дихотомические переменные, соответствующие категориям признака ТП.
Далее воспользуемся возможностями пакета SPSS по перекодированию данных. Для этого в пункте меню Transform (Преобразовать) выбираем команду Recode (Перекодировать) и, далее, Into Some Variables (В те же самые переменные). В открывшемся диалоговом окне указываем перекодируемую переменную var1, которая будет соответствовать дихотомическому признаку ЧЗ, и нажимаем кнопку Old and New Values (Старые и новые значения). После этого указываем в поле Old Value (Старое значение) «1», а в поле New Value (Новое значение) – «1» и нажимаем кнопку Add (Добавить), после чего это преобразование вносится в список преобразований (заметим, что необходимости «менять» значение 1 на значение 1 не было – мы сделали это для общности, чтобы показать, как затем работать с остальными переменными, относящимися к признаку ТП). Далее флажком выбираем поле All other values (Все остальные значения), в поле New Value (Новое значение) указываем «0» и нажимаем кнопку Add (Добавить).
Нажав кнопку Continue (Продолжить), а в следующем окне - кнопку OK, выполняем само перекодирование, результаты которого автоматически вносятся в столбец переменной var1, которая теперь является уже дихотомической.
Аналогично перекодируем значения переменной var2, которая будет соответствовать дихотомическому признаку ЧП. Выполнив команды Transform (Преобразовать) - Recode (Перекодировать) - Into Some Variables (В те же самые переменные), меняем в списке перекодируемых переменных var1 на var2. Затем, нажав кнопку Old and New Values (Старые и новые значения), указываем в поле Old Value (Старое значение) «2», а в поле New Value (Новое значение) – «1» и нажимаем кнопку Add (Добавить), а старый вариант (11) удаляем из списка преобразований с помощью кнопки Remove (Переместить). Далее выполняем само перекодирование.
После перекодирования всех переменных, соответствующих категориям признака ТП, данные по признаку ТП перепишутся следующим образом (на примере испытуемых с номерами 1 и 4):
№ |
ЧЗ |
ЧП |
ЧТ |
ЧЧ |
ЧХО |
1 |
1 |
0 |
0 |
0 |
0 |
4 |
0 |
1 |
0 |
0 |
0 |
Следующий признак УГР – псевдоранговый. Для дихотомизации введем, аналогично предыдущему признаку, отдельные дихотомические признаки для каждой из его градаций (ниже приведен пример для испытуемых 1 и 4):
№ |
СР |
СУ |
СО |
1 |
1 |
0 |
0 |
4 |
0 |
0 |
1 |
Признак УМД – псевдоинтервальный. Для дихотомизации разделим всю область принимаемых им значений на три градации, в соответствии с рекомендациями теста Т.Элерса [31. С.105-106]: от 0 до 10 – НУМД (низкий УМД), от 11 до 21 – СУМД (средний УМД), 22 и более - ВУМД (высокий УМД). Анализ исходных данных (табл. 11.5-2) показывает, что в выборке не оказалось ни одного испытуемого с высоким УМД, следовательно, можно ограничиться двумя градациями – средним и низким уровнями. Введем дихотомические признаки для каждой из этих градаций (пример приведен для испытуемых 1 и 4):
№ |
СУМД |
НУМД |
1 |
1 |
0 |
4 |
0 |
1 |
Признаки из следующей группы, относящейся к локусу контроля ЛК, являются по характеру псевдоранговыми, как и признак УГР, однако, количество градаций у каждого из них равно пяти, а не трем. Соответственно, можно было бы ввести отдельный дихотомический признак для каждой из этих градаций, но из содержательных соображений количество градаций можно сократить следующим образом:
для признаков К, Р и РД к первой отнесем ранг 1 в выборе испытуемого, ко второй – ранги 2 и 3, а к третьей – ранги 4 и 5 (так как для этих признаках в выборах фигурируют все 5 исходных градаций); (пример приведен для переменной К и испытуемых 1 и 2):
№ |
К = 1 |
К = 2, 3 |
К = 4, 5 |
1 |
0 |
1 |
0 |
2 |
0 |
0 |
1 |
для признака С к первой отнесем ранг 1 в выборе испытуемого, ко второй – ранг 2, а к третьей – ранг 3 (так как для этого признака ранги 4 и 5 в выборах не фигурируют); (пример приведен для испытуемых 1 и 4):
№ |
С = 1 |
С = 2 |
С = 3 |
1 |
1 |
0 |
0 |
4 |
0 |
0 |
1 |
для признака СВ к первой отнесем ранг 3 в выборе испытуемого, ко второй – ранг 4, а к третьей – ранг 5 (так как для этого признака ранги 1 и 2 в выборах не фигурируют); (пример приведен для испытуемых 1 и 4):
№ |
СВ = 3 |
СВ = 4 |
СВ = 5 |
1 |
0 |
0 |
1 |
4 |
0 |
1 |
0 |
Теперь каждая из переменных К, С, Р, СВ, РД представлена тремя дихотомическими признаками.
Признак ВР – интервальный; выполним его дихотомизацию аналогично признаку УМД, выбрав (из содержательных соображений) три градации: 18-20, 21-23 и 24-25. Затем введем отдельные дихотомические признаки для каждой из этих градаций (пример приведен для испытуемых 1 и 4):
№ |
ВР = 18, 19, 20 |
ВР = 21, 22, 23 |
ВР = 24, 25 |
1 |
1 |
0 |
0 |
4 |
0 |
0 |
1 |
Наконец, признак П (пол) – дихотомический. Закодируем его значения нулями и единицами: М – 1, Ж – 0 (пример приведен для испытуемых 1 и 3):
№ |
П |
1 |
0 |
3 |
1 |
На этом дихотомизация исходных признаков закончена; заметим, что она привела к существенному увеличению количества рассматриваемых переменных (всего их стало 29), но зато теперь каждая модифицированная в результате дихотомизации переменная введена в отдельный столбец.
Далее, вызвав двойным щелчком по названию переменной диалоговое окно Define Variable (Определение переменной), задаем следующие параметры используемых переменных: Variable name (Имя переменной) - var1 – var29; Measurement (Тип шкалы) – Nominal (Номинальная); в блоке Data type (Тип данных) задаем параметры Type (Тип) – Numeric (Числовой), Width (Ширина) – 1 и Decimal places (Количество знаков после запятой) - 0; в блоке Column Format (Формат столбца) задаем параметры Column width (Ширина столбца) – 5 и Text alignment (Выравнивание) – Center (По центру).
2. Выполняем агломеративную кластеризацию случаев (см. решение задачи 11.5-3), указав Method (Метод) - Furthest neighbor (Дальнего соседа), Measure (Мера) – Binary (Дихотомическая шкала), Jaccard (Коэффициент Жаккара), Rang of solutions (Диапазон решений) – от 2 до 7 кластеров (этот диапазон мы наметили, предварительно посмотрев результаты объединения на дендрограмме).
3. В окне SPSS viewer (Просмотр результатов) видны результаты кластеризации: в частности, Agglomeration Schedule (Порядок объединения), а также показанные ниже Dendrogram (Дендрограмма) (рис. 11.5-9) и Cluster Membership (Принадлежность к кластерам).
Dendrogram using Complete Linkage
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
23 -+
30 -+
10 -+-------+
19 -+ +---------------+
1 -+-------+ I
25 -+ I I
12 ---------+ I
27 -------------------------+---------------+
7 -+-------+ I I
26 -+ +---------------+ I
2 ---------+ +-------+
9 ---------+ I I
8 -------------+---+ I I
20 -------------+ +-----------+ I I
6 -----------------+ +-----------+ I
11 -----------------------------+ I
4 -------------------+-+ I
24 -------------------+ +-----------+ I
29 ---------------------+ +-------------+ I
28 ---------------------------------+ I I
18 ---------+-----------------------+ I I
21 ---------+ I +-+
15 -+---------------+ +-------+ I
17 -+ I I I I
3 -----------------+---------------+ I I
13 -----------------+ +-----+
16 -+---------------+ I
22 -+ +---------------+ I
5 -----------------+ +-------+
14 ---------------------------------+
Рис.11.5-9. Дендрограмма агломеративной кластеризации методом полной связи (пакет SPSS)
Cluster Membership
Case |
7 Clusters |
6 Clusters |
5 Clusters |
4 Clusters |
3 Clusters |
2 Clusters |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
2 |
1 |
1 |
1 |
1 |
1 |
1 |
3 |
2 |
2 |
2 |
2 |
2 |
2 |
4 |
3 |
3 |
3 |
3 |
3 |
2 |
5 |
4 |
4 |
4 |
4 |
2 |
2 |
6 |
5 |
5 |
5 |
1 |
1 |
1 |
7 |
1 |
1 |
1 |
1 |
1 |
1 |
8 |
5 |
5 |
5 |
1 |
1 |
1 |
9 |
1 |
1 |
1 |
1 |
1 |
1 |
10 |
1 |
1 |
1 |
1 |
1 |
1 |
11 |
5 |
5 |
5 |
1 |
1 |
1 |
12 |
1 |
1 |
1 |
1 |
1 |
1 |
13 |
2 |
2 |
2 |
2 |
2 |
2 |
14 |
6 |
4 |
4 |
4 |
2 |
2 |
15 |
2 |
2 |
2 |
2 |
2 |
2 |
16 |
4 |
4 |
4 |
4 |
2 |
2 |
17 |
2 |
2 |
2 |
2 |
2 |
2 |
18 |
2 |
2 |
2 |
2 |
2 |
2 |
19 |
1 |
1 |
1 |
1 |
1 |
1 |
20 |
5 |
5 |
5 |
1 |
1 |
1 |
21 |
2 |
2 |
2 |
2 |
2 |
2 |
22 |
4 |
4 |
4 |
4 |
2 |
2 |
23 |
1 |
1 |
1 |
1 |
1 |
1 |
24 |
3 |
3 |
3 |
3 |
3 |
2 |
25 |
1 |
1 |
1 |
1 |
1 |
1 |
26 |
1 |
1 |
1 |
1 |
1 |
1 |
27 |
1 |
1 |
1 |
1 |
1 |
1 |
28 |
7 |
6 |
3 |
3 |
3 |
2 |
29 |
3 |
3 |
3 |
3 |
3 |
2 |
30 |
1 |
1 |
1 |
1 |
1 |
1 |
Из анализа полученных результатов агломеративной клластеризации можно сделать вывод, что наиболее песпективным выглядит разделение всех случаев на пять кластеров.
3. Выполняем дивизивную кластеризацию методом k-средних (см. решение задачи 11.5-3), указывая Number of Clusters (Количество кластеров), последовательно (для каждой новой кластеризации) равным двум, трем, четырем, пяти, шести и семи (остальные параметры оставляем, как в задаче 11.5-3).
4. В окне SPSS viewer (Просмотр результатов) видим итоги разделения на соответствующее количество кластеров, включающие таблицы Final Cluster Centers (Окончательные центры кластеров), Cluster Membership (Принадлежность к кластерам), Number of Cases in each Cluster (Количество случаев в каждом кластере) и ANOVA (Результаты проверки качества разбиения с помощью ANOVA), выборочно представленные ниже.
Для двух кластеров:
Number of Cases in each Cluster
Cluster |
1 |
17,000 |
2 |
13,000 |
Для трех кластеров:
Number of Cases in each Cluster
Cluster |
1 |
9,000 |
2 |
9,000 |
|
3 |
12,000 |
Для четырех кластеров:
Number of Cases in each Cluster
Cluster |
1 |
6,000 |
2 |
16,000 |
|
3 |
4,000 |
|
4 |
4,000 |
Для пяти кластеров:
Cluster Membership
Case Number (Номер случая) |
Cluster (Кластер) |
Distance (Расстояние до центра кластера) |
1 |
1 |
1,060 |
2 |
1 |
1,484 |
3 |
3 |
1,483 |
4 |
4 |
1,414 |
5 |
5 |
1,299 |
6 |
2 |
1,392 |
7 |
1 |
1,535 |
8 |
2 |
,968 |
9 |
1 |
1,678 |
10 |
1 |
,985 |
11 |
2 |
1,714 |
12 |
1 |
1,259 |
13 |
3 |
1,483 |
14 |
5 |
2,046 |
15 |
3 |
,775 |
16 |
5 |
1,090 |
17 |
3 |
,775 |
18 |
3 |
1,549 |
19 |
1 |
,985 |
20 |
2 |
1,199 |
21 |
1 |
1,678 |
22 |
5 |
1,090 |
23 |
1 |
,985 |
24 |
4 |
1,225 |
25 |
1 |
1,060 |
26 |
1 |
1,535 |
27 |
1 |
1,768 |
28 |
4 |
2,000 |
29 |
4 |
1,581 |
30 |
1 |
,985 |
ANOVA
|
Cluster |
|
Error |
|
F |
Sig. |
Mean Square |
df |
Mean Square |
df |
|||
var1 |
,604 |
4 |
7,000E-02 |
25 |
8,631 |
,000 |
var2 |
0,005 |
4 |
3,000E-02 |
25 |
1,806 |
,159 |
var3 |
,923 |
4 |
6,692E-02 |
25 |
13,798 |
,000 |
var4 |
1,423 |
4 |
6,692E-02 |
25 |
21,269 |
,000 |
var5 |
,867 |
4 |
,000 |
25 |
, |
, |
var6 |
1,013 |
4 |
3,000E-02 |
25 |
33,750 |
,000 |
var7 |
1,200 |
4 |
6,000E-02 |
25 |
20,000 |
,000 |
var8 |
,488 |
4 |
3,000E-02 |
25 |
16,250 |
,000 |
var9 |
1,267 |
4 |
3,200E-02 |
25 |
39,583 |
,000 |
var10 |
1,600 |
4 |
3,200E-02 |
25 |
50,000 |
,000 |
var11 |
,867 |
4 |
,000 |
25 |
, |
, |
var12 |
0,005 |
4 |
3,000E-02 |
25 |
1,806 |
,159 |
var13 |
,183 |
4 |
,259 |
25 |
,706 |
,595 |
var14 |
,187 |
4 |
,249 |
25 |
,751 |
,567 |
var15 |
,950 |
4 |
4,000E-02 |
25 |
23,750 |
,000 |
var16 |
,217 |
4 |
4,000E-02 |
25 |
5,417 |
,003 |
var17 |
,867 |
4 |
,000 |
25 |
, |
, |
var18 |
,854 |
4 |
3,000E-02 |
25 |
28,472 |
,000 |
var19 |
,697 |
4 |
,155 |
25 |
4,497 |
,007 |
var20 |
,718 |
4 |
,185 |
25 |
3,881 |
,014 |
var21 |
4,167E-02 |
4 |
3,200E-02 |
25 |
1,302 |
,296 |
var22 |
,854 |
4 |
3,000E-02 |
25 |
28,472 |
,000 |
var23 |
,813 |
4 |
6,200E-02 |
25 |
13,105 |
,000 |
var24 |
,000 |
4 |
,000 |
25 |
, |
, |
var25 |
,811 |
4 |
3,692E-02 |
25 |
21,962 |
,000 |
var26 |
,811 |
4 |
3,692E-02 |
25 |
21,962 |
,000 |
var27 |
,785 |
4 |
,153 |
25 |
5,128 |
,004 |
var28 |
,346 |
4 |
,239 |
25 |
1,448 |
,248 |
var29 |
,277 |
4 |
,148 |
25 |
1,875 |
,146 |
var30 |
,975 |
4 |
,132 |
25 |
7,386 |
,000 |
Number of Cases in each Cluster
Cluster |
1 |
13,000 |
2 |
4,000 |
|
3 |
5,000 |
|
4 |
4,000 |
|
5 |
4,000 |
Для шести кластеров:
Number of Cases in each Cluster
Cluster |
1 |
4,000 |
2 |
15,000 |
|
3 |
5,000 |
|
4 |
3 |
|
5 |
2 |
|
6 |
1 |
Для семи кластеров:
Number of Cases in each Cluster
Cluster |
1 |
10,000 |
2 |
2,000 |
|
3 |
5,000 |
|
4 |
3,000 |
|
5 |
7,000 |
|
6 |
2,000 |
|
7 |
1,000 |
Анализ всех этих вариантов кластеризации, который читателю предлагается выполнить самостоятельно, показывает, что наиболее предпочтительным является разделение исходной выборки на пять кластеров.
Ответ: выборку целесообразно разделить на пять кластеров.
Задача 11.5-5. Пример некорректного применения кластерного анализа к данным, измеренным в разнотипных шкалах
