![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Обработка на компьютере: кластерный анализ корреляций
В качестве исходных данных (Data Editor) воспользуемся теми же данными, на основании которых были получены результаты факторного анализа (табл. 19.1), то есть 10 признаков для 86 объектов. 1. Выбираем Analyze > Classify (Классификация) > Hierarchical Cluster... (Иерархический кластерный). 2. В открывшемся окне диалога переносим из левого в правое верхнее окно (Variables) переменные, необходимые для анализа (vl, v2,..., vlO). В поле Cluster устанавливаем точку на Variables (Переменные), а не на Cases (Объекты), эта установка задает то, что подлежать классификации будут переменные. Убеждаемся, что в поле Display (Выводить) флажки установлены на Statistics (Статистики), Plots (Графики). 3. Нажимаем Method... (Метод...), и открывается окно главных установок кластерного анализа. В поле Measure (Меры различия) выбираем Interval data: Pearson correlation (Интервальные данные: Корреляция Пирсона). В поле Transform Measures (Преобразование мер различия) устанавливаем флажок Absolute values (Абсолютные значения). В поле Cluster Method (Метод кластеризации) оставляем принятый по умолчанию Метод средней связи (Between-groups linkage). Нажимаем Continue. 4. Нажимаем клавишу Statistics... (Статистики) и убеждаемся, что установлен флажок на Agglomeration schedule (Последовательность агломерации). При необходимости можно было бы отметить и Proximity matrix (Матрица расстояний) для ее вывода (будет выведена матрица корреляций), но мы этого не делаем. Нажимаем Continue (Продолжить). 5. Нажимаем клавишу Plots... (Графики). Отмечаем флажком Dendrogram (Дендрограмма). Здесь же можно выбрать ориентацию дендрограммы: вертикальную (Vertical) или горизонтальную (Horizontal), оставляем установленную по умолчанию вертикальную ориентацию. Нажимаем Continue. Нажимаем ОК и получаем результаты. 6. Основные результаты кластерного анализа. А) Таблица последовательности агломерации: Agglomeration Schedule
В) Дендрограмма: По таблице последовательности агломерации резкое уменьшение величины корреляции между кластерами наблюдается после шага 7, на котором объединяются кластеры 2 и 5 (переменная 2 присоединяется к кластеру 6, 9, 5). Следовательно, оптимальное число кластеров равно 3. Этот результат подтверждает дендрограмма. Состав кластеров точно соответствует факторной структуре (табл. 19.1). В дополнение к результатам факторного анализа можно добавить, что группы переменных, которые соответствуют факторам 2 и 3, заметно коррелируют друг с другом (r = 0, 280, р < 0, 05), то есть фактор «добросовестность» положительно связан с фактором «экстраверсия». Таким образом, если бы задача исследования была ограничена обнаружением и интерпретацией групп переменных, то кластерный анализ позволил бы ее решить быстрее, проще и в некотором смысле полнее.
|