Nem hierarchikus klaszterelemzés az SPSS-ben

Az előadások a következő témára: "Nem hierarchikus klaszterelemzés az SPSS-ben"— Előadás másolata:

1 Nem hierarchikus klaszterelemzés az SPSS-ben
Petrovics Petra Doktorandusz

2 Klaszteranalízis folyamata
1. A probléma megfogalmazása (Kutatási probléma, hipotézis, vizsgálandó elemek nagysága, stb.) 2. Feltételek vizsgálata Pl: kiugró értékek, reprezentatív minta, skálázás 3. Hasonlósági és távolságmérték meghatározása (Ahol kisebb a távolság, azok a megfigyelési értékek hasonlóbbak) 4. Klasztermódszer kiválasztása Hierarchikus vs. nem hierarchikus 5. Klaszterek száma Hány csoport? Mi alapján? 6. Klaszterek értelmezése, jellemzése Elnevezés, értékelés 7. Klaszterelemzés érvényességének ellenőrzése

3 Nem hierarchikus módszer
az SPSS-ben Nem hierarchikus módszer K-Means Two Steps Előnye Segít a klaszterszám meghatározásában Ha változtatjuk a klaszterszámot, a korábban létrehozott klaszterek összetétele nem változik Számtalan távolságmérték Standardizálható változók Dendogram A mintavételi egységek száma magas Kevésbé függ kiugró értékektől Kevésbé függ távolságmértékektől Kevésbé függ attól, hogy került-e az elemzésbe irreleváns változó Leggyorsabb Nominális és metrikus ismérvek kombinálhatósága Ideális klaszterszámot „javasol” Kiszűri az outliereket Alapértelmezés szerint standardizál Hátránya Érzékeny a kiugró értékekre Hosszadalmas megtalálni az ideális kombinációt Nominális és metrikus ismérvek nem kombinálhatók A klaszterek számát előre kell meghatározni Klaszterközéppont kiválasztása Függ a megfigyelések sorrendjétől Más klaszterszám esetében teljesen más összetételű klaszterek jönnek létre

4 Lakhely: 1- Budapest, 2- megyeszékhely, 3-egyéb
Név Főzős Házias Nem Lakhely Kereset 1 Béla 3 3000 2 Jenő 1500 Bea 5 2000 4 Marci 1000 Ubul 7000 6 Zsuzsa 7 8000 Rita 8 Zoli 9 Dávid 5000 10 Robi 11 Kriszti 12 Zsófi 4000 13 Géza 14 Éva 15 Dóra 16 Vera 6000 Nem: 1-férfi, 2-nő Lakhely: 1- Budapest, 2- megyeszékhely, 3-egyéb TK/286. oldal (Sajtos-Mitev)

5 Klaszterelemzés érvényességének ellenőrzése
7. Klaszterelemzés érvényességének ellenőrzése K-közép (K-Means) eljárás Analyze / Classify / K-Means Cluster Kezdeti klaszterközéppont meghatározása

6 Output 3 klaszter – 3 klaszterközéppont

7

8 Összehasonlítás = Hierarchikus módszer Nem hierarchikus módszer
7. Összehasonlítás Megbízható = Hierarchikus módszer Nem hierarchikus módszer K-Means

9 Feladat Fogyasztók csoportosítása vásárlási attitűdjeik szerint:
1-7-ig terjedő skálán értékelik a következő állításokat: V1: A vásárlás szórakozás. V2: A vásárlás nem tesz jót a pénztárcának. V3: A vásárlást gyakran összekötöm étteremlátogatással. V4: Vásárláskor megpróbálom a legjobb vételt csinálni. V5: Nem érdekel a vásárlás. V6: Az árak összehasonlításával rengeteg pénzt lehet megtakarítani. Malhotra [2005]: Marketingkutatás 703.o.

10 Sorszám V1 V2 V3 V4 V5 V6 1 6 4 7 3 2 5 8 9 10 11 12 13 14 15 16 17 18 19 20

11 Output

12 Köszönöm a figyelmet!