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.