ANALISIS DE CLUSTER CON SPSS:

INMACULADA BARRERA

ANALISIS DE CLUSTER EN SPSS

Opcin: Analizar Clasificar

ANALISIS DE CLUSTER EN SPSS

Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerrquicos

ANALISIS DE CLUSTER EN SPSS

1.- Cluster en dos etapas.- est pensado para etapas minera de datos, es decir para estudios con un nmero de individuos grande que pueden tener problemas de clasificacin con los otros procedimientos. Otra peculiaridad es que permite trabajar conjuntamente con variables de tipo mixto (cuali y cuantitativas). Puede realizarse cuando el nmero de cluster es conocido a priori y tambin cuando no se conoce.

ANALISIS DE CLUSTER EN SPSS

2.- Cluster no jerrquicos .- slo puede ser aplicado a variables cuantitativas y requiere conocer el nmero de cluster a priori. Puede realizarse para un nmero de objetos relativamente grande pues no requiere el clculo de todas las posibles distancias.

ANALISIS DE CLUSTER EN SPSS

3.- Jerrquicos.Para variables cuantitativas o bien para variables cualitativas Si no se conoce el nmero de cluster a priori y cuando el nmero de objetos no es muy grande.

CLUSTER JERRQUICOS.El primer paso es la seleccin de variables:

Como se observa pueden etiquetarse los grupos con una de las variables del fichero.
Tambin es posibles realizar conglomerados no para objetos sino para variables, (agrupar variables por el parecido que presentan en las respuestas de los individuos)

CLUSTER JERRQUICOS.OPCIN METODO: -Podremos estandarizar las variables utilizadas en el anlisis antes de utilizarlas el clculo de las similaridades si fuese necesario. Los mtodos disponibles son varios. -Permite seleccionar la medida usada para ver el parecido entre individuos con distintas distancias dependiendo si la variable es binaria, frecuencias o de intervalo. -Es posible tambin elegir el mtodo para obtener los conglomerados Todos los vistos . Los dos primeros vinculacin Inter.grupos y dentro de grupos se corresponde a la opcin denominada UPGMA (mtodo del promedio) y una variante de este donde se consideran para el clculo de la distancia media la correspondiente a todos los posibles pares del grupo resultante y no slo a los formados con un elemento de cada grupo como en el anterior.

ESTANDARIZAR

MEDIDA

METODO

CLUSTER JERRQUICOS.OPCIN ESTADISTICOS:

Historial muestra los casos o conglomerados combinados en cada etapa, las distancias entre los casos combinados y el ltimo nivel del proceso de aglomeracin en el que cada caso se uni al conglomerado correspondiente

CLUSTER JERRQUICOS.OPCIN ESTADISTICOS:

Matriz distancias Conglomerado de pertenencia nos da el conglomerado al que se asigna cada caso pudiendo elegir entre una nica solucin o un rango de soluciones En el ejemplo hemos seleccionado entre 2 y 3 cluster.

CLUSTER JERRQUICOS.OPCIN GRFICOS Permite obtener el dendrograma y los vertical u horizontal icicle plots, o diagramas de tmpanos.

CLUSTER JERRQUICOS.7 6

7
distancia

Cluster 2
3

5
1

distancia

Cluster 1

objeto

Cluster C
3
7 6

distancia

Cluster 2
3

Cluster B
0 1

Cluster A

5
1

objeto

Cluster 3
0 1 2 3 4 5

Cluster 1

objeto

CLUSTER JERRQUICOS.OPCIN GUARDAR Permite guardar los conglomerados de pertenencia para una solucin nica o para un rango de soluciones. Las variables guardadas pueden emplearse en anlisis posteriores para explorar otras diferencias entre grupos.

PROCEDIMIENTO K-MEANS

Una vez seleccionadas las variables y determinado el nmero de conglomerados que deseamos obtener podemos elegir entre iterar y clasificar o slo clasificar. Para obtener mxima eficacia, podemos tomar una muestra de casos utilizar el mtodo iterar y clasificar para determinar los centros de los conglomerados. Seleccionamos escribir finales en archivo. Despus repetimos el anlisis con slo clasificar leyendo los iniciales del archivo anterior

PROCEDIMIENTO K-MEANS

OPCIN ITERAR
Para la opcin iterar se puede determinar el nmero mximo de iteraciones, o bien fijar un criterio de convergencia mayor de cero y menor de uno. La opcin usar medias actualizadas recalcula centroides con cada individuo asignado al grupo, sino deselecciona esta opcin no se recalculan hasta que todos los individuos estn asignados.

PROCEDIMIENTO K-MEANS

Opcin guardar
permite crear una nueva variable que indica para cada caso el conglomerado al que pertenece y si se quiere otra variable con la distancia entre cada caso y su centro de clasificacin.

PROCEDIMIENTO K-MEANS
BOTN OPCIONES

Centros iniciales de los conglomerados

Conglomerado

1 Cereales 40,10 Feculas frutossecos frutasverduras 4,00 5,40 4,20

2 56,70 1,10 3,70 4,20

3 18,60 5,20 1,50 3,80 Conglomerado 1 2 3 14,925 14,864 29,698 1 2 14,925 3 14,864 29,698

Distancias entre los centros de los conglomerados finales

PROCEDIMIENTO K-MEANS
BOTN OPCIONES

ANOVA
Conglomerado Media cuadrtica Cereales 1324,656 Feculas frutossecos frutasverduras 9,194 15,636 1,832 2 2 2 2 10,972 2,077 2,880 3,383 22 22 22 22 120,727 4,426 5,429 ,542 ,000 ,024 ,012 ,589 gl Error Media cuadrtica gl F Sig.

Las pruebas F slo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido elegidos para maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles crticos no son corregidos, por lo que no pueden interpretarse como pruebas de la hiptesis de que los centros de los conglomerados son iguales.

PROCEDIMIENTO K-MEANS
BOTN OPCIONES

Nmero de casos en cada conglomerado

Conglomerado

7,000

3,000

3 Vlidos Perdidos

15,000 25,000 ,000

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

Est basado en un algoritmo que produce resultados ptimos si todas las variables son independientes, las continuas normalmente distribuidas y las categricas multinomiales, pero funciona razonablemente bien en ausencia de estos supuestos. La solucin final depende del orden de entrada de los datos. Para minimizar el efecto habramos de ordenar el fichero de forma aleatoria. Pasos: primer paso: formacin de precluster de los casos originales, Estos son clusters de los datos originales que se utilizarn en lugar de las filas del fichero original para realizar los cluster jerrquicos en el segundo paso. Todos paso los casos pertenecientes a un mismo precluster se tratan como un entidad sencilla.

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

-Seleccionaremos las variables categricas y continuas que formaran parte del anlisis -Elegiremos las distancias: -Cuando se tengan datos mixtos la distancia que debemos de utilizar es el log-verosimilitud. La distancia entre dos clusters depender del decremento en el log-verosimilitud cuando ambas se combinan en un nico cluster. Si se trata de datos continuos se puede usar la distancia eucldea entre los centros de los clusters.

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

La opcin nmero de clusters permite especificar el nmero deseado de conglomerados o dejar que el algoritmo seleccione el nmero de clusters basado en dos criterios BIC (criterio Bayesiano) o AIC (criterio de informacin de Akaike). El mtodo requiere estandarizacin de todas las variables por lo que por defecto la efecta y nos informa del nmero de variables a estandarizar.

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

OPCIN GRFICOS -Grfico de porcentaje intra

conglomerado:
Muestra los grficos que indican variacin de cada variable dentro de los conglomerados. En categricas se genera un grfico de barras agrupado, mostrando la frecuencia de las categoras en cada conglomerado. En las contnuas un grafico de barras de error para la variable en cada conglomerado..

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

OPCIN GRFICOS -Grfico de sectores de conglomerados: :
Tamao de conglomerado

porcentaje y frecuencia de individuos en cada conglomerado.

Nmero de conglomerados en dos fases

1 2 3

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

OPCIN GRFICOS Grfico de importancia de variables : :
:Muestra varios grficos que indican la importancia de cada variable en cada conglomerado. Los resultados se pueden ordenar segn el nivel de importancia de cada variable por conglomerado o por variable. En el primer caso para cada conglomerado se crearan grficos por orden de importancia de variables. En el segundo caso para cada variable por conglomerados.

PROCEDIMIENTO DE CLUSTER EN DOS PASOS

OPCIN GRFICOS Medida de importancia de variables : :
:La opcin permite seleccionar la medida de la importancia para representar en el grfico: chi-cuadrado o t-student (categricas y cuantitativas respectivamente). Hay que seleccionar el nivel de significacin global si se quiere que aparezcan las lneas correspondientes al valor crtico
Huevos
Ajuste de Bonferroni aplicado

Valor crtico Estadstico de contraste

Conglomerado

-40

-20

20

40

t de Student