Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük.


A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket viszonylag homogén csoportokba rendezze, az elemzésbe bevont változók alapján. A folyamat akkor sikeres, ha az egységek hasonlítanak csoporttársaikhoz, azonban eltérnek a más csoportba tartozó elemektől.


Alkalmazási területei • • • •

Piacszegmentálás Szerkezet-elemzés Homogén tesztcsoportok létrehozása Adatcsökkentés


A klaszterelemzés korlátai • Nem vonhatók le következtetések a mintából az alapsokaságra, vagyis elsősorban feltáró technikaként használható. • Nincs egyetlen legjobb megoldás. • Minden esetben létrehoz klaszterek, függetlenül attól, hogy azok ténylegesen léteznek-e az adatokban, vagy sem. • A megoldások teljes mértékben a változóktól függnek. • A kialakult csoportok nem függetlenek az egyedek adatbázisbeli sorrendjétől.


A klaszterelemzés menete 1. kutatási probléma áttekintése • Mi a hipotézisünk. • Mekkora legyen a vizsgálandó elemek nagysága. • Milyen releváns változók alapján csoportosíthatunk. A klaszterelemzésnél alapvető feladat azoknak a változóknak a megtalálása, amelyek a csoportok közötti különbséget okozzák. Ez történhet korábbi kutatások, elméleti megfontolások, intuíció alapján


A klaszterelemzés menete 2. A feltételek vizsgálata • Kiugró értékek (outliers) feltárása és kezelése. • A változók skálázásának vizsgálata. Szükség van-e skálatranszformációra, standardizálásra? • A változók korrelációjának elemzése. • A minta reprezentativitásának ellenőrzése.


A klaszterelemzés menete 3. Hasonlósági- és távolságmértékek Milyen hasonlósági- vagy távolságmértéket válasszunk? • Bináris változó esetében mindkét típus fajtáiból választhatunk. • Metrikus változó esetében: távolságmértékek (ha a távolság a lényeges); hasonlóságmértékek (ha a profilok hasonlósága a lényeges).


A klaszterelemzés menete 4. Klasztermódszer kiválasztása • Hierarchikus eljárás. • Nem hierarchikus eljárás. • A kettő kombinációja.


A klaszterelemzés menete 5. A klaszterek száma • Milyen szempontok alapján történik az elemzés? • Hány csoportot képezzünk? • A csoportok számának változtatása hogyan hat az eredményekre?


A klaszterelemzés menete 6. A klaszterek értelmezése, jellemzése • Miben különböznek egymástól a klaszterek? • Értelmesen interpretálhatók-e az eredmények? • Szükség van-e új változók bevonására? • Hogyan nevezzük el a klasztereket?


A klaszterelemzés menete 7. Az elemzés érvényességének elemzése • Különböző eljárásokat, vagy távolságmértékeket alkalmazunk és összehasonlítjuk az eredményeket. • Az adatokat véletlenszerűen két részre osztjuk. A két almintán külön-külön elvégzett elemzések eredményeit összehasonlítjuk. • Az elemzés többszöri lefuttatása az adatok sorrendjének megváltoztatásával.


2. A feltételek vizsgálata Kiugró értékek (outliers) feltárása és kezelése. A klaszteranalízis rendkívül érzékeny az olyan egyedekre, melyek jelentősen különböznek a többitől. Ezek az elemek vagy ténylegesen „abnormális” megfigyelések, melyek nem jellemzők az alapsokaságra, vagy a mintában szereplő egyedek alulreprezentálják az alapsokaságban lévő csoport nagyságát. Az első esetben tehát érdemes azokat kitörölni az adatbázisból.


2. A feltételek vizsgálata Kiugró értékek (outliers) feltárása és kezelése. Feltárásuk történhet • egyszerű grafikus ábrázolással: pontdiagram, boxplot ábra • egyszerű láncmódszer segítségével (lásd később)


2. A feltételek vizsgálata A változók skálázásának vizsgálata. Ha a klaszteranalízis során különböző szintű metrikus skálákat használunk, teljesen torz összevonási sémát kaphatunk eredményül. Pl: életkor, jövedelem, megelégedettség változócsoport esetében. A különbözős skálák azonos szintre hozásához a standardizálást használjuk, mely során az átlagot kivonjuk az egyes értékekből és a különbséget elosztjuk a szórással.


2. A feltételek vizsgálata A változók skálázásának vizsgálata. A standardizált skála átlaga 0. a szórása pedig 1 lesz, lehetővé téve ezáltal a különböző szintű skálán mért változók összehasonlítását.


2. A feltételek vizsgálata A változók korrelációjának elemzése. A klaszterelemzés minden változót azonos súllyal kezel. Ha tehát két változó, vagy egy változócsoport tagjai egymással szoros korrelációs kapcsolatban vannak, akkor nagyobb szerepet kaphatnak az eredményekben. Ilyen esetben célszerű a változók valamilyen módon történő redukálása.


3. Hasonlósági- és távolságmértékek Bináris változók esetén Távolságmértékek: • euklidészi távolság • négyzetes euklidészi távolság • variancia .

Hasonlóságmértékek: • Russel and Rao • Egyszerű illesztés • Jaccard • Yule


3. Hasonlósági- és távolságmértékek Metrikus változók esetén Távolságmértékek: • euklidészi távolság • négyzetes euklidészi távolság • City block • Csebisev .

Hasonlóságmértékek: • Pearson korreláció


4. Klasztermódszerek


4. Klasztermódszerek Hierarchikus összevonó eljárások • Egyszerű láncmódszer (Single linkage): Azokat a megfigyelési egységeket vonja össze első lépésben, amelyek között legkisebb a távolság (legjobban hasonlítanak egymáshoz). Két klaszter közötti távolságot mindig a két legközelebbi pont távolsága határozza meg.

• Teljes láncmódszer (Complete linkage):

két klaszter

közötti távolságot a két legtávolabbi pont határozza meg.

• Átlagos láncmódszer: két klaszter távolságát az összes megfigyelési egység páronkénti távolságának átlaga definiálja. (általában előnyösebb mint az előzőek)




4. Klasztermódszerek Hierarchikus összevonó eljárások • Ward-féle eljárás: Minden klaszterre kiszámolják az összes változó átlagát, majd minden megfigyelési egységre meghatározzák a négyzetes euklidészi távolságot. Minden lépésnél azt a két klasztert vonják össze, amelyeknél a klaszteren belüli szórásnégyzet növekedése a legkisebb.

• Centroidmódszer: Két klaszter közötti távolság a centroidjuk (összes változó átlaga) közötti távolság. A centroidokat minden lépés után újra számolják.




4. Klasztermódszerek Nem hierarchikus eljárások Nagyobb esetszámnál (kb. 2000) a hierarchikus klaszterezés már körülményesebb, ezért célszerű a K-közép módszert választani. A két módszer közötti alapvető különbség: • Előre meg kell határozni a létrehozandó klaszterek számát. • Induláskor ismertnek tételezzük fel a klaszterközepeket, melyeket mi is megadhatunk, de érdemes a programra bízni ezek kijelölését.


Outputok


Outputok


Dendogram


Eredmények ábrázolása Ward Method

2,00000

1

HAJDU ZF

2 3

F

4

BC

Műszaki kutatási

1,00000

TVK

EFOAM

KIP

P

0,00000 MVK MIHŐ

-1,00000

S

RAK

MIK

MÁV

-1,00000

BAZ

SEMM TMF

0,00000

ImKKK

1,00000

2,00000


Eredmények ábrázolása Ward Method 1

HAJDU TVK

2

RAK

3

BC

1,00000

AVE MIK

MÁV

KIP

13 képessg

TMF

MVK

MIHŐ

ZF

0,00000

-1,00000

BAZ

EFOAM F SEMM P S

-2,00000

-2,00000

-1,00000

0,00000

13 helyzet

1,00000

2,00000


Ajánlott irodalom: Naresh K. Malhotra: Marketingkutatás Budapest, 2005. Székelyi Mária-Barna Ildikó: Túlélőkészlet az SPSS-hez, Budapest, 2005. Elérhetőség: [email protected]


Köszönöm a figyelmet!

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Recommend Documents