Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nem hierarchikus klaszterelemzés az SPSS-ben Petrovics Petra Doktorandusz
Mar 19, 2016
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Nem hierarchikus klaszterelemzés az SPSS-ben
Petrovics PetraDoktorandusz
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Klaszteranalízis folyamata
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani IntézetHierarchikus módszer
az SPSS-ben
Nem hierarchikus módszerK-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
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Név Főzős Házias Nem Lakhely Kereset1 Béla 1 3 1 3 30002 Jenő 2 3 1 1 15003 Bea 5 5 2 2 20004 Marci 2 4 1 3 10005 Ubul 4 4 1 1 70006 Zsuzsa 2 7 2 1 80007 Rita 2 6 2 2 70008 Zoli 3 4 1 3 15009 Dávid 2 2 1 1 5000
10 Robi 6 5 1 3 100011 Kriszti 3 3 2 3 200012 Zsófi 6 6 2 2 400013 Géza 7 1 1 2 800014 Éva 6 7 2 1 100015 Dóra 5 7 2 1 300016 Vera 1 6 2 2 6000
Nem: 1-férfi, 2-nőLakhely: 1- Budapest, 2- megyeszékhely, 3-egyéb
TK/286. oldal (Sajtos-Mitev)
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
• K-közép (K-Means) eljárásAnalyze / Classify / K-Means Cluster
Kezdeti klaszterközéppont meghatározása
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Output
3 klaszter – 3 klaszterközéppont
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Hierarchikus módszer Nem hierarchikus módszerK-Means
Megbízható=
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
FeladatFogyasztók 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.
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Sorszám V1 V2 V3 V4 V5 V611 6 4 7 3 2 3
22 2 3 1 4 5 4
33 7 2 6 4 1 3
44 4 6 4 5 3 6
55 1 3 2 2 6 4
66 6 4 6 3 3 4
77 5 3 6 3 3 4
88 7 3 7 4 1 4
99 2 4 3 3 6 3
1010 3 5 3 6 4 6
1111 1 3 2 3 5 3
1212 5 4 5 4 2 4
1313 2 2 1 5 4 4
1414 4 6 4 6 4 7
1515 6 5 4 2 1 4
1616 3 5 4 6 4 7
1717 4 4 7 2 2 5
1818 3 7 2 6 4 3
1919 4 6 3 7 2 7
2020 2 3 2 4 7 2
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Output
Miskolci Egyetem Gazdaságtudományi KarÜzleti Információgazdálkodási és Módszertani Intézet
Köszönöm a figyelmet!