Nem hierarchikus klaszterelemzés az SPSS-ben

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!