KÜME ANALİZİ – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
ANALİZ ÇIKIŞI
Her yanıtlayan için Gariplik endeksi de görüntülenir. 12 katılımcı arasında her bir boyutun genel önemi tablonun altında gösterilmektedir. Mevcut örnekte, Boyut 1 ve 2 için genel önem değerleri sırasıyla .6509 ve .0441’dir. Bu nedenle, boyut açısından, katılımcılar Boyut 1’e Boyut 2’ye göre çok daha fazla sübjektif önem verdiler.
Bireysel Konu Ağırlıkları, her boyut için toplam ağırlıklarla oldukça orantılı olduğunda, Gariplik endeksi 0,00’a daha yakındır. Daha büyük Tuhaflık indeksi değerleri, katılımcıların boyutlara bir şekilde farklı önem ağırlıkları yatırdığını ve .50’den büyük Gariplik indeksi değerlerinin, onları sonraki analizlerden elenmek için olası adaylar haline getiren atipik veya aykırı değerler olarak kabul edilebileceğini göstermektedir. Mevcut örnekte, Konu 3, 4 ve 6 bu değerlendirme kriterini karşılamaktadır; örnekleme amacıyla, bunları analizde tutacağız.
Türetilmiş Konu Ağırlıkları grafiği, her bir katılımcının otomobil markası eşleştirmelerine ilişkin değerlendirmelerinin Öklid uzaklık modelinin iki boyutunda nasıl ağırlıklandırıldığını gösterir. Bunlar, grafiğin üzerindeki tabloda gösterilen iki boyutun koordinatlarıdır. 1. Boyuta oldukça düşük ve 2. Boyuta nispeten yüksek ağırlık veren küçük bir katılımcı grubuna dikkat çekiyoruz.
Her yanıtlayan için Optimal olarak ölçeklenen veriler (farklılıklar), alanla ilgili hususlar nedeniyle gösterilmemiştir. Bu farklılıklar, IBM SPSS tarafından kullanılan ALSCAL algoritmasına dayalı dönüştürülmüş ham verileri temsil eder.
Doğrusal Uyum Bireysel farklılıklar (ağırlıklı) Öklid uzaklık modelinin Dağılım Grafiği’ni sunar. Bu çizim, bir miktar saçılma ve doğrusallıktan uzaklaşmayı gösterir, bu da mütevazı ama ideal olmayan bir model uyumunu gösterir.
Düzleştirilmiş Özne Ağırlıklarını ve Düzleştirilmiş Özne Ağırlıkları Bireysel farklılıklar (ağırlıklı) Öklid mesafe modelinin bir grafiğini sağlar. IBM SPSS, düzleştirilmiş ağırlıkları hesaplar. Bu katsayılar, ham özne ağırlıklarını mesafe koordinatlarına dönüştürür. Düzleştirme algoritması d boyutlarını d − 1 boyuta indirger; mevcut durumda, bu 2−1 veya 1 boyut olarak hesaplanır. Y ekseninde Değişken 1 olarak etiketlenmiştir.
Bu kurgudan, iki boyutta nispeten düşük Gariplik puanlarına ve simetrik konu ağırlıklarına sahip katılımcıların arsanın ortasında (örneğin, Denekler 8, 2, 9 ve 7) ve nispeten yüksek Tuhaflık puanları ve bir veya diğer boyutlardaki yüksek ağırlıklar, Y ekseninin üstüne veya altına yakın bir yerde görünecektir (örneğin, Denekler 1, 6, 4 ve 3).
Kümeleme analizi Nedir
Kümeleme analizi örnekleri
Kümeleme analizi nasıl yapılır
Cluster analizi nedir
Hiyerarşik kümeleme analizi nedir
Tam bağlantı kümeleme yöntemi
Kümeleme tekniği nedir
SPSS kümeleme analizi
Her otomobil üreticisi için Boyut 1 ve 2 için Uyaran Koordinatlarını sağlar. Bu koordinatlar, IBM SPSS MDS yordamı tarafından, iki boyutlu bir uzay konfigürasyonundaki her nesneyi (üreticiyi) konumlandırmak veya konumlandırmak için kullanılır.
Algısal haritayı veya Türetilmiş Uyaran Konfigürasyonu Bireysel farklılıklar (ağırlıklı) Öklid mesafe modelini görüntüler. Bu iki boyutlu konfigürasyonda dört belirgin otomobil üreticisi kümesi kümesi (her çeyrekte bir tane) ayırt edilebilir. Boyut 1 (yatay eksen) bir “Maliyet veya Değer” boyutunu temsil ediyor gibi görünüyor; düşük algılanan maliyet/değer sağa doğru ve daha yüksek algılanan maliyet/değer soldadır.
Boyut 2 (dikey eksen) yorumlaması daha az kolaydır ve elde ettiğimiz çözüme benzer. Bir olasılık, bu tür araçları sürmekle ilgili algılanan heyecan düzeyini veya bu araçlarla ilişkili bir performans düzeyini temsil edebilmesidir. Örneğin, Maserati ve Lamborghini markaları (ve Toyotas ve Hondas) daha heyecan verici veya daha yüksek performanslı araçlar olarak görülebilir veya onları sürmek daha heyecan verici bir deneyimle sonuçlanabilirken, Mercedes ve Porsche’ler (aynı zamanda Chevrolet ve Ford’lar) ) daha düşük bir performans seviyesini temsil ettiği ve sürüşün çok daha az heyecan verici olduğu algılanır.
Tanımlanan boyutlarla, artık dört otomatik gruplamayı tanımlayabiliriz. Lamborghini, Ferrari ve Maserati bir arada kümelenir ve yüksek heyecan veya performans araçları olarak algılanır ve yüksek maliyetli/değerli otomobillerdir. Porsche, Rolls Royce ve Mercedes, algılanan maliyet/değer açısından yüksek ve algılanan heyecan veya performans açısından daha düşük olarak görülüyor.
Toyota ve Honda, algılanan maliyet/değer açısından düşük ve algılanan heyecan veya performans açısından yüksek olarak görülüyor. Son olarak, Ford ve Chevrolet hem maliyet/değer hem de heyecan veya performans boyutlarında düşük olarak görülüyor. Burada, psikoloji öğrencilerinin bu küçük örneğinin, piyasa tüketicilerinin genel popülasyonunu mutlaka temsil etmediğini belirtmeliyiz.
KÜME ANALİZİ
Hiyerarşik Küme Analizi
Kapsanan MDS için geçerli olduğu gibi, kümeleme analizi de onları organize etme sürecindeki vakalar arasındaki yakınlıkları veya mesafeleri temel alır. Ancak durumları iki veya bazen daha fazla boyut boyunca hizalamaya çalıştığımız MDS’den farklı olarak, hiyerarşik küme analizinde vakaları yakınlıklarına göre gruplamalara veya kümelere yerleştiririz. Hiyerarşik küme analizi, daha büyük analizlerin bir parçası olarak büyük vaka kümelerine uygulanabilmesine rağmen (örneğin, IBM SPSS®, ilk aşaması olarak hiyerarşik analizi kullanan bir İki Adımlı Küme prosedürüne sahiptir), bağımsız bir analiz olarak kullanıldığında, neredeyse her zaman nispeten küçük bir vaka grubuna uygulanır (örneğin, bir veya belki iki düzine).
Vakalar bir dizi nicel değişken üzerinde ölçülür ve vakaların yakınlıkları bu değişkenlere göre hesaplanır; farklı bir değişken seti kullanılmışsa, vakalar ve dolayısıyla gruplamalar veya kümeler arasındaki mesafeler oldukça farklı olabilir. Vakalar, ölçülebilen özelliklere sahip herhangi bir varlık olabilir. Örnekler arasında, bir eğitim programındaki askeri personel veya bir kız öğrenci yurdundaki kadın üniversite öğrencileri gibi belirli bir gruba ait kişiler; otomobiller veya buzdolapları gibi belirli ürünlerin üreticileri; ve şehirler veya ülkeler gibi jeopolitik varlıklardır.
Hiyerarşik bir kümeleme çözümü, belirli sayıda vaka ile başlar ve tüm vakalar nihai olarak tek bir kümede birleştirilene kadar her adımda varlıkların birleştirilmesi veya birleştirilmesi (bağlantı adı verilir) oluşturur. 12 büyük ABD şehrini kümelediğimiz bir örneği ele alalım. Her şehir, kamu kayıtlarından derlenen çeşitli nicel değişkenlerle ilişkilidir; bu değişkenler, medyan hane geliri, nüfus yoğunluğu ve yüksek lisans veya profesyonel dereceye sahip sakinlerin yüzdesi gibi ölçüleri içerebilir.
Sürecin başlangıcında, her biri bir kümeden oluşan 12 şehrimiz var. Ölçülen değişkenler açısından değerlendirilen her bir şehir çifti arasındaki yakınlıklar (benzerlikler) hesaplanır. Vakaların ilk geçişinde veya adımında, ölçülen değişkenler üzerinde en benzer (en yakın) iki şehir bir küme oluşturmak üzere birleştirilir veya bağlanır. Kümeleme süreci hiyerarşiktir, çünkü bu şehirler bir kez birleştirildiklerinde analiz süresince birleşik kalırlar.
Cluster analizi nedir Hiyerarşik kümeleme analizi nedir Kümeleme analizi nasıl yapılır Kümeleme analizi Nedir Kümeleme analizi örnekleri Kümeleme tekniği nedir SPSS kümeleme analizi Tam bağlantı kümeleme yöntemi