Küme analizi konusuna dönmeden önce, bir an için küme kelimesinin anlamını düşünün. Terim, belirli bir nokta etrafında birleşen ve bu nedenle konumları ile yakından ilişkili olan bir grup birey veya nesneyi ifade eder. Astronomide yıldız kümeleri vardır; kimyada, atom kümeleri. Ekonomik araştırma genellikle toplam nüfus içindeki grupları dikkate alan tekniklere dayanır.

Örneğin, hedef grup pazarlamasıyla uğraşan firmalar, önce tüketicileri segmentlere veya potansiyel müşteri kümelerine ayırmalıdır. Gerçekten de, birçok bağlamda araştırmacılar ve ekonomistler, bir dizi gözlem içinde homojen grupları betimlemek için doğru yöntemlere ihtiyaç duyarlar.

Gruplar, bireyleri (insanlar veya davranışları gibi) veya nesneleri (firmalar, ürünler veya patentler gibi) içerebilir. Bu bölüm böylece Goethe’nin Faust’undan bir ipucu alır: “Yakında [anlayacaksınız]; sadece planlandığı gibi devam edin/İndirgeyici gösterileri öğreneceksiniz/Ve tüm uygun sınıflandırmaları vardır.

Kişileri veya nesneleri karşılaştırmak istiyorsak, onları örneklemekten fazlasını yapmalıyız. Karşılaştırmanın boyutlarını yani bağımsız değişkenleri belirlememiz gerekiyor. Bireyler yaş ve boylarına göre gruplandırılmalı mı? Yoksa yaş, kilo ve boy olarak mı?

Bir küme, benzer (yani homojen) özelliklere sahip bir grup birey veya nesnedir. Bir kümenin özellik özellikleri, diğer kümelerin özelliklerinden çok farklıdır. Kümeleme analizinin amacı, bir dizi heterojen birey veya nesne içindeki homojen kümeleri tanımlamaktır.

Bu şekilde küme analizi, keşfedici bir veri analizi tekniğidir. Everitt ve Rabe-Hesketh, “Keşif terimi burada önemlidir,” diye yazıyor, “çünkü, istatistiğin pek çok alanında her yerde bulunan, büyük ölçüde eksik olan ‘p-değerlerini’ açıklıyor. Kümeleme yöntemleri, büyük ölçüde hipotezi test etmekten ziyade üretmeye yöneliktir”.

Bu alıntı, küme analiziyle ilgili sık sık yapılan bir yanlış anlaşılmaya işaret etmektedir: Gözlemleri karmaşık bir veri kümesinde gruplandırabilmesine rağmen, küme analizi, sonuçta ortaya çıkan grupların birbirinden önemli ölçüde farklı olup olmadığını belirleyemez. Yalnızca grupların var olması, aralarında önemli farklılıkların olduğunu kanıtlamaz.

Kümeleme analiziyle ilgili bir başka yanlış anlama da, yalnızca bir küme analizi tekniği olduğu inancıdır. Gerçekte birçok kümeleme yöntemi vardır. Gerçekten de, kötüleyenler, küme analizi kullanıcıları kadar çok kümeleme yöntemi olduğunu iddia ediyor. İnanılmaz çeşitlilikte uzaklık ölçüleri olduğundan ve tek bir kümeleme yöntemi için bağlantı algoritmaları kullanılabildiğinden (daha sonra göreceğimiz gibi) bu iddia haklıdır.

Bununla birlikte, iki genel kümeleme yöntemi türü tanımlayabiliriz:

1. Hiyerarşik küme analizi
2. K-ortalama küme analizi

Aşağıdaki bölümler, her iki küme analizi türüne kısa bir giriş sunar.

Kümeleme analizi Nedir
Kümeleme analizi örnekleri
k-means kümeleme analizi
Kümeleme analizi nasıl yapılır
Cluster analizi nedir
Hiyerarşik kümeleme analizi
SPSS kümeleme analizi
Tam bağlantı kümeleme yöntemi

Hiyerarşik Küme Analizi

Hiyerarşik kümeleme, toplayıcı veya bölücü olabilir. Aglomeratif yöntemler, her gözlemi tek bir küme olarak ele alarak başlar. n gözlem için n küme vardır. Daha sonra, her küme arasındaki mesafe belirlenir ve birbirine en yakın olanlar yeni bir kümede toplanır. İlk iki küme, sonraki analitik adımlar sırasında asla birbirinden ayrılmaz. Şimdi n-1 küme kaldı.

Bu süreç kendini tekrar etmeye devam eder, böylece her adımda kalan küme sayısı azalır ve kademeli olarak bir küme hiyerarşisi oluşur. Bununla birlikte, her yeni adım, toplanacak gözlemler birbirinden uzaklaştıkça, bir küme içindeki nesneler arasındaki farkta bir artış görür. Araştırmacılar, hangi noktada heterojenlik düzeyinin toplamanın yararlarından daha ağır basacağına karar vermelidir.

Buhl tarafından kullanılan bir veri kümesini kullanarak hiyerarşik küme analizi yöntemlerine ve bunlarla ilişkili sorunlara bir göz atalım. 17 birayla ilgili örnek veri setimiz fl başına maliyet değişkenlerini içerir. oz. ve fl başına kalori. oz. Küme analizi, biraları kümeler halinde en iyi nasıl gruplayacağımızı belirlememize yardımcı olur.

Aglomeratif kümelemeyi kullanarak, her birayı bağımsız bir küme olarak görerek ve aralarındaki mesafeleri ölçerek başlıyoruz. Ancak ölçüm için referans noktamız ne olmalıdır?

Aşağıdaki bölümde Dos Equis ve Bud Light biraları arasındaki en kısa mesafeyi belirliyoruz. En doğrudan rotayı – kuş uçuşu olarak – alır ve dikey mesafe (1⁄4a) ve yatay mesafe (1⁄4b) olarak ayırırsak, bir dik üçgen elde ederiz. Pisagor teoremi (a2 + b2 1⁄4 c2) kullanılarak, doğrudan mesafe, kare yatay ve dikey mesafelerin toplamının kökü olarak ifade edilebilir.

Özellikleri karşılaştırmak için ikiden fazla değişken kullanılıyorsa, Pisagor teoremini artık eskisi gibi kullanamayız. Burada iki gözlem arasındaki Öklid mesafesini belirleyerek r-boyutlu uzaylar için Pisagor teoremini genişletmemiz gerekiyor.

Bu bilgiyi kullanarak artık diyelim ki Tuborg, Dos Equis ve Budweiser arasındaki mesafeleri belirleyebiliyoruz.

Budweiser ile Tuborg arasındaki mesafe 11 birim iken Budweiser ile Dos Equis arasındaki mesafe sadece 1.04 birimdir. Bu sonuçlar, figürün yarattığı sezgisel izlenimle çelişiyor. Budweiser ve Tuborg birbirlerine Budweiser ve Dos Equis’den çok daha yakın görünüyorlar.

Bu durumda görsel sezgimiz bizi yanıltmaz. Değişkenler fl başına maliyet. oz. ve fl başına kalori. oz. tamamen farklı iki ölçü birimi görüntüler. Kalori değerleri yüzlerce, maliyetler ise 0.30 ile 0.77 arasında değişiyor. Bu, kalorilerdeki farklılıklar anlamına gelir – örn. Tuborg ve Budweiser’ı ayıran 11 ünite – maliyet farklarından daha fazla mesafe üzerinde daha güçlü bir etkiye sahiptir – ör. Tuborg ve Budweiser’ı ayıran 0.27 birimdir.

Ve ölçü birimini kaloriden kilokaloriye değiştirirsek, maliyet farkı aynı kalsa bile mesafe değerleri önemli ölçüde değişir.

Bu bize önemli bir ders verir: küme analizindeki mesafe ölçümleri aynı ölçü birimlerine dayanmalıdır. Özellikler farklı ölçü birimlerindeyse, değişkenler ölçülmeden önce “birimsiz” hale getirilmelidir.

Genellikle bu, onları standartlaştırmak için tüm değişkenlere bir z-dönüşümünün uygulanmasıyla yapılır.3 Bu işlevler çoğu istatistik programında mevcuttur. Bazen profesyonel araştırma çalışmalarında bile z-dönüşümü gözden kaçırılır. Bir uyarı işareti, yalnızca bir grup için büyük değerlere sahip değişkenlerin (ör. firma büyüklüğü, şirket harcamaları) önemli olduğu zamandır. Bu, araştırmacıların tetikte olması gerekmesine rağmen, standardizasyon eksikliğini göstermez.

The post Küme Analizi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).