Kişilik veri dosyasını açıyoruz ve ana menüden Analiz ➔ Tanımlayıcı İstatistikler ➔ Tanımlayıcılar’ı seçiyoruz. Bu, gösterilen ana Tanımlayıcılar iletişim penceresini açar. Neoconsc, negafect ve Regard’ı Değişken(ler) paneline taşıyoruz, Save Standardized value as Variables (Standartlaştırılmış değerleri değişkenler olarak kaydet) kutusunu işaretliyoruz ve analizi gerçekleştirmek için OK’i seçiyoruz.

İşlemimizin sonucu görülebilir. Orijinal adının önünde büyük harf Z ile adlandırılan yeni dönüştürülmüş değişkenler, veri dosyasının sonunda görünür.

ANALİZ KURULUMU: k -KÜMELEME 

Ana menüden Analyze ➔ Classify ➔ k-Means Cluster öğesini seçin. Bu, gösterilen ana iletişim penceresini açar. Zneoconsc, Znegafect ve Zregard’ı Değişken(ler) paneline taşıyoruz. Number of Clusters panelinde 4 belirtiyoruz ve Method altında Iterate ve classify varsayılanını koruyoruz.

Yinele düğmesinin seçilmesi, gösterilen Yinele iletişim penceresini açar. IBM SPSS tarafından belirlenen varsayılan yineleme sayısı 10’dur; bu, çok fazla yinelemenin eski makinelerin sınırlı işlem gücünü vurgulayacağı çok eski günlerden kalmadır. Analizimizin tamamlanmasını sağlamak için yinelemeleri 100’e yükseltiyoruz. Devam’ı tıklatmak bizi ana iletişim penceresine döndürür.

Gösterilen Seçenekler penceresinde, İstatistikler alanında İlk küme merkezleri (ilk tohum noktalarını göstermek için) ve kümeleme değişkenleri üzerindeki grupları karşılaştırmak için ANOVA tablosunu seçiyoruz. Ayrıca, pencerenin Eksik Değerler bölümünde Vakaları liste şeklinde hariç tut seçeneğini de koruyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Kaydet penceresi gösterilir. Cluster üyeliğini seçiyoruz. Bu, veri dosyasının sonunda, nihai çözümde her vakanın atandığı kümeyi gösteren sayısal kodlarla birlikte yeni bir kategorik değişken yaratacaktır. Ana iletişim penceresine dönmek için Devam’ı tıklayın ve analizi gerçekleştirmek için Tamam’ı seçin.

ANALİZ ÇIKTI: k -KÜMELEME 

Veri dosyasının bir bölümünün ekran görüntüsünü, QCL_1 değişkeni altında atanan her vakanın küme üyeliğiyle birlikte gösterir. Değişkenin adı, “Hızlı Küme, Bu Oturumun İlk Kaydetme Komutu”nun kısaltmasıdır. İlk satırdaki vakanın Küme 3’e atandığını, ikinci satırdaki vakanın Küme 1’e atandığını vb. görebiliriz.

Analiz için başlangıç ​​başlangıç ​​noktaları, İlk Küme Merkezleri tablosunda gösterilir. Değerler, sıfır örnek ortalaması ve 1,00 standart sapma ile z puanı biçimindedir. Çekirdek nokta z puanlarının çoğu, ilgili ortalamalarından bir standart sapma mesafesinin oldukça üzerindedir ve çoğu, iki standart sapma mesafesinin biraz üzerindedir. İki noktayı not ediyoruz.

İlk olarak, gerçek bir aykırı değer görmüyoruz (üç standart sapma biriminin ötesinde bir puan) ve bu güven verici. İkincisi, bu çekirdek noktalar, numune ortalamasından çok uzaktır, ancak yinelemeli süreç, son küme merkezlerini elde ettiğimizde bu mesafeleri büyük ölçüde azaltacaktır.

Tam bağlantı kümeleme yöntemi
Hiyerarşik kümeleme örnek
Kümeleme tekniği
Cluster yöntemi. nedir
İki küme arasındaki uzaklık
Veri MADENCİLİĞİ kümeleme Nedir
Kümeleme problemi
Veri Bilimi hiyerarşisi

Yineleme Geçmişini görüntüler. Yakınsama eşiğine onuncu yineleme ile ulaşıldığından, varsayılanı değiştirmemiz burada gereksiz görünüyordu. Araştırmacıların bir k-ortalama kümeleme analizi gerçekleştirme konusundaki endişelerinden biri, nihai çözümde her kümeye atanan vaka sayısının kabul edilebilir olduğundan emin olmaktır. Bu bilgi, örnek boyutlarının 66 (Küme 2) ile 125 (Küme 1) arasında değiştiğini gördüğümüz yerde gösterilmektedir. Bunu oldukça iyi olarak değerlendiriyoruz. Bir kümenin çok az vakaya (belki bir düzine veya daha az vakaya) sahip olduğu ve bu tür bir grubun sonraki analizlerde uygulanabilir olmadığı durumlarda kaçınılması gerekir.

ANOVA özet tablosu gösterilir. Tablonun dipnotları önemlidir, bu da bize analizin kesinlikle keşfedici olarak ele alınması gerektiğini bildirir. Burada, tüm kümeleme değişkenlerinde istatistiksel olarak anlamlı grup farklılıkları vardır. Bu tablonun araştırmacılar için birincil kullanımı, bir kümeleme değişkeninin ne zaman istatistiksel olarak anlamlı bir etki sağlamadığını fark etmektir; bu, değişkenin seçilen amaç için etkili olmadığını gösterir ve araştırmacılara, eğer makul ve uygunsa, başka bir değişkenle değiştirerek analizi tekrarlamak isteyebileceklerini önerebilir.

Nihai Küme Merkezleri tablosu gösterilmektedir. Bu tablo sonuçların özünü gösterir ve kümeleri karakterize etmek için kullanılır. Çekirdek noktaların nispeten uç değerlerinin büyük ölçüde yumuşatıldığına dikkat edin. Bu z puanları, örnek istatistiklerine dayanmaktadır ve bu nedenle, herhangi bir popülasyon anlamında değil, bu örneğe göre yorumlanmalıdır.

Standardizasyon nispeten büyük bir örneklem boyutuna (N = 420) dayandığından, z puanlarının büyüklüğünü işlevsel bir şekilde yorumlayabiliriz. Bu nedenle, numuneye göre yaklaşık ±.50 ila yaklaşık ±.75 aralığında az puanı önemli, yaklaşık ±1.00 az puanı nispeten önemli ve yaklaşık ±1.30’dan büyük herhangi bir az puanı oldukça aşırı olarak değerlendirebiliriz. kastetmek. Tanımlamamızda, yorumlamamıza rehberlik etmesi için bu yüksek z puanlarını ararız.

Bu kümeleri (grupları) aşağıdaki gibi karakterize ediyoruz:

• Küme 1. Küme 1’in tek ayırt edici özelliği, önemli (olumsuz) bir vicdani ortalamadır; bu, bu kümedeki vakaların, ortalama olarak, örneklem için ortalamadan daha dikkatsiz ve sorumsuz olarak nitelendirilebileceğini düşündürür.
• Küme 2. Bu kümedeki ortalama vakalar, göreceli olarak vicdani ve özsaygı eksikliği ile karakterize edilmiş gibi görünmektedir, ancak önemli ölçüde olumsuz etki yaşadıkları görülmektedir; nispeten daha umutsuz ve örnek için ortalamadan daha kayıp olarak karakterize edilebilirler.
• Küme 3. Bu kümedeki ortalama vakalar, çok az olumsuz etki yaşarken önemli ölçüde vicdanlılık ve özsaygı ile karakterize ediliyor gibi görünmektedir; örnek için ortalamadan psikolojik olarak daha sağlıklı olarak karakterize edilebilirler.
• Küme 4. Bu kümedeki ortalama vakalar, göreceli olarak vicdanlı görünüyor, ancak önemli ölçüde olumsuz etki yaşıyor; örneklemin, yaşam görevlerini eylemlerinden fazla zevk almadan tamamlarken kara kara düşünmesi ortalamadan daha muhtemel olarak karakterize edilebilirler.

KONULAR ARASI TEK YÖN TAKİP ANALİZİ

Sonraki bir analizde küme üyeliği değişkeninin kullanımını göstermek için, IBM SPSS’deki Tek Yönlü ANOVA prosedürünü kullanarak denekler arasında tek yönlü bir ANOVA gerçekleştiriyoruz. Bu prosedürü tartıştık ve burada tercih ettik, çünkü bir kümeleme prosedürüyle oluşturulan grupların bağımlı değişkendeki değişkenlik açısından oldukça farklı olması alışılmadık bir durum değildir ve Tek Yönlü ANOVA prosedüründe, özel önem testleri talep edebiliriz. varyansın homojenliği varsayımının ihlalini hesaba katan omnibus etkisi (genel grup farkı).

SAYISAL ÖRNEK: TEK YOL ANOVA

Gruplarımızı temsil eden bağımsız değişken olarak kullanılacak olan QCL_1 değişkenimizi içeren kişilik veri dosyasında, bağımlı değişkenimiz olarak selfcon (self-control) kullanacağız. Bu bağımlı değişken, Öz Kontrol Çizelgesi’ndeki puandır ve kişinin düşünce ve duygularının pozitif kontrolünü alarak yaşamla başa çıkma yollarını temsil eder.

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

İlk iki şehir bir kümeye yerleştirildikten sonra geriye 11 varlığımız kalıyor; yani 10 bağımsız şehrimiz ve iki şehirden oluşan bir kümemiz var. Hiyerarşik küme analizindeki bir sonraki adım, bu 11 varlığın yakınlıklarını (benzerliklerini) değerlendirir ve en benzer iki varlık birleştirilir. Böylece, iki şehirli küme başka bir şehirle birleştirilebilir veya iki bağımsız şehir kendi kümelerinde birleştirilebilir. Bu adımın sonunda 10 varlık vardır ve süreç, tüm şehirler tek bir kümenin parçası olana kadar adım adım tekrarlanır.

Kümeleme algoritması sayesinde, varlıklar ne kadar farklı olursa olsun, analizin sonunda eninde sonunda birbirlerine bağlanacaklar. Araştırmacıların işi, kaç tane “yararlı” küme olduğunu belirlemektir. Kümeleme analizinde herhangi bir sıfır hipotezi için istatistiksel bir test olmadığından, araştırmacıların, analiz süreci boyunca hem tablo halinde hem de görsel formlarda görüntülenen kümeleme modeli tarafından yönlendirilmesi gerekir; Analizdeki varlıklar.

Kümeleme süreci, her biri için çeşitli yöntem seçenekleri bulunan, biri uzaklık ve diğeri bağlantı olmak üzere iki ayrı türde hesaplamayı içeren, hesaplama açısından karmaşıktır; bunlar Meyers et al. (2013). Yakınlıklar mesafe ölçüleridir ve hiyerarşik küme analizinde bu tür birkaç mesafe ölçüsü mevcuttur (kare Öklid mesafesi, Öklid mesafesi, şehir bloğu veya Manhattan mesafesi, Chebyshev mesafesi, Minkowski mesafesi ve güç metrik mesafesi) .

Mesafe, her bir yöntem bu belirlemeyi biraz farklı yapsa da, tüm varlıklar arasındaki tüm karşılık gelen ölçüler arasındaki fark açısından değerlendirilir (örneğin, her bir çift arasındaki medyan hane geliri, nüfus yoğunluğu farkının hesaplanması).

Varlıkları kümeler halinde birbirine bağlamak için kullanılabilecek birkaç yöntem vardır; bunlar, aritmetik ortalamalı ağırlıksız ikili grup yöntemini (gruplar arası ortalama bağlantı olarak da adlandırılır), ortalama grup içi bağlantı yöntemini, en yakın komşu (tek bağlantı olarak da adlandırılır) yöntemini, en uzak komşuyu (ayrıca gruplar arası ortalama bağlantı olarak da adlandırılır) içerir. tam bağlantı) yöntemi, ağırlıksız çift-grup centroid yöntemi (genellikle centroid yöntemi olarak adlandırılır), ağırlıklı çift-grup centroid yöntemi (genellikle medyan yöntemi olarak adlandırılır) ve Ward’ın yöntemi vardır.

Farkları hesapladığımız ve değişkenler üzerinde diğer aritmetik işlemleri yaptığımız için, veri analizinden önce tüm değişkenlerin aynı metriğe ayarlanması istenir ve bunu yapmanın en uygun yolu değerleri z puanlarına dönüştürmektir. IBM SPSS’deki Hiyerarşik Kümeleme prosedürü, talep etmemiz halinde bu standardizasyonu gerçekleştirmek için yerleşik bir prosedüre sahiptir.

Kümeleme analizi Nedir
Cluster analizi nedir
Hiyerarşik olmayan kümeleme analizi
Kümeleme analizi örnekleri
Tam bağlantı kümeleme yöntemi
Kümeleme analizi yöntemleri
Veri Bilimi hiyerarşisi
Kümeleme Analizi makale

SAYISAL ÖRNEK

Bu örnek için, demografi 12 ABD şehri veri dosyasını kullanıyoruz. Şehrin adını içeren Şehir değişkenine ek olarak, veri dosyası her şehir için aşağıdaki nicel değişkenleri içerir:

yaş (ortanca ikamet yaşı), gelir (ortalama hane geliri bin dolar), house_price (bin dolar olarak ortalama müstakil ev fiyatı), kira (ortalama kira maliyeti), maliyet (yaşam maliyeti endeksi), African_Amer (yüzdesi) Bir şehirde ikamet eden Afrikalı-Amerikalılar), Latino_Amer (bir şehirde ikamet eden Latin-Amerikalıların yüzdesi), yoğunluk (nüfus yoğunluğu), daha yüksek derece (mezun veya profesyonel dereceli yüzde), hiç evlenmemiş (hiç evlenmemiş yüzde) , boşanmış (boşananların yüzdesi), yabancı kökenli (ABD dışında doğanların yüzdesi), aynı cinsiyetli (aynı cinsiyetten hanelerin yüzdesi), obezite (yetişkin obezite oranı) ve suçlular (kayıtlı seks suçlularının sayısı).

ANALİZ KURULUMU

Demografi 12 ABD şehri veri dosyasını açıyoruz ve ana menüden Analiz Et ➔ Sınıflandır ➔ Hiyerarşik Küme’yi seçiyoruz. Bu, gösterilen ana iletişim penceresini açar. Çıktımızda şehir isimlerini görebilmemiz için City’yi panel ile Label Case’lere taşıyoruz. Daha sonra diğer tüm değişkenleri Değişken(ler) paneline taşırız ve Küme altındaki Vakaların ve Görüntü altındaki İstatistikler ve Grafiklerin varsayılanlarını koruruz.

Yöntem düğmesinin seçilmesi, gösterilen Yöntem iletişim penceresini açar. Kümeleme yöntemlerinin ve uzaklık ölçülerinin çeşitli kombinasyonlarını (kümeleme çözümünü temsil etmek için hangisinin kullanılacağını belirlemek için) kullanarak hiyerarşik bir küme analizi gerçekleştirmek yaygın bir uygulamadır.

Nispeten cimri ve yorumlanabilir bir sonuç veren çözümlerden biri burada gösterilmektedir. Cluster Method için açılır menüden Ward’s method’u seçiyoruz ve Distance Measure için varsayılan Squared Euclidean Distance’ı seçiyoruz. Pencerenin Değerleri Dönüştür alanında, Standardize açılır menüsünden Z puanlarını seçiyoruz ve varsayılan By değişkenini koruyoruz. Devam’ı tıklatmak bizi ana iletişim penceresine döndürür.

İstatistikler penceresinde Aglomerasyon çizelgesini (kümeleme sürecinin ilerlemesini tablo şeklinde göstermek için) ve şehirler arasındaki ilk mesafeleri görmek için Yakınlık matrisini seçiyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Gösterilen Plots penceresinde, Tüm kümeler için Dendrogram ve bir Icicle grafiği seçiyoruz. Oryantasyon alanında, saçağı grafiğini en geleneksel biçiminde sunmak için Dikey’i seçiyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın ve analizi gerçekleştirmek için Tamam’ı seçin.

ANALİZ ÇIKIŞI

Şehirler için Yakınlık Matrisi gösterilmektedir. Bunlar, her şehir çifti arasındaki kare Öklid uzaklıklarıdır ve en yakın iki şehir, ilk kümeleme adımında bir kümede birleştirilecektir. Daha büyük değerler daha büyük mesafelerin göstergesidir (dolayısıyla dipnot bunun gerçekten bir farklılık matrisi olduğunu gösterir). En küçük değere sahip şehir çifti (analizimizde değişkenlerle ölçülen en yakın iki şehir) Austin ve Phoenix’tir; kareleri Öklid uzaklığı 6.053’tür.

Kümeler için Aglomerasyon Zamanlamasını gösterir. Sezgisel olması gerekmeyen bir stenografi kullanarak kümeleme sürecini izler, ancak tablodaki en önemli bilgiler Katsayılar altında bulunur. Bu sütun, analizdeki her adımda kümelerin bağlandığı mesafeyi (Ward’ın yöntemiyle, küme içi karelerin toplamıdır) temsil eder.

Hesaplama açısından karmaşık olabilir, ancak Katsayıları nispeten basit ve öznel olarak yorumluyoruz: Adımlar (Aşamalar) boyunca katsayıların değerindeki daha büyük sıçramalar, aşırı basitleştirilmiş terimlerle, birleştirmenin oldukça “zorlanmış” olduğunu (göreceli kümeler) göstermektedir. birbirine benzemeyenler birleştirilir) ve nispeten büyük bir sıçramadan hemen önce düşen olarak kabul etmek istediğimiz çözümdeki kümelerin sayısını belirlemek isteyebiliriz.

Sonuçlarımızda, Aşama 9 ve Aşama 10 (114.548 – 88.046) arasında 26.502’lik bir sıçrama ve Aşama 10 ile Aşama 11 (165.000 – 114.548) arasında çok daha büyük bir 50.452’lik sıçramamız var. Analizdeki 12 şehir ile 12 şehrin tamamı 12. Aşamada tek bir kümede birleştirilecektir.

Katsayı değerlerindeki artışlara dayanarak (ve her aşamada hangi şehirlerin birbirine bağlandığına bakmadan), muhtemelen 11. Aşama’nın sonunda çözümü dışarıdan kabul etme olasılığı ile kabul etmeye meyilli olacağız gibi görünüyor. 

The post Hiyerarşik 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).