SPSS Tutorial

ngel M. Ramos Domnguez Curso de Doctorado Anlisis Conjunto

Anlisis Cluster
Gua Anlisis Cluster Ejemplo de anlisis cluster Trabajo sobre asignacin

Anlisis Cluster
Es una clase de tcnicas utilizadas para clasificar casos en grupos que son relativamente homogneos dentro de si mismos y heterogneos entre ellos, sobre la base de un conjunto definido de variables. Estos grupos se llaman Clusters o Conglomerados.

Anlisis Cluster e Investigacin de mercados

Segmentacin de Mercados. Agrupamiento de consumidores de acuerdo a sus preferencias de atributos Comprender el comportamiento de los compradores. Los consumidores con similares comportamientos/caractersticas son agrupados juntos. Identificar oportunidades de nuevos productos. Los clusters de similares marcas/productos pueden ayudar a identificar competidores/oportunidades de mercado Reduccin de los datos. En mapas de preferencias

Etapas de un Anlisis cluster

1. Seleccionar una medida de distancia 2. Seleccionar un algoritmo de agrupamiento 3. Determinar el nmero de clusters 4. Validar el anlisis

-1

-2

-3

-4 -3 -2 -1 0 1 2 3 4

REGR factor score 2 for analysis

Definicin de la distancia: La distancia Eucldea

Dij

x
n k 1

ki

xkj

Dij distancia entre los casos i y j xki valor de la variable Xk para el caso j Problemas: Diferentes medidas = diferentes ponderaciones Correlacin entre variables (redundancia) Solucin: Anlisis de componentes principales

Procedimientos de Clustering
Procedimientos jerarquicos
Aglomerativo (comienza desde n clusters, hasta llegar a obtener 1 cluster) Divisivo (comienza desde 1 cluster, hasta obtener n cluster)

Procedimientos no jerarquicos
Cluster de K-medias

Agrupamiento aglomerativo

Agrupamiento aglomerativo

Mtodos de enlace
Enlace simple (distancia mnima) Enlace Completo (distancia mxima) Enlace promedio

Mtodo de Ward
1. 2. Calcular la suma de las distancias al cuadrado dentro de los clusters Agregar clusters con incremento mnimo en la suma de cuadrados total La distancia entre dos clusters se define como la distancia entre los centroides (medias de los cluster)

Mtodo del centroide

Cluster de K-medias
1. 2.

El nmero k de clusters es fijo Se proporciona un conjunto inicial de k semillas (centros de agregacin)

K primeros elementos Otras semillas

3.

Dado un cierto umbral, todas unidades son asignadas a la ms cercana semilla del grupo 4. Se calculan nuevas semillas 5. Volver a la etapa 3 hasta que no sea necesaria una reclasificacin Las unidades pueden ser reasingnadas en etapas sucesivas (particin ptima)

Mtodos jerarquicos vs no jerarquicos

Agrupamiento jerarquico No hay decisin acerca del nmero de clusters Existen problemas cuando los datos contienen un alto nivel de error Puede ser muy lento La decisin inicial influye mucho (una etapa nica)

Agrupamiento no jerarquico
Ms rpido, ms fable Es necesario especificar el nmero de clusters (arbitrario) Es necesario establecer la semilla inicial (arbitrario)

Mtodo sugerido
1. Primero ejecutar un mtodo jerrquico para definir el nmero de clusters 2. Luego utilizar el procedimiento kmedias para formar los clusters

Definicin del nmero de clusters: regla del codazo (1)

n
Stage Number of clusters 0 12 1 11 2 10 3 9 4 8 5 7 6 6 7 5 8 4 9 3 10 2 11 1
Stage 1 2 3 4 5 6 7 8 9 10 11

Agglomeration Schedule Stage Cluster First Appears Cluster 1 Cluster 2 Next Stage 0 0 4 0 0 5 0 0 4 1 3 6 0 2 7 4 0 7 5 6 8 7 0 9 8 0 10 9 0 11 10 0 0

Cluster Combined Cluster 1 Cluster 2 Coefficients 4 7 .015 6 10 .708 8 9 .974 4 8 1.042 1 6 1.100 4 5 3.680 1 4 3.492 1 11 6.744 1 2 8.276 1 12 8.787 1 3 11.403

Regla del codazo (2): El diagram scree

12 10 8

Distance

6 4 2 0 11 10 9 8 7 6 5 4 3 2 1 Number of clusters

Validacin del anlisis

Impacto de las semillas iniciales / orden de los casos Impacto del mtodo seleccionado Considerar la relevancia del conjunto de variables elegido

SPSS Example

1.5 JULIA 1.0

MATTHEW

LUCY JENNIFER

.5

NICOLE

0.0 JOHN -.5 PAMELA THOMAS ARTHUR

Component2

-1.0

-1.5

FRED

-2.0 -1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0

Component1

Agglomeration Schedule Stage Cluster First Appears Cluster 1 Cluster 2 0 0 0 0 0 0 0 0 3 0 4 0 6 2 1 5 7 8

Stage 1 2 3 4 5 6 7 8 9

Cluster Combined Cluster 1 Cluster 2 3 6 2 5 4 9 1 7 4 10 1 8 1 2 3 4 1 3

Coefficients .026 .078 .224 .409 .849 1.456 4.503 9.878 18.000

Next Stage 8 7 5 6 8 7 9 9 0

Number of clusters: 10 6 = 4

1.5

MATTHEW JULIA LUCY JENNIFER

1.0

.5

NICOLE

0.0 JOHN -.5 PAMELA THOMAS -1.0 ARTHUR

Cluster Number of Ca
4 3

-1.5 -2.0 -1.5 -1.0 -.5 0.0

FRED 2 1 .5 1.0 1.5 2.0

Component1

Open the dataset supermarkets.sav

From your N: directory (if you saved it there last time Or download it from: http://www.rdg.ac.uk/~aes02mm/ supermarket.sav http://www.rdg.ac.uk/~aes02mm/ supermarket.sav Open it in SPSS

The supermarkets.sav dataset

Run Principal Components Analysis and save scores

Select the variables to perform the analysis Set the rule to extract principal components Give instruction to save the principal components as new variables

Cluster analysis: basic steps

Apply Wards methods on the principal components score Check the agglomeration schedule Decide the number of clusters Apply the k-means method

Analyse / Classify

Select the component scores

Select from here

Untick this

Select Wards algorithm

Select method here

Click here first

Output: Agglomeration schedule

Number of clusters
Identify the step where the distance coefficients makes a bigger jump

The scree diagram (Excel needed)

Distance
800 700 600 500 400 300 200 100 0

118

120

122

124

126

128

130

132

134

136

138

140

142

144

146

Step

148

Number of clusters
Number of cases 150 Step of elbow 144 __________________________________ Number of clusters 6

Now repeat the analysis

Choose the k-means technique Set 6 as the number of clusters Save cluster number for each case Run the analysis

K-means

K-means dialog box

Specify number of clusters

Save cluster membership

Click here first

Thick here

Final output

Cluster membership

Component meaning (tutorial week 5)

1. Old Rich Big Spender
Component Matrixa

4. Organic radio listener

5 .173 -5.95E-02 .140 5. Vegetarian .199

Monthly amount spent Meat expenditure Fish expenditure .525 Vegetables expenditure .192 % spent in own-brand .646 product Own a car .536 % spent in organic food .492 Vegetarian 1.784E-02 Household Size .649 Number of kids .369 Weekly TV watching .124 (hours) Weekly Radio listening 2.989E-02 (hours) Surf the web .443 Yearly household income .908 Age of respondent .891

Component 3. Vegetarian TV 1 2 3 4 lover .810 -.294 -4.26E-02 .183 2. Family shopper .347 .480 -.152 .334 -.206 -.345 -.281 .619 -.186 -9.24E-02 .612 .663 -9.53E-02 .406 -.271 -4.75E-02 -5.64E-02 -.475 -.127 -.134 -.102 .190 .647 .135 .247 .462 -.349 .182 -7.46E-02 -6.73E-02 -4.35E-02 .383 -.239

TV and -.207web hater

-.172 6.008E-02 .460 .342 -.287 .507 -6.12E-02 -3.29E-03 .184 1.694E-02 .232 .559 -.529 -8.14E-02

-5.61E-02 -.465 -.197 -3.26E-02 -.228 6.942E-04

Extraction Method: Principal Component Analysis. a. 5 components extracted.

Final Cluster Centers Cluster 1 REGR factor score 1 for analysis 1 REGR factor score 2 for analysis 1 REGR factor score 3 for analysis 1 REGR factor score 4 for analysis 1 REGR factor score 5 for analysis 1 -1.34392 .38724 -.22215 .15052 .04886 2 .21758 -.57755 -.09743 -.28837 -.93375 3 .13646 -1.12759 1.41343 -.30786 1.23631 4 .77126 .84536 .17812 1.09055 -.11108 5 .40776 .57109 1.05295 -1.34106 .31902 6 .72711 -.58943 -1.39335 .04972 .87815

Cluster interpretation through mean component values

Cluster 1 is very far from profile 1 (-1.34) and more similar to profile 2 (0.38) Cluster 2 is very far from profile 5 (-0.93) and not particularly similar to any profile Cluster 3 is extremely similar to profiles 3 and 5 and very far from profile 2 Cluster 4 is similar to profiles 2 and 4 Cluster 5 is very similar to profile 3 and very far from profile 4 Cluster 6 is very similar to profile 5 and very far from profile 3

Which cluster to target?

Objective: target the organic consumer Which is the cluster that looks more organic? Compute the descriptive statistics on the original variables for that cluster

Representation of factors 1 and 4

(and cluster membership)
3

Cluster Number of Ca
0 6 5 -1 4 -2 3 2 -3 -3 -2 -1 0 1 2 1

REGR factor score 1 for analysis