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

REGR factor score 1 for analysis

-1

-2

-3
-4
-3

-2

-1

REGR factor score 2 for analysis

Definicin de la
distancia: La distancia
Eucldea
n

Dij

x
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

Mtodo del centroide

La distancia entre dos clusters se define como la

distancia entre los centroides (medias de los cluster)

Cluster de K-medias
1.
2.

3.

El nmero k de clusters es fijo

Se proporciona un conjunto inicial de k semillas
(centros de agregacin)
K primeros elementos
Otras semillas

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)
Agglomeration Schedule

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

Cluster Combined
Cluster 1 Cluster 2
4
7
6
10
8
9
4
8
1
6
4
5
1
4
1
11
1
2
1
12
1
3

Coefficients
.015
.708
.974
1.042
1.100
3.680
3.492
6.744
8.276
8.787
11.403

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

12

Regla del codazo (2):

El diagram scree

10

Distance

8
6
4
2
0
11

10

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

MATTHEW

1.5
JULIA
1.0

LUCY
JENNIFER

.5

NICOLE

0.0
JOHN
-.5

PAMELA
THOMAS

ARTHUR

Component2

-1.0

FRED

-1.5
-2.0
-1.5

-1.0

Component1

-.5

0.0

.5

1.0

1.5

2.0

Agglomeration Schedule

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

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

Number of clusters:
10 6 = 4

Next Stage
8
7
5
6
8
7
9
9
0

1.5

MATTHEW
JULIA

1.0

LUCY
JENNIFER

.5

NICOLE

0.0
JOHN

Component2

-.5 PAMELA
THOMAS

Cluster Number of Ca

ARTHUR

-1.0

3
FRED

-1.5

-2.0

-1.5

-1.0

-.5

Component1

0.0

.5

1.0

1.5

2.0

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/s
upermarket.sav
http://www.rdg.ac.uk/~aes02mm/s
upermarket.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

Step

148

146

144

142

140

138

136

134

132

130

128

126

124

122

120

118

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
Monthly amount spent
Meat expenditure
Fish expenditure
Vegetables expenditure
% spent in own-brand
product
Own a car
% spent in organic food
Vegetarian
Household Size
Number of kids
Weekly TV watching
(hours)
Weekly Radio listening
(hours)
Surf the web
Yearly household income
Age of respondent

4. Organic radio
listener

Component Matrixa

Component
3.
Vegetarian
1
2
3
4
TV
lover
.810
-.294 -4.26E-02
.183
2.
Family
.480
-.152
.347
.334
shopper
.525
-.206
-.475 -4.35E-02

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

TV
and
-.207 web hater

.192

-.345

-.127

.383

.646

-.281

-.134

-.239

.536
.492
1.784E-02
.649
.369

.619
-.186
-9.24E-02
.612
.663

-.102
.190
.647
.135
.247

-.172
.460
-.287
-6.12E-02
.184

6.008E-02
.342
.507
-3.29E-03
1.694E-02

.124

-9.53E-02

.462

.232

-.529

2.989E-02

.406

-.349

.559

-8.14E-02

.443
.908
.891

-.271
-4.75E-02
-5.64E-02

.182
-7.46E-02
-6.73E-02

-5.61E-02
-.197
-.228

-.465
-3.26E-02
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

.21758

.13646

.77126

.40776

.72711

.38724

-.57755

-1.12759

.84536

.57109

-.58943

-.22215

-.09743

1.41343

.17812

1.05295

-1.39335

.15052

-.28837

-.30786

1.09055

-1.34106

.04972

.04886

-.93375

1.23631

-.11108

.31902

.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)

REG R factor score 4 for analysis

Cluster Number of Ca
0

6
5

-1
4
3

-2

2
-3

1
-3

-2

-1

REGR factor score

1 for analysis