Иерархическая кластеризация переменных помогает характерные [c.767]
Классификационный анализ, 748 Кластеризация переменных, Кластерная выборка, 427 Кластерный анализ, 748 [c.949]
Первый этап — формулировка проблемы кластеризации путем определения переменных, на базе которых она будет проводиться, Затем выбирается соответствующий способ измерения расстояния. Мера расстояния показывает, насколько подвергнутые кластеризации, схожи или не схожи между собой. Разработано несколько методов кластеризации, и исследователю необходимо выбрать наиболее подходящий для решения данной проблемы. Решение о числе кластеров также принимает исследователь. Сформированные кластеры нужно анализировать с точки зрения переменных, использованных для их получения, а также для профилирования кластеров можно использовать дополнительные явно выраженные переменные. И наконец, исследователь должен оценить достоверность (качество) процесса кластеризации. [c.751]
Возможно, самая важная часть формулирования проблемы кластеризации — это выбор переменных, на основе которых проводят кластеризацию. Включение даже одной или двух посторонних (не имеющих отношение к группированию) переменных может исказить результаты кластеризации. Задача состоит в том, чтобы выбранный набор переменных смог описать сходство между объектами с точки зрения признаков, имеющих отношение к данной проблеме маркетингового исследования, следует выбирать, исходя из опыта прошлых исследований, теории или тестируемой Экспериментатор должен обладать интуицией и уметь делать выводы. [c.751]
Часто имеет смысл профилировать кластеры через переменные, которые не явились основанием для кластеризации. Эти переменные могут включать демографические, психографические характеристики, использование продукта или другие переменные. Например, кластеры можно вывести, исходя из искомых преимуществ. Дальнейшее профилирование осу- [c.763]
Большинство данных, касающихся эффективности компаний, стратегии и организации, собраны с использованием пятибалльных семантических дифференциальных шкал. Первая стадия анализа включала факторный анализ переменных, описывающих стратегии фирм и маркетинговые виды деятельности. Для того чтобы идентифицировать группы аналогичных компаний иерархической кластеризации использовали значения факторов. В итоге получено шесть кластеров. [c.763]
В табл. также показана кластерная принадлежность объектов и расстояние между каждым объектом и его классификационным центром. Следует отметить, что кластерные принадлежности, приведенные в табл. 20.2 (иерархическая кластеризация) и табл. 20.4 (неиерархическая кластеризация), идентичны (кластер 1 табл. 20.2 является кластером 3 в табл. 20.4, а кластер 3 табл. 20.2 — кластером 1 в табл. 20.4), Расстояния между конечными кластерными центрами указывают, что пары кластеров хорошо Для каждой переменной, лежащей в основе [c.766]
Что я могут узнать с помощью кластеров о моем рынке 2. Какие переменные лежат в основе кластеризации < Насколько отличаются кластеры [c.769]
Решение о числе кластеров принимают по теоретическим и практическим соображениям. В иерархической кластеризации важным критерием принятия решения о числе кластеров являются расстояния, при которых происходит объединение кластеров. Относительные размеры кластеров должны быть такими, чтобы имело смысл сохранить данный кластер, а не объединить его с другими. Кластеры интерпретируют с точки зрения кластерных центроидов. Часто интерпретировать кластеры помогает их профилирование через переменные, которые не лежали в основе кластеризации. Надежность и достоверность решений кластеризации оценивают разными способами. [c.771]
Идентифицированы три кластера заинтересованные, независимые и восприимчивые потребители. Среднее значений для каждого кластера приведены в табл. Чтобы проверить стабильность результатов, был выполнен кластерный анализ на повторной выборке с использованием данных, полученных в предыдущем исследовании. Методом кластеризации Барда снова получили три кластера. Средние кластеров по каждой переменной для повторной выборки также приведены в табл. 1. [c.827]
Кластерный анализ. Используйте неиерархический метод кластеризации для деления респондентов, исходя из независимых переменных, на два, три, четыре и пять кластеров. Также запустите программу выполнения иерархической чтобы получить пять [c.838]
Кластерный анализ. Разделите респондентов на основании исходных переменных на три или четыре кластера. Какая модель лучше Сравните эти результаты кластеризации с результатами кластеризации по значениям факторов. Какие результаты легче интерпретировать, а какие лучше объясняют ваши данные [c.841]
В гл. 14 даются советы по выбору основных параметров СОК, нормировке входных переменных, инициализации алгоритма, выбора радиуса взаимодействия нейронов и скорости обучения, интерпретации и цветового кодирования карты Эти вопросы связаны с тем, что можно назвать техническими аспектами СОК Советы, данные в гл 14 очень важны, но недостаточны для получения представления о процессе обработки данных в целом который включает кластеризацию [c.273]
В программном пакете BMDP программой для кластеризации случаев с использованием иерархических методов является Она позволяет использовать несколько мер расстояний, но только одну из процедур метод одиночной метод или правило k ближайших соседей. Для кластеризации программа КМ, позволяющая выполнять кластеризацию объектов с Кластеризация переменных выполняется программой 1М. Она дает возможность использовать методы одиночной, полной и связи. Существует также специальная программа ЗМ для построения для категориальных переменных, объектов объединяются в кластеры, аналогичные поднаборам переменных. [c.769]
Стратегии кластеризации. Если исходные данные представляют собой значения показателей и переменных для некоего объекта, то необходимо выбрать стратегию объединения и метод вычисления расстояния dv между объектами в многомерном пространстве показателей — метрику2. [c.95]
В ходе анализа финансовых данных любой ряд динамики, будь то процентные ставки или цены на финансовые активы, можно разбить на две компоненты, одна из которых изменяется случайным образом, а другая подчиняется определенному закону. Колебания финансовых переменных значительно изменяются во времени бурные периоды с высокой волатильностью переменных сменяют спокойные периоды и наоборот. В некоторых случаях вола-тильность играет ключевую роль в ценообразовании на финансовые активы. В частности, курсы акций напрямую зависят от ожидаемой волатильности доходов корпораций. Все финансовые учреждения без исключения стремятся адекватно оценить волатильность в целях успешного управления рисками. В свое время Трюгве Хаавельмо, нобелевский лауреат по экономике 1989 г., предложил рассматривать изменение экономических переменных как однородный стохастический (случайный) процесс. Вплоть до 1980-х гг. экономисты для анализа финансовых рынков применяли статистические методы, предполагавшие постоянную волатильность во времени. В 1982 г. Роберт Ингл развил новую эконометрическую концепцию, позволяющую анализировать периоды с разной волатильностью. Он ввел кластеризацию данных и условную дисперсию ошибок, которая завесит от времени. Свою разработку Ингл назвал авторегрессионной гетероскедастической моделью , с ее помощью можно точно описать множество временных рядов, встречающихся в экономике. Метод Ингла сегодня применяется финансовыми аналитиками в целях оценки финансовых активов и портфельных рисков. [c.197]
Анализ латентных классов может быть использован для кластеризации категорийных переменных в сегменты, базирующиеся на ответах широкого поля категорийных переменных, а также при поиске скрытых конструкций, которые вызывают мотивацию для покупки определенного продукта или желание приобрести продукт, обладающий определенными свойствами. [c.82]
В этой главе описана основная идея кластерного анализа. Этапы кластерного анализа рассматриваются и иллюстрируются в контексте иерархической группировки с помощью статистического программного пакета. Далее представлено применение неиерархикой кластеризации, которое следует за обсуждением разбиения переменных на кластеры. Начнем с двух примеров. [c.747]
Для сказанного рассмотрим кластеризацию на основе их отношения к магазинов для покупки товаров. Опираясь на прошлый опыт, маркетологи шесть переменных. Потребителей попросили их степень согласия со утверждениями по семибалльной шкале — не согласен, 7 — согласен) [c.752]
Если переменные измерены в различных то единица измерения влияет на решение кластеризации. В исследовании, посвященном посещению супермаркетов для покупки товаров, переменные, выражающие отношение к посещению магазина, можно измерить по шкале патронаж (постоянство в посещении магазина) можно выразить через частоту посещений магазина в месяц и через сумму, потраченную на покупки лояльность к торговой марке — через процент средств, потраченных на покупку товаров в любимом супермаркете. В этих случаях перед кластеризацией респондентов мы должны нормализовать изменив измерения каждой переменной таким образом, чтобы среднее равнялось нулю, а стандартное отклонение — единице. Хотя нормализация может исключить влияние единицы измерения, она также уменьшает различия между группами по переменным, которые наилучшим образом дискриминируют (отличают) группы или кластеры. Кроме того, желательно удалить выбросыслучаи с нетипичными значениями) [111. [c.753]
Интерпретация и профилирование кластеров включает проверку кластерных центроидов. Центроиды представляют средние значения объектов, содержащиеся в кластере по каждой из переменных. Они позволяют описывать каждый кластер, если присвоить ему номер или метку. Если компьютерная программа кластеризации не выдаст такую информацию, ее можно получить через нантныйанализ. В табл. 20.3 приведены центроиды или средние значения для каждого кластера впримере. [c.762]
Выше, в первом пункте, мы обсудили, наскольковыделять кластеры с точки зрения существования различий между переменными, Нам также необходимо проверить, действительно ли кластеры различаются с точки зрения переменных, которые лежали в основе создания кластеров. Вы можете ввести данные в алгоритм кластеризации, и если вы зададите остановку этого процесса надвух кластерах, то получите два кластера в силу самой природы этого процесса, а вовсе не логики проблемы или структуры различий, существующих в изучаемой совокупности. Поэтому после деления на кластеры важно убедиться, что различия имеют достаточную чину и стабильность, чтобы вы были уверены в полученных результатах. [c.770]
Переменные, которые являются основанием для кластеризации, следует выбирать, исходя из опыта предшествующих исследований, теоретических предпосылок, проверяемых гипотез, а также по усмотрению исследователя. Кроме того, следует выбрать соответствующую меру расстояния (сходства). Особенность иерархической кластеризации — разработка иерархической или древовидной структуры. Иерархические методы кластеризации могут быть аг-ломеративными или дивизивными. методы включают метод одиночной связи, метод полной связи и метод средней связи. Широко распространенным дисперсионным методом является метод Неиерархические методы кластеризации часто называют методами Эти методы включают последовательный пороговый метод, параллельный пороговый метод и оптимизирующее распределение. Иерархические и неиерархические методы можно применять совместно. Выбор метода кластеризации и выбор меры расстояния взаимосвязаны. [c.771]
После получения результатов следует определить профиль каждого из сегментов с помощью переменных, включенных в кластерный анализ. Во- первых, определите, к каким из переменных стремится каждый респондент и к каким переменным не стремится никто. Эти переменные характеризуют уровни рынка, а не уровни сегментации. Отделение их от остальных характеристик позволит легко идентифицировать потребности респондснов на уровне сегментации. Во-вторых, расположите оставшиеся атрибутивные средние в порядке убывания большего к меньшему). Кратко запишите ключевые темы и дайте каждому сегменту предварительное название. На следующем этапе определите профиль каждого из кластеров с помощью переменных, которые не участвовали в процессе и которые включают демографические, психографические характеристики использование товара и мотивы поведения. Если кластеры не различаются по этим переменным, то, вероятно, что менеджменту будет от них немного пользы. Если окажется, что кластеры различаются по этим переменным, то с помощью этой информации и о переменных, использованных для кластеризации, давайте название кластеру и опишите его, имея в виду стратегию в отношении каждого из этих сегментов. [c.820]
Пакет Vis overy предназначен для профессиональных пользователей, занятых в сфере бизнеса, производства и научных исследовании Он особенно полезен при анализе зависимостей между переменными, а также при анализе многомерных кластерных распределении Данный пакет позволяет решать целый ряд важных задач, возникающих в научной и исследовательской работе, таких как анализ зависимостей, обнаружение отклонений, кластеризация без учителя, нелинейная регрессия, ассоциация данных, распознавание образов и анимационный мониторинг [c.257]
В некоторых случаях вам может показаться неожиданным, что различные показатели имеют разные веса. Несмотря на это, масштаб показателей может быть выравнен. Равное масштабирование, при котором дисперсия каждого показателя равна единице, подходит в качестве первого шага при предварительном анализе кластеризации, но может быть эффективно даже в работе с готовой картой. Однако в некоторых случаях, особенно когда вас интересуют только некоторые конкретные показатели, может оказаться полезным поэкспериментировать с различными масштабами. Как неоднократно отмечается в других частях данной книги, различие в масштабе показателей тесно связано с выбором наиболее важных входных переменных. [c.266]
Предположим, что записи конкретной переменной сконцентрированы главным образом в левой части ее гистограммы и меньшее число записей имеет большие значения. В этом случае можно начать формирование карты с более равномерного распределения плотности данных. Применение логарифмического преобразования привело бы к выравниванию распределения, поскольку логарифмическая функция обладает большим разрешением в области малых значений на гистограмме. Поэтому меньшие значения оказали бы при этом большее влияние на кластеризацию данных. Напротив, сигмоидная функция может создать более сбалансированное распределение путем растяжения центра гистограммы и сдвига ее концов. Преобразования с помощью сигмоидной функции позволяют обрабатывать выбросы, не исключая их из рассмотрения. [c.290]
Смотреть страницы где упоминается термин Кластеризация переменных
: [c.767] [c.767] [c.769] [c.769] [c.219] [c.748] [c.748] [c.766]Смотреть главы в:
Маркетинговые исследования Издание 3 -> Кластеризация переменных