Основные показатели, которые участвуют при результатах кластерного анализа

Процедура построения кластеров с помощью SPSS.

Первое, что нужно определить – это выбор расстояния между объектами (a²+b²) (эвклидово расстояние) В качестве меры близости можно использовать эвклидову метрику.

Далее выбираем алгоритм поиска кластеров:

- алгомеративные алгоритмы

- дивизимные алгоритмы

Указываем также количество раз (итерация), которое будет работать этот алгоритм.

1) % дисперсии ряда (% опрошенных, которые попали в кластеры). Оптимальный вариант 60-70 %

2) кластерная переменная (это еще один признак, который взаимодействует со всеми вопросами кластеров.

24. Факторныйанализ в социологии.

Факторный анализ это процедура, с помощью которой большое число переменных, относящихсяк имеющимся наблюдениям сводит к меньшему кол-ву независимых влияющих величин,называемых факторами. При этом в один фактор объединяются переменные, сильнокоррелирующие между собой. Т. о., целью Ф. А. явл-я нахождение таких комплексныхфакторов, которые как можно более полно объясняют наблюдаемые связи между переменными,имеющимися в наличии.

Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.

Можно выделить 2 цели Факторного анализа:

• определение взаимосвязей между переменными, их классификация.

• сокращение числа переменных.

Для выявления наиболее значимых факторов и, как следствие, факторной структуры, наиболее оправданно применять метод главных компонентов (МГК). Суть данного метода состоит в замене коррелированных компонентов некоррелированными факторами. Другой важной характеристикой метода является возможность ограничиться наиболее информативными главными компонентами и исключить остальные из анализа, что упрощает интерпретацию результатов. Достоинство МГК также в том, что он — единственный математически обоснованный метод факторного анализа.

Факторный анализ может быть:

1) разведочным — он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках;

2) конфирматорным, предназначенным для проверки гипотез о числе факторов и их нагрузках.

Практическое выполнение факторного анализа начинается с проверки его условий. В обязательные условия факторного анализа входят:

• все признаки должны быть количественными;

• число признаков должно быть в два раза больше числа переменных;

• выборка должна быть однородна;

• исходные переменные должны быть распределены симметрично;

• факторный анализ осуществляется по коррелирующим переменным.

Главной проблемой факторного анализа является выделение и интерпретация главных факторов. При отборе компонент исследователь обычно сталкивается с существенными трудностями, так как не существует однозначного критерия выделения факторов, и потому здесь неизбежен субъективизм интерпретаций результатов. Существует несколько часто употребляемых критериев определения числа факторов. Некоторые из них являются альтернативными по отношению к другим, а часть этих критериев можно использовать вместе, чтобы один дополнял другой:

• Критерий Кайзера или критерий собственных чисел. Этот критерий предложен Кайзером, и является, вероятно, наиболее широко используемым. Отбираются только факторы с собственными значениями равными или большими 1. Этоозначает, что если фактор не выделяет дисперсию, эквивалентную, по крайней мере, дисперсии одной переменной, то он опускается.

• Критерий каменистой осыпи или критерий отсеивания. Он является графическим методом, впервые предложенным психологом Кэттелом. Собственные значения возможно изобразить в виде простого графика. Кэттел предложил найти такое место на графике, где убывание собственных значений слева направо максимально замедляется. Предполагается, что справа от этой точки находитсятолько «факториальная осыпь» — «осыпь» является геологическим термином, обозначающим обломки горных пород, скапливающиеся в нижней части скалистого склона. Однако этот критерий отличается высокой субъективностью и, в отличие от предыдущего критерия, статистически необоснован. Недостатки обоих критериев заключаются в том, что первый иногда сохраняет слишком много факторов, в то время как второй, напротив, может сохранить слишком мало факторов; однако оба критерия вполне хороши при нормальных условиях, когда имеется относительно небольшое число факторов и многопеременных. На практике возникает важный вопрос: когда полученное решение может быть содержательно интерпретировано. В этой связи предлагается использовать ещё несколько критериев.

• Критерий значимости. Он особенно эффективен, когда модель генеральной совокупности известна и отсутствуют второстепенные факторы. Но критерий непригоден для поиска изменений в модели и реализуем только в факторном анализе по методу наименьших квадратов или максимального правдоподобия.

• Критерий доли воспроизводимой дисперсии. Факторы ранжируются по доле детерминируемой дисперсии, когда процент дисперсии оказывается несущественным, выделение следует остановить. Желательно, чтобы выделенные факторы объясняли более 80 % разброса. Недостатки критерия: во-первых, субъективность выделения, во-вторых, специфика данных может быть такова, что все главные факторы не смогут совокупно объяснить желательного процента разброса. Поэтому главные факторы должны вместеобъяснять не меньше 50,1 % дисперсии.

• Критерий интерпретируемости и инвариантности. Данный критерий сочетает статистическую точность с субъективными интересами. Согласно ему, главные факторы можно выделять до тех пор, пока будет возможна их ясная интерпретация. Она, в свою очередь, зависит от величины факторных нагрузок, то есть если в факторе есть хотябы одна сильная нагрузка, он может быть интерпретирован. Возможен и обратный вариант — если сильные нагрузки имеются, однако интерпретация затруднительна, от этой компоненты предпочтительно отказаться.

Методы факторного анализа:

• метод главных компонент;

• корреляционный анализ;

• метод максимального правдоподобия.

Дата добавления: 2015-05-10