Interpretieren der wichtigsten Ergebnisse für Clusterbeobachtungen

Betrachten Sie bei jedem Schritt des Fusionierungsprozesses die Cluster, die gebildet werden, und untersuchen Sie deren Ähnlichkeitsniveaus und Distanzstufen. Je höher das Ähnlichkeitsniveau, desto ähnlicher sind sich die Beobachtungen eines Clusters. Je niedriger die Distanzstufe, desto dichter beieinander liegen die Beobachtungen in einem Cluster.

Im Idealfall sollten die Cluster ein relativ hohes Ähnlichkeitsniveau und eine relativ niedrige Distanzstufe aufweisen. Sie müssen dieses Ziel jedoch gegenüber einer vernünftigen und praktischen Anzahl an Clustern abwägen.

Verwenden Sie das Ähnlichkeitsniveau für die Cluster, die in den einzelnen Schritten zusammengeführt werden, um die endgültigen Gruppierungen für die Daten zu bestimmen.Suchen Sie nach abrupten Veränderungen des Ähnlichkeitsniveaus zwischen den Schritten. Der Schritt, der der abrupten Veränderung der Ähnlichkeit vorangeht, stellt möglicherweise einen guten Schnittpunkt für die endgültige Partition dar. Für die endgültige Partition sollten die Cluster ein angemessen hohes Ähnlichkeitsniveau aufweisen. Sie sollten auch Ihr Praxiswissen über die Daten anwenden, um die endgültigen Gruppierungen zu bestimmen, die für Ihre Anwendung am sinnvollsten sind.

Die folgende Fusionierungstabelle zeigt beispielsweise, dass das Ähnlichkeitsniveau bis Schritt 15 jeweils ungefähr um höchstens 3 abnimmt. In den Schritten 16 und 17, bei denen sich die Anzahl der Cluster von 4 auf 3 ändert, nimmt die Ähnlichkeit um mehr als 20 ab (von 62,0036 auf 41,0474). Diese Ergebnisse legen nahe, dass 4 Cluster für die endgültige Partition ausreichen. Wenn Ihnen diese Gruppierung intuitiv geeignet erscheint, stellt sie vermutlich eine gute Wahl dar.

Nachdem Sie in Schritt 2 die endgültigen Gruppierungen bestimmt haben, führen Sie die Analyse erneut aus, und geben Sie die Anzahl der Cluster (oder das Ähnlichkeitsniveau) für die endgültige Partition an. Minitab zeigt die Tabelle der endgültigen Partition an, in der die Merkmale der einzelnen Cluster in der endgültigen Partition aufgeführt werden. Die durchschnittliche Distanz zum Zentroiden ist z. B. ein Maß für die Streuung der Beobachtungen innerhalb eines Clusters.