あるスポーツ用品会社のデザイナーが、新しいサッカーのゴールキーパーグローブをテストしたいと考えています。デザイナーは20人のボランティア選手に新しいグローブを着用してもらい、選手の性別、身長、体重、利き手の情報を収集します。そして運動選手を類似度に基づいてグループ分けしたいと考えています。
- サンプルデータを開く、グローブのテスター.MTW.
- を選択します。
- 変数または距離行列に、性別 身長 体重 利き手を入力します。
- 結合手法から、すべてを選択します。距離スケールから、ユークリッド法を選択します。
- 変数を標準化するを選択します。
- 樹形図を表示するを選択します。
- OKをクリックします。
結果を解釈する
この表は、各ステップで結合されたクラスター、クラスター間の距離、クラスターの類似性を示します。
- 類似度水準は、ステップ15まで、およそ3以下の単位で減少します。類似度は、ステップ16と17で、20より大きい単位(62.0036から41.0474へ)で減少し、クラスター数は4から3に変化します。
- 結合されたクラスター間の距離は、およそ0.6以下の単位でまず減少します。距離は、ステップ16と17で、1より大きい単位で(1.81904から2.82229へ)上昇し、クラスター数は4から3に変化します。
距離と類似度の結果は、4つのクラスターが最終分割ではかなり十分になることを示しています。このグループ化が設計者にとって直観的な意味を持つとすれば、これが適していると考えられます。樹形図は、表内の情報をツリー図の形式で表示したものです。
設計者は、分析を戻して、最終分割で4つのクラスターを指定する必要があります。最終分割を指定する場合、追加の表を表示して、最終分割に含まれるクラスターごとの特徴を説明します。
観測値のクラスター分析: 性別, 身長, 体重, 利き手
標準化された変数、 ユークリッド距離, 最長距離リンケージ (最遠隣) 法
併合ステップ
結合さ
れたク 新しいクラス
クラス 類似 ラス 新しいク ター内の観測
ステップ ター数 度の水準 距離水準 ター ラスター 値数
1 19 96.6005 0.16275 13 16 13 2
2 18 95.4642 0.21715 17 20 17 2
3 17 95.2648 0.22669 6 9 6 2
4 16 92.9178 0.33905 17 18 17 3
5 15 90.5296 0.45339 11 15 11 2
6 14 90.3124 0.46378 12 19 12 2
7 13 88.2431 0.56285 5 8 5 2
8 12 88.2431 0.56285 2 14 2 2
9 11 85.9744 0.67146 6 10 6 3
10 10 83.0639 0.81080 7 13 7 3
11 9 83.0639 0.81080 1 3 1 2
12 8 81.4039 0.89027 2 17 2 5
13 7 79.8185 0.96617 6 11 6 5
14 6 78.7534 1.01716 4 12 4 3
15 5 66.2112 1.61760 2 5 2 7
16 4 62.0036 1.81904 1 6 1 7
17 3 41.0474 2.82229 1 4 1 10
18 2 40.1718 2.86421 2 7 2 10
19 1 0.0000 4.78739 1 2 1 20
最終分割 (パーティション)
クラス
観測 ター内の平 重心から 重心から
値数 方和内 の平均距離 の最大距離
クラスター1 20 76 1.91323 2.53613
樹形図