관측 개체 군집 분석

한 스포츠 용품 회사의 디자이너가 새 축구 골키퍼 장갑을 검사하려고 합니다. 디자이너는 선수 20명에게 새 장갑을 착용하도록 하고 선수의 성별, 키, 몸무게, 잘 쓰는 손에 대한 정보를 수집합니다. 디자이너는 이러한 범주의 유사성을 기준으로 선수들을 분류하려고 합니다.

  1. 표본 데이터 집합장갑시험자.MTW을 엽니다.
  2. 통계분석 > 다변량 > 관측 개체 군집 분석을 선택합니다.
  3. 변수 또는 거리 행렬성별 무게 잘 쓰는 손을 입력합니다.
  4. 연결 방법에서 완전을 선택합니다. 거리 측도에서 Euclid을 선택합니다.
  5. 변수 표준화을 선택합니다.
  6. 덴드로그램 표시을 선택합니다.
  7. 확인을 클릭합니다.

결과 해석

표에는 각 단계에서 결합된 군집, 군집 사이의 거리, 군집의 유사성이 표시됩니다.
  • 유사성 수준은 15단계까지 약 3 이하씩 감소합니다. 군집 수가 4에서 3으로 변경되는 16단계와 17단계에서는 유사성 수준이 (62.0036에서 41.0474로) 20 이상 감소합니다.
  • 결합된 군집 사이의 거리는 처음에 약 0.6 이하 감소합니다. 군집 수가 4에서 3으로 변경되는 16단계와 17단계에서는 거리 수준이 (1.81904에서 2.82229로) 1 이상 증가합니다.

거리 및 유사성 결과는 4개의 군집이 최종 분할에 충분하다는 것을 나타냅니다. 이 그룹화 방식이 설계자에게 직관적인 의미를 가지면 이 방식을 선택하는 것이 좋습니다. 덴드로그램에서는 표의 정보를 트리 다이어그램 형식으로 표시합니다.

설계자는 분석을 다시 실행하고 최종 분할에 4개의 군집을 지정해야 합니다. 최종 분할을 지정하면 Minitab에서 최종 분할에 포함된 각 군집의 특성을 설명하는 추가 표를 표시합니다.

관측 개체 군집 분석: 성별, 키, 무게, 잘 쓰는 손

표준화 변수, Euclid 거리, 완전 연결

합병 단계 군집 결합된 새 새 군집의 단계 수 유사성 수준 거리 수준 군집 군집 관측치 수 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
최종 분할 관측치 군집 내 중심으로부터 중심으로부터 수 제곱합 평균 거리 최대 거리 군집1 20 76 1.91323 2.53613

덴드로그램

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오