多元統(tǒng)計分析-聚類分析

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心1多元統(tǒng)計分析何曉群中國人民大學(xué)出版社第三章聚類分析§3.1聚類分析的思想§3.2相似性度量§3.3類和類的特征§3.4系統(tǒng)聚類法§3.5模糊聚類分析§3.6K-均值聚類和有序樣本聚類§3.7計算步驟與上機實現(xiàn)§3.8社會經(jīng)濟(jì)案例研究2023/3/132中國人民大學(xué)六西格瑪質(zhì)量管理研究中心2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心3§3.7計算步驟與上機實踐目錄上頁下頁返回結(jié)束本書以SPSS15.0軟件來說明前面講述的幾種聚類法的實現(xiàn)過程。具體步驟如下：*分析所需要研究的問題，確定聚類分析所需要的多元變量；*選擇對樣品聚類還是對指標(biāo)聚類；*選擇合適的聚類方法；*選擇所需的輸出結(jié)果。我們將實現(xiàn)過程用邏輯框圖表示為圖3.8。

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心4§3.7計算步驟與上機實踐目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心5§3.7計算步驟與上機實踐

§

3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束3.7.1系統(tǒng)聚類法用SPSS軟件自帶的數(shù)據(jù)文件World95.sav來做一個實例分析。為了研究亞洲國家的經(jīng)濟(jì)發(fā)展水平和文化教育水平，以便于對亞洲國家進(jìn)行分類研究，這里我們進(jìn)行聚類分析（在World95.sav數(shù)據(jù)中篩選出亞洲國家，使用Data→SelectCases→Ifconditionissatisfied中選入region=3）。詳細(xì)步驟如下：(1)打開數(shù)據(jù)。使用菜單中File→Open命令，然后選中要分析的數(shù)據(jù)World95.sav。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心10§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束(2)在菜單中的選項中選擇Analyze→Classify命令，Classify命令下有兩個聚類分析命令，一是K-meanscluster（K--均值聚類），二是Hierarchicalcluster（系統(tǒng)聚類法）。這里我們選擇系統(tǒng)聚類法。(3)在系統(tǒng)聚類法中，我們看到Cluster下有兩個選項，Cases（樣品聚類或Q型聚類）和Variables(變量聚類或R型聚類)。這里我們選擇對樣品進(jìn)行聚類。(4)Display下面有兩個選項，分別是Statistics(統(tǒng)計量)、Plots（輸出圖形），我們可以選擇所需要輸出的統(tǒng)計量和圖形。

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心12§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束(5)在系統(tǒng)聚類法中底下有四個按紐，分別是Statistics、Plots、Method、Save。（a）在Statistics中，有Agglomerationschedule（每一階段聚類的結(jié)果），Proximitymatrix（樣品間的相似性矩陣）。由Clustermembership可以指定聚類的個數(shù)，none選項不指定聚類個數(shù)，Singlesolution指定一個確定類的個數(shù)，Rangeofsolution指定類的個數(shù)的范圍（如從分3類到分5類）。(b)在Plots中，有Dendrogram（譜系聚類圖，也稱樹狀聚類圖）、Icicle(冰柱圖)、Orientation指冰柱圖的方向（Horizontal水平方向、Vertical垂直方向）。(c)在Method中，Cluster可以選擇聚類方法，Measure中可以選擇計算的距離。(d)在Save中，可以選擇保存聚類結(jié)果。選好每個選項后，點“OK”就可以執(zhí)行了。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心17§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束在這個數(shù)據(jù)文件中，我們選擇的變量(Variables(s))有Urban（城市人口比例），Lifeexpf（女性平均壽命）、Lifeexpm（男性平均壽命）、Literacy（有讀寫能力的人所占比例）、Gdp_cap（人均國內(nèi)生產(chǎn)總值），以Country（國家或地區(qū)）來標(biāo)識(LabelCases)本例中的17個亞洲國家或地區(qū)，并以其他5個變量進(jìn)行Q型聚類分析，即對國家進(jìn)行聚類。這里我們將原始變量標(biāo)準(zhǔn)化（在Method選項下TransformValues的Standardize空白框內(nèi)，選擇ZScores），在Statistics選項中選擇AgglomerationSchedule，聚類方法選擇組內(nèi)聯(lián)結(jié)法(Within-grouplinkage)，計算距離選擇平方歐氏距離，輸出冰柱圖和樹狀聚類圖。得到的結(jié)果如下：2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心20§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束輸出結(jié)果中，表3.7表示接近度矩陣，是反映樣品之間相似性或者相異性的矩陣。本例中由于計算距離使用的是平方歐氏距離，所以樣品間距離越大，樣品越相異，如果我們計算距離選擇Pearson相關(guān)系數(shù)，則接近度矩陣是相似性矩陣。由表中矩陣可以看出，Bangladesh（孟加拉國）與Cambodia（柬埔寨）的距離是最小的，因此它們最先聚為一類。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心21接近度矩陣目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心22聚類冰柱圖目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心23§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束圖3.12是冰柱圖，也是反映樣品聚類情況的圖，如果按照設(shè)定的類數(shù)，在那類數(shù)的行上從左到右就可以找到各類所包含的樣品。比如我們希望分為三類，最左邊的類數(shù)應(yīng)選3，每個樣品右邊都有一列X，如果某個樣品右邊的X個數(shù)少于3，那么它和前面多于3個X的樣品聚為一類，如此下去，直到找到全部三類為止。例如，HongKong右邊的列只有兩個X,那么它就與Japan和Singapore聚為一類了，而China右邊的列只有一個X，那么從Taiwan到China又被聚為一類，后面樣品聚為另一類。

表3-8組內(nèi)連接法聚合表2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心25§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束表3.8是反映每一階段聚類的結(jié)果，Coefficients表示聚合系數(shù)，第2列和第3列表示聚合的類，比如第一階段時（Stage=1）第2個樣品——Bangladesh（孟加拉國）與第3個樣品——Cambodia（柬埔寨）聚為一類，注意這時有16類（17-1=16）。因此某階段的分類數(shù)等于總的樣品數(shù)減去這個階段的序號。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心26聚合系數(shù)曲線目錄上頁下頁返回結(jié)束將表3-8的聚合系數(shù)利用Excel作出聚合系數(shù)隨分類數(shù)變化曲線,如圖3-13.

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心27§3.7.1系統(tǒng)聚類法目錄上頁下頁返回結(jié)束圖3.13是聚合系數(shù)隨分類數(shù)變化的曲線。由圖可以看出，當(dāng)分類數(shù)為3或4時， 曲線變得比較平緩，這個分類數(shù)也符合我們分類的目的。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心28系統(tǒng)樹狀圖目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心29圖3.14樹狀聚類圖，目錄上頁下頁返回結(jié)束圖3.14是樹狀聚類圖，從圖中可以由分類個數(shù)得到分類情況。如果我們選擇分類數(shù)為3，就從距離為10的地方往下切，得到分類結(jié)果如下。{1：孟加拉國、柬埔寨、阿富汗、印度、巴基斯坦}；{2：香港、新加坡、日本}；{3：泰國、越南、中國、印度尼西亞、馬來西亞、菲律賓、韓國、臺灣和朝鮮}。我們可以從經(jīng)濟(jì)發(fā)展水平和文化教育水平來理解所作的分類。第2類應(yīng)該是亞洲國家中經(jīng)濟(jì)發(fā)達(dá)程度最高的國家或地區(qū)，第1類的經(jīng)濟(jì)水平和文教水平都比較低，第3類國家的經(jīng)濟(jì)水平和文教水平居中。

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心30§3.7.2快速聚類法目錄上頁下頁返回結(jié)束同樣我們使用上面的數(shù)據(jù)文件World95.sav，從中篩選出亞洲國家，試圖將亞洲國家按經(jīng)濟(jì)和文教水平分為3類?？梢允褂每焖倬垲惙▽悠愤M(jìn)行聚類。我們使用的變量有Country（國家或地區(qū)）、Urban（城市人口比例），Lifeexpf（女性平均壽命）、Lifeexpm（男性平均壽命）、Literacy（有讀寫能力的人所占比例）、Gdp_cap（人均國內(nèi)生產(chǎn)總值），以Country來標(biāo)識本例中的17個亞洲國家或地區(qū)，并以其他5個變量進(jìn)行Q型聚類分析，即對國家進(jìn)行聚類。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心31§3.7.2快速聚類法目錄上頁下頁返回結(jié)束在SPSS軟件中選擇Analyze→Classify→K-MeansCluster。進(jìn)入K-均值聚類對話框以后，將上面5個變量選入Variable，將Country用于標(biāo)識(Labelcasesby)。將分類數(shù)(Numberofclusters)定為3。我們可以在Option選項中選擇Initialclustercenter（最初分類重心），ANOVA(方差分析表)，Clusterinformationforeachcase（每個樣品的分類信息）。得到如下分類結(jié)果：§3.7.2快速聚類法2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心33§3.7計算步驟與上機實踐目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心34§3.7.2快速聚類法目錄上頁下頁返回結(jié)束輸出結(jié)果中表3.9表示最初各類的重心，也就是種子點。表3.10是樣品的分類情況。這里我們看到快速聚類法將亞洲國家或地區(qū)分為這樣3類。{1：阿富汗、孟加拉國、柬埔寨、中國、印度、印度尼西亞、馬來西亞、朝鮮、巴基斯坦、泰國、越南}。{2：香港、日本、新加坡}。{3：韓國、臺灣}。我們也可以對分類結(jié)果做分析。第1類國家或地區(qū)經(jīng)濟(jì)和文教衛(wèi)生水平較低。第2類國家或地區(qū)是亞洲國家或地區(qū)中的佼佼者，其經(jīng)濟(jì)發(fā)達(dá)程度和文教衛(wèi)生水平都是很高的。第3類國家或地區(qū)處于兩者中間。這個結(jié)果可以結(jié)合表3.13（最后各類的重心）來分析，我們看到第2類的人均GDP比另外兩組要高?！?.7.2快速聚類法2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心36§3.7.2快速聚類法目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心37§3.7.2快速聚類法目錄上頁下頁返回結(jié)束表3.12是方差分析表，但是應(yīng)當(dāng)注意值只能作為描述所用，而不能根據(jù)該值判斷各類均值是否有顯著差異。通過方差分析表我們可以看出，有4個變量對分類貢獻(xiàn)顯著。

2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心38§3.7.3計算步驟與上機實踐

模糊聚類法目錄上頁下頁返回結(jié)束繼續(xù)使用上面的例子，希望將亞洲國家或地區(qū)分成3類進(jìn)行分析研究。這里我們使用S-Plus2000軟件。（略）2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心39§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心40§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束例3.5城鎮(zhèn)居民消費水平通常用表3.15中的八項指標(biāo)來描述，八項指標(biāo)間存在一定的線性相關(guān)。為研究城鎮(zhèn)居民的消費結(jié)構(gòu)，需將相關(guān)性強的指標(biāo)歸并到一起，這實際就是對指標(biāo)聚類。原始數(shù)據(jù)列于表3.15。將原始數(shù)據(jù)錄入SPSS，并依次點擊“Analyze”→“Correlate”→“Bivariate”，打開BivariateCorrelations對話框，把八個變量選入Variables欄中，單擊“OK”，得到這八個指標(biāo)對應(yīng)的相關(guān)系數(shù)，列于表3.16。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心45§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束§3.8社會經(jīng)濟(jì)案例研究表3.16中最大的相關(guān)系數(shù)為r4，8＝0.837，將G4和G8并成一新類G9，然后計算G9與各類的相關(guān)系數(shù)，再找最大的相關(guān)系數(shù)，每次縮小一類得圖3－17。我們可以看出全國城鎮(zhèn)居民得消費結(jié)構(gòu)大致可以分為三個方面，一類是各種副食、日用品及交通通信、文化教育和住房等支出，這是在消費結(jié)構(gòu)中起主導(dǎo)作用的方面；其次是居民購買煙、酒、飲料及著裝支出；糧食和水電燃料是兩項很重要的消費指標(biāo)，但目前在城鎮(zhèn)居民的消費中占的比例較小，可將它們歸并為同一類。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心47§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束§3.8社會經(jīng)濟(jì)案例研究上面介紹的幾種系統(tǒng)聚類方法，并類的原則和步驟基本一致，所不同的是類與類的距離有不同的定義。其實可以把這幾種方法統(tǒng)一起來，有利于在計算機上靈活地選擇更有意義的譜系圖。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心49§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束對例3.5，采用歐氏距離分別用類平均法、最短距離法、最長距離法把31個省市分類。類平均法聚類在SPSS中的操作為：點選“Analyze”→“Classify”→“HierarchicalCluster”，打開HierarchicalClusterAnalysis對話框，將八個聚類指標(biāo)選入Variables欄中，將表示地區(qū)的變量選入LabelCasesBy欄中，按“Plots”按鈕，在彈出的窗口中選中Dendrogram（譜系圖）選項，按“Continue”返回主對話框，在按“Method”按鈕，在ClusterMethod下拉菜單中選擇Between-groupslinkage（組間連接法，即類平均法）選項，返回主對話框后按“OK”即可得到聚類結(jié)果。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心50§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束最短距離法和最長距離法操作步驟與類平均法一樣，只不過要在ClusterMethod下拉菜單中分別選擇NearestNeighbor和FurthestNeighbor選項。圖3.18、圖3.19、圖3.20分別顯示了三種方法的分類結(jié)果。為便于對照，將三種方法分類的結(jié)果綜合列于表3.18。直觀看出，類平均法分為三類：｛1，9，11，19｝為第一類，｛13，2，22，10｝為第二類，其他為第三類；最短距離法分為兩類，｛1，9，11，19｝為一類，其余的省市歸為一大類；最長距離法也分為三類：｛1，9，11，19｝為第一類，｛10，22，2，13，26｝為第二類，其余的省市為第三類。很顯然，這三種方法的分類效果是有差異的。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心51§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束那么究竟采用哪一種分類為好呢？一種方法是根據(jù)分類問題本身的知識來決定取舍。另一種方法是將幾種方法的共性取出來，有爭議的樣品根據(jù)其實際情況再劃分。綜合考慮這兩點，筆者認(rèn)為從全國各省、市、區(qū)的消費情況來看，分為三類較為合適。由分類結(jié)果可以看出，類平均法和最長距離法的分類結(jié)果基本上一致，只是在西藏應(yīng)該劃入第二類還是第三類上存在差異，從表3.15的實際情來看，西藏的經(jīng)濟(jì)發(fā)展和消費水平與始終處在第二類的福建、天津、重慶和江蘇有較大差距，因此劃入第三類較為合適，即這個聚類分析用類平均法較為合適。2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心52§3.8類平均法樹狀圖目錄上頁下頁返回結(jié)束§3.8最短距離法樹狀圖2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心54§3.8最長距離法樹狀圖目錄上頁下頁返回結(jié)束2023/3/13中國人民大學(xué)六西格瑪質(zhì)量管理研究中心56§3.8社會經(jīng)濟(jì)案例研究目錄上頁下頁返回結(jié)束例3．6我們?nèi)砸?005年31個省、市、自治區(qū)的城鎮(zhèn)居民月平均消費支出數(shù)據(jù)為例，在SPSS中利用K-均值法對31個省、市、自治區(qū)的城鎮(zhèn)居民消費水平進(jìn)行聚類分析。在SPSS中依次點擊“