Jak odczytać wyniki K‑Means w SPSS – przewodnik krok po kroku

Analiza skupień (clustering) to technika statystyczna służąca do grupowania przypadków w kategorie tak, aby obserwacje w jednej grupie były do siebie podobne, a różniły się od obserwacji w innych grupach. Każda grupa to klaster. Naukowcy społeczni często korzystają z programu SPSS (Statistical Package for the Social Sciences) do przeprowadzania analiz skupień. W metodzie K‑Means badacz określa z góry liczbę pożądanych klastrów – K. Dzięki K‑Means można grupować bardzo duże zbiory danych.

Analiza danych w SPSS

Krok 1

W menu głównym SPSS wybierz Analyze → Classify → K‑Means Cluster.

Krok 2 – wybór zmiennych i ustalenie liczby klastrów

W oknie dialogowym kliknij przycisk Variables i zaznacz zmienne, które mają zostać użyte w początkowej analizie K‑Means. Przenieś je strzałką w lewą kolumnę. W polu Number of Clusters wprowadź liczbę klastrów (zwykle 5 w średniej wielkości zestawie danych). Liczba klastrów musi wynosić co najmniej 2 i nie może przekraczać liczby przypadków. Następnie zaznacz Iterate and classify, aby uzyskać centra klastrów, i wybierz Write final.

Krok 3 – pełna analiza K‑Means

Do ostatecznej analizy użyj całego pliku danych. Ponownie wybierz Analyze → Classify → K‑Means Cluster, wskaż zmienne i ustaw liczbę klastrów (np. 5). Kliknij Classify, a w sekcji Read Initial wczytaj centra klastrów uzyskane w kroku 2. Zaznacz Save, a następnie Cluster membership i kliknij Continue.

Interpretacja wyników

Krok 1 – centra końcowe

W pierwszej tabeli wynikowej znajdziesz etykietę Final Cluster Centers. Na górze tabeli znajdują się numery klastrów (1‑5), a w pierwszej kolumnie – współczynniki czynników regresji (REGR factor score) dla każdej zmiennej. Przejdź w prawo od wiersza „score 1”, aby odczytać wartość współczynnika dla poszczególnych klastrów.

Krok 2 – liczba przypadków w klastrach

Kolejna tabela nosi tytuł Number of Cases in each Cluster. Po lewej stronie wymienione są numery klastrów, po prawej – liczba obserwacji przypisanych do każdego z nich.

Krok 3 – przynależność obserwacji

Ostatnia tabela Cluster membership pokazuje, do którego klastra należy każdy przypadek. W lewym kolumnie widnieją identyfikatory obserwacji, a w najprawej – numer klastra.

Wskazówka

• Usuń wartości odstające przed przeprowadzeniem analizy, aby uniknąć zniekształcenia wyników.