Diapositiva%201

1
Master en Recursos Humanos
Análisis de Conglomerados (Cluster Analysis)
prácticas con SPSS Ana María López Área de
Metodología de las Ciencias del Comportamiento
Departamento de Psicología Experimental
2
Conglomerados jerárquicos

• El objetivo es agrupar a los sujetos en función
  de su parecido en las subescalas del WISC-R. dado
  que todas las variables son cuantitativas
  utilizaremos como medida de disimilaridad la
  distancia euclídea y como procedimiento de
  agregación los métodos de la media, mínimo y
  máximo. La matriz con la que vamos a trabajar es
  datos1. Para ejecutar un análisis de
  conglomerados con SPSS en primer lugar hay que
  seleccionar el menú Analizar como muestra el
  siguiente cuadro

3
Conglomerados jerárquicos

• En segundo lugar seleccionamos Conglomerados
  jerárquicos y accedemos al siguiente cuadro

• El cuadro contiene
• la lista de variables del archivo. De esta lista
  seleccionamos aquellas sobre las que deseemos
  evaluar el parecido de los sujetos. En nuestro
  caso son las correspondientes a las subescalas
  del WISC-R. Una vez seleccionadas las variables
  las trasladamos al cuadro Variables.
• Existe la posibilidad de agrupar (Conglomerar)
  casos, este es el uso más frecuente del análisis
  de conglomerados, o de agrupar variables y el
  resultado sería el equivalente a un análisis
  factorial.
• Además disponemos de una serie de botones que nos
  permiten acceder a las diferente opciones
  implementadas en SPSS. En las transparencias
  siguientes comentaremos las opciones de los
  cuadros Estadísticos, Gráficos, Método y Guardar
  en este orden.

4
Conglomerados jerárquicos

• Cuadro Estadísticos
• En este cuadro podemos solicitar
• además del Historial de conglomeración que lo
  proporciona por defecto si tenemos seleccionada
  la opción Estadísticos dell cuadro Análisis de
  conglomerados jerárquico, la Matriz de
  distancias.
• Podemos pedir que nos proporcione una tabla con
  el conglomerado de pertenencia de cada sujeto si
  nos decidimos por una solución en un número de
  conglomerados determinado o en un rango. Estas
  opciones son muy útiles cuando tenemos claro el
  número de conglomerados que constituye la
  solución a nuestro problema de investigación. No
  obstante lo más importante no es visualizar la
  tabla crear una variable en el archivo de datos
  con valores que indican el conglomerado al que
  pertenece el sujeto esto podemos hacerlo con las
  opciones del cuadro Guardar variables nuevas.

5
Conglomerados jerárquicos

• Cuadro Método
• En este cuadro podemos
• seleccionar entre una larga lista de métodos de
  conglomeración vinculación inter-grupo (método
  de la media), vinculación intra-grupos (distancia
  media entre las distancias de los elementos del
  grupo unión), vecino más próximo (mínimo), vecino
  más lejano (máximo), agrupación de centroides
  (distancia entre centroides), agrupación de
  medianas (media de centroides) y Método de Ward
  (minimiza la varianza intragrupo). En principio
  convendría explorar con distintos métodos hasta
  encontrar la solucción más satisfactoria. El
  método de Ward sólo puede aplicarse a variables
  cuantitativas.
• Seleccionar la medida de distancia adecuada a la
  métrica de las variables.
• Podemos optar por calcular las distancias entre
  los sujetos a partir de puntuaciones
  estandarizadas con las opciones del cuadro
  Transformar valores. Se recomienda estandarizar
  cuando las variables están medidas en escalas
  distintas.

6
Conglomerados jerárquicos
Cuadro Guardar variables nuevas Este cuadro nos
permite crear nuevas variables en el archivo de
datos con el grupo de pertenencia de cada sujeto.
Podemos crear una única variable correspondiente
a una Solución única en K conglomerados. Esta
variable toma valores desde 1 hasta K e indica el
grupo al que pertenece el sujeto. Si
seleccionamos un Rango de soluciones crea una
variable para cada una de las soluciones desde
Número mínimo de conglomerados hasta Número
máximo de conglomerados. Por ejemplos si en
Número mínimo de conglomerados escribimos 2 y en
Número máximo 4 creará 3 variables una para la
solución en dos conglomerados, otras para la
solución en tres conglomerados y la última para
la solución en cuatro conglomerados.
7
Resultados
Conglomerados jerárquicos
8
H I E R A R C H I C A L C L U S T E
R A N A L Y S I S Dendrogram
using Average Linkage (Between Groups) Rescaled
Distance Cluster Combine
9
Vinculación simple (método del mínimo)
Dendrogram using Single Linkage
Rescaled Distance Cluster Combine
10
Vinculación completa (método del máximo)
11
Vinculación completa (método del máximo)
12
Vinculación completa (método del máximo)
13
Vinculación completa (método del máximo)
14
Resultados
Si a partir del dendograma anterior, en el cuadro
Guardar variables nuevas, seleccionamos Rango de
soluciones y en Número mínimo de conglomerados
escribimos 2 y en Número máximo de conglomerados
escribimos 4 se crean tres nuevas variables en el
editor de datos que clasifican a los sujetos en
función del cluster al que pertenecen para cada
una de las soluciones en dos, tres y cuatro
conglomerados. Las nuevas variables se denominan
CLU4_1, CLU3_1 y CLU2_1 como podemos observar en
la porción del editor de datos siguiente.
15
Resultados
La interpretación de los conglomerados depende
del valor medio de las variables en cada uno de
ellos. Es decir, para caracterizar a cada clase y
diferenciarla de las demás vamos a obtener el
centroide de cada una de ellas y vamos a realizar
un gráfico de lineas. Vamos también a realizar
una análisis de frecuencias para saber el número
de sujetos de cada cluster y para cada solución.
Tabla de frecuencia
16
Resultados Perfil de medias de cada solución
Tablas personalizadas
Los gráficos de perfiles obtenerlos del archivo
perfiles
17
Resultados Perfil de medias de cada solución
Tablas personalizadas
18
Resultados Perfil de medias de cada solución
Tablas personalizadas
19
Conglomerados de k medias

• Con la misma matriz y variables con las que hemos
  realizado el análisis de conglomerados jerárquico
  vamos a realizar un análisis de conglomerados de
  k-medias. Ahora del menú Clasificar seleccionamos
  Conglomerado de K medias

20
Conglomerados de k medias

• El cuadro contiene
• la lista de variables del archivo. De esta lista
  seleccionamos aquellas sobre las que deseemos
  evaluar el parecido de los sujetos. En nuestro
  caso son las correspondientes a las subescalas
  del WISC-R. Una vez seleccionadas las variables
  las trasladamos al cuadro Variables.
• Por defecto el Nº de conglomerados en que divide
  a los sujetos es 2 pero podemos segmentar la
  muestra en un número mayor de clases. Sólo
  tenemos que sustituir el 2 por otro número.
• Sabemos que la primera partición la inducen un
  número de sujetos igual al número de
  conglomerados elegidos mediante diferentes
  procedimientos. Por defecto SPSS elige a los dos
  sujetos más distantes. Podemos no obstante
  escribir en un archivo los centros de los
  conglomerados que dan lugar a la primera
  partición marcando en Leer iniciales.
• También podemos escribir en un archivo los
  centros de los conglomerados finales
  seleccionando Escribir finales.

21
Conglomerados de k medias
Si pulsamos en los botones Guardar del cuadro
anterior obtenemos podemos crear una nueva
variable en el editor de datos de manera que
asigne a cada sujeto un valor que identifica el
conglomerado al que pertenece.
Si pulsamos en el botón Opciones podemos
seleccionar una Tabla de ANOVA con la única
utilidad de identificar a las variables que desde
un punto de vista descriptivo discriminan entre
los conglomerados. Las inferencias a partir de
estos resultados de ANOVA serían incorrectas.
22
Resultados
Análisis de conglomerados de K medias
23
Resultados
Análisis de conglomerados de K medias
24
Resultados
25
Conglomerados en dos etapas

• Dado que en la matriz además de las variables de
  la evaluación intelectual disponemos de otras
  variables de naturaleza cualitativa tales como la
  presencia de ansiedad, válvulas, retrasos en el
  desarrollo, etc. Vamos a realizar un análisis de
  conglomerados en dos fases. Para ello elegimos
  Conglomerado en dos fases

26
Conglomerados en dos etapas

• A diferencia del resto de los procedimientos aquí
  disponemos de dos cuadros en uno insertamos las
  variables cualitativas y en el otro las
  cuantitativas.

27
Conglomerados en dos etapas

• Como en el resto de los cuadros de diálogo si
  pinchamos en el botón Gráficos podemos
  seleccionar dos tipos de gráficos que nos
  ayudarán a interpretar el perfil de los
  conglomerados tanto en las variables cualitativas
  como cuantitativas.

28
Conglomerados en dos etapas

• Pulsando en el botón Resultados podemos
  Estadísticos Descriptivos por conglomerado y
  Frecuencias de los conglomerados.

29
Resultados
Conglomerados en dos fases
Perfiles de los conglomerados
30
Resultados
Frecuencias
31
Resultados
Importancia de los atributos
32
Resultados
Importancia de los atributos
33
Resultados
Variación intra-conglomerado
34
Resultados
Importancia según agrupación
35
Resultados
36
Resultados
37
Resultados