Анализ социологических данных с применением пакета SPSS. Пошаговая исследовательская модель анализа данных, страница 19

297   ò÷   ùòòòòò÷         ó

264   òø   ó               ó

452   òôòòò÷               ó

272   òú                   ùòòòòòòòòòòòòòòòòòòòòòòòòòòòø

291   ò÷                   ó                           ó

441   òø                   ó                           ó

893   òú                   ó                           ó

816   òôòòòø               ó                           ó

880   ò÷   ùòòòòòø         ó                           ó

79   òûòø ó     ó         ó                           ó

620   ò÷ ùò÷     ó         ó                           ó

129   òø ó       ó         ó                           ó

273   òôò÷       ùòòòòòòòòò÷                           ó

619   ò÷         ó                                     ó

383   òûòø       ó                                     ó

792   ò÷ ùòø     ó                                     ó

607   òø ó ó     ó                                     ó

1059   òôò÷ ùòòòòò÷                                     ó

796   ò÷   ó                                           ó

13   òòòòò÷                                           ó

598   òø                                               ó

727   òôòòòòòòòø                                       ó

726   ò÷       ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷

586   òòòòòòòòò÷

Рис. Дендрограмма классификации

Быстрый кластерный анализ

(Процедура CLASSIFY/ K-means)

В отличие от иерархического кластерного анализа с помощью метода К-средних можно осуществлять группировку большого количество объектов. Однако процедура требует задания желаемого количества таксономий. Поэтому исследователи часто используют эти два метода кластеризации в паре. Первые пять таблиц получены для двухкластерной модели, таблицы с 6 по 8 – для трехкластерного решения. Данные таблицы 9 позволяют оценить устойчивость первого решения. В табл. 1 выделены значения признаков, ставших начальными кластерными центрами. В табл. 2 отражены изменения координат. Итоговые значения центров представлены в табл. 3 и для трехкластерного решения в табл. 6. Дисперсионный анализ дает «условные» основания для проверки гипотезы о различии полученных кластеров по выделенным критериям (табл. 4 и 7). В табл. 5 содержится информация о наполненности полученных групп (в табл. 8 для трехкластерного решения). На рис. 1 и 2 представлено пространственное распределение объектов в случае двухкластерного и трехкластерного решения.

Двухкластерное решение

Таблица 1. Начальные кластерные центры (Initial Cluster Centers)

Основания классификации (группирующие признаки)	Cluster (Кластер)
	1	2
REGR factor score   1 for analysis    2 (неудовлетворенность состоянием социальной сферы)	1,37133	-1,76275
REGR factor score   2 for analysis    2 (неудовлетворенность развитием инфраструктуры)	2,41893	-0,99960

Таблица 2. История изменения кластерных центров (IterationHistory)

Iteration Итерация	Change in Cluster Centers (Изменения в кластерных центрах)
	1	2
1	1,704	1,519
2	0,085	0,066
3	0,042	0,029
4	0,000	0,000

Таблица 3. Финальные кластерные центры (FinalClusterCenters)

Основания классификации (группирующие признаки)	Cluster (Кластер)
	1	2
REGR factor score   1 for analysis    2 (неудовлетворенность состоянием социальной сферы)	0,49568	-0,32674
REGR factor score   2 for analysis    2 (неудовлетворенность развитием инфраструктуры)	0,87020	-0,57362

Таблица 4. Однофакторный дисперсионный анализ (ANOVA)