第六章其他方法简介.ppt.pptVIP

第一节 聚类分析简介 聚类分析（ Cluster Analysis ）是根据研究对象的特征进行分类的多元分析技术的总称 ——组内同质、组间异质 分类 案例聚类的思想 根据所选变量来对研究对象（case）进行分类 聚类的结果仅仅反映所选定变量所定义的数据结构 ——变量选择十分重要 依据：理论或经验 所选变量的特征 1、和聚类分析的目标密切相关 2、反映了要分类对象的特征 3、在不同研究对象上的值有明显差异 4、变量之间不应该有高度相关 ——并非变量越多越好，应该只根据在研究对象上有显著差别的那些变量进行分类 主要步骤 1、选择变量 2、计算相似性 3、聚类 4、聚类结果的解释和证实 计算相似性 1、相关测度 2、距离测度 3、关联测度 聚类方法 1、层次聚类法 2、迭代聚类法 层次聚类法 1、聚集法 先把每个案例看成一类，再根据距离一步步合并 2、分解法 先把所有案例看出一类，再根据聚类一步步分解 ——费时 ——最终得到一个树状结构图 迭代聚类法 速度快，适用于大样本聚类 1、指定要形成的聚类数，对样本进行初始分类并计算每一类的重心 2、调整分类。 计算每个样本点到各类重心的距离，把每个样本点归入距重心最近的那一类 3、重新计算每一类的重心 4、重复2-3步，直到没有样本点可以再调整为止 聚类结果的解释和证实 对聚类结果进行解释是希望对各个类的特征进行准确的描述，给每类起一个合适的名称 通常的做法是计算各个类在各聚类变量上的均值，对均值进行比较分析，还可以使用聚类变量之外的其他变量，帮助描述各个类的特征，解释各个类差别的原因 对聚类结果进行证实是要保证聚类解是可信的，具有一般性，可以进行推广。 如果一个聚类解对于从同一总体抽出的不同样本重复出现，那么，我们可以说该聚类解具有一般性 做法： 1、从同一总体中选取不同的样本进行聚类分析，对结果进行比较和评估 2、一般，常常把样本分成两组，分别做聚类分析，对结果进行比较，或者对同一数据采用不同的方法重复聚类 ——结果相同或接近，说明聚类解是稳定的。 第二节 鉴别分析简介 聚类分析（ Cluster Analysis ）是根据研究对象的特征进行分类的多元分析技术的总称 ——组内同质、组间异质 第三节 对应分析 针对的问题：对定性（Nonmetric）变量数据进行量化分析 一般的应对方法往往用非线性统计方法，比如loglinear等，但在每个变量都划分成许多类别的情况下，这些分析方法就很难直观地揭示出变量之间的联系以及变量类别之间的关系。 对应分析则有其他方法所不具备的长处 一、什么是对应分析 通过分析由定性变量构成的交互汇总表来揭示变量间的联系 当以变量的一系列类别以及这些类别的分布图来描述变量之间的联系时，使用这一分析技术可以揭示同一变量的各个类别之间的差异以及不同变量各个类别之间的对应关系。 而且，它不局限于分析线性关系 基本形式：对由两个定性或类型变量构成的交互表进行分析，将定性变量数据转变成可度量的分值、减少维度并作出分值分布图。 在减少维度方面（因子分析） 作分布图（多维标度） 第四节 结构方程模型Structural Equation Modeling 一种统计建模技术 多元回归、因子分析、通径分析等方法都只是结构方程模型中的一种特例 简言之：结构方程模型还是利用联立方程组求解，但是它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差 一、应用结构方程的五个主要步骤 1、模型设定：根据理论或者以往研究成果设定假设的初始理论模型 2、模型识别：决定所研究的模型是否能够求出参数估计的唯一解 3、模型估计：参数估计 4、模型评价：对模型和数据之间是否拟合进行评价，并与替代模型的拟合指标进行比较 5、模型修正：如果模型不能很好地拟合数据，就需要对模型进行修正和再次设定 ——一个拟合较好的模型往往需要反复试验多次 二、模型的设定 证实性的技术，而非探测性技术 ——研究人员主要是通过应用结构方程模型来确定一个特定模型是否合理，而不是将其用来寻找和发现一种合适的模型。 设定模型的方法很多，最简单的就是通径图 三、模型的识别 考虑模型中每一个未知（自由）参数能否由观测数据求得唯一解作为估计 对于某一个自由参数，如果不可能将这一参数以样本方差协方差的代数函数表达，那么这个参数就不能识别 第七章 其他方法简介 第一节 聚类分析 第二节 鉴别分析 第三节 对应分析 第四节 结构方程模型 第五节 方法纵览 对案例聚类（Q型聚类）（为主） 对变量聚类（R型聚类） 研究实例 简介