1. Отбор объектов для кластеризации.
2. Определение множества переменных, по которым будут различаться объекты кластеризации.
3. Выбор метода классификации - агломеративный метод или итеративный метод к-средних. Если выбран агломеративный метод, то выбираем метод объединения объектов в кластеры и меру сходства. Если выбран метод k-средних, то выбираем число кластеров.
4. Интерпретация полученных результатов.
Очевидно, что кластерный анализ дает гораздо больше возможностей, чем факторный, сопоставлять данные с различными теориями и гипотезами. Кроме применения описанных методов, можно нормировать либо не нормировать данные, а некоторые метрики позволяют еще менять параметры в самой формуле вычисления сходства между объектами. Таким образом, число возможных разбиений исходных объектов на кластеры сильно возрастает.
Библиография
1. Ермолаев, О.Ю. Математическая статистика для психологов / О.Ю. Ермолаев. - М.: МПСИ: Флинта. - 2002. – 325с.
2. Наследов, А.Д. Математические методы в психологическом исследовании. Анализ и интерпретация данных / А.Д. Наследов. - СПб.: Речь. - 2004.
3. Бурлачук, Л.Ф., Морозов С.М. Словарь – справочник по психодиагностике / Л.Ф. Бурлачук, С.М. Морозов – СПб: Питер Ком. - 1999. – 528с.
Лекция 21.
Факторный анализ
1. Понятие факторного анализа.
2. Особенности современного факторного анализа.
3. Методы факторного анализа.
4. Вращение матрицы факторных нагрузок.