Sattui kirjallisuudesta silmiin tuo riippuvuusluku. W mittaa ordinaaliasteikon tasolla kahden tai useamman muuttujan yhteisvaihtelun voimakkuutta, ja enimmäkseen sitä kai käytetään sellaisissa sovelluksissa kuin ryhmäpäätöksen yksimielisyyden mittaaminen (kirjan esimerkki). W saa arvoja nollan ja ykkösen välillä.
Funtsin, että voisiko tuota käyttää ryhmittelyyyn. Määrätään ryhmien määrä etukäteen (kuten esim. K-means -klusterianalyysissa). Haetaan ensin voimakkaimmat kahden muuttujan W:t, poimitaan suurimmistasta W:eistä ryhmien määrän kokoinen joukko, haetaan sitten voimakkaimmat kolmen muuttujan W:t jne.
Funtsin, että voisiko tuota käyttää ryhmittelyyyn. Määrätään ryhmien määrä etukäteen (kuten esim. K-means -klusterianalyysissa). Haetaan ensin voimakkaimmat kahden muuttujan W:t, poimitaan suurimmistasta W:eistä ryhmien määrän kokoinen joukko, haetaan sitten voimakkaimmat kolmen muuttujan W:t jne.
Vastaukset 1
Vanhimmat
Taksonomiassa/klusterianalyysissa yleensä pyritään ryhmittelemään tutkimusyksiköitä, ei muuttujia. Tuo sinun tapasi tuottaa "muuttujaklustereita", enkä nyt äkkisiltään keksi miten niistä saisi revittyä tutkimusyksiköt ryhmiksi. Teoriassa homma voisi onnistua transponoimalla datamatriisi ennen laskentaa, mutta en ole lopputuloksesta yhtään varma.
Jos haluat klusteroida tuontyyppisellä tavalla, voit käyttää faktorianalyysia. Faktorit toimivat ryhmittelyn perustana, ja kukin tutkimusyksikkö sijoitetaan sen faktorin ryhmään, jolla sillä on korkein faktoripistemää (factor score). Datamatriisin transponointi enen ajoa tuottaa kyllä myös ryhmiä ja suoraan (ns. Q-faktorianalyysi), mutta silloin muuttujia pitäisi olla enemmän kuin tutkimusyksiköitä.
Jos olet ihastunut W:hen, voit kyllä käyttää muuttujien W-matriisia faktorianalyysin lähtödatana (ei ihan striktiä oikeaoppisuutta, mutta toimii kyllä käytännössä).
Klassinen K-means on joka tapauksessa varma tapa. Myös hierarkista klusterianalyysia voi käyttää, mutta lopputulos on vähänkin isommalla otosella sotkuinen.