導語

大家好，今天晚上八點的直播課會為大家帶來SPSS的講解，具體會結合實際案例為大家詳細介紹多元統計分析中常用的對應分析和聚類分析，結合大量案例為大家由淺入深的講解。不過下面我會給大家分享一個SPSS聚類分析的案例，讓大家對課程內容有所瞭解。

聚類分析

聚類分析在各行各業應用十分常見，而顧客細分是其最常見的分析需求，顧客細分總是和聚類分析掛在一起。

顧客細分，關鍵問題是找出顧客的特徵，一般可從顧客自然特徵和消費行為入手，在大型統計分析工具出現之前，主要是通過兩種方式進行“分群別類”，第一種，用單一變量進行劃段分組，比如，以消費頻率變量細分，即將該變量劃分為幾個段，高頻客戶、中頻客戶、低頻客戶，這樣的狀況；第二種，用多個變量交叉分組，比如用性別和收入兩個變量，進行交叉細分。

事實是，我們總是希望考慮多方面特徵進行聚類，這樣基於多方面綜合特徵的客戶細分比單個特徵的細分更有意義，這正是spss聚類分析可以做到的。

案例分享

在SPSS自帶數據文件plastic.sav中記錄了20中塑料的三個特徵，分別是tear_res（抗拉力）、gloss（光滑度）、opacity（透明度），相關經驗表面這20中塑料可以分為3個種類，如果用這三個變量進行聚類，請判斷和篩選有效聚類變量。

一套篩選聚類變量的方法

一、盲選

將根據經驗得到的、現有的備選聚類變量全部納入模型，暫時不考慮某些變量是否不合適。本案例採用SPSS系統聚類方法。對話框如下:

統計量選項卡：聚類成員選擇單一方案，聚類數輸入數字3；

繪製選項卡：勾選樹狀圖；

方法選項卡：默認選項，不進行標準化；

保存選項卡：聚類成員選擇單一方案，聚類數輸入數字3；

二、初步聚類

這是盲選得到的初步聚類結果，並且在數據視圖我們可以看到已經自動生成了一個聚類結果變量，這個變量非常有用。

三、方差分析

是不是每一個納入模型的聚類變量都對聚類過程有貢獻？利用已經生成的初步聚類結果，我們可以用一個單因素方差分析來判斷分類結果在三個變量上的差異是否顯著，進而判斷哪些變量對聚類是沒有貢獻的。

分析——比較均值——單因素方差分析：

選項選項卡：勾選均值圖

由方差分析我們很明確的得知，納入模型的三個聚類變量，其中只有“透明度”指標在各個分類上有顯著的差異，也就是說分類有效果，讓每個分類的差異很大，而兩外兩個變量則在三個分類上沒有顯著差異，沒有很好的類別區分度，所以，我們可以認為，這兩個變量對聚類無作用或者無貢獻，可考慮踢出模型。

我們還想從可視化的角度來查看和判斷，單因素方差分析為我們提供了均值圖，可惜，這三個圖卻最容易誤導我們的判斷，因為spss在自動生產均值圖時為每一個變量單獨製圖，而且分配不同的縱軸座標，導致每個圖看起來都有非常大的差異，從視覺上迷惑我們做出錯誤的判斷。

這裡需要改進！

四、均值描述

為改進以上SPSS默認選項的不足之處，我們需要自己生成三個變量在不同類別上的均值，means過程可以幫助到我們。

從數字上來看，抗拉力（6.8、6.7、7.1）、光滑度（9.3、9.4、9.2）兩個指標在三個類別上並沒有多大的差異，而對聚類有貢獻的透明度指標在不同類別上區分度非常明顯。

五、多線均值圖

克服縱軸刻度的方法是將這三個指標放在同一個座標軸上進行對比，也就是製作一個多線均值圖。

此時，結果已經一目瞭然了。

綜上，我們可以將抗拉力、光滑度兩個指標從模型中剔除，只留下透明度一個指標再進行聚類。

我們發現，前後兩次聚類的結果一模一樣，用一個指標可以代替以前三個指標的進行聚類。

我們這樣做的意義何在？如果能將這些整理成為規則，形成經驗，那我們就可以不用測量抗拉力和光滑度這兩個指標了，你不覺得多測量兩個指標成本會增加嗎？

後話

看完上面的介紹不知道大家有沒有對直播課的內容更加感興趣的呢，如果感興趣的話趕快入群獲取直播地址吧！