聚类分析：聚类分析是通过数据建模简化数据的一种方法。 “物以类聚，人以群分”是对聚类分析的最好解释。 本文具体介绍了聚类分析，并阐述了对每个样本进行聚类分析的分析思路(分层聚类将在后面的文章中介绍)。
一方面，聚类分析可以分为：
对样本进行聚类分析(q型聚类)，这类聚类的代表是均值聚类方法；
对变量(标题)进行聚类分析(r型聚类)，这种聚类的代表是分级聚类。
常见的是样本聚类，例如有500人，这500人可以聚集在几个类别中。 来源： SPSSAU帮助文档-聚类分析
聚类分析(q型聚类)用于对样本进行分类处理，通常以定量数据为分类标准。 如果分析人员需要按示例进行聚类，则使用SPSSAU高级方法模块的“聚类分析”功能，SPSSAU要么应该使用k均值聚类算法，要么是K-prototype聚类算法
用变量(标题)聚类时，应该使用层次聚类，结合聚类树进行综合判断分析，得到科学分析结果。 例如，目前有8名裁判对300名选手进行评分，并对8名裁判进行聚类，试图挖掘裁判评分偏好风格的分类情况。
二、q型聚类分析的优势：
1、可以综合利用多个变量的信息对样本进行分类；
2、分类结果直观，聚类家谱图非常清晰地表达了其数值分类结果；
3、聚类分析所得结果比传统分类方法更细致、全面、合理。
三、分析思路
以下分析的思路是对样本进行聚类分析。
(1)指标分类
如果研究者还没有完全决定问题项应该分为几个变量，或者研究者没有充分掌握变量和问题项的对应关系，可以用搜索性因子分析将各尺度的问题项提取为多个因子(变量)，再用提取的因子进行后续的聚类分析。 特别提示：
从分析的角度来看，通过探索性因子分析，可以将各尺度的问题项目作为多个因子进行提取，然后对提取出的因子进行聚类分析。 例如，可以先说20个问题进行因子分析，得到因子得分。 正在对因子得分进行进一步的聚类分析。 最终聚类得到了几个类别组。 比较一下几个类别组的差异等。
)2)聚类分析
步骤：设置聚类分析
利用搜索因子分析的因子进行聚类分析时，提取5个因子时，应首先计算这5个因子与问题项对应的平均分，并分别以平均得分代表这5个因子。 例如，当因子1对应三个问题项时，计算这三个问题项的平均值以代表因子1。 利用计算平均得分的因子进行聚类分析。 SPSSAU的屏幕截图
步骤：结合不同聚类类别人群的特点进行类别命名
聚类分析完成后，软件无法判断应该如何称呼各类样本，或者各类样本的名称是什么。 得到聚类类别后，SPSSAU系统默认生成表示聚类类别的数据串，为了探索各类别的具体特征，采用方差分析研究了各类群的差异。 最终研究者可以结合各类别的特点和实际专业知识的情况，对每个类别分别命名，不能直接称为1类、2类等，每个类别必须具有具体的名称含义。
)3)聚类效果检测
从严格意义上说，聚类分析不是统计验证分析方法，而是数据描述方法，聚类分析中没有的统计假设验证理论得到了支持，无法判断其结果是否正确。 但从应用角度看，聚类效果是可以判断的，研究者可以采用以下几种方法综合判断聚类效果： 第一，聚类分析后得到的每个类别能否有效命名，各类别的特征状况是否符合现实意义。 研究人员如果能结合专业知识给各个聚类类别命名，说明聚类效果良好；如果不能给聚类类别命名，就需要考虑重新进行聚类分析。
第二，采用判别分析方法进行判断。 将SPSSAU生成的聚类变量作为要因变量(y，聚类变量为自变量) x )进行判别分析，判别分析聚类变量与聚类的投影关系并进行具体分析。 如果研究者非常关心聚类分析的效果，可以使用判别分析进行分析。 大多数情况下，进行判别分析而不分析聚类效果，是因为使用判别分析绝对不能说明聚类分析的好坏，聚类分析实质上是一种描述性的方法，没有好坏的标准，但这里不对判别分析进行说明。
三是聚类分析方法的详细过程说明，揭示聚类分析的科学使用过程，科学聚类分析方法的使用是良好结果的前提保障。
第四，聚类分析后各类样本数量是否均匀。 当聚类结果显示三个类别时，如果一个类别的样本量非常小(例如小于30 )，则聚类效果很可能很低。 关于聚类效果的判断，研究者主要结合专业知识进行判断。 也就是说，聚类类别是否可以进行有效的命名。
相关资料
上述集群分析方法均可在SPSSAU上操作，所需合作伙伴可登录SPSSAU主页查看