Clusteranalyse mit SPSS

Dieses Buch f hrt ein in die grundlegenden Ans tze des Clusterns, Segmentierens und der Faktorextraktion. Kapitel 1 f hrt ein in die Clusteranalyse. Nach einem intuitiven Beispiel anhand des Clusterns von Muscheln am Strand, und dem zugrundeliegenden, oft unausgesprochenen Cluster-Prinzipien werden u.a. die hierarchische, partitionierende und das TwoStep-Verfahren vorgestellt. Bei der hierarchischen Clusteranalyse (CLUSTER) werden die diversen Ma e (z.B. quadrierte euklidische Distanz, Pearson-Korrelation, Chi -Ma etc.) und die jeweiligen Algorithmen (Density, Linkage, Ward etc.) einschl. ihrer Bias (z.B. Ausrei er, Chaining) erl utert. Anhand zahlreicher Beispiele wird erl utert, wie Intervalldaten, H ufigkeiten, Kategorialdaten, sowie gemischte Daten geclustert werden. Bei der partitionierenden Clusterzentrenanalyse (k-means, QUICK CLUSTER) lernen Sie Teststatistiken zur Bestimmung der optimalen Clusterzahl kennen (z.B. Eta , F-max; nicht im original SPSS Leistungsumfang enthalten), sowie die ausgew hlte Clusterl sung auf Interpretierbarkeit, Stabilit t und Validit t zu pr fen. Bei der Two-Step Clusteranalyse (TWOSTEP CLUSTER) lernen Sie die Clusterung von gemischten Daten anhand eines Scoring-Algorithmus kennen Dar ber hinaus lernen Sie Kriterien f r die Beurteilung einer guten Clusterl sung kennen, wie auch alternative grafische und logische Ans tze zur Clusterung von auch Daten im String-Format. Kapitel 2 f hrt ein in die Gruppe der Faktorenanalyse mit SPSS. Die Faktorenanalyse (factor analysis, FA) ist ein Sammelbegriff f r verschiedene Verfahren, die es erm glichen, aus einer gro en Zahl von Variablen eine m glichst geringe Anzahl von (nicht beobachteten) 'Faktoren' zu erhalten ('extrahieren'). Die Faktorenanalyse geht nicht von unabh ngigen oder abh ngigen Variablen aus, sondern behandelt alle Analysevariablen unabh ngig von einem Kausalit tsstatus. Dieser Kurs f hrt in das Grundprinzip und Varianten der Faktorenanalyse (z.B. Alpha, Hauptfaktoren, Hauptkomponenten), die wichtigsten Extraktions-, wie auch Rotationsmethoden (z.B. orthogonal vs. oblique) und ihre Funktion. Vorgestellt werden Kriterien zur Bestimmung, Interpretation und Benennung der Faktoren. Dieser Kurs stellt ausschlie lich die Variante der explorativen Faktorenanalyse (EFA) vor (R-Typ). Abschliessend werden eine Faktorenanalyse f r F lle (Q-Typ Faktorenanalyse vorgestellt, sowie eine Matrix-Variante, die dann zum Einsatz kommen kann, wenn die korrelationsanalytischen Voraussetzungen der Faktorenanalyse nicht erf llt sind. Die berpr fung der Voraussetzungen und die Interpretation der Statistiken werden an zahlreichen Beispielen ge bt. Kapitel 3 stellt die Diskriminanzanalyse (DA, syn.: DFA, Diskriminanzfunktionsanalyse) vor. Das zentrale Ziel dieses Ansatzes ist, die beste Trennung (Diskriminanz) zwischen den Zugeh rigkeiten einer abh ngigen Gruppenvariable f r mehrere unabh ngige Einflussvariablen zu finden. In anderen Worten, die Diskriminanzanalyse liefert die Antwort auf die Frage: Welche Kombination von Einflussvariablen erlaubt eine maximal trennende Aufteilung der F lle in die bekannten Auspr gungen einer Gruppe? Weitere, damit in Zusammenhang stehende Fragen k nnen sein: Auf welche Weise werden die F lle klassiert, wie genau werden die F lle klassiert (erkennbar an der Anzahl der Fehlklassifikationen), und wie sind die schlussendlich entstehenden Klassifizierungen zu interpretieren? Es werden u.a. diverse Methoden der Variablenselektion (direkt, schrittweise), sowie auch die Berechnung und Interpretation multipler schrittweiser Diskriminanzanalysen mit mehreren ermittelten Funktionen vorgestellt (einschliesslich Lambda, Box-Test, Kreuzvalidierung (Interpretation von Kovarianz-Matrizen), das Identifizieren von Multikollinearit t, sowie Gebietskarten (Territorien). Weitere Kapitel stellen M glichkeiten des Clusterns und Segmentierens (u.a. mit CLEMENTINE, Entscheidungsb ume und ausgew hlte Cluster-Knoten. In einem abschlie enden Kapitel sind ausgew hlte Formeln der wichtigsten behandelten Verfahren zusammengestellt. Zahlreiche Rechenbeispiele werden von der Fragestellung, der Anforderung der einzelnen Statistiken (per Maus, per Syntax) bis hin zur Interpretation der SPSS- und CLEMENTINE Ausgaben systematisch durchgespielt. Auch auf m gliche Fallstricke und h ufig begangene Fehler wird eingegangen. Separate Abschnitte stellen die diversen Voraussetzungen f r die Durchf hrung der jeweiligen Analyse, sowie Ans tze zu ihrer berpr fung zusammen. Dieses Buch ist angenehm verst ndlich und anwendungsorientiert geschrieben, ohne jedoch die Komplexit t und damit erforderliche Tiefe bei der Vorstellung der Verfahren zu vernachl ssigen. Dieses Buch ist f r Einsteiger, Studierende, sowie fortgeschrittene Wissenschaftler in den Wirtschafts-, Bio-, und Sozialwissenschaften gleicherma en geeignet.