SPSS分層聚類操作指南
分層聚類，又稱層次聚類、系統聚類，顧名思義是指聚類過程是按照一定層次進行的。
數據分析過程中如果需要按變數（標題）聚類，那麼此時就應該使用分層聚類，並且結合聚類樹狀圖進行綜合判定分析。比如當前有8個裁判對於300個選手進行打分，試圖想對8個裁判進行聚類，以挖掘出裁判的打分偏好風格類別情況，此時則需要進行分層聚類。
分層聚類的基本思想是：
在聚類分析的開始，每個樣本（或變數）單獨作為一組，然後按照某種方法度量所有樣本（或變數）之間的親疏程度，把距離相近的先樣本（或變數）先聚成類，距離相遠的後聚成類，如此反覆，直到所有樣本（或變數）聚成一類為止。
分層聚類有幾點需要特別注意：
1：僅針對定量數據進行分層聚類；
2：如果數據的單位有較大差別，可首先對於數據進行標準化處理後，針對標準化數據進行分層聚類；
SPSSAU用戶可點擊 數據處理-生成變數-選擇標準化（S），進行數據標準化處理。
3：由於均為定量數據，因而從原理角度上，分層聚類時應該使用Pearson相關係數去度量距離，相關係數值越大說明越緊密，則說明距離越近，相關係數值越小說明越疏遠，說明距離越遠；SPSSAU默認使用Pearson相關係數表示距離大小；
案例分析
1、背景
當前有8個裁判對300名選手打分，最低分為1分，最高分為10分；希望對8個裁判進行聚類，以識別出裁判的風格類型。總共8個裁判共有8列數據，並且共有300行。由於打分全部均是從1到10分，8列數據的單位均一樣，因此在分析之前不需要進行標準化數據（當然進行標準化處理也沒有問題）。
2、操作步驟
本案例中總共涉及8個標題，SPSSAU操作截圖如下：
SPSSAU會默認聚類為3類並且呈現表格結果，如果希望更多的類別個數，可自行進行設置。
3、SPSSAU輸出結果
SPSSAU會首先輸出聚類項的基本描述情況，接著輸出每項的聚類類別歸屬情況；並且輸出樹狀圖，如下所述：
上表格展示總共8個分析項（即8個裁判數據）的基本情況，包括均值，最大或者最小值，中位數等，以便對於基礎數據有個概括性了解。整體上看，8個裁判的打分基本平均在8分以上。
總共聚類為3個類別，以及具體分析項的對應關係情況。在上表格中展示出來，上表格可以看出：裁判8單獨作為一類；裁判5，3，7這三個聚為一類；以及裁判1，6，2，4作為一類。
聚類類別與分析項上的對應關係可以在上表格中得到，同時也可以查看聚類樹狀圖得出更多信息。至於聚類類別分別應該叫做什麼名字，這個需要結合對應有關係情況，自己單獨進行命名。
上圖為聚類樹狀圖的展示，聚類樹狀圖是將聚類的具體過程用圖示法手法進行展示；最上面一行的數字僅僅是一個刻度單位，代表相對距離大小；一個結點表示一次聚焦過程。
樹狀圖的解讀上，建議單獨畫一條垂直線，然後對應查看分成幾個類別，以及每個類別與分析項的對應關係。比如下圖中，紅色垂直線最終會拆分成3個類別：第1個類別對應裁判8；第2個類別對應裁判5，3，7；第3個類別對應裁判1，6，2，4。
當然在分析時也可以考慮分成2個類別，此時只需要對應將垂直線移動即可：
上圖展示出僅分為2個類別時的情況；如果聚類成2個類別；此時裁判8單獨作為一個類別；裁判5，4，7，1，6，2，4會單獨聚為一類。
如果是聚為四類；從上圖可看出，明顯的已經不再合適。原因在於垂直線不好區分成四類。也即說明有2個類別本應該在一起更合適（上圖中的裁判1與6/2/4）；但是如果分成4類，此時裁判1會單獨成一類。所以畫垂直線無法區分出類別。
因而綜合分析來看，最終聚類為3個類別最為適合。
文字分析
本次研究共涉及8個裁判對於300個選手的打分數據，打分從1到10分；並沒有量綱問題，因而對平數據不需要進行標準化處理（如果有量綱單位問題，最好先進行標準化處理）具體分層聚類時使用Pearson相關係數度量距離大小，同時使用組平均距離法進行分析。
結合樹狀圖進行分析，如果聚類為一個類別，此時其中一個類別僅對應1項，另外一個類別對應7項；如果聚類為四個類別，其中有一項無法很好的區分成一類；最終聚類為三類最為合適，第1個類別對應裁判8；第2個類別對應裁判5，3，7；第3個類別對應裁判1，6，2，4。
參考資料
SPSS在線_SPSSAU_分層聚類
SPSS在線_SPSSAU_生成變數
更多SPSS數據分析相關內容可登錄SPSSAU官網查看並學習。
推薦閱讀：
