具體分析步驟：

1、樣本背景分析。首先對研究數據樣本基本特徵情況（比如性別、年齡、學歷等）進行分析

2、樣本特徵、行為分析。如果有涉及樣本羣體的特徵、行為、或者態度相關項，則可單獨一部分進行分析

3、指標歸類分析。如果研究量表數據並不知道分成幾個維度，比如有20個量表題，應該分成幾個維度並不確定，此時可使用因子分析方法進行。找出應該分成幾個維度，以及題項和維度的對應關係情況。

4、信度和效度分析。接著對量表項進行信度和效度分析（ 因子分析已經得出維度與題項對應關係，此時說明已經有效度，有時也可放棄效度分析，從內容完整性上建議放入)

5、聚類分析。完成因子分析後，已經確認得到幾個維度，可將此幾個維度進行聚類，得到幾種類別的羣體，然後結合每類羣體的特徵，給每個聚類類別進行命名。

6、聚類效果驗證。嚴格意義上的聚類分析並非統計檢驗分析方法，而是一種數據描述性方法。從應用角度看，研究人員可以使用以下幾種方法綜合判斷聚類效果：

• 第一，看聚類後的類別是否可以有效命名，且是否符合現實意義。
• 第二，判斷分析方法進行判斷，將軟體生成的聚類類別變數作為因變數（Y），將聚類變數作為自變數（X），判別分析聚類變數與類別之間投影關係情況。
• 第三，文字說明聚類分析方法的詳細過程及科學性。
• 第四，要看聚類分析後每個類別樣本量是否均勻，如果聚類結果顯示為三個類別，其中一個類別樣本量非常少，說明聚類效果可能較差。

7、得到聚類類別之後，接著需要對比不同類別羣體的差異性；包括比如在「特徵」、「行為」或者「態度」上的差異性。便於結合不同羣體提供不同的建議措施等。如果是研究聚類樣本的個體背景特點差異，聚類類別和樣本背景題項均為分類數據，因而應該使用卡方分析進行對比差異，進一步瞭解不同細分類別人羣在個體背景上的差異情況，便於對類別樣本進行深入分析。

研究者還可以對比不同類別樣本與問卷中其餘題項的差異情況，如果題項為定量數據則需要使用方差分析，如果題項為分類數據則使用卡方分析，如果題項為多選題，也應該使用卡方分析

此類問卷思路的核心特點在於「分類」，即對樣本人羣細分。在此基礎之上，才會有後面的關於不同類別人羣的差異分析。

聚類分析說明

上部分已經對整體框架進行說明，這部分主要對聚類的分析步驟進行進一步說明。其他分析步驟的說明在之前的文章都有介紹，這裡就不再重複。

聚類分析常見的方法有：兩步聚類、K-均值聚類、系統聚類。

兩步聚類可以同時處理定類數據和定量數據，並且可以系統自動尋找最有聚類類別數量。使用與數量大且結構複雜的分析。

K-均值聚類，又叫快速聚類，可以快速處理大量數據，速度快並且處理大量數據是K-均值聚類的優點，但其僅針對定量數據而不能處理分類數據，並且需要主觀設定聚類類別個數，不能自動尋找最優聚類類別數量。

用戶可在SPSSAU【進階方法】-【聚類】中可以使用此聚類方法。

系統聚類，又叫分層聚類，基本思路是將多個樣本各作為一類，計算樣本兩兩之間的距離，合併距離最近的兩類成新的一類，然後再計算距離，再合併，直到只有一類為止。

用戶可在SPSSAU【進階方法】-【分層聚類】中可以使用此聚類方法。

分析步驟上：

第一步：數據處理。如果樣本數據度量單位不統一，比如有的題項是以七級量表，而有的題項為五級題項。此時應該進行數據處理，即數據標準化處理。常見是進行Z值法標準化。

第二步：進行聚類分析。如果是按樣本聚類，則使用SPSSAU的進階方法模塊中的「聚類分析」功能，其會自動識別出應該使用K-means聚類演算法還是K-prototype聚類演算法；如果是按變數（標題）聚類，則使用分層聚類，並且結合聚類樹狀圖進行綜合判定分析。

第三步：聚類效果驗證。聚類效果不同於其它分析方法，其它分析方法可以通過P值進行檢驗。聚類效果需要通過研究經驗，並且結合專業知識進行綜合判斷。良好的聚類分析結果可以有效的識別樣本特徵，因而聚類出的不同類別樣本，應該有著完全差異性特徵。

針對聚類樣本的特徵差異對比，通常是使用方差分析進行對比，如果聚類變數為分類數據，應該使用卡方分析進行對比。通過方差分析或者卡方分析，找出各個類別樣本的具體特徵差異情況，並且結合不同類別樣本的特徵情況進行命名處理。如果可以進行有效命名，則說明聚類效果較好，反之則說明聚類分析結果較差，應該返回第二步重新選擇聚類類別數量，找出更優聚類結果。

第四步：聚類類別命名。完成第三步聚類效果判斷後，已經確認聚類類別數量情況，以及每個類別命名情況。此步驟更為深入分析各個類別的特點，尤其針對於某類別樣本在某聚類變數上的突出特點，最終對聚類類別進行命名，結束聚類分析。

相關資料

SPSS在線_SPSSAU_SPSS聚類分析

SPSS在線_SPSSAU_分層聚類

推薦閱讀：