Tema 6

TEMA 6
ANÁLISIS DE CONGLOMERADOS
Facultade de Psicoloxía. Campus Sur, s/n. 15782 Santiago de Compostela

www.usc.es/psicom
Dr. Jesús Varela Mallou

Dr. Antonio Rial Boubeta
Dr. Eduardo Picón Prado
Análisis Multivariante
Santiago de Compostela, 2018
ANÁLISE MULTIVARIANTE TEMA 7 - ANÁLISIS DE CONGLOMERADOS INTRODUCCIÓN
Lecturas obligatorias
Picón, E. Varela, J. y Real, E. (2003):

Clasificación y Segmentación Post Hoc
mediante el Análisis de Conglomerados.
En J.P. Lévy y J. Varela (Dirs.): Análisis
Multivariante para las Ciencias Sociales.
Madrid: Pearson Educación.
2
Contextualización
Métodos de Dependencia: Se asume que una variable (Y) depende de (es

causada o determinada por) otras variables (X1, X2 etc.)
Ejemplos: Regresión, ANOVA, Análisis Discriminante
Métodos de Independencia: No se asume que ninguna variable sea causada o

determinada por otras. Básicamente tenemos X1, X2 ….Xn (pero no Y)
Ejemplos: Análisis de Conglomerados, Análisis Factorial, etc.
Cuándo se usan métodos de independencia se deja que los datos

hablen por ellos mismos. No hay modelización previa.
3
Contextualización
Análisis Factorial: Cuando lo que interesa son agrupar variables .
Análisis Clúster: Cuando lo que interesa son agrupar observaciones.
Principio rector: Maximización de la homogeneidad intra grupos (conglomerados,

segmentos) y simultáneamente Maximización de la heterogeneidad inter grupos.
 
Dos fases fundamentales. 1ª: Obtención de segmentos
X1 X2 X3 X4 Cluster
Obs1 5 2 1 3 1
Cluster 1 Obs2 3 3 4 2 2
Obs3 2 4 3 5 3
Obs4 5 3 2 4 1
Cluster 2 Obs5 . . . . 2
Obs6 . . . . 3
Obs7 . . . . 3
Cluster 3 Obs8 . . . . 1
Obs9 . . . . 3
Obs10 . . . . 2
Resultado final: En el fichero de datos, una nueva variable que asigna

cada observación a un conglomerado específico.
5
Dos fases fundamentales. 2ª: Perfilado de segmentos
Resultado final: Una tabla de contingencia entre la variable de agrupamiento y una

serie de variables sociodemográficas o de otro tipo (distintas de las utilizadas para
establecer los conglomerados).
Cluster 1 Cluster 2 Cluster 3

Edad 32 44 56
% Mujeres 31 54 46
Tamaño de la familia 1.4 2.9 2.1
Opinión 1 3.2 4.0 2.6
Opinión 2 2.1 3.4 3.2
Opinión 3 2.2 3.3 3.0
“Jóvenes solteros”
“Familia tradicional”
“Maduros felices”
6
ANÁLISE MULTIVARIANTE TEMA 7 - ANÁLISIS DE CONGLOMERADOS ¿CÓMO ANALIZA?
¿Cómo se construyen los conglomerados?
El análisis estadístico necesita:

1. Una MEDIDA para calcular la distancia entre dos sujetos, lo distintos
que son.
2. Un criterio, una regla, un MÉTODO PARA AGRUPARLOS y asignarlos a
cada conglomerado.
¿La medida? Distancia Euclídea (por defecto en SPSS)
Y B (x2, y2)
*
y2-y1
A
*
(x1, y1)
x2-x1
X
2 2
d = (x2-x1) + (y2-y1)
Otras distancias disponibles en SPSS: City-Block (usa  de distancias absolutas en

vez de la distancia al cuadrado de las coordenadas), Minkowski, Coseno,
Chebychev, Correlación de Pearson.
El tipo de medida seleccionada influye poco en los resultados finales.

8
¿El método de agrupamiento? Hay muchos y muy diferentes
Métodos sin solapamiento Métodos con solapamiento
Jerárquicos Iterativos - k-centroides con solapamiento

- k-medias con solapamiento
- Umbral secuencial - Análisis de Clases Latentes
- Umbral paralelo - AC Borroso
Aglomerativos Divisivos - Redes Neuronales - Factorial Tipo-Q (9)
- Partición óptima (8)
Nombre en SPSS
Métodos de Métodos de Métodos de
1 Vinculación entre-grupos
vinculación centroide varianza
2 Vinculación intra-grupos
3 Vecino más próximo
- Promedio - Centroide (5) - Ward (7) 4 Vecino más lejano
- Entre grupos (1) - Mediana (6) 5 Agrupación de centroides
- Intra grupos (2) 6 Agrupación de medianas
- Ponderado
Nota: Los métodos en cursiva están 7 Método de Ward
- Único disponibles en SPSS. Redes Neuronales 8 Conglomerado de K-medias
- Ordinario (3) requiere de la herramienta de data 9 Análisis Factorial
- Densidad mining Clementine.
- Dos fases
- Completo (4)
Principales tipologías de agrupamiento

Sin solapamiento Con solapamiento
Vinculación única:
* * Mínima distancia
Vinculación completa:
* * Máxima distancia
Jerárquico No jerárquico
* Vinculación media
*
(inter-grupos):
* * Distancia media
Aglomerativo Divisivo * * * * Método de centroide:

* ¤ ¤ * Distancia entre centros
* * * *
1a 1b
1a 1b
* Método de Ward:
*
1c 1b1 * ¤
* ¤* Minimización de la
1b2 * * *
2 * varianza intragrupos
¿CÓMO FUNCIONAN LOS PROCEDIMIENTOS JERÁRQUICOS (AGLOMERATIVOS)?
¿Qué par de elementos se unirán primero?

*G
A* *B
C *
*D
H* *E
11
Depende de la medida de distancia que utilicemos, pero supongamos

que A-B y D-E. Surgen así dos conglomerados.
*G
A* *B
C *
*D
H* *E
12
El siguiente punto más próximo a estos dos conglomerados es C. ¿A

dónde será adscrito?
*G
A* *B
C *
*D
H* *E
13
A dónde se encuentre más próximo (distancia euclídea), pero... EXISTEN

VARIAS POSIBILIDADES (métodos de agrupamiento).
*G
A* *B
C *
*D
H* *E
14
A dónde se encuentre más próximo (distancia euclídea), pero... EXISTEN

VARIAS POSIBILIDADES (métodos de agrupamiento):
*G
A* *B
10,5 8,5 7,0 11,0
C *
8,5
*D
12,0 9,0
9,5
H* *E
15
VECINO MÁS LEJANO (COMPLETE LINKAGE): Adscribe C al conglomerado

cuya distancia el caso más alejado de ese conglomerado es menor.
*G
A* *B
10,5
C *
*D
d(C;AB)=max(dCA;dCB)
9,5
H* *E
16
VECINO MÁS PRÓXIMO (SINGLE LINKAGE): Adscribe C al conglomerado

cuyo distancia al caso más cercano de ese conglomerado es menor.
*G
A* *B
7,0
d(C;AB)=min(dCA;dCB)
C *
Inconvenientes:  Encadenamiento 8,5
*D
Ventajas: Detecta muy bien “outliers”.

H* *E
17
MÉTODOS BASADOS EN PUNTUACIONES MEDIAS: Adscribe C al

conglomerado cuya promedio de distancias es menor.
*G
A* *B
8,5
• Vinculación Intragrupos
• Vinculación intergrupos
• Mediana
• Centroide
• Ward C *
Tienden a obtener conglomerados de *D
tamaño similar. 9,0
Preferibles al resto de jerárquicos, especialmente
WARD y VINCULACIÓN INTERGRUPOS.
H* *E
18

conglomerado cuya distancia es menor a...
Vinculación INTERgrupos: Media de todas las distancias entre C y cada uno de

los elementos del conglomerado.
Vinculación INTRAgrupos: Incluye además las distancias dentro de cada

conglomerado, es decir, todas las posibles.

conglomerado cuya distancia es menor a...
Centroide: Centro de simetría del cluster, calculado como la media de las

distancias de todos sus elementos:
Mediana: Centroides calculados sólo con valores centrales.
Ward: Proporciona la menor suma de cuadrados intragrupos. En vez de utilizar

las distancias entre casos utiliza esta medida de variabilidad.
20
Todos estos métodos JERÁRQUICOS...
... como resultado de su proceso

aglomerativo, ofrecen un
DENDROGRAMA, una representación
gráfica en forma de árbol que
muestra:
1. Qué elementos se han ido

uniendo en cada paso.
2. Cómo se organizan los casos.
3. Cuántos conglomerados
podemos distinguir en los datos.
21
¿CÓMO SE CREA EL DENDROGRAMA?

OBS 1 *
OBS 2 *
Paso 0: OBS 3 *
Cada observación
Es considerada
como un OBS 4 *
conglomerado
independiente OBS 5 *
OBS 6 *
Medida de Distancia
0,2 0,4 0,6 0,8 1,0
22
OBS 1 *
Cluster 1
OBS 2 *
Paso 1: OBS 3 *
Se agrupan los dos
casos más próximos OBS 4 *
entre sí.
OBS 5 *
OBS 6 *
0,2 0,4 0,6 0,8 1,0
23
OBS 1 *
Cluster 1
OBS 2 *
Paso 2:
Se agrupan los OBS 3 *
siguientes casos con
menores distancias OBS 4 *
entre ellos.
OBS 5 *
Cluster 2
OBS 6 *
0,2 0,4 0,6 0,8 1,0
24
OBS 1 *
Cluster 1
OBS 2 *
Paso 3:
OBS 3 *
El caso 3 se une al
clúster 1 OBS 4 *
OBS 5 *
Cluster 2
OBS 6 *
0,2 0,4 0,6 0,8 1,0
25
OBS 1 *
OBS 2 *
Cluster 1-2
OBS 3 *
OBS 4 *
Paso 4:
Se juntan los dos OBS 5 *
clusters 1 y 2,
quedando un sólo OBS 6 *
caso desparejado:
un outlier.
0,2 0,4 0,6 0,8 1,0
26
Ejemplos de dendrogramas
Un buen resultado:
2 conglomerados
claros
Un mal resultado:
Tenemos un outlier (caso 1017)
y el dendrograma muestra
encadenamiento
Un mal resultado:
No hay Dendrograma típico al emplear
conglomerados Vecino Más Próximo
claros
27
Ejemplos de dendrogramas
¿Y QUÉ HAY DE LOS MÉTODOS ITERATIVOS?
No agrupan los datos por similaridad entre ellos  No crean un dendrograma.
Son métodos que van ajustando iterativamente los centroides de un número

fijo de conglomerados k a los datos.
• Cada paso de un método jerárquico va agrupando casos similares en un

mismo cluster.
• Cada paso de un método iterativo va recolocando los centroides para que
estén óptimamente posicionados en el centro real del conglomerado.
29
¿CÓMO FUNCIONA K-MEDIAS?
Supongamos que el
número de grupos
k = 3.
30
Iteración 0
Se comienza con una
posición aleatoria de los
centroides.
31
Iteración 1
Se asigna cada caso
al centroide más
próximo.
32
Iteración 2
Se recoloca el centroide
en el centro de los puntos
asignados.
33
Iteración 3
Se continúa iterativamente
hasta que:
1. La distancia entre
centroides es máxima.
2. La distancia caso-
centroide es mínima.
34
¿QUÉ MÉTODO ES PREFERIBLE?
VENTAJAS DE LOS JERÁRQUICOS
- Proporcionan una fotografía de cómo estan organizados los datos  El investigador

puede ver cuántos conglomerados “existen” en los datos.
- Pueden calcularse los centros de esos conglomerados: centroides (medias).
- Vecino Más Próximo es especialmente bueno para localizar outliers.
- Ward y Vinculación INTERgrupos son los preferidos de entre los jerárquicos: estudios
de simulación han comprobado que adscriben cada elemento a su conglomerado
verdadero mejor que el resto (especialmente WARD). Tienden a ofrecer
conglomerados similares en tamaño y dispersión de sus elementos, de forma
redondeada.
DESVENTAJAS DE LOS JERÁRQUICOS

- Cualquiera de los métodos jerárquicos por separado funciona peor que k-medias.
35
¿QUÉ MÉTODO ES PREFERIBLE?
VENTAJAS DE LOS ITERATIVOS

- K medias es el método más robusto respecto a presencia de outliers y errores en
las medidas de distancia.
DESVENTAJAS DE LOS ITERATIVOS

- Requiere que el investigador especifique previamente tanto el número de
conglomerados como sus centros iniciales.
¿SOLUCIÓN? Combinar ambos procedimientos, utilizando:

1. Jerárquico para eliminar outliers, determinar el numero de clusters y sus
centros iniciales.
2. K-medias para obtener la solución conglomerativa final.
36
ANÁLISE MULTIVARIANTE TEMA 7 - ANÁLISIS DE CONGLOMERADOS FASES DEL ANÁLISS
Fases a la hora de ejecutar un Análisis de Conglomerados

PLANTEAMIENTO DEL PROBLEMA
Etapas preliminares SELECCIÓN DE VARIABLES
VECINO MÁS PRÓXIMO:
1ª FASE: MÉTODOS
DETECCIÓN Y ELIMINACIÓN DE
JERARQUICOS
OUTLIERS
WARD: OBTENCIÓN DEL NÚMERO

DE CONGLOMERADOS
VINCULACIÓN INTRAGRUPOS:
Obtención de los segmentos ANÁLISIS DE LA ESTABILIDAD
CREACIÓN DEL FICHERO DE MEDIAS

DE CADA CONGLOMERADO
2ª FASE: MÉTODO K-MEDIAS:

OBTENCIÓN DE LA SOLUCIÓN
CONGLOMERATIVA FINAL
Descripción de los segmentos PERFILADO DE LOS CONGLOMERADOS

37
ETAPAS PRELIMINARES
CUESTIONES PREVIAS
PLANTEAMIENTO DEL PROBLEMA  ¿Cuál es el objetivo de mi estudio?
 ¿Busco explorar datos o confirmar hipótesis?
SELECCIÓN DE VARIABLES
 ¿Quiero encontrar segmentos o grupos?
VECINO MÁS PRÓXIMO: SELECCIÓN DE VARIABLES

1ª FASE: MÉTODOS
 Las variables deben ser independientes, no
JERARQUICOS
OUTLIERS
correlacionadas. Si son ítems de un test
mejor hacer un análisis factorial antes.
DE CONGLOMERADOS
 Debe tener sentido agruparlas
ANÁLISIS DE LA ESTABILIDAD  Rubbish in, rubbish out.
 El número de variables a introducir en el
análisis no es importante (Md = 15).
 Sí debe mantenerse un número suficiente de
2ª FASE: MÉTODO K-MEDIAS: casos por variable, idealmente 2m (m = nº
CONGLOMERATIVA FINAL variables).
 Por lo tanto, mejor muestras grandes y
PERFILADO DE LOS representativas.
CONGLOMERADOS
38
OBTENCIÓN DE LOS SEGMENTOS
VECINO MÁS PRÓXIMO: Posibles outliers. El

número indica la posición
1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS que ocupan en el fichero.

Se ocultan de los análisis
WARD: OBTENCIÓN DEL NÚMERO y se vuelve a ejecutar
DE CONGLOMERADOS este método para
comprobar el efecto
VINCULACIÓN INTRAGRUPOS: sobre el dendrograma.
ANÁLISIS DE LA ESTABILIDAD


PERFILADO DE LOS
CONGLOMERADOS
39

Para determinar el número de
SELECCIÓN DE VARIABLES conglomerados “natural” existen criterios
numéricos y gráficos.
SPSS no ofrece numéricos y de los gráficos
1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS
sólo el dendrograma.
DE CONGLOMERADOS El dendrograma nos muestra 3 grupos
claros:
ANÁLISIS DE LA FIABILIDAD
ACIÓN DEL FICHERO DE MEDIAS


OBTENCIÓN DE LA SOLUCIÓN Para validar esta solución, se recomienda
CONGLOMERATIVA FINAL utilizar, además, otro procedimiento 
PERFILADO DE LOS
CONGLOMERADOS
40

1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS

DE CONGLOMERADOS

El análisis del CAMBIO EN EL
2ª COEFICIENTE
FASE: MÉTODODE CONGLOMERACIÓN
K-MEDIAS:
indica DE
OBTENCIÓN queLA3SOLUCIÓN
conglomerados es
además la opción
CONGLOMERATIVA mejor desde un
FINAL
punto de vista estadístico.
PERFILADO DE LOS
CONGLOMERADOS
41

1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS

DE CONGLOMERADOS


PERFILADO DE LOS
CONGLOMERADOS
42

PASOS
Se calculan las medias de cada variable para
cada uno de los 3 conglomerados.
1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS

DE CONGLOMERADOS
ANÁLISIS DE LA ESTABILIDAD Se copian los datos en un fichero de datos,
nombrando a las variables exactamente igual
CREACIÓN DEL FICHERO DE MEDIAS e incluyendo una variable que se debe llamar
DE CADA CONGLOMERADO necesariamente cluster_
PERFILADO DE LOS
CONGLOMERADOS
43

En esta última fase final especificamos:
1. 3 como número de conglomerados.
VECINO MÁS PRÓXIMO: 2. El fichero de medias recién creado como

centros iniciales.
1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS
La variable que se crea en el archivo de datos
WARD: OBTENCIÓN DEL NÚMERO tras un k medias se reconoce bien respecto de un
DE CONGLOMERADOS método jerárquico.


Importante informar del % de casos reasignados a

PERFILADO DE LOS otro conglomerado.
CONGLOMERADOS
44
PERFILADO DE LOS SEGMENTOS
SELECCIÓN DE VARIABLES IMPORTANTÍSIMA FASE
VECINO MÁS PRÓXIMO: Tenemos ya los conglomerados formados…

pero ahora qué hacemos con ellos??
1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS
Debemos cruzarlos con otras variables del
WARD: OBTENCIÓN DEL NÚMERO cuestionario (no utilizadas para crear los
DE CONGLOMERADOS grupos) con el fin de perfilarlos, saber un
poco más de ellos.
ANÁLISIS DE LA ESTABILIDAD Para ello se utilizan:
CREACIÓN DEL FICHERO DE MEDIAS - Contrastes F si se cruza la variable de

DE CADA CONGLOMERADO conglomerados con una variable métrica.
2ª FASE: MÉTODO K-MEDIAS: - Contrastes X2 si se cruzan con una variable

OBTENCIÓN DE LA SOLUCIÓN categórica.
PERFILADO DE LOS
CONGLOMERADOS
45
PERFILADO DE LOS SEGMENTOS

1ª FASE: MÉTODOS
JERARQUICOS
OUTLIERS

DE CONGLOMERADOS


PERFILADO DE LOS
CONGLOMERADOS
46

Tema 6

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tema 6

Caricato da

Copyright:

Formati disponibili

TEMA 6

Facultade de Psicoloxía. Campus Sur, s/n. 15782 Santiago de Compostela

Dr. Jesús Varela Mallou

Picón, E. Varela, J. y Real, E. (2003):

Métodos de Dependencia: Se asume que una variable (Y) depende de (es

Ejemplos: Regresión, ANOVA, Análisis Discriminante

Métodos de Independencia: No se asume que ninguna variable sea causada o

Ejemplos: Análisis de Conglomerados, Análisis Factorial, etc.

Cuándo se usan métodos de independencia se deja que los datos

Análisis Factorial: Cuando lo que interesa son agrupar variables .

Análisis Clúster: Cuando lo que interesa son agrupar observaciones.

Principio rector: Maximización de la homogeneidad intra grupos (conglomerados,

Dos fases fundamentales. 1ª: Obtención de segmentos

Resultado final: En el fichero de datos, una nueva variable que asigna

Dos fases fundamentales. 2ª: Perfilado de segmentos

Resultado final: Una tabla de contingencia entre la variable de agrupamiento y una

Cluster 1 Cluster 2 Cluster 3

¿Cómo se construyen los conglomerados?

El análisis estadístico necesita:

¿La medida? Distancia Euclídea (por defecto en SPSS)

Otras distancias disponibles en SPSS: City-Block (usa  de distancias absolutas en

El tipo de medida seleccionada influye poco en los resultados finales.

¿El método de agrupamiento? Hay muchos y muy diferentes

Métodos sin solapamiento Métodos con solapamiento

Jerárquicos Iterativos - k-centroides con solapamiento

Principales tipologías de agrupamiento

Aglomerativo Divisivo * * * * Método de centroide:

¿CÓMO FUNCIONAN LOS PROCEDIMIENTOS JERÁRQUICOS (AGLOMERATIVOS)?

¿Qué par de elementos se unirán primero?

Depende de la medida de distancia que utilicemos, pero supongamos

El siguiente punto más próximo a estos dos conglomerados es C. ¿A

A dónde se encuentre más próximo (distancia euclídea), pero... EXISTEN

A dónde se encuentre más próximo (distancia euclídea), pero... EXISTEN

10,5 8,5 7,0 11,0

VECINO MÁS LEJANO (COMPLETE LINKAGE): Adscribe C al conglomerado

VECINO MÁS PRÓXIMO (SINGLE LINKAGE): Adscribe C al conglomerado

Ventajas: Detecta muy bien “outliers”.

MÉTODOS BASADOS EN PUNTUACIONES MEDIAS: Adscribe C al

MÉTODOS BASADOS EN PUNTUACIONES MEDIAS: Adscribe C al

Vinculación INTERgrupos: Media de todas las distancias entre C y cada uno de

Vinculación INTRAgrupos: Incluye además las distancias dentro de cada

MÉTODOS BASADOS EN PUNTUACIONES MEDIAS: Adscribe C al

Centroide: Centro de simetría del cluster, calculado como la media de las

Mediana: Centroides calculados sólo con valores centrales.

Ward: Proporciona la menor suma de cuadrados intragrupos. En vez de utilizar

Todos estos métodos JERÁRQUICOS...

... como resultado de su proceso

1. Qué elementos se han ido

2. Cómo se organizan los casos.

¿CÓMO SE CREA EL DENDROGRAMA?

0,2 0,4 0,6 0,8 1,0

0,2 0,4 0,6 0,8 1,0

0,2 0,4 0,6 0,8 1,0

0,2 0,4 0,6 0,8 1,0

¿Y QUÉ HAY DE LOS MÉTODOS ITERATIVOS?

No agrupan los datos por similaridad entre ellos  No crean un dendrograma.

Son métodos que van ajustando iterativamente los centroides de un número

• Cada paso de un método jerárquico va agrupando casos similares en un

¿CÓMO FUNCIONA K-MEDIAS?

¿CÓMO FUNCIONA K-MEDIAS?

¿CÓMO FUNCIONA K-MEDIAS?

¿CÓMO FUNCIONA K-MEDIAS?