Hat jemand die hierarchische Clustering-Funktion in JMP für alle Ordinaldaten verwendet und versucht, wie gut die Nicht-Ward-Optionen funktionieren?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich versuche also, mit der Clusteranalyse Cluster in JMP zu erstellen, aber da meine Daten alle kategorisch sind, habe ich mich gefragt, ob einige der anderen Optionen besser funktionieren würden. Im JMP-Handbuch gibt es erfreulicherweise wenig darüber, welche Dropdown-Listen zu verwenden sind, und das Internet war nicht besonders hilfreich, außer dem Vorschlag, dass für alle kategorialen Daten unterschiedliche Algorithmen verwendet werden sollten. Für Vorschläge wäre ich sehr dankbar. Danke schön.
Betreff: Hat jemand die hierarchische Clustering-Funktion in JMP für alle Ordinaldaten verwendet und versucht, wie gut die Nicht-Ward-Optionen funktionieren?Vielen Dank für die Hintergrundinformationen und entschuldigen Sie den defekten Link zu Mehrfachkorrespondenzanalyse (MCA) . Angesichts dessen, was Sie sagen, würde ich auf jeden Fall einen Blick darauf werfen und sehen, was dabei herauskommt: http://www.jmp.com/support/help/Multiple_Correspondence_Analysis.shtml
Betreff: Hat jemand die hierarchische Clustering-Funktion in JMP für alle Ordinaldaten verwendet und versucht, wie gut die Nicht-Ward-Optionen funktionieren?Hallo Ian,
Danke, für die schnelle Antwort. Ich denke, ich hätte es nicht einfach mit der Ordnungszahl markieren, sondern buchstabieren sollen. Also ja, meine Daten sind alle kategorial, keine kontinuierlichen Daten und keine nominalen Daten. Ich werde wahrscheinlich bis zu ein paar Hundert Spalten mit Daten haben und versuche nur, die Cluster-Funktion zu verwenden, um zu bestimmen, in welche natürliche Reihenfolge diese fallen werden. Das ist also eine komplexe Situation, in der ich ein Produkt habe, das weltweit verkauft wird, die Art und Weise, wie es global eingereicht wurde, jedoch je nach Land/Markt leicht unterschiedlich ist. Das Produkt muss so verkauft werden, wie es eingereicht wurde. Jede Einreichung kann geringfügige Unterschiede in der Art und Weise aufweisen, wie das Produkt hergestellt und analysiert werden kann, bevor es zum Verkauf angeboten wird. Ich versuche herauszufinden, in welche natürlichen Gruppierungen Märkte/Länder in Bezug auf das Angebot fallen, um dann noch einmal zu prüfen, welche Strategie ich am besten anwenden kann, um den Produktstatus/die Einreichung in den einzelnen Ländern anzugleichen, um sicherzustellen, dass es nicht zu Lieferengpässen kommt und alle Produkte möglichst ähnlich werden so schnell wie möglich. Hoffe das macht Sinn?
Welcher Algorithmus eignet sich also am besten für so etwas? Ich denke nicht, dass ich die Standardeinstellung „Ward“ verwenden sollte, richtig?
Ich danke Ihnen für Ihre Hilfe!
Betreff: Hat jemand die hierarchische Clustering-Funktion in JMP für alle Ordinaldaten verwendet und versucht, wie gut die Nicht-Ward-Optionen funktionieren?Aus dem Thread konnte ich nicht erkennen, ob Ihre Daten kategorial oder ordinal sind (oder vielleicht eine Mischung aus beidem). Auch nicht, wenn Sie „Cluster“ im umgangssprachlichen oder technischen Sinne verwenden.
Wenn die Daten kategorisch sind, würde ich mir auf jeden Fall Folgendes ansehen: http://www.jmp.com/support/help/Multiple_Correspondence_Analysis.shtml . Wenn Sie eine Mischung aus kategorialen und kontinuierlichen und/oder ordinalen Variablen haben, würden einige dafür plädieren, die letzteren Variablen kategorisch zu machen, damit auch sie in die MCA einbezogen werden können. Obwohl bei diesem Prozess Informationen verloren gehen, kann es manchmal besser sein, als die Variablen überhaupt nicht einzubeziehen. Und wie Sie vielleicht durch Ihre eigenen Suchen herausgefunden haben, empfehlen einige, die Ausgabe von MCA als Eingabe für das Clustering zu verwenden, und Sie könnten dies sicherlich auch versuchen.
Letztlich hängt jedoch die „beste“ oder sogar praktikable Methode von den spezifischen Zielen ab, die Sie sich gesetzt haben (wie würden die Ergebnisse tatsächlich verwendet werden?) und davon, wie gut die Daten, die Sie zur Verfügung haben, funktionieren (oder nicht ...). unterstützen, diese Ziele zu erreichen. Es versteht sich von selbst, dass einfache grafische und beschreibende Zusammenfassungen Ihnen dabei helfen, die richtige Richtung einzuschlagen.
