spss聚类分析怎么确定分几类

spss聚类分析用聚合系数确定分2类。

系统聚类的类别数可用聚合系数来确定。系统聚类的SPSS *** 作请查看以下经验条目，此处不再赘述。SPSS系统聚类的输出结果中，“聚类表”的“系数”列即为聚合系数。

将聚类表拷贝到excel中，利用参与聚类的样品总数，减去聚类表中的第一列，该列将要划分的类别数。本例中有17个样本参与聚类，故“类别数”列等于用17分别减去第一列的数值。

聚类分析

指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

一、聚类

1准备工作

（1） 研究目的

聚类分析是根据事物本身的特性研究个体分类的方法，聚类分析的原则是同一类别的个体有较大相似性，不同类别的个体差异比较大。

（2） 数据类型

1）定量：数字有比较意义，比如数字越大代表满意度越高，量表为典型定量数据。

2）定类：数字无比较意义，比如性别，1代表男，2代表女。

PS： SPSSAU会根据数据类型自动选择聚类方法。

K-modes聚类： 数据类型仅定类时。

2上传数据到SPSSAU

登录账号后进入SPSSAU页面，点击右上角“上传数据”，将处理好的数据进行“点击上传文件”上传即可。

3SPSSAU *** 作

（1）拖拽分析项

1） SPSSAU进阶方法→聚类。

2）检查

检查分析项是否都在左侧分析框中。

3）进行拖拽
（2）选择参数

聚类个数： 聚类个数设置为几类主要以研究者的研究思路为标准，如果不进行设置，SPSSAU默认聚类个数为3，通常情况下，建议设置聚类数量介于3~6个之间。

标准化： 聚类算法是根据距离进行判断类别，因此一般需要在聚类之前进行标准化处理，SPSSAU默认是选中进行标准化处理。数据标准化之后，数据的相对大小意义还在（比如数字越大GDP越高），但是实际意义消失了。

保存类别： 分析选择保存‘保存类别’，SPSSAU会生成 新标题 用于标识，也可以右上角“我的数据”处查看到分析后的“聚类类别”。

新标题类似如下：Cluster_。

4SPSSAU分析

（1）聚类类别基本情况汇总分析

使用聚类分析对样本进行分类，使用Kmeans聚类分析方法，从上表可以看出：最终聚类得到4类群体，此4类群体的占比分别是2000%, 3000%, 2000%, 3000%。整体来看， 4类人群分布较为均匀，整体说明聚类效果较好。

（2）聚类类别汇总图分析

上图可以直观的看到各个类别所占百分比，4类群体的占比分别是2000%, 3000%, 2000%, 3000%。

（3）聚类类别方差分析差异对比
使用方差分析去探索各个类别的差异特征，从上表可知：聚类类别群体对于所有研究项均呈现出显著性(p<005),意味着聚类分析得到的4类群体，他们在研究项上的特征具有明显的差异性，具体差异性可通过平均值进行对比，并且最终结合实际情况，对聚类类别进行命名处理。

（4）聚类项重要性对比

从上述结果看，所有研究项均呈现出显著性，说明不同类别之间的特征有明显的区别，聚类的效果较好。

（5）聚类中心

5其它说明

（1）聚类中心是什么？

聚类中心是聚类类别的中心点情况，比如某类别时年龄对应的聚类中心为20，意味着该类别群体年龄基本在20岁左右。初始聚类中心基本无意义，它是聚类算法随机选择的聚类点，如果需要查看聚类中心情况，需要关注于最终聚类中心。实际分析时聚类中心的意义相对较小，其仅为聚类算法的计算值而已。

（2）k-prototype聚类是什么？

如果说聚类项中包括定类项，那么SPSSAU默认会进行K-prototype聚类算法（而不是kmeans算法）。定类数据不能通过数字大小直接分析距离，因而需要使用K-prototype聚类算法。

（3）聚类分析时SSE是什么意思？

在进行Kmeans聚类分析时SPSSAU默认输出误差平方和SSE值，该值可用于测量各点与中心点的距离情况，理论上是希望越小越好，而且如果同样的数据，聚类类别越多则SSE值会越小（但聚类类别过多则不便于分析）。

SSE指标可用于辅助判断聚类类别个数，建议在不同聚类类别数量情况下记录下SSE值，然后分析SSE值的减少幅度情况，如果发现比如从3个聚类到4个类别时SSE值减少幅度明显很大，那么此时选择4个聚类类别较好。

二、分层聚类

1准备工作

（1）研究目的

从分析角度上看，聚类分析可分为两种，一种是按样本（或个案）聚类，此类聚类的代表是K-means聚类方法；另外一种是按变量（或标题）聚类，此类聚类的代表是分层聚类。

（2）数据类型

2上传数据到SPSSAU

登录账号后进入SPSSAU页面，点击右上角“上传数据”，将处理好的数据进行“点击上传文件”上传即可。

3SPSSAU *** 作

（1）拖拽分析项

1） SPSSAU进阶方法→分层聚类。

2）检查

检查分析项是否都在左侧分析框中。

3）进行拖拽

（2）确定参数

SPSSAU会默认聚类为3类并且呈现表格结果，如果希望更多的类别个数，可自行进行设置。

4SPSSAU分析

（1）聚类项描述分析

上表格展示总共8个分析项（即8个裁判数据）的基本情况，包括均值，最大或者最小值，中位数等，以便对于基础数据有个概括性了解。整体上看，8个裁判的打分基本平均在8分以上。

（2）聚类类别分布表分析

总共聚类为3个类别，以及具体分析项的对应关系情况。在上表格中展示出来，上表格可以看出：裁判8单独作为一类；裁判5，3，7这三个聚为一类；以及裁判1，6，2，4作为一类。

（PS：聚类类别与分析项上的对应关系可以在上表格中得到，同时也可以查看聚类树状图得出更多信息。至于聚类类别分别应该叫做什么名字，这个需要结合对应有关系情况，自己单独进行命名。）

（3）聚类树状图分析

上图为聚类树状图的展示，聚类树状图是将聚类的具体过程用图示法手法进行展示；最上面一行的数字仅仅是一个刻度单位，代表相对距离大小；一个结点表示一次聚焦过程。

树状图的解读上，建议单独画一条垂直线，然后对应查看分成几个类别，以及每个类别与分析项的对应关系。比如上图中，红色垂直线最终会拆分成3个类别；第1个类别对应裁判8；第2个类别对应裁判5，3，7；第3个类别对应裁判1，6，2，4。

如果是聚为四类；从上图可看出，明显的已经不再合适。原因在于垂直线不好区分成四类。也即说明有2个类别本应该在一起更合适（上图中的裁判1与6/2/4）；但是如果分成4类，此时裁判1会单独成一类。所以画垂直线无法区分出类别。因而综合分析来看，最终聚类为3个类别最为适合。

当然在分析时也可以考虑分成2个类别，此时只需要对应将垂直线移动即可。

5其它说明

（1）针对分层聚类，需要注意以下几点：

（2）什么时候做因子分析后再做聚类分析？

如果题项较多，可先做因子分析，得到每个维度（因子）的数据，再进行聚类。

三、总结

聚类分析广泛的应用于自然科学、社会科学等领域。在分析时可以比较多次聚类结果，综合选择更适合的方案。

以上就是聚类分析步骤汇总，更多干货请前往官网查看！

如果这个图你看不懂，有个简单的方法，你可以试一下。 在进行聚类的过程中点击statistics——cluster membership——Rang of solutions 中输入1到28(因为你的树状图中显示有28个变量，所以最多能聚28类，最少是一类)，这样就得到一个并类表Cluster me。

这棵树是使用SPSS系统聚类的聚类结果。 1，基本的想法？系统聚类计算n个样本作为一类，与样品之间的距离和类和类之间的距离的规定，那么最近的两类合并成一个新的类，新类的距离最近的两个类合并重复，每降低一个等级，本文中所有样本合并为一类。树，你的头发是这个过程的基础上，。
2，顶行的距离值的表示之间的距离情况下，这是一个软件翻译，不能进行调整。
3，可能是较旧版本的SPSS，树是断开的，可能是没有很好的解决，新的版本被连接的线段。但仍继续做了分析。在树下，看
第一次合并，将合并为一类7,8，1,3，2,4,5一类最相似的它们之间的距离最近的。
合并6条编入到7-8级。
合并1,3纳入6,7,8在于类。总计久盛两种
四，所有个人一起作为一类
最后一起作为一类不说没有根据自己的需要进行分类，但你从图码结果确定类别的数量。例如，你想最终分为两大类，其结果是“7,8,6,1,3”和“2,4,5”

一。简单介绍

按照特征来分；

目的在于人士能够同一个类别内的个体之间具有较高的相似度，而不同的相似度，而不同类别 之间具有较大的差异性，

对变量进行聚类分析

并定制出使用与不同的类别的解决方案

我们为了合理的进行聚类，需要次用适当的额指标来衡量研究对象之间的练习紧密程度

常用的指标有距离和相似系数

相似系数--相关系数

托尼盖的聚类分析方法可能得到不同的分类结果，或者聚类分析方法但是所分析的便令不同，

对于聚类结果的合理性判断比较主观，只要类别内相似性类别建差异性都能得到合理的解释和判断，就认为聚类结果是可行的。但是这样可能会忽略掉一些小众的群体的存在

的道具类结果后，还必须结合行业特点和实际业务发展情况，对结果进行综合Fenix和有前瞻性的解读

------------

二。分析步骤

1确定需要参数与聚类分析的变量

2对数据进行标准化处理

3选择聚类方法和类别的个数

4聚类分析个数解读

21聚类方法

快速聚类（k-means cluster）：也称k均值聚类，他是按照一定的方法选取一批聚类中心点，让个案向最近的聚类中心点聚集形成初始分类，然后按照最近距离原则调整不合理的分类，直到分类合理为止

系统聚类（HIerarchical Cluster）：也称层次聚类，首先将参与聚类的个案（或变量）各视为一类，然后根据俩个类别之间的距离或相似性逐步合并，知道所有个案（或变量）合并为一个大类为止

二阶聚类：也称俩步聚类，一种智能聚类方法，分为俩个步骤1预聚类，根据定义的最大了别数岁个案进行初步归类2正式聚类：根据第一步中得到的初步归类进行在聚类并确定最终聚类的结果，并且在这一部中，会根据一定的统计标准确定聚类的类别数

-----------

三。案例分析

1快速聚类分析

分析--分类--k-均值分类

将沟通的分，业务得分，领导能力得分变量移置变量中--员工ID移置个案标注依据

聚类树种可输入期望值，预计将员工分为3组，因此输入3

保存--勾选聚类成员--继续--k均值聚类分析对话框--继续--确定

12快速聚类分析解读：

01 初始聚类分析

3个数据作为快速聚类的初始位置

本例中分别选择了员工ID为1001 1012 1003三人作为初始聚类的初始位置

第二个输出结果是“迭代历史记录”该结果显示了本次快速聚类分析的一共迭代的次数。迭代的过程可以理解为每个类别与初始位置之间单位距离改变情况，当这个距离变动非常小的时候，迭代就完成了、本例中一共迭代了4次，初始位子最小是82158

第三个输出结果：“最终聚类中心”，该最终聚类中心和初始聚类中心相比；在数值上发生了变化，说明通过迭代的计算过程，每个类别的位置都发生了偏移

第四个输出结果“每个聚类中心得个案项目”，如图10-9所示，该结果显示了每个类别中所包含的数据量，本例中类别1 

本案例中聚类1 包含了4 个员工

类别2 中包含了6个员工

类别三种包含了21个员工

数据文件中也新城了一个名为Qcl_1的变量，如下图所示，其中变量值表示每个案例所属的类别

应该讲这个分类结果和参与聚类分析的变量制作交叉表，计算元工各类别员工在沟通过，业务，领导三方面的各自的平均值，一遍了解每一类别员工的特征

3计算交叉表

分析--表--定制表--将QCL_1拖动到右侧的列区域上，将沟通能力和也无能李得分领导得分这三个变量拖动大右侧（行）区域上，摘要统计中的汇总方式采用默认的平均值--确定

----------

二交叉表

从交叉表中可以看出：

1类别1的员工在各绩效评估指标的平均得分都比较低，可以认为是“工作表表现较弱”的组别

2类别2 的员工在各级评估指标的平均分得分处于中间水平，则认为是“工作表现较强”的组别

3类别3的员工在各绩效评估指标的平均分处于中间水平，则认为是“工作保险中等”的组别

-----------

三系统聚类分析 *** 作

分析--分类--系统聚类--系统聚类分析

将沟通能力，业务能力，领导能力得分移入变量--统计--

将解的范围调整到3-4--继续--图--勾谱系图--在冰柱图下方选择无--继续

系统聚类分析和快速聚类分析的第二个不同之处

1谱系图：也称树状图，以树状的形式展现个案被分类的过程

2冰柱图：以“X"的形式显示全部类别或指定类别的数的分类过程

在实际应用中，俩种图形选择其一种输出即可，但是从应用范围和可读性来看，谱系图更加直观

----

方法--（聚类分析：方法）--组件联结--瓦尔德法--组间联结--测量--平方欧氏距离--计数--卡方测量--平方欧式距离--转换值--一般用z得分--测量应选择区间想--平方欧式距离--z得分--按变量（每个变量进行标准化）-继续

----------

32 系统聚类分析结果解读

1“个案处理摘要”：该结果主要提供了数据量，缺失值信息和测量方法，本例中，该表显示了21个，无确实个案，采用的测量方法为“平方欧式距离”

2“集中计划”--聚类过程

第一步聚类是编号8 和21 的个案合并

第二步聚类是编号8和18的个案合并

3”聚类成员“将所有个案对应的分类结果集中展示。实际上以结果已经心啊是在数据文件中，用clu3_1,clu4_1俩个变量表示（clu是系统局了我i的分类结果变量的前缀，后面的数字为类别数，下划线后免得数字为系统聚类分析结果保存的次数

4"谱系图“该图形能直观地表示出整个聚类的全过程，另外分类姐果用一个相对距离25 的刻度来表示，如果要看某一类别所包含的数据，只要从上面王下切，划过几条横线，对应的个案就分了几类
如果要看2个类别的分组结果，只需要藏刻度为20的地方往下切，第一组编号：8-12，第二组：5-16

------

33继续将分类结构和参与聚类分析的变量制作交叉表，计算各个类别元共公共在沟通，业务，领导三方面呢能李的平均值，一边了解每一类别员工的特征，此外，还要显示出一类别所包含的个案数

分析--描述统计--频率-将clu3_1clu4_1 拖到右侧的变量区域上

显示分类结果和三个变量的交叉表，单机分析--表--定制表--将clu3_1和clu4_1 移入列变量中，将沟通能力，业务能力得分，领导能力得分移入行中--生成交叉表

从频率表可知clu3的类别2和clu4的类别2，clu3的类别3，clu3的类别4的人数一致

clu3与clu4的区别在于，clu4的类别1和类别4 合起来就是clu3的类别1

从交叉表结合频率表可知

1）clu3的类别2和clu4的类别2为同一批员工，业务能李得分是最高的，也就是说，这一类的员工也无能力很强，但是另外俩个能力较为薄弱

2）clu3的类别2分值整体较高，属于表现良好的员工，此类个指标分支均较低，可以认为这一类的员工整体能力较差

3）clu3的类别2分支整体较高，属于表现良好的一批员工，而clu4将其细分为呢能力优秀的类别2 和能力一般的类别3

----------

二阶聚类分析

分析--分类--二阶聚类--二阶聚类分析--将学历/性别变量一致分类变量框中--将沟通能力得分，业务能力得分，领导能力得分三个变量移至连续变量中--输出--二阶聚类：输出--勾选输出下面的透视表，工作数据文件下的创建聚类了成员变量--继续--确定
二阶聚类会自动分析并输出最有聚类数

---