1. Переместите переменную, делящую ваши объекты на группы, в поле «Группировать по». Далее — задайте диапазон, в котором находятся ваши группы (допустим от 1 до 3, если группы обозначаются как 1, 2 и 3).
2. Переместите остальные переменные в поле «Независимые».
3. Нажмите кнопку «Статистики» и отметьте «Однофакторный дисперсионный анализ».
4. Нажмите кнопку «Классифицировать» и отметьте «Итоговая таблица».
Дополнительные опции: на главном окне вы можете выбрать метод дискриминантного анализа («Принудительное включение» или «Шаговый отбор»).
В окне «Статистики» вы также можете выбрать «Средние», что даст описательную статистику по каждой из групп.
Куда смотреть: в таблице «Критерии равенства групповых средних» можно посмотреть, какие переменные значимо разделяют ваши объекты на группы (столбцы «F» и «Значимость»). Если значимость меньше 0,05, то разделяет.
Значения коэффициентов стандартизованной канонической дискриминантной функции можно найти в одноименной таблице (если это действительно необходимо).
Что касается меры качества, то таковой может служить таблица «Результаты классификации». В ячейках [0,0] и [1,1] находятся правильно классифицированные объекты, а в остальных — ошибочно определенные.
ИЕРАРХИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ
Как найти: Анализ —> Классификация —> Иерархическая кластеризация…
Что вводить:
1.Переместите признаки, по которым ваши объекты будут распределяться на группы, в поле «Переменные».
2. В разделе «Графики» отметьте галочкой «Дендрограмма».
Дополнительные опции: нажав кнопку «Статистики», вы можете потребовать у компьютера вывести принадлежность объектов к кластерам на том или ином этапе кластеризации. Кроме того, у него можно затребовать матрицу расстояний между объектами (она же — «Матрица близостей»).
В разделе «Метод» вы можете выбрать способ выделения кластеров, а также меру расстояния.
Куда смотреть: на дендрограмме показана принадлежность объектов к тому или иному классу на всех этапах кластеризации.
Если же вы отметили соответствующую галочку, то вы можете посмотреть принадлежность объектов к кластеру на определенном этапе кластеризации в таблице «Принадлежность к кластерам».
К-СРЕДНИХ
Как найти: Анализ —> Классификация —> Кластеризация К-средними.
Что вводить:
1. Переместите признаки, по которым ваши объекты будут распределяться на группы, в поле «Переменные».
2. Выберите число кластеров.
3. В разделе «Параметры» отметьте «Конечный кластер для каждого наблюдения».
Дополнительные опции: ничего интересного.
Куда смотреть: из таблицы «Принадлежность к кластерам» можно увидеть, какой объект к какому кластеру принадлежит.
А в таблице «Конечные центры кластеров» расположены координаты каждого центроида.
ФАКТОРНЫЙ АНАЛИЗ
Как найти: Анализ —> Снижение размерности —> Факторный анализ.
Что вводить:
1. Переместите переменные, на основе которых будут выделяться факторы, в поле «Переменные».
2. Нажмите на кнопку «Вращение» и выберите метод вращения (чаше всего «варимакс»).
Дополнительные опции: в разделе «Извлечение» можно выбрать метод извлечения, вывести график собственных значений или настроить количество факторов, которые выделятся по итогу.
Куда смотреть: результаты факторного анализа находятся в «Повернутой матрице компонентов». Там — коэффициенты корреляции между факторами и отдельными переменными.
Собственные значения факторов можно посмотреть в таблице «Объясненная совокупная дисперсия».
Приложение 3. Что еще посмотреть?
Если после прочтения данной книги вы заинтересовались статистикой, то было бы не лишним узнать, что еще можно посмотреть по данной тематике.
В первую очередь я бы рекомендовал курсы института биоинформатики на сайте www.stepik.org. А именно «Основы статистики» в трех частях, который ведут Анатолий Карпов, Иван Иванчей, Полина Дроздова и Арсений Москвичев. Там все просто, доходчиво и талантливо. А демонстрируемая глубина изложения встречается далеко не в каждом учебнике.
Второй источник, достойный упоминания — это «Статистика для всех» С. Бослаф. Единственное — она весьма недешёвая и её трудно найти. Содержание же выше самых похвал — подробно рассмотрены самые распространенные методы обработки данных, в том числе и специфические для медицины, экономики и бизнеса.
Также я достаточно часто захожу на портал знаний statistica.ru компании StatSoft. Местный электронный учебник хорош в качестве справочного пособия. Что касается самого анализа данных в системе Statsoft Statistica, то о нём можно узнать в учебнике Боровикова «Популярное введение в современный анализ данных в системе STATISTICA».
Если же вам приходится работать в SPSS — возьмите книгу А. Д. Наследова «IBM SPSS Statistics 20 и AMOS: Профессиональный статистический анализ данных». Там описано решение большинства типовых задач, с которыми приходится сталкиваться исследователю.
По статистическому языку R есть прекрасный курс на том же stepik.org. Ведут Анатолий Карпов и Иван Иванчей.
А вообще, самый главный источник знаний — это исследовательская работа. Решение практических задач способствует их усвоению и закреплению в гораздо большей степени, чем чтение книг. Поэтому если вы хотите освоить этот предмет — ищите достойные задачи, решение которых позволит сделать наш мир лучше и интереснее.
Благодарности
Здесь мне хотелось бы выразить благодарность людям, без которых издание книги было бы невозможным.
И в первую очередь спасибо тем, кто поверил в этот проект и вложился в него, став спонсорами на краудфандинговой площадке Boomstarter. Без них он так и остался бы просто красивой идеей. Ваша поддержка вдохновляла меня, а ответственность перед вами заставляла ежедневно работать над книгой, делая ее все лучше и лучше.
В особенности мне бы хотелось поблагодарить следующих спонсоров: Дмитрия Чумаченко, Елену Зеркаленкову, Анатолия Федоточкина, Леонида Тощева, Евгения Комоцкого, Ольгу Романову, Ивана Равового, Алексея Иванова (aviva24), Вадима Шмыгова и школу «Инфографика TUT», Максима Кравцова, Ирину Шафранскую, Сергея Черепанова, Владимира Волохонского, Александра Белоцерковского, Евгения Степанищева, Вячеслава Калошина и Игоря Мосягина. Их вклад был по-настоящему щедрым и позволил реализовать несколько интересных идей.
