Agglomeratives hierarchisches Clustering

Benutzen Sie das Agglomerative Hierarchische Clustering, um Gruppen homogener Objekte (Klassen) auf Basis einer Beschreibung durch eine Menge von Variablen, oder ausgehen von einer Matrix die Ähnlichkeiten oder Unähnlichkeiten zwischen Objekten beschreibt.

XLSTAT bietet die folgenden Aggregationsmethoden:

Ward's Methode (Trägheit) Ward's Methode (Varianz) Complete linkage Simple linkage Strong linkage Flexible linkage Unweighted pair-group average Weighted pair-group average

XLSTAT bietet die folgenden Ähnlichkeite/Unähnlichkeiten für die verschiedenen Datentypen an:

Für quantitative Daten:

Ähnlichkeiten: Cooccurrenz, Kosinus, Kovarianz (n-1), Kovarianz (n), Dice-Index, Trägheit, Jaccard-Index, Kendall Korrelationskoeffizient, Kulczinski-Index, Ochiai-Index, Pearson Korrelationskoeffizient, Pearsons Phi, Allgemeine Ähnlichkeit, Rogers & Tanimoto Index, Sokal & Michener Index, Sokal & Sneath(1) Index, Sokal & Sneath(2) Index, Spearman Korrelationskoeffizient.

Unähnlichkeiten: Bhattacharya Abstand, Bray und Curtis Abstand, Canberra Abstand, Chebychev Abstand, Chi’² Abstand, Chi’²-Metrik, Chord-Abstand, Quadratischer Chord Abstand, Dice Index, Euklidischer Abstand, Geodätischer Abstand, Jaccard Index, Kendall Unähnlichkeit, Kulczinski Index, Mahalanobis Abstand, Manhattan Abstand, Ochiai Index, Pearson Unähnlichkeit, Pearsons Phi, Allgemeine Unähnlichkeit, Rogers & Tanimoto Index, Sokal & Michener Index, Sokal & Sneath(1) Index, Sokal & Sneath(2) Index, Spearman Unähnlichkeit.

Bemerkung: Im Fall von qualitativen Variablen müssen Sie zunächst eine multiple Korrespondenzanalyse (MKA) durchführen und die sich ergebenden Koordinaten auf den Faktorachsen als neue Variablen berücksichtigen.