SPSS聚类分析过程
聚类的主要过程一般可分为如下四个步骤： 1.数据预处理（标准化）
2.构造关系矩阵（亲疏关系的描述） 3.聚类（根据不同方法进行分类） 4.确定最佳分类（类别数）
SPSS软件聚类步骤
1. 数据预处理（标准化）
→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择
从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可：
标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|xij*|
，消去了量纲的影响；在
以后的分析计算中可以减少误差的产生。）；Range 0 to 1（极差正规化变换/ 规格化变换）；
2. 构造关系矩阵
在SPSS中如何选择测度（相似性统计量）:
→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择
常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数； 3. 选择聚类方法
SPSS中如何选择系统聚类法 常用系统聚类方法
a）Between-groups linkage 组间平均距离连接法
方法简述：合并两类的结果使所有的两两项对之间的平均距离最小。（项对的两成员分属不同类）特点：非最大距离，也非最小距离 b）Within-groups linkage 组内平均连接法
方法简述：两类合并为一类后，合并后的类中所有项之间的平均距离最小 C）Nearest neighbor 最近邻法（最短距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法
d）Furthest neighbor 最远邻法（最长距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法 e）Centroid clustering 重心聚类法
方法简述：两类间的距离定义为两类重心之间的距离，对样品分类而言，每一类中心就是属于该类样品的均值
特点：该距离随聚类地进行不断缩小。该法的谱系树状图很难跟踪，且符号改变频繁，计算较烦。
f）Median clustering 中位数法
方法简述：两类间的距离既不采用两类间的最近距离，也不采用最远距离，而采用介于两者间的距离
特点：图形将出现递转，谱系树状图很难跟踪，因而这个方法几乎不被人们采用。 g）Ward’s method 离差平方和法
方法简述：基于方差分析思想，如果分类合理，则同类样品间离差平方和应当较小，类与类间离差平方和应当较大
特点：实际应用中分类效果较好，应用较广；要求样品间的距离必须是欧氏距离。
谱系分类的确定
经过系统聚类法处理后，得到聚类树状谱系图，Demirmen(1972)提出了应根据研究的目的来确定适当的分类方法，并提出了一些根据谱系图来分类的准则：
A. 任何类都必须在临近各类中是突出的，即各类重心间距离必须极大 B. 确定的类中，各类所包含的元素都不要过分地多 C. 分类的数目必须符合实用目的
D. 若采用几种不同的聚类方法处理，则在各自的聚类图中应发现相同的类
实例分析
SPSS19.0分析软件聚类分析
4.2聚类分析——系统聚类法
在数据编辑窗口的主菜单中选择“分析(A)”→“分类(F)”→“系统聚类(H)”（如图-4所示），
弹出“系统聚类分析”对话框，将“地区”变量选入“标注个案(C)”中，将其他变量选入“变量框”中，如图-5所示。在“分群”单选框中选中“个案”，表示进行的是Q型聚类。在“输出”复选框中选中“统计量”和“图”，表示要输出的结果包含以上两项。
单击“统计量(S)”按钮，在“系统聚类分析：统计量”对话框中选择“合并进程表”、“相似性矩阵”，如图-6所示，表示输出结果将包括这两项内容。
单击“绘制(T)”按钮，在“系统聚类分析：图”对话框中选择“树状图”、“冰柱”，如图-7所示，表示输出的结果将包括谱系聚类图（树状）以及冰柱图（垂直）。
单击“方法(M)”按钮，弹出“系统聚类分析：方法”对话框，如下图-8所示。
“聚类方法(M)”选项条中可选项包括如图-9所示的几种方法，本例中选择“组间联接”：
“度量标准-区间(N)”选项条中可选项包括如图-10所示的几种度量方法，本例中选择“平方Euclidean距离”：
“转换值-标准化(S)”选项条中可选项包括如图-11所示的几种将原始数据标准化的方法，本例中选择“全局从0到1”：
冰柱图解释
聚类分析冰柱图形状类似于屋檐上垂下的冰柱，因此而得名。 横轴：案例（Case）表示被聚类的对象或变量；
纵轴：群集数（Number of clusters）表示被聚成几类； 观察冰柱图应从最后一行开始。举例如下：
当聚成6类时X4和X8和X6聚成一类，其他个案自成一类，用白板将6类一下挡上可以看出如图；
当聚成5类时X4和X8和X6和X2聚成一类，其他个案自成一类。 冰柱图的优点是不仅可以显示出不同类数时个案所属的分类结果，还能表现出聚类的过程步骤，生动形象；缺点是不能表现出聚类过程中距离的大小。
若生成的树状图如下，看不清楚。可点击右键导出文件，生成word文件，然后可以看出聚类过程。
导出的word文档中聚类过程如下：
可看出聚类过程为如下表所示：
分类过程统计表
SPSS聚类分析过程
聚类的主要过程一般可分为如下四个步骤： 1.数据预处理（标准化）
2.构造关系矩阵（亲疏关系的描述） 3.聚类（根据不同方法进行分类） 4.确定最佳分类（类别数）
SPSS软件聚类步骤
1. 数据预处理（标准化）
→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择
从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可：
标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|xij*|
，消去了量纲的影响；在
以后的分析计算中可以减少误差的产生。）；Range 0 to 1（极差正规化变换/ 规格化变换）；
2. 构造关系矩阵
在SPSS中如何选择测度（相似性统计量）:
→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择
常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数； 3. 选择聚类方法
SPSS中如何选择系统聚类法 常用系统聚类方法
a）Between-groups linkage 组间平均距离连接法
方法简述：合并两类的结果使所有的两两项对之间的平均距离最小。（项对的两成员分属不同类）特点：非最大距离，也非最小距离 b）Within-groups linkage 组内平均连接法
方法简述：两类合并为一类后，合并后的类中所有项之间的平均距离最小 C）Nearest neighbor 最近邻法（最短距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法
d）Furthest neighbor 最远邻法（最长距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法 e）Centroid clustering 重心聚类法
方法简述：两类间的距离定义为两类重心之间的距离，对样品分类而言，每一类中心就是属于该类样品的均值
特点：该距离随聚类地进行不断缩小。该法的谱系树状图很难跟踪，且符号改变频繁，计算较烦。
f）Median clustering 中位数法
方法简述：两类间的距离既不采用两类间的最近距离，也不采用最远距离，而采用介于两者间的距离
特点：图形将出现递转，谱系树状图很难跟踪，因而这个方法几乎不被人们采用。 g）Ward’s method 离差平方和法
方法简述：基于方差分析思想，如果分类合理，则同类样品间离差平方和应当较小，类与类间离差平方和应当较大
特点：实际应用中分类效果较好，应用较广；要求样品间的距离必须是欧氏距离。
谱系分类的确定
经过系统聚类法处理后，得到聚类树状谱系图，Demirmen(1972)提出了应根据研究的目的来确定适当的分类方法，并提出了一些根据谱系图来分类的准则：
A. 任何类都必须在临近各类中是突出的，即各类重心间距离必须极大 B. 确定的类中，各类所包含的元素都不要过分地多 C. 分类的数目必须符合实用目的
D. 若采用几种不同的聚类方法处理，则在各自的聚类图中应发现相同的类
实例分析
SPSS19.0分析软件聚类分析
4.2聚类分析——系统聚类法
在数据编辑窗口的主菜单中选择“分析(A)”→“分类(F)”→“系统聚类(H)”（如图-4所示），
弹出“系统聚类分析”对话框，将“地区”变量选入“标注个案(C)”中，将其他变量选入“变量框”中，如图-5所示。在“分群”单选框中选中“个案”，表示进行的是Q型聚类。在“输出”复选框中选中“统计量”和“图”，表示要输出的结果包含以上两项。
单击“统计量(S)”按钮，在“系统聚类分析：统计量”对话框中选择“合并进程表”、“相似性矩阵”，如图-6所示，表示输出结果将包括这两项内容。
单击“绘制(T)”按钮，在“系统聚类分析：图”对话框中选择“树状图”、“冰柱”，如图-7所示，表示输出的结果将包括谱系聚类图（树状）以及冰柱图（垂直）。
单击“方法(M)”按钮，弹出“系统聚类分析：方法”对话框，如下图-8所示。
“聚类方法(M)”选项条中可选项包括如图-9所示的几种方法，本例中选择“组间联接”：
“度量标准-区间(N)”选项条中可选项包括如图-10所示的几种度量方法，本例中选择“平方Euclidean距离”：
“转换值-标准化(S)”选项条中可选项包括如图-11所示的几种将原始数据标准化的方法，本例中选择“全局从0到1”：
冰柱图解释
聚类分析冰柱图形状类似于屋檐上垂下的冰柱，因此而得名。 横轴：案例（Case）表示被聚类的对象或变量；
纵轴：群集数（Number of clusters）表示被聚成几类； 观察冰柱图应从最后一行开始。举例如下：
当聚成6类时X4和X8和X6聚成一类，其他个案自成一类，用白板将6类一下挡上可以看出如图；
当聚成5类时X4和X8和X6和X2聚成一类，其他个案自成一类。 冰柱图的优点是不仅可以显示出不同类数时个案所属的分类结果，还能表现出聚类的过程步骤，生动形象；缺点是不能表现出聚类过程中距离的大小。
若生成的树状图如下，看不清楚。可点击右键导出文件，生成word文件，然后可以看出聚类过程。
导出的word文档中聚类过程如下：
可看出聚类过程为如下表所示：
分类过程统计表