Another way of (implicitly) standar

Another way of (implicitly) standardizing the data is by using the correlation
between the objects instead of distance measures. For example, suppose a respon-
dent rated price consciousness 2 and brand loyalty 3. Now suppose a second
respondent indicated 5 and 6, whereas a third rated these variables 3 and 3. Eucli-
dean,city-block,andChebychevdistanceswouldindicatethatthefirstrespondentis
more similar to the third than to the second. Nevertheless, one could convincingly
argue that the first respondent’s ratings are more similar to the second’s, as both rate
brand loyalty higher than price consciousness. This can be accounted for by com-
puting the correlation between two vectors of values as a measure of similarity (i.e.,
high correlation coefficients indicate a high degree of similarity). Consequently,
similarity is no longer defined by means of the difference between the answer
categoriesbutbymeansofthesimilarityoftheansweringprofiles.Usingcorrelation
is also a way of standardizing the data implicitly.
Whether you use correlation or one of the distance measures depends on whether
you think the relative magnitude of the variables within an object (which favors
correlation) matters more than the relative magnitude of each variable across
objects (which favors distance). However, it is generally recommended that one
uses correlations when applying clustering procedures that are susceptible to out-
liers, such as complete linkage, average linkage or centroid (see next section).
Whereas the distance measures presented thus far can be used for metrically and –
in general – ordinally scaled data, applying them to nominal or binary data is
meaningless. In this type of analysis, you should rather select a similarity measure
expressing the degree to which variables’ values share the same category. These so-
called matching coefficients can take different forms but rely on the same allocation
scheme shown in Table 9.5.

ผลลัพธ์ (ไทย) 1:

เป็นวิธีการมาตรฐาน (นัย) ข้อมูลอื่น โดยใช้ความสัมพันธ์ระหว่างวัตถุแทนมาตรการระยะ สมมติเช่น ลูกจ้าง-บุ๋มได้คะแนนสติราคา 2 และภักดีในตราสินค้า 3 ตอนนี้ สมมติที่สองผู้ตอบระบุ 5 และ 6 ในขณะที่ตัวแปรเหล่านี้ 3 และ 3 คะแนนที่สาม Eucli-คณบดี บล็อกเมือง andChebychevdistanceswouldindicatethatthefirstrespondentisมากขึ้นคล้ายกับบุคคลกว่าที่สอง อย่างไรก็ตาม หนึ่งสามารถตะล่อมเถียงจัดอันดับแรกของผู้ตอบมากขึ้นคล้ายกับที่สองของ เป็นทั้งราคาแบรนด์สูงกว่าราคาจิตสำนึก นี้สามารถจะลงบัญชี โดย com-วางความสัมพันธ์ระหว่างสองเวกเตอร์ของค่าเพื่อวัดความคล้ายคลึงกัน (เช่นค่าสัมประสิทธิ์สหสัมพันธ์สูงแสดงระดับสูงของความคล้ายคลึงกัน) ดังนั้นความคล้ายคลึงกันไม่ถูกกำหนด โดยความแตกต่างระหว่างคำตอบcategoriesbutbymeansofthesimilarityoftheansweringprofiles Usingcorrelationเป็นวิธีของมาตรฐานข้อมูลนัยคุณใช้ความสัมพันธ์หรือมาตรการระยะหนึ่งขึ้นอยู่กับว่าคุณคิดว่า ขนาดสัมพัทธ์ของตัวแปรภายในวัตถุ (ซึ่งโปรดปรานมากกว่าขนาดสัมพัทธ์ของแต่ละตัวแปรในเรื่องความสัมพันธ์)วัตถุ (ซึ่งให้ความสำคัญกับระยะทาง) อย่างไรก็ตาม โดยทั่วไปแนะนำว่าใช้ความสัมพันธ์เมื่อใช้วิธีการระบบคลัสเตอร์ที่จะออก-เฉลี่ย liers เช่นสมบูรณ์เชื่อมโยง เชื่อมโยงหรือเซนทรอยด์ (โปรดดูส่วนถัดไป)ในขณะที่มาตรการระยะที่มากสามารถใช้ได้สำหรับ metrically และ –โดยทั่วไป – ordinally ปรับข้อมูล การนำไปใช้กับราคาตลาด หรือเป็นข้อมูลไบนารีความหมาย ในการวิเคราะห์ชนิดนี้ คุณควรเลือกแต่การวัดความคล้ายคลึงกันแสดงระดับที่ค่าของตัวแปรประเภทเดียวกันที่แบ่งปัน เหล่านี้ดังนั้น-เรียกว่าสัมประสิทธิ์ที่ตรงกันสามารถใช้รูปแบบต่าง ๆ แต่พึ่งจัดสรรเดียวกันโครงร่างที่แสดงในตารางที่ 9.5

ผลลัพธ์ (ไทย) 2:

วิธีการ (โดยปริยาย) อีกมาตรฐานข้อมูลโดยใช้ความสัมพันธ์
ระหว่างวัตถุแทนของมาตรการระยะทาง ตัวอย่างเช่นสมมติว่ารับผิดชอบ
บุ๋มจัดอันดับราคาจิตสำนึกที่ 2 และความภักดีแบรนด์ 3 ตอนนี้คิดว่าเป็นครั้งที่สอง
ผู้ตอบระบุ 5 และ 6 ในขณะที่หนึ่งในสามอันดับ 3 ตัวแปรเหล่านี้และ 3. Eucli-
คณบดีเมืองบล็อก andChebychevdistanceswouldindicatethatthefirstrespondentis
มากขึ้นคล้ายกับ สามกว่าที่สอง อย่างไรก็ตามหนึ่งตะล่อมสามารถ
ยืนยันว่าการจัดอันดับแรกของผู้ตอบแบบสอบถามมีความคล้ายคลึงกับที่สองขณะที่ทั้งสองอัตรา
ความจงรักภักดีต่อแบรนด์สูงกว่าราคาสติ นี้สามารถคิดโดยสั่ง
Puting ความสัมพันธ์ระหว่างสองเวกเตอร์ของค่าที่เป็นตัวชี้วัดของความคล้ายคลึงกัน (เช่น
ค่าสัมประสิทธิ์สหสัมพันธ์สูงบ่งบอกถึงระดับสูงของความคล้ายคลึงกัน) ดังนั้น
ความคล้ายคลึงกันไม่ได้กำหนดโดยวิธีการของความแตกต่างระหว่างคำตอบ
categoriesbutbymeansofthesimilarityoftheansweringprofiles.Usingcorrelation
ยังเป็นวิธีการมาตรฐานข้อมูลปริยาย.
ไม่ว่าคุณจะใช้ความสัมพันธ์หรือหนึ่งในมาตรการระยะทางขึ้นอยู่กับว่า
คุณคิดขนาดญาติของตัวแปรภายใน วัตถุ (ซึ่งบุญ
สัมพันธ์) มากกว่าเรื่องขนาดญาติของแต่ละตัวแปรทั่ว
วัตถุ (ซึ่งโปรดปรานระยะทาง) แต่ก็เป็นที่แนะนำโดยทั่วไปที่หนึ่ง
ใช้ความสัมพันธ์เมื่อมีการใช้วิธีการจัดกลุ่มที่มีความเสี่ยงที่จะออก
ซุ่มเช่นการเชื่อมต่อที่สมบูรณ์, การเชื่อมต่อค่าเฉลี่ยหรือเซนทรอยด์ (ดูหัวข้อถัดไป).
ในขณะที่มาตรการระยะทางที่นำเสนอป่านนี้สามารถใช้สำหรับตวงวัดและ -
ในทั่วไป - ปรับขนาด ordinally ข้อมูลนำมาใช้กับข้อมูลที่ระบุหรือไบนารีคือ
ความหมาย ในประเภทของการวิเคราะห์นี้คุณค่อนข้างควรเลือกตัวชี้วัดความคล้ายคลึงกัน
แสดงระดับที่ค่าตัวแปร 'หุ้นประเภทเดียวกัน เหล่านี้ทีเรา
เรียกว่าค่าสัมประสิทธิ์การจับคู่สามารถใช้รูปแบบที่แตกต่างกัน แต่พึ่งพาการจัดสรรเดียวกัน
โครงการแสดงในตารางที่ 9.5

ผลลัพธ์ (ไทย) 3:

อีกวิธี ( โดยปริยาย ) standardizing ข้อมูลได้โดยใช้ความสัมพันธ์ระหว่างวัตถุแทนการวัดระยะทาง ตัวอย่างเช่น สมมติว่าตอบสนอง -การจัดอันดับสติบุ๋มราคา 2 และความภักดีแบรนด์ 3 ตอนนี้คิดว่าเป็นครั้งที่สองผู้ตอบระบุ 5 และ 6 ส่วนอันดับที่สาม เหล่านี้ตัวแปร 3 และ 3 . eucli -ดีน andchebychevdistanceswouldindicatethatthefirstrespondentis เมืองบล็อกมากขึ้นคล้ายกับสามมากกว่าสอง อย่างไรก็ตาม , หนึ่งไม่สามารถออกไปยืนยันว่าคะแนนแรกเลยมีมากขึ้นคล้ายกับที่สองคือ เป็นทั้งอัตราความภักดีแบรนด์สูงกว่าสติราคา นี้สามารถคิดโดย .Puting ความสัมพันธ์ระหว่างเวกเตอร์ทั้งสองค่าเป็นวัดของความคล้ายคลึงกัน ( เช่นค่าสัมประสิทธิ์สหสัมพันธ์สูงแสดงระดับสูงของความเหมือน ) จากนั้นความเหมือนที่ไม่มีกำหนดโดยวิธีการของความแตกต่างระหว่างตอบusingcorrelation categoriesbutbymeansofthesimilarityoftheansweringprofiles .ยังเป็นวิธีการมาตรฐานข้อมูลไปโดยปริยายไม่ว่าคุณจะใช้ความสัมพันธ์หรือหนึ่งของมาตรวัดระยะห่างขึ้นอยู่กับว่าคุณคิดว่าเทียบกับขนาดของตัวแปรภายในวัตถุ ( ซึ่งบุญความสัมพันธ์ ) สำคัญกว่าความสัมพันธ์ของตัวแปรแต่ละตัวในขนาดวัตถุ ( ซึ่งมีระยะทาง ) อย่างไรก็ตาม มันเป็นโดยทั่วไปแนะนำให้หนึ่งใช้ความสัมพันธ์เมื่อใช้สำหรับขั้นตอนที่ต่อออกคน เช่น ความสมบูรณ์ ความเฉลี่ยหรือไร้ผล ( ดูต่อไป )ส่วนมาตรวัดระยะห่างที่นำเสนอจึงห่างไกลและสามารถใช้ชั่งตวงวัด –โดยทั่วไปใน ordinally ปรับข้อมูล การใช้พวกเขาเพื่อระบุหรือข้อมูลไบนารีคือไม่มีความหมาย ในการวิเคราะห์ประเภทนี้คุณควรเลือกวัดที่คล้ายคลึงกันแสดงระดับที่ตัวแปรค่าหุ้นประเภทเดียวกัน เหล่านี้ ดังนั้น --เรียกว่าการจับคู่ ) สามารถใช้รูปแบบที่แตกต่างกัน แต่อาศัยการเดียวกันโครงการแสดงดังตารางที่ 9.5 .