Klastri- ja tegurianalüüsi erinevus

Klastrianalüüs ja faktoranalüüs on kaks andmeanalüüsi statistilist meetodit. Neid kahte analüüsivormi kasutatakse laialdaselt loodus- ja käitumisteadustes. Nii klastrianalüüs kui ka tegurianalüüs võimaldavad kasutajal rühmitada osa andmetest "klastritesse" või "teguritesse", sõltuvalt analüüsi tüübist. Mõned teadlased, kes on klastri- ja tegurianalüüsi meetodite osas uued, võivad tunda, et need kaks analüüsi tüüpi on üldiselt sarnased. Kuigi klasteranalüüs ja tegurianalüüs näivad pealtnäha sarnased, erinevad need mitmel viisil, sealhulgas nende üldiste eesmärkide ja rakenduste poolest.

Klasteranalüüsil ja faktoranalüüsil on erinevad eesmärgid. Faktoranalüüsi tavaline eesmärk on selgitada korrelatsiooni andmekogumis ja seostada muutujaid klastrianalüüsi eesmärk on käsitleda heterogeensust igas andmekogumis. Klassanalüüs on vaimus kategoriseerimise vorm, faktoranalüüs aga lihtsustamise vorm.

Keerukus on üks küsimus selles, millised tegurianalüüsid ja klastrianalüüs erinevad: andmete suurus mõjutab iga analüüsi erinevalt. Andmekogumi kasvades muutub klastrianalüüs arvutuslikult raskesti lahendatavaks. See on tõsi, sest andmepunktide arv klastrianalüüsis on otseselt seotud võimalike klastrilahenduste arvuga. Näiteks on kahekümne objekti jagamine neljaks võrdse suurusega klastriks üle 488 miljoni. See muudab otsesed arvutusmeetodid, sealhulgas meetodite kategooria, kuhu faktoranalüüs kuulub, võimatuks.

Ehkki nii faktoranalüüsi kui ka klastrianalüüsi probleemide lahendused on teatud määral subjektiivsed, võimaldab faktoranalüüs uurijal seda teha "parima" lahenduse selles mõttes, et teadlane saab optimeerida lahenduse teatud aspekti (ortogonaalsus, tõlgendamise lihtsus ja nii peal). See pole nii klastrianalüüsi puhul, kuna kõik algoritmid, mis võiksid anda parima klastrianalüüsi lahenduse, on arvutuslikult ebaefektiivsed. Seega ei saa klastrianalüüsi kasutavad teadlased tagada optimaalset lahendust.

Faktoranalüüs ja klasteranalüüs erinevad selle poolest, kuidas neid tegelikele andmetele rakendatakse. Kuna faktoranalüüsil on võime taastada kohmakas muutujate hulk palju väiksemaks tegurite kogumiks, sobib see keerukate mudelite lihtsustamiseks. Faktoranalüüsil on ka kinnitav kasutus, mille puhul teadlane saab välja töötada hüpoteeside kogumi andmete muutujate seose kohta. Seejärel saab teadlane nende hüpoteeside kinnitamiseks või ümberlükkamiseks teha andmekogumis faktoranalüüsi. Klastrianalüüs sobib seevastu objektide klassifitseerimiseks teatud kriteeriumide järgi. Näiteks saab teadlane mõõta äsja avastatud taimede rühma teatud aspekte ja paigutada need taimed klastrianalüüsi abil liigikategooriatesse.