Klusteri- ja tekijäanalyysin ero

Klusterianalyysi ja tekijäanalyysi ovat kaksi tilastollista menetelmää data-analyysissä. Näitä kahta analyysimuotoa käytetään voimakkaasti luonnontieteissä ja käyttäytymistieteissä. Sekä klusterianalyysi että tekijäanalyysi antavat käyttäjälle mahdollisuuden ryhmitellä osan tiedoista "klustereiksi" tai "tekijöiksi" analyysityypistä riippuen. Jotkut klusteri- ja tekijäanalyysimenetelmien uudet tutkijat saattavat kokea, että nämä kaksi analyysityyppiä ovat yleisesti samanlaisia. Klusterianalyysi ja tekijäanalyysi näyttävät samanlaisilta pinnalta, mutta ne eroavat toisistaan ​​monin tavoin, myös niiden yleisten tavoitteiden ja sovellusten suhteen.

Klusterianalyysillä ja tekijäanalyysillä on erilaiset tavoitteet. Tekijäanalyysin tavallinen tavoite on selittää korrelaatio tietojoukossa ja liittää muuttujia klusterianalyysin tavoitteena on käsitellä heterogeenisyyttä jokaisessa tietojoukossa. Klusterianalyysi on hengessä eräänlainen luokittelu, kun taas tekijäanalyysi on yksinkertaistamisen muoto.

Monimutkaisuus on yksi kysymys siitä, mikä tekijäanalyysi ja klusterianalyysi eroavat toisistaan: tietojen koko vaikuttaa jokaiseen analyysiin eri tavalla. Kun tietojoukko kasvaa, klusterianalyysi muuttuu laskennallisesti hankalaksi. Tämä on totta, koska klusterianalyysin datapisteiden määrä liittyy suoraan mahdollisten klusteriratkaisujen määrään. Esimerkiksi tapoja jakaa 20 objektia neljään saman kokoiseen klusteriin on yli 488 miljoonaa. Tämä tekee suorista laskennallisista menetelmistä, mukaan lukien menetelmien luokka, johon tekijäanalyysi kuuluu, mahdotonta.

Vaikka ratkaisut sekä tekijäanalyysiin että klusterianalyysiongelmiin ovat jossain määrin subjektiivisia, tekijäanalyysi antaa tutkijalle mahdollisuuden tuottaa "parhaan" ratkaisun siinä mielessä, että tutkija voi optimoida tietyn ratkaisun aspektin (ortogonaalisuus, tulkinnan helppous ja niin edelleen päällä). Tämä ei päde klusterianalyysiin, koska kaikki algoritmit, jotka voisivat tuottaa parhaan klusterianalyysiratkaisun, ovat laskennallisesti tehottomia. Siksi klusterianalyysiä käyttävät tutkijat eivät voi taata optimaalista ratkaisua.

Tekijäanalyysi ja klusterianalyysi eroavat toisistaan ​​siinä, miten niitä sovelletaan todellisiin tietoihin. Koska tekijäanalyysillä on kyky vähentää hankala muuttujien joukko paljon pienemmäksi tekijöiksi, se soveltuu monimutkaisten mallien yksinkertaistamiseen. Faktori-analyysillä on myös vahvistava käyttö, jossa tutkija voi kehittää joukon hypoteeseja siitä, kuinka tietojen muuttujat liittyvät toisiinsa. Tutkija voi sitten suorittaa tekijäanalyysin aineistosta näiden hypoteesien vahvistamiseksi tai kieltämiseksi. Klusterianalyysi puolestaan ​​soveltuu kohteiden luokitteluun tiettyjen kriteerien mukaan. Esimerkiksi tutkija voi mitata tiettyjä vasta löydettyjen kasvien ryhmän näkökohtia ja sijoittaa nämä kasvit lajien luokkiin klusterianalyysin avulla.