k-means와 같은 군집 알고리즘의 결과에 대해 판별 분석 (DA)을 사용하는 근거는 무엇입니까 (필수적으로 정신 장애의 임상 적 서브 타이핑).
클래스 간 (클래스 내) 관성의 최대화 (각각 최소화)를 지원하므로 클러스터 생성 중에 사용 된 변수에 대한 그룹 차이를 테스트하는 것은 일반적으로 권장되지 않습니다. 따라서 개인을 더 낮은 차원의 계승 공간에 포함시키고 그러한 분할의 "생성 성"에 대한 아이디어를 얻지 않는 한 예측 DA의 부가 가치를 충분히 인식하지 못합니다. 그러나이 경우에도 클러스터 분석은 기본적으로 탐색 도구로 남아 있으므로 이러한 방식으로 계산 된 클래스 멤버십을 사용하여 점수 규칙을 추가로 도출하면 처음에는 이상하게 보입니다.
관련 논문에 대한 권장 사항, 아이디어 또는 포인터?
답변:
나는 이것에 관한 논문을 모른다. 설명을 위해이 방법을 사용했습니다. DFA는 원래 변수와 관련하여 그룹 차이와 차원을 요약 할 수있는 좋은 방법을 제공합니다. 원래 변수에서 그룹을 더 쉽게 프로파일 링 할 수 있지만, 이는 클러스터링 문제의 본질적으로 다변량 특성을 상실합니다. DFA를 사용하면 문제의 다변량 특성을 그대로 유지하면서 그룹을 설명 할 수 있습니다. 따라서 클러스터의 해석에 도움이 될 수 있습니다. 이는 클러스터링 방법과 분류 방법 (예 : DFA 및 Ward의 방법) 사이에 밀접한 관계가있는 경우에 특히 이상적입니다.
테스트 문제가 옳습니다. 클러스터링 솔루션을 설명하기 위해 DFA 후속 조치와 함께 클러스터 분석을 사용하여 논문을 발표했습니다. 테스트 통계없이 DFA 결과를 발표했습니다. 검토자가 그 문제를 해결했습니다. 나는 이러한 p- 값이 전통적인 방식으로 해석되어서는 안된다는 면책과 함께 테스트 통계와 p 값을 인정하고 거기에 넣었습니다.
R.