تحلیل واریانس تک متغیره در خوشه بندی به روش WARD در spss در این مقاله مفصلا آموزش داده می شود.

تحلیل خروجی ANOVA یا واریانس تک متغیره در خوشه بندی به روش WARD :

خروجی ANOVA یک طرفه شکل(مطابق شکل) و جدول توصیفات شکل(مطابق شکل) در زیر نشان داده شده است.

به نظر می رسد تعدادی تفاوت اصلی بین میانگین های خوشه های متعدد برای هر متغیر در جدول شکل(مطابق شکل) وجود داشته باشد. این ها در خروجی جدول ANOVAی شکل(مطابق شکل) جستجو می شوند که مقادیر F و سطوح معنادار را نشان می دهند تا مشخص شود که هریک از این تفاوت های میانگین معنادار هستند.

میانگین گروه های مابین که همه معنادار هستند، نشان می دهد که هر یک از 3 متغیر به طور قابل اعتمادی بین سه خوشه متمایز هستند.

با یک ANOVA ی معنادار و 3 یا تعداد بیشتری خوشه همانند این مثال لازم است تا آزمون Tukey post-hoc انجام شود تا جای تفاوت ها معلوم شود.

آزمون Tukey post-hoc شکل(مطابق شکل) نشان می دهد که امتیاز self-concept در روزهای غایب، سه خوشه را از طریق میانگین خوشه های شان متمایز می سازد.

نگرش های ضد سیگار کشیدن تنها بین خوشه های 2 و3 و1 و 3 به طور معناداری تمایز ایجاد می کند.

خوشه های 1و 2 روی این متغیر به طور معناداری متفاوت نیستند. تحلیل Crosstab متغیرهای اسمی جنسیت (gender)، شرایط (qualifications) و سیگار کشیدن و یا نکشیدن (whether smok or) not ، ارتباط های معناداری با بعضی از خوشه ها به وجود آورد.

البته با چنین مقادیر کوچکی به طور طبیعی تحلیل Crosstab را اجرا نخواهیم کرد، همانطور که بسیاری از خانه ها فراوانی های کمتر از 5 دارند.

این توضیح تنها به این دلیل بیان شده که نشان دهد چطور می توانید مشخصات خوشه ها را از هم جدا کنید.

این سه خوشه به طور معناداری بین جنسیت مردها در خوشه های 1 و 2 و زن ها در خوشه ی 3 تمایز ایجاد می کند.

سیگار کشیدن هم ارتباط معناداری با سیگاری ها در خوشه 3 و کسانی که سیگار نمی کشند در خوشه 1 ایجاد می کند.

خوشه 2 هر دوی سیگاری ها و کسانی که سیگار نمی کشند را نشان داد که با استفاده از متغیرهای دیگر از هم متمایز شده اند.

شرایط هیچ ارتباط معناداری ایجاد نکرد. زمانی که عضویت های خوشه ای به طور معناداری متفاوت باشند، آن ها را می توان به عنوان یک گروه بندی جدید در تحلیل های دیگر استفاده کرد.

تفاوت های دیگر بین متغیرها برای خوشه ها را ه هایی را پیشنهاد می کند که در آن ها خوشه ها متفاوتند یا براساس آن ها قرار گرفته اند.

در مثال:

• خوشه 1 با self- concept با نرخ غیبت، میانگین نمره ی نگرش مردهایی که سیگار نمی کشند ضد سیگار کشیدن مشخص می شود.

• خوشه 2 با تعدیل کردن self-concept با نرخ غیبت پایین، میانگین نمره ی نگرش مردهایی که سیگار می کشند و نمیکشند و ضد سیگار کشیدن مشخص می شود.

• خوشه 3 باself-concept بالا، نرخ غیبت بالا، نمره ی کم به زن هایی که سیگار می کشند و ضد سیگار کشیدن مشخص می شود. به خاطر بسپارید که تحلیل خوشه ای همیشه یک گروه بندی را به وجود خواهد آورد، ولی ان ها ممکن است برای گزینه های طبقه بندی مفید باشند یا نباشند.

گزارش تحلیل خوشه ای: تحلیل خوشه ای بر روی 20 مورد اجرا شد که هر کدام به گزینه هایی در مورد جمعیت (مثال جنسیت، شرایط، روزهای غیبت از کار، سیگار می کشند یا نمی کشند) نگرش شان در مورد سیگار کشیدن در مکان های عمومی و امتیاز برای ملاک self-concept پاسخ می دادند.

تحلیل خوشه ای سلسله مراتبی که از روش ward استفاده می کند، 3 خوشه را به وجود آورد که در بین آن ها متغیرها از نظر میانگین به طور معناداری متفاوت اند.

اولین خوشه، عمده بوده و با self-concept پایین و مردهایی که سیگار نمی کشند مشخص شد.

خوشه سوم زن هایpro-smoking و self-concept بالا بودند.

خوشه ی وسط مردهای بیشتری بودند که هم سیگار می کشیدند و هم مردهایی که سیگار نمی کشیدند با میانگین موقعیت های درباره ی متغیرهای دیگر.