Agrupamento de variáveis (Cluster Variables)

O agrupamento de variáveis aplica agrupamento hierárquico a três ou mais variáveis numéricas, usando correlação, correlação absoluta ou distância euclidiana e um de sete métodos de ligação. As variáveis que se movem juntas são unidas primeiro, como mostra o dendrograma. Use-o para encurtar uma longa lista de medições ou itens de pesquisa. São necessárias ao menos 3 linhas completas. Informar um número de agrupamentos rotula cada variável.

Última revisão

Conclusão principal

O agrupamento de variáveis reúne variáveis (colunas) que trazem informação semelhante, unindo as que sobem e descem juntas, de modo que uma longa lista de medições ou itens de pesquisa possa ser reduzida a uma variável por agrupamento.

Nesta página
  1. Finalidade
  2. Principais recursos
  3. Métodos estatísticos
  4. Campos de entrada e opções
  5. Descrição da saída
  6. Exemplo prático

Finalidade

O agrupamento de variáveis (Cluster Variables) reúne variáveis (colunas) que trazem informação semelhante. As variáveis que sobem e descem juntas ao longo das observações são unidas primeiro, e o resultado é desenhado como um dendrograma. Use-o para reduzir uma longa lista de medições ou itens de pesquisa: quando várias variáveis caem no mesmo agrupamento, você pode acompanhar uma delas, ou um escore combinado, em vez de todas.

Principais recursos

  • Agrupamento hierárquico de três ou mais variáveis numéricas.
  • Distância baseada em correlação, correlação absoluta ou distância euclidiana.
  • Sete métodos de ligação: Single, Complete, Average, Centroid, Median, McQuitty e Ward.
  • Dendrograma que mostra a ordem e o nível em que as variáveis se unem.
  • Atribuição opcional de agrupamento a cada variável quando você informa um número de agrupamentos.

Métodos estatísticos

As linhas com valor ausente ou não numérico em qualquer variável selecionada são descartadas; são necessárias ao menos 3 variáveis e 3 linhas completas. Cada variável é tratada como um ponto cujas coordenadas são seus valores ao longo das linhas, e a distância entre cada par de variáveis é calculada com a medida escolhida. A distância de correlação (Correlation) é 1 − r, em que r é a correlação de Pearson entre as duas variáveis: 0 para uma correlação positiva perfeita e 2 para uma negativa perfeita. A distância de correlação absoluta (Absolute Correlation) é 1 − |r|, que trata uma forte relação negativa como tão próxima quanto uma forte relação positiva. A distância euclidiana (Euclidean) é √Σ(xᵢ − yᵢ)² sobre os valores brutos, portanto depende das unidades de cada variável.

O agrupamento começa com cada variável isolada e funde repetidamente os dois agrupamentos mais próximos. O método de ligação define a distância entre agrupamentos: Single usa o par mais próximo, Complete o par mais distante, Average a média de todas as distâncias entre pares, McQuitty uma média ponderada, Centroid e Median a distância entre os centros dos agrupamentos, e Ward o menor aumento na soma dos quadrados dentro dos agrupamentos. Ward, Centroid e Median exigem a distância euclidiana; a ferramenta recusa as outras combinações.

Com a distância de correlação, uma união na altura h significa que as variáveis dos dois ramos têm correlação média de cerca de 1 − h. Quando Number of clusters é informado, a árvore é cortada para gerar esse número de agrupamentos e cada variável é rotulada com seu agrupamento.

Campos de entrada e opções

Campo

Descrição

Variables

Três ou mais colunas numéricas a agrupar. Use Ctrl ou Command + clique para selecionar várias.

Linkage method

Como a distância entre agrupamentos é medida: Single, Complete, Average (padrão), Centroid, Median, McQuitty ou Ward.

Distance measure

Correlation (padrão), Absolute Correlation ou Euclidean.

Number of clusters

Opcional, 2 ou mais. Corta a árvore nesse número de agrupamentos e adiciona a tabela Cluster Assignments. Deixe vazio para mostrar apenas o dendrograma.

Title

Título exibido no dendrograma. Padrão Cluster Variables.

cluster-variables-inputs


Figura 1 — Opções do exemplo: oito variáveis de solicitantes de empréstimo, ligação Average, distância Correlation, 3 agrupamentos.

Descrição da saída

  • Dendrograma — as variáveis ao longo do eixo x na ordem da árvore; o eixo y (Distance) mostra o nível em que os ramos se unem. Quanto mais baixa a união, mais parecidas são as variáveis.
  • Cluster Assignments — exibida quando Number of clusters é informado: cada variável e o número do seu agrupamento.
  • Exportação em PDF por Download.

cluster-variables-output


Figura 2 — Dendrograma e atribuições de agrupamento para as oito variáveis de solicitantes de empréstimo: agrupamentos de estabilidade, renda e endividamento.

Exemplo prático

Um banco registra oito informações de cada solicitante de empréstimo: renda (income), anos de escolaridade (education), idade (age), anos no endereço atual (Residence), anos no empregador atual (Employ), poupança (savings), dívida (debt) e número de cartões de crédito (credit cards). Um analista de crédito quer saber quais delas trazem a mesma informação, para que um relatório curto possa mostrar uma de cada grupo. Com 30 solicitantes, o analista seleciona as oito colunas, mantém Linkage method = Average e Distance measure = Correlation, e informa Number of clusters = 3.

Residence e Employ se unem primeiro, a uma distância de 0.048 (correlação 0.95), e Age se une a elas em 0.157. Savings se une a esse grupo em 0.446. Income e Education se unem em 0.451, e Debt e Credit cards em 0.526. Com três agrupamentos, o Cluster 2 contém Age, Residence, Employ e Savings, que descrevem a estabilidade do solicitante; o Cluster 3 contém Income e Education; e o Cluster 1 contém Debt e Credit cards, o endividamento. As duas últimas uniões ocorrem em 0.72 e 1.117, bem acima das demais, o que sustenta três grupos.

Para o analista, uma variável de cada agrupamento, por exemplo Employ, Income e Debt, cobriria a maior parte do que as oito variáveis dizem. Definir Number of clusters = 2 funde os agrupamentos de estabilidade e renda e deixa Debt e Credit cards isolados; com 4 agrupamentos, Debt e Credit cards se separam. A análise fatorial (Factor Analysis) nas mesmas oito colunas dá um agrupamento semelhante, com cargas que mostram o quanto cada variável pertence ao seu grupo.

Perguntas frequentes

Para que serve o agrupamento de variáveis?

Serve para reduzir uma longa lista de medições ou itens de pesquisa. As variáveis que sobem e descem juntas ao longo das observações são unidas primeiro, e o resultado é desenhado como um dendrograma. Quando várias variáveis caem no mesmo agrupamento, você pode acompanhar uma delas, ou um escore combinado, em vez de todas.

O que é a distância de correlação?

A distância de correlação é 1 − r, em que r é a correlação de Pearson entre duas variáveis: 0 para uma correlação positiva perfeita e 2 para uma negativa perfeita. A distância de correlação absoluta, 1 − |r|, trata uma forte relação negativa como tão próxima quanto uma forte relação positiva. A distância euclidiana usa os valores brutos, portanto depende das unidades de cada variável.

Como ler o dendrograma de variáveis?

As variáveis ficam ao longo do eixo x na ordem da árvore e o eixo y mostra a distância em que os ramos se unem; quanto mais baixa a união, mais parecidas são as variáveis. Com a distância de correlação, uma união na altura h significa que as variáveis dos dois ramos têm correlação média de cerca de 1 − h.

Como escolher o número de agrupamentos de variáveis?

Procure uniões que ocorram bem acima das demais. No exemplo dos solicitantes de empréstimo, as duas últimas uniões ocorreram em 0.72 e 1.117, bem acima das outras, o que sustentou três agrupamentos: estabilidade, renda e endividamento. Uma variável de cada agrupamento, como Employ, Income e Debt, cobriria então a maior parte do que as oito variáveis dizem.