Küme Analizi ve ardından Ayırım Analizi

Literatürde zaman zaman gördüğüm gibi (esas olarak zihinsel bozuklukların klinik alt tiplendirmesinde) k-ortalamaları gibi bir kümeleme algoritmasının sonuçlarında Diskriminant Analizini (DA) kullanmanın mantığı nedir?

Genellikle, sınıflar arası (sınıf içinde sırasıyla) ataletin maksimizasyonunu (sırasıyla minimizasyon) destekledikleri için, küme yapımı sırasında kullanılan değişkenler üzerindeki grup farklılıklarının test edilmesi önerilmez. Bu nedenle, bireyleri daha düşük boyutta bir faktöriyel alana yerleştirmek ve böyle bir bölümün "genelleştirilebilirliği" hakkında bir fikir edinmek istemedikçe, tahmini DA'nın katma değerini tam olarak takdir ettiğimden emin değilim. Ancak bu durumda bile, küme analizi temel olarak bir keşif aracı olmaya devam etmektedir, bu nedenle bir puanlama kuralını daha da türetmek için bu şekilde hesaplanan sınıf üyeliğini kullanmak ilk bakışta garip görünüyor.

İlgili makalelere herhangi bir öneri, fikir veya işaretçi var mı?

Bununla ilgili herhangi bir makale bilmiyorum. Bu yaklaşımı tanımlayıcı amaçlar için kullandım. DFA, orijinal değişkenlere göre grup farklılıklarını ve boyutluluğunu özetlemek için iyi bir yol sağlar. Gruplar sadece orijinal değişkenler üzerinde daha kolay profillenebilir, ancak bu, kümelenme sorununun doğal olarak çok değişkenli doğasını kaybeder. DFA, problemin çok değişkenli karakterini sağlam tutarken grupları tanımlamanızı sağlar. Bu nedenle, bu bir hedefin olduğu kümelerin yorumlanmasına yardımcı olabilir. Bu, özellikle kümeleme yönteminizle sınıflandırma yönteminiz (ör. DFA ve Ward yöntemi) arasında yakın bir ilişki olduğunda idealdir.

Test konusunda haklısın. Kümeleme çözümünü tanımlamak için DFA ile Küme Analizini kullanarak bir makale yayınladım. Test istatistikleri olmayan DFA sonuçlarını sundum. Bir yorumcu bununla ilgili sorun çıkardı. Test istatistiklerini ve p değerlerini kabul ettim ve bu p-değerlerinin geleneksel şekilde yorumlanmaması gerektiğine dair sorumluluk reddi ile.