Empirical Comparison of a Model Based and a Non Model Based Clustering Methods

• Autorzy: Ferenc Ruff

Warianty tytułu

Porównanie empiryczne modelowych i niemodelowych metod grupowania

• Języki publikacji: EN

Abstrakty

Przeprowadzono analizę i porównanie metod grupowania wykorzystujących modele oraz tych niekorzystających z metod modelowych. Stwierdzono, iż metody nieuwzględniające miar odległości (np. odległości Euklidesowej) pozwalają na osiąganie dokładniejszych wyników. (abstrakt oryginalny)

EN

The aim of the examination is to draw the attention to the usage of procedures in the field of clustering, which can handle ordinal variables without distance measurement (e.g. Euclidean distance) and leads to a significantly more accurate result furthermore. (original abstract)

Słowa kluczowe

PL

Badania marketingowe; Metody ilościowe; Metody grupowania; Odległość euklidesowa

EN

Marketing research; Quantitative methods; Grouping methods; Euclidean distance

• Czasopismo: Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu
• Rocznik: 2012
• Tom: 14
• Numer: z. 6
• Strony: 242-246

Twórcy

autor

Ferenc Ruff

• Szent István University, Gödöllő, Hungary

Bibliografia

• Andrews Rick L., Brusco M., Currim I.S., Davis B. 2010: An Empirical Comparison of Methods for Clustering Problems: Are There Benefits from Having a Statistical Model? Review of Marketing Science, vol. 8, Article 3.
• Bacher J., Wenzig K., Vogler M. 2004: SPSS TwoStep Cluster. A First Evaluation. Technical report. Universität Erlangen Nürnberg, Lehrstuhl für Soziologie, Nürnberg.
• Chiu T., Fang D., Chen J., Wang Y., Jeris C. 2001: A robust and scalable clustering algorithm for mixed type attributes in large database environment. [in:] Proceedings of the 7th ACM SIGKDD international conference in knowledge discovery and data mining. Association for Computing Machinery, San Francisco, CA, 263-268.
• Goodman L. 1974: The analysis of systems of qualitative variables. American Journal of Sociology. Vol. 79,1179-1259.
• Hubert L., Arabie P. 1985: Comparing partitions. Journal of Classification, vol. 2(1), 193-218.The SPSS TwoStep Cluster Component: A Scalable Component Enabling More Efficient Customer Segmentation. 2001: SPSS Inc. Technical report, Chicago, IL, (http://www.spss.ch/uploaaV1122644952_The%20SPSS%20TwoStep%20 Cluster%20Component.pdf), download 2012.01.13.
• Linzer D. A., Lewis J. 2007: poLCA: Polytomous Variable Latent Class Analysis. R package version 1.1, (http:// userwww.service.emory.edu/~dlinzer/poLCA), download 2012.01.13.
• R Development Core Team. 2011: R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria, (http://www.R-project.org), downloaded 2012.01.13.
• Rand W.M. 1971: Objective criteria for the evaluation of clustering methods. Journal of the American Statistical Association, vol. 66, 846-850.
• Vacha-Haase T., Thompson B. 2004: How to Estimate and Interpret Various Effect Sizes. Journal of Counseling Psychology, vol. 51(4), 473-481.
• Wedel M., Kamakura W.A. 2000: Market segmentation: Conceptual and methodological foundations (2nd ed.), Boston, MA: Kluwer Academic Publishers.
• Zhang T., Ramakrishnon R., Livny M. 1996: BIRCH: An efficient data clustering method for very large databases. Proceedings of the ACM SIGMOD Conference on Management of Data. 103-114, Montreal, Canada.