Phân tích cụm

Phân tích cụm là phương pháp phân loại các biến theo đặc tính của chúng để nhóm thành một nhóm
biểu rõ chung nội dung nó phản ánh.
Trong phân tích cụm có 2 phương pháp là phân cụm thứ bậc và phân cụm không thứ bậc. Ta có thể
chọn một trong hai cách để thực hiện.
Trong phân tích cụm, chúng ta không có một khái niệm chắc chắn nào về cách phân tích cụm, thế nên
muốn có thể chắc chắn hơn về kết quả với số cụm đạt được, ta cũng có thể tiến hành cả 2 cách phân
cụm. Thường thì ta sẽ chạy phân cụm thứ bậc trước, phân tích xem nó được bao nhiêu cụm, kiểm
định sự phù hợp của nó. Sau đó ta lấy số cụm đó thực hiện phân tích cụm không thứ bậc. Các cụm
nào không phù hợp thì sẽ bị loại dần trong phân cụm này. Ta sẽ dựa vào độ phù hợp của chúng để
biết khi nào dừng lại hoặc khi số cụm chỉ còn lại là 2 thì ta cũng sẽ dừng lại. Kiểm định sự phù hợp
của chúng, sau đó so sánh kết quả với phân tích cụm thứ bậc để đưa ra kết quả cuối cùng.
Sau đây, chúng ta sẽ tiến hành phân cụm thứ bậc.
Chọn Analyze → Classify → Hierarchical Cluster…
Trong bảng Agglomeration Schedule, cột cần để ý là Coefficients - khoảng cách giữa các biến.
Khoảng cách này sẽ tăng dần, ta sẽ xem xét xem rằng có sự tăng đột biến về khoảng cách giữa các
biến hay không. Từ đó ta có thể xác định được số cụm cần phân tích.
Do bảng số liệu có tới 200 biến, chúng ta rất khó có thể thấy được tại biến nào có khoảng cách tăng
đột biến, do quá nhiều con số và rất dài. Nên có một cách đơn giản hơn là ta có thể vẽ biểu đồ Line
cho cột Coefficients.

Agglomeration Schedule
Stage

Cluster Combined
Cluster 1

Coefficients

Cluster 2

Stage Cluster First Appears
Cluster 1

Next Stage

Cluster 2

1

194

195

.000

0

0

2

2

193

194

.000


0

1

110

3

119

124

.025

0

0

63

4

97

107

.080

0


0

36

5

98

99

.147

0

0

13

6

144

185

.224

0

0


14

7

53

80

.305

0

0

50

8

155

159

.389

0

0

41


9

109

112

.487

0

0

16

10

182

198

.585

0

0

111

11


3

48

.690

0

0

19

12

57

96

.807

0

0

27

13

98


132

.928

5

0

52

14

144

184

1.055

6

0

30

15

178

191


1.186

0

0

73

16

109

115

1.323

9

0

52


17

100

111

1.470


0

0

34

18

168

187

1.618

0

0

38

19

3

26

1.768

11


0

77

20

101

136

1.933

0

0

56

21

13

40

2.100

0

0


79

22

114

125

2.270

0

0

39

23

64

90

2.443

0

0

65


24

172

177

2.623

0

0

73

25

18

50

2.803

0

0

51

26


153

189

2.986

0

0

45

27

57

79

3.173

12

0

46

28

19


47

3.368

0

0

137

29

137

163

3.569

0

0

57

30

144

190


3.774

14

0

114

31

6

27

3.980

0

0

59

32

93

95

4.188


0

0

50

33

83

94

4.400

0

0

49

34

100

108

4.621

17


0

133

35

34

44

4.843

0

0

54

36

97

105

5.070

4

0


43

37

151

176

5.302

0

0

72

38

160

168

5.538

0

18

44


39

110

114

5.778

0

22

89

40

1

2

6.018

0

0

99

41


155

186

6.260

8

0

42

42

155

181

6.506

41

0

140

43

97


106

6.758

36

0

153

44

160

169

7.010

38

0

83

45

153

197


7.263

26

0

66

46

57

91

7.523

27

0

70

47

77

81

7.787


0

0

91

48

156

166

8.062

0

0

74

49

75

83

8.358

0


33

88

50

53

93

8.656

7

32

85

51

18

24

8.958

25

0


62

52

98

109

9.262

13

16

102

53

11

12

9.572

0

0

82


54

20

34

9.885

0

35

116

55

51

67

10.197

0

0

67

56


101

121

10.510

20

0

90

57

137

161

10.828

29

0

111

58

60


70

11.153

0

0

132

59

6

38

11.480

31

0

77

60

56

86


11.807

0

0

103

61

52

55

12.142

0

0

131


62

15

18


12.478

0

51

86

63

119

128

12.823

3

0

165

64

174

183

13.171


0

0

114

65

64

87

13.522

23

0

98

66

153

192

13.883

45


0

125

67

51

62

14.249

55

0

121

68

71

88

14.621

0

0


119

69

21

28

15.000

0

0

122

70

57

59

15.379

46

0

132


71

8

16

15.776

0

0

99

72

151

188

16.174

37

0

112

73


172

178

16.573

24

15

125

74

156

179

16.974

48

0

110

75

102


103

17.377

0

0

104

76

4

42

17.796

0

0

122

77

3

6


18.219

19

59

101

78

142

196

18.651

0

0

165

79

13

37

19.085


21

0

97

80

33

36

19.520

0

0

93

81

129

135

19.960

0


0

134

82

11

23

20.404

53

0

126

83

152

160

20.849

0

44


95

84

154

180

21.303

0

0

129

85

53

54

21.766

50

0

98


86

7

15

22.232

0

62

124

87

69

76

22.701

0

0

115

88


73

75

23.172

0

49

100

89

110

123

23.647

39

0

105

90

101


134

24.122

56

0

133

91

63

77

24.599

0

47

146

92

5

14


25.080

0

0

108

93

33

39

25.561

80

0

116

94

65

72

26.048


0

0

159

95

149

152

26.540

0

83

129

96

171

175

27.039

0


0

136

97

13

43

27.549

79

0

150

98

53

64

28.073

85

65


121

99

1

8

28.598

40

71

173

100

73

84

29.136

88

0

142


101

3

29

29.678

77

0

124

102

98

120

30.227

52

0

138

103


56

92

30.796

60

0

152

104

102

130

31.368

75

0

153

105

110


126

31.941

89

0

138

106

32

49

32.520

0

0

169


107

31

122


33.099

0

0

150

108

5

45

33.684

92

0

173

109

138

157

34.269


0

0

127

110

156

193

34.872

74

2

135

111

137

182

35.480

57


10

172

112

151

170

36.098

72

0

144

113

17

41

36.719

0

0


120

114

144

174

37.348

30

64

135

115

68

69

37.985

0

87

148


116

20

33

38.633

54

93

143

117

104

131

39.298

0

0

176

118


35

46

39.965

0

0

166

119

66

71

40.633

0

68

159

120

10


17

41.326

0

113

137

121

51

53

42.019

67

98

146

122

4

21


42.747

76

69

158

123

147

158

43.486

0

0

154

124

3

7

44.233


101

86

166

125

153

172

44.993

66

73

151

126

11

25

45.754

82


0

164

127

138

145

46.518

109

0

141

128

61

89

47.284

0

0


162

129

149

154

48.063

95

84

155

130

140

164

48.855

0

0

144


131

52

82

49.654

61

0

142

132

57

60

50.468

70

58

152

133


100

101

51.307

34

90

185

134

113

129

52.190

0

81

163

135

144


156

53.081

114

110

168

136

85

171

53.978

0

96

147

137

10

19


54.898

120

28

177

138

98

110

55.830

102

105

163

139

58

78

56.764


0

0

148

140

155

165

57.765

42

0

178

141

138

150

58.783

127


0

180

142

52

73

59.806

131

100

167

143

9

20

60.842

0

116


157

144

140

151

61.880

130

112

172

145

118

127

62.930

0

0

160


146

51

63

63.991

121

91

174

147

85

139

65.081

136

0

171

148


58

68

66.189

139

115

162

149

116

117

67.334

0

0

187

150

13


31

68.484

97

107

164

151

146

153

69.697

0

125

168


152

56


57

70.928

103

132

174

153

97

102

72.160

43

104

185

154

74

147


73.416

0

123

161

155

149

173

74.774

129

0

171

156

162

167

76.196


0

0

178

157

9

22

77.618

143

0

186

158

4

30

79.059

122


0

176

159

65

66

80.504

94

119

183

160

118

133

81.961

145

0


181

161

74

141

83.450

154

0

191

162

58

61

84.963

148

128

179


163

98

113

86.478

138

134

181

164

11

13

88.039

126

150

169

165


119

142

89.609

63

78

180

166

3

35

91.222

124

118

175

167

52


143

92.844

142

0

179

168

144

146

94.473

135

151

170

169

11

32


96.151

164

106

188

170

144

148

97.845

168

0

182

171

85

149

99.552


147

155

184

172

137

140

101.332

111

144

189

173

1

5

103.131

99


108

175

174

51

56

104.932

146

152

183

175

1

3

107.221

173

166


177

176

4

104

109.537

158

117

188

177

1

10

111.937

175

137

190


178

155

162

114.356

140

156

182

179

52

58

116.797

167

162

191

180


119

138

119.429

165

141

184

181

98

118

122.103

163

160

187

182

144


155

124.951

170

178

195

183

51

65

128.314

174

159

186

184

85

119


131.764

171

180

189

185

97

100

135.281

153

133

192

186

9

51

138.930


157

183

190

187

98

116

143.133

181

149

192

188

4

11

147.398

176


169

194

189

85

137

152.048

184

172

193

190

1

9

159.088

177

186


194

191

52

74

166.165

179

161

193

192

97

98

174.499

185

187

197


193

52

85

185.680

191

189

195

194

1

4

199.669

190

188

196

195


52

144

215.192

193

182

196

196

1

52

262.252

194

195

197


197

1


97

340.614

196

192

0

Từ biểu đồ Line này, rất dễ để thấy rằng, có sự tăng đột biến về khoảng cách từ biến 191. Đễ rõ rang hơn, ta sẽ
đối chiếu giá trị của các biến trên cột coefficirnts của bảng Agglomeration. Chúng ta chỉ để tâm đến các biến từ
191 trở đi. Tới đây ta có thể thấy rằng giữa biến thứ 192 và biến 193, giữa biến 195 và 196 đều có sự tăng đột
biến về khoảng cách. Chúng không thể gộp chung thành một cụm với nhau được. Vậy ta tìm thêm được 2 cụm
mới. Tổng cộng là sẽ có 4 cụm phân tích.

Muốn biết biến nào thuộc cụm nào, ta sẽ tiến hành chạy phân tích cụm thứ bậc một lần nữa. Trong statistics,
Cluster membership ta sẽ không chọn None nữa mà sẽ chọn min là 2 max là 4. Click save, tương tự ta cũng chọn
min max cho số cụm.
Kết quả thu được cũng giống kết quả chạy lần đầu, nhưng sẽ xuất hiện thêm bảng Cluster membership. Nếu để
ý, chúng ta sẽ thấy trong Data View và Variable View được thêm 3 biến mới là CLU4_1, CLU3_1, CLU2_1.
Do chúng ta đang chọn số cụm là 4 nên sẽ tập trung vào cột CLU4_1, nhìn vào cột này ta sẽ biết biến nào thuộc
cụm số mấy.
Cluster Membership
Case

4 Clusters

3 Clusters


2 Clusters

1:Case 3

1

1

1

2:Case 4

1

1

1

3:Case 5

1

1

1

4:Case 6

1


1

1


5:Case 7

1

1

1

6:Case 8

1

1

1

7:Case 9

1

1

1


8:Case 10

1

1

1

9:Case 11

1

1

1

10:Case 12

1

1

1

11:Case 13

1

1


1

12:Case 14

1

1

1

13:Case 15

1

1

1

14:Case 16

1

1

1

15:Case 17

1


1

1

16:Case 18

1

1

1

17:Case 19

1

1

1

18:Case 20

1

1

1

19:Case 21


1

1

1

20:Case 22

1

1

1

21:Case 23

1

1

1

22:Case 24

1

1

1


23:Case 25

1

1

1

24:Case 26

1

1

1

25:Case 27

1

1

1

26:Case 28

1

1


1

27:Case 29

1

1

1

28:Case 30

1

1

1

29:Case 31

1

1

1

30:Case 32

1


1

1

31:Case 33

1

1

1

32:Case 34

1

1

1

33:Case 35

1

1

1

34:Case 36


1

1

1

35:Case 37

1

1

1

36:Case 38

1

1

1

37:Case 39

1

1

1


38:Case 40

1

1

1

39:Case 41

1

1

1

40:Case 42

1

1

1

41:Case 43

1

1


1

42:Case 44

1

1

1

43:Case 45

1

1

1

44:Case 46

1

1

1

45:Case 47

1


1

1

46:Case 48

1

1

1

47:Case 49

1

1

1

48:Case 50

1

1

1

49:Case 51


1

1

1


50:Case 52

1

1

1

51:Case 53

1

1

1

52:Case 54

2

2

1


53:Case 55

1

1

1

54:Case 56

1

1

1

55:Case 57

2

2

1

56:Case 58

1

1


1

57:Case 59

1

1

1

58:Case 60

2

2

1

59:Case 61

1

1

1

60:Case 62

1


1

1

61:Case 63

2

2

1

62:Case 64

1

1

1

63:Case 65

1

1

1

64:Case 66


1

1

1

65:Case 67

1

1

1

66:Case 68

1

1

1

67:Case 69

1

1

1


68:Case 70

2

2

1

69:Case 71

2

2

1

70:Case 72

1

1

1

71:Case 73

1

1


1

72:Case 74

1

1

1

73:Case 75

2

2

1

74:Case 76

2

2

1

75:Case 77

2


2

1

76:Case 78

2

2

1

77:Case 79

1

1

1

78:Case 80

2

2

1

79:Case 81


1

1

1

80:Case 82

1

1

1

81:Case 83

1

1

1

82:Case 84

2

2

1


83:Case 85

2

2

1

84:Case 86

2

2

1

85:Case 87

2

2

1

86:Case 88

1

1


1

87:Case 89

1

1

1

88:Case 90

1

1

1

89:Case 91

2

2

1

90:Case 92

1


1

1

91:Case 93

1

1

1

92:Case 94

1

1

1

93:Case 95

1

1

1

94:Case 96


2

2

1


95:Case 97

1

1

1

96:Case 98

1

1

1

97:Case 99

3

3


2

98:Case 100

3

3

2

99:Case 101

3

3

2

100:Case 102

3

3

2

101:Case 103

3


3

2

102:Case 104

3

3

2

103:Case 105

3

3

2

104:Case 106

1

1

1

105:Case 107


3

3

2

106:Case 108

3

3

2

107:Case 109

3

3

2

108:Case 110

3

3

2


109:Case 111

3

3

2

110:Case 112

3

3

2

111:Case 113

3

3

2

112:Case 114

3

3


2

113:Case 115

3

3

2

114:Case 116

3

3

2

115:Case 117

3

3

2

116:Case 118

3


3

2

117:Case 119

3

3

2

118:Case 120

3

3

2

119:Case 121

2

2

1

120:Case 122


3

3

2

121:Case 123

3

3

2

122:Case 124

1

1

1

123:Case 125

3

3

2


124:Case 126

2

2

1

125:Case 127

3

3

2

126:Case 128

3

3

2

127:Case 129

3

3


2

128:Case 130

2

2

1

129:Case 131

3

3

2

130:Case 132

3

3

2

131:Case 133

1


1

1

132:Case 134

3

3

2

133:Case 135

3

3

2

134:Case 136

3

3

2

135:Case 137


3

3

2

136:Case 138

3

3

2

137:Case 139

2

2

1

138:Case 140

2

2

1


139:Case 141

2

2

1


140:Case 142

2

2

1

141:Case 143

2

2

1

142:Case 144

2

2


1

143:Case 145

2

2

1

144:Case 146

4

2

1

145:Case 147

2

2

1

146:Case 148

4


2

1

147:Case 149

2

2

1

148:Case 150

4

2

1

149:Case 151

2

2

1

150:Case 152


2

2

1

151:Case 153

2

2

1

152:Case 154

2

2

1

153:Case 155

4

2

1


154:Case 156

2

2

1

155:Case 157

4

2

1

156:Case 158

4

2

1

157:Case 159

2

2


1

158:Case 160

2

2

1

159:Case 161

4

2

1

160:Case 162

2

2

1

161:Case 163

2


2

1

162:Case 164

4

2

1

163:Case 165

2

2

1

164:Case 166

2

2

1

165:Case 167


4

2

1

166:Case 168

4

2

1

167:Case 169

4

2

1

168:Case 170

2

2

1


169:Case 171

2

2

1

170:Case 172

2

2

1

171:Case 173

2

2

1

172:Case 174

4

2


1

173:Case 175

2

2

1

174:Case 176

4

2

1

175:Case 177

2

2

1

176:Case 178

2


2

1

177:Case 179

4

2

1

178:Case 180

4

2

1

179:Case 181

4

2

1

180:Case 182


2

2

1

181:Case 183

4

2

1

182:Case 184

2

2

1

183:Case 185

4

2

1


184:Case 186

4

2

1


185:Case 187

4

2

1

186:Case 188

4

2

1

187:Case 189

2


2

1

188:Case 190

2

2

1

189:Case 191

4

2

1

190:Case 192

4

2

1

191:Case 193


4

2

1

192:Case 194

4

2

1

193:Case 195

4

2

1

194:Case 196

4

2

1


195:Case 197

4

2

1

196:Case 198

2

2

1

197:Case 199

4

2

1

198:Case 200

2

2


1

Ở trên chúng ta chạy mô hình theo số quan sát để biết quan sát nào thuộc cụm nào, bây giờ sẽ tiến hành đưa vào
25 biến chính thức của phân tích.
Chọn Data → Split File… → chọn Compare Groups, đưa CLU4_1 vào → Oke. Chúng ta sẽ so sánh theo từng
cụm của 25 biến này.
Tiếp tục chọn Analyze → Discriptive Statistics… → Discriptive, đưa 25 biến vào → oke. Sau đó tắt Split.
Do bảng kết quả dài, khó nhìn và khó so sánh giá trị trung bình của các biến giữa các cụm, nên có thể đưa về
excel, sắp xếp cho dễ nhìn. Ta được bảng:
Cụm 1

Cụm 2

Cụm 3

Cụm 4

Mong ??i nh??ng ch?

8.85

7.53

5.24

8.62

Mong ??i x?p hàng tr?t t? lên xe

8.52


7.23

5.06

8.48

Mong ??i xe s?ch s?, không rác

8.96

7.30

4.76

9.14

Mong ??i an toàn tài s?n

9.32

8.19

4.47

9.34

Mong ??i thái ?? nhân viên tích
c?c
Mong ??i xe yên l?ng, tr?t t?


9.13

8.08

4.59

9.17

9.11

7.64

4.47

8.86

Mong ??i xe không mùi l?

9.46

7.70

4.74

9.24

Mong ??i an toàn thân th?

9.71


8.19

4.94

9.21

C?m nh?n v? nh??ng ch?

6.24

7.26

4.41

8.10

C?m nh?n x?p hàng tr?t t? lên xe

4.73

7.34

4.41

7.31

C?m nh?n xe s?ch s?, không rác

4.80


7.26

4.41

7.93

C?m nh?n an toàn tài s?n

4.83

7.83

4.47

7.69

C?m nh?n thái ?? nhân viên tích
c?c
C?m nh?n xe yên l?ng, tr?t t?

4.83

7.57

4.59

7.52

4.78


7.68

4.35

7.69

C?m nh?n xe không mùi l?

4.72

7.58

4.24

7.55


C?m nh?n an toàn thân th?

4.80

8.00

4.44

7.97

Hình ?nh v? thái ?? ph?c v?


5.24

5.57

3.74

7.45

Hình ?nh v? vi?c nh??ng ch?

5.88

6.17

3.97

8.10

Hình ?nh v? gi? v? sinh chung

5.34

6.04

3.59

8.31

Hình ?nh v? gi? tr?t t? trên bus


5.32

5.96

3.53

8.48

Hình ?nh v? x?p hàng lên xu?ng
xe
Hình ?nh v? an toàn tài s?n

4.62

6.21

3.41

8.34

4.59

5.72

3.26

7.93

Hình ?nh v? an toàn thân th?


4.96

5.94

3.79

8.52

Hình ?nh v? ho?t ??ng lên/ xu?ng
xe
Hình ?nh v? gi?u gìn tài s?n
chung

4.85

5.85

3.85

8.41

5.02

5.40

4.15

8.07

Sau khi chọn được 4 cụm rồi, chúng ta sẽ hỏi, liệu kết quả này có phù hợp hay không? Để giải đáp điều này, ta

sẽ tiến hành chạy ANOVA kiểm định sự phù hợp của các biến với mức ý nghĩa 5%.
ANOVA
Sum of Squares

Mong ??i nh??ng ch?

Mong ??i x?p hàng tr?t t? lên
xe
Mong ??i xe s?ch s?, không
rác

Mong ??i an toàn tài s?n

tích c?c

Mong ??i xe yên l?ng, tr?t t?

Mong ??i xe không mùi l?

Mong ??i an toàn thân th?

Mean Square

Between Groups

337.750

3

112.583


Within Groups

608.397

194

3.136

Total

946.146

197

Between Groups

319.506

3

106.502

Within Groups

664.858

194

3.427


Total

984.364

197

Between Groups

489.187

3

163.062

Within Groups

467.626

194

2.410

Total

956.813

197

Between Groups


613.194

3

204.398

Within Groups

402.892

194

2.077

1016.086

197

Between Groups

540.268

3

180.089

Within Groups

459.596


194

2.369

Total

999.864

197

Between Groups

550.209

3

183.403

Within Groups

360.120

194

1.856

Total

910.328


197

Between Groups

583.264

3

194.421

Within Groups

329.488

194

1.698

Total

912.753

197

Between Groups

568.134

3


189.378

Within Groups

383.730

194

1.978

Total

951.864

197

Total
Mong ??i thái ?? nhân viên

df

F

Sig.

35.900

.000


31.076

.000

67.648

.000

98.422

.000

76.018

.000

98.801

.000

114.474

.000

95.743

.000


C?m nh?n v? nh??ng ch?


C?m nh?n x?p hàng tr?t t?
lên xe
C?m nh?n xe s?ch s?, không
rác

C?m nh?n an toàn tài s?n

Between Groups

259.025

3

86.342

Within Groups

728.349

194

3.754

Total

987.374

197


Between Groups

350.447

3

116.816

Within Groups

772.427

194

3.982

1122.874

197

Between Groups

391.475

3

130.492

Within Groups


625.277

194

3.223

1016.753

197

Between Groups

452.221

3

150.740

Within Groups

719.759

194

3.710

1171.980

197


Between Groups

375.435

3

125.145

Within Groups

712.105

194

3.671

1087.540

197

444.796

3

148.265

691.568

194


3.565

1136.364

197

Between Groups

436.748

3

145.583

Within Groups

716.707

194

3.694

1153.455

197

Between Groups

523.047


3

174.349

Within Groups

638.226

194

3.290

1161.273

197

Between Groups

219.342

3

73.114

Within Groups

685.931

194


3.536

Total

905.273

197

Between Groups

270.678

3

90.226

693.912

194

3.577

Total

964.591

197

Between Groups


365.523

3

121.841

Within Groups

634.806

194

3.272

1000.328

197

Between Groups

399.860

3

133.287

Within Groups

603.393


194

3.110

1003.253

197

Between Groups

470.044

3

156.681

Within Groups

590.784

194

3.045

1060.828

197

Between Groups


388.318

3

129.439

Within Groups

827.137

194

4.264

1215.455

197

396.570

3

132.190

708.521

194

3.652


1105.091

197

Total

Total

Total
C?m nh?n thái ?? nhân viên
tích c?c

Total
Between Groups

C?m nh?n xe yên l?ng, tr?t t? Within Groups
Total
C?m nh?n xe không mùi l?

Total
C?m nh?n an toàn thân th?

Total
Hình ?nh v? thái ?? ph?c v?

Hình ?nh v? vi?c nh??ng ch? Within Groups

Hình ?nh v? gi? v? sinh
chung
Hình ?nh v? gi? tr?t t? trên

bus
Hình ?nh v? x?p hàng lên
xu?ng xe

Hình ?nh v? an toàn tài s?n

Total

Total

Total

Total
Between Groups
Hình ?nh v? an toàn thân th? Within Groups
Total

22.998

.000

29.339

.000

40.487

.000

40.630


.000

34.093

.000

41.592

.000

39.407

.000

52.996

.000

20.679

.000

25.225

.000

37.235

.000


42.854

.000

51.451

.000

30.359

.000

36.195

.000


Hình ?nh v? ho?t ??ng lên/
xu?ng xe

Between Groups

378.983

3

126.328

Within Groups


662.336

194

3.414

1041.318

197

Between Groups

271.450

3

90.483

Within Groups

808.757

194

4.169

1080.207

197


Total

Hình ?nh v? gi?u gìn tài s?n
chung

Total

37.002

.000

21.705

.000

Từ bảng ANOVA, ta thấy rằng các giá trị F rất lớn, hơn nữa sig. của các biến đều bằng 0.00, nên ta có thể kết
luận rằng kết quả chia 4 cụm hoàn toàn phù hợp, với mức ý nghĩa 5%.
Bước tiếp theo chúng ta cần làm đó là phân tích cụm không thứ bậc. Như đã nói từ đầu, chúng ta có thể dựa vào
số cụm của phân tích thứ bậc để lấy số cụm cho phân tích không thứ bậc, vậy thì ta mới dễ dàng so sánh được.
Tiến hành chạy phân tích cụm không thứ bậc, ta được các bảng kết quả. Ở đây, chúng ta quan tâm đến 2 bảng là
bảng Cluster membership và bảng ANOVA.
Cluster Membership
Case Number

Cluster

Distance

1


.

.

2

.

.

3

3

7.724

4

3

7.903

5

3

5.489

6


3

10.058

7

3

8.257

8

3

5.750

9

3

6.551

10

3

8.570

11


3

11.858

12

3

7.681

13

3

8.655

14

3

7.471

15

3

11.632

16


3

9.589

17

3

8.067

18

3

7.593

19

3

9.587

20

3

5.254

21


3

8.859

22

3

6.526

23

3

8.541

24

3

11.800

25

3

8.280

26


3

8.231


27

3

10.021

28

3

4.965

29

3

6.462

30

3

7.222


31

3

7.349

32

3

13.028

33

3

12.272

34

3

10.225

35

3

7.040


36

3

5.765

37

3

11.248

38

3

8.024

39

3

9.161

40

3

5.290


41

3

8.039

42

3

10.409

43

3

8.998

44

3

9.425

45

3

11.790


46

3

4.486

47

3

9.990

48

3

9.851

49

3

6.377

50

3

3.221


51

2

9.684

52

3

6.544

53

3

7.937

54

1

6.278

55

3

7.326


56

3

10.124

57

3

7.169

58

3

9.088

59

1

10.473

60

1

7.998


61

3

9.632

62

3

5.808

63

3

10.229

64

3

10.816

65

1

7.488


66

3

8.485

67

1

8.772

68

3

12.081

69

1

8.084

70

3

7.333


71

3

5.831


72

1

8.500

73

3

7.028

74

3

6.937

75

3

9.080


76

3

5.947

77

3

6.107

78

3

9.890

79

3

6.272

80

3

6.759


81

3

6.021

82

2

11.297

83

2

13.209

84

2

12.572

85

4

5.011


86

4

8.072

87

3

10.005

88

4

9.127

89

4

8.548

90

3

9.927


91

4

6.650

92

4

10.980

93

4

6.739

94

3

10.673

95

3

10.385


96

4

9.385

97

3

6.649

98

4

7.016

99

1

10.972

100

3

11.268


101

3

6.965

102

4

6.772

103

4

7.118

104

4

9.634

105

1

6.913


106

1

8.952

107

1

12.030

108

1

11.512

109

4

15.658

110

4

9.495


111

4

13.105

112

3

14.008

113

1

11.786

114

1

8.124

115

4

11.747


116

1

9.771


117

1

8.190

118

1

8.203

119

1

10.758

120

1


12.638

121

1

4.711

122

1

6.944

123

1

5.805

124

1

10.121

125

1


4.487

126

1

6.315

127

1

10.200

128

1

8.630

129

1

11.167

130

1


7.900

131

1

8.749

132

1

7.864

133

1

6.045

134

1

4.020

135

1


10.470

136

4

13.123

137

1

7.807

138

1

4.074

139

1

11.335

140

1


12.249

141

1

5.663

142

1

9.319

143

1

6.522

144

1

10.267

145

1


12.315

146

1

9.746

147

1

7.183

148

1

12.125

149

1

7.056

150

1


6.270

151

1

8.376

152

1

6.938

153

1

6.790

154

1

8.820

155

1


7.419

156

1

2.587

157

1

2.917

158

1

8.734

159

1

4.903

160

1


4.583

161

1

7.847


162

1

7.833

163

1

5.415

164

1

5.415

165

1


5.415

166

1

6.193

167

2

6.781

168

4

5.375

169

4

4.401

170

2


4.566

171

2

7.851

172

2

9.145

173

2

8.417

174

2

9.978

175

2


9.153

176

2

5.957

177

2

4.455

178

2

5.222

179

2

6.881

180

2


4.358

181

2

5.263

182

2

9.702

183

2

7.530

184

2

6.233

185

2


14.562

186

2

15.376

187

4

10.980

188

4

7.984

189

2

9.331

190

4


9.192

191

2

6.341

192

2

8.323

193

4

9.991

194

4

4.722

195

2


9.732

196

4

5.171

197

4

13.292

198

2

6.380

199

4

9.516

200

2


4.043

Từ bảng Cluster membership này, cho biết quan sát nào thuộc cụm nào và khoảng cách giữa từng quan sát với
trung tâm của nó (distance). Ta nhận thấy rằng kết quả ở bảng này (không thứ bậc) và bảng ở trên (thứ bậc) có sự
khác biệt. Khoảng cách giữa các cụm trong phương án phân cụm cuối cùng cho thấy các cặp cụm được phân
tách rất rõ.


Đối với bảng ANOVA,giả thiết H0 : Sự khác biệt giữa các cụm chỉ là ngẫu nhiên, thì giả thiết đối H1: Sự khác
biệt giữa các cụm là có cơ sở, với mức ý nghĩa 5%. Nếu nó có sự khác biệt, tức là bác bỏ H 0 thì kết quả này có
thể sử dụng được, ta có thể hiểu cũng tương tự như trong phân cụm thứ bậc, chúng ta cũng cần kiểm định
AVONA về sự phù hợp của mô hình.
Kết quả trong bảng này thấy rõ rằng, tất cả các giá trị F đều rất lớn, giá trị sig. đều rất nhỏ (0.00) nên ta có thể
bác bỏ H0 ở mức ý nghĩa 5%. Vậy giữa các cụm có sự khác biệt có ý nghĩa và ta hoàn toàn có thể sử dụng kết
quả này.
ANOVA
Cluster
Mean Square
Mong ??i nh??ng ch?

Error
df

Mean Square

F

Sig.


df

122.067

3

2.989

194

40.833

.000

97.044

3

3.573

194

27.158

.000

166.483

3


2.358

194

70.617

.000

233.522

3

1.626

194

143.583

.000

199.728

3

2.065

194

96.704


.000

Mong ??i xe yên l?ng, tr?t t?

154.313

3

2.306

194

66.914

.000

Mong ??i xe không mùi l?

171.892

3

2.047

194

83.982

.000


Mong ??i an toàn thân th?

183.248

3

2.073

194

88.407

.000

C?m nh?n v? nh??ng ch?

128.491

3

3.103

194

41.414

.000

113.915


3

4.026

194

28.292

.000

146.165

3

2.981

194

49.037

.000

158.667

3

3.588

194


44.227

.000

149.606

3

3.292

194

45.440

.000

190.305

3

2.915

194

65.292

.000

C?m nh?n xe không mùi l?


201.210

3

2.834

194

70.995

.000

C?m nh?n an toàn thân th?

165.500

3

3.427

194

48.297

.000

Hình ?nh v? thái ?? ph?c v?

95.204


3

3.194

194

29.806

.000

127.505

3

3.000

194

42.496

.000

134.987

3

3.069

194


43.986

.000

128.922

3

3.178

194

40.570

.000

111.056

3

3.751

194

29.609

.000

137.468


3

4.139

194

33.209

.000

Mong ??i x?p hàng tr?t t?
lên xe
Mong ??i xe s?ch s?, không
rác
Mong ??i an toàn tài s?n
Mong ??i thái ?? nhân viên
tích c?c

C?m nh?n x?p hàng tr?t t?
lên xe
C?m nh?n xe s?ch s?,
không rác
C?m nh?n an toàn tài s?n
C?m nh?n thái ?? nhân viên
tích c?c
C?m nh?n xe yên l?ng, tr?t
t?

Hình ?nh v? vi?c nh??ng
ch?

Hình ?nh v? gi? v? sinh
chung
Hình ?nh v? gi? tr?t t? trên
bus
Hình ?nh v? x?p hàng lên
xu?ng xe
Hình ?nh v? an toàn tài s?n


Hình ?nh v? an toàn thân
th?
Hình ?nh v? ho?t ??ng lên/
xu?ng xe
Hình ?nh v? gi?u gìn tài s?n
chung

137.377

3

3.572

194

38.460

.000

107.295


3

3.708

194

28.933

.000

88.338

3

4.202

194

21.023

.000

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the
differences among cases in different clusters. The observed significance levels are not corrected for this and thus
cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Dưới đây chính là kết quả cuối cùng của phân tích cụm thứ bậc
Number of Cases in each
Cluster


Cluster

1

64.000

2

28.000

3

79.000

4

27.000

Valid
Missing

198.000
2.000

Từ kết quả của cả 2 phương pháp, ta thấy rằng, số cụm trong cả 2 phương pháp tương đồng nhau tuy số quan sát
trong từng cụm là khác nhau nhưng chúng đều có ý nghĩa, sự khác nhau ở đây có thể là do các dữ liệu nhân khẩu
học tác động. Nếu muốn phân tích đi sâu hơn nữa, rõ hơn nữa đặc trưng của từng cụm thì ta có thể dung Custorm
Table để phân tích.