メインコンテンツに移動
XLSTATはLumiveroグループに参加しています。詳しくはこちら

ExcelでCLUSCATAの方法によるCATAタスクの被験者のクラスタ分析

このチュートリアルは、XLSTATソフトウェアを用いたCLUSCATAの方法によるCATAタスクの被験者のクラスタリングを計算して解釈する方法を示します。

CLUSCATA法を実行するデータセット

データと結果のExcelシートは、このチュートリアルの最初のリンクをクリックしてダウンロードできます。

CLUSCATA法を説明するために使用されるデータは、114人の消費者が16個の属性を用いて6個のイチゴを評価するCheck-All-That-Apply (CATA) 実験(Ares & Jaeger, 2013)を参照しています。消費者は、提案された属性のどれが、それぞれのイチゴを記述するために適用されるかにチェックを入れるように質問されます。

このチュートリアルの目的

ここでの目的は、3ステップのデータ分析を実行することです:

  1. 彼らの製品への認知に応じて被験者をセグメントする。できるだけ最も均質なクラスを作成するために、CLUSCATA法が使用されます。
  2. クラス間のイチゴの認知の差を判断するために、CATATIS法を用いて被験者の各クラスを分析する。
  3. クラスタリング品質指標を決定する。

XLSTATでのCLUSCATA分析のセットアップ

XLSTAT / 高度な機能/ 官能データ分析/ CLUSCATAコマンド(下図)を選択してください。

CLUSCATA ダイアログボックスが現れます。

そして、一般 タブで、CATA データ (融合されたすべてのデータ)を選択できます。形式は、データがどのように融合されているか、水平か垂直か、を示します。形式が水平の場合、審査員の数を示す必要があり、垂直なら製品審査員が必須です。

ここで我々のデータは垂直に融合されていて、したがって、我々は製品審査員を選択します。さらに、属性のラベルがあるので、それをXLSTATに示すために属性ラベルボックスにチェックを入れます。

オプション・タブで、クラスの数を自動で選択のままにして、より正確なクラスタ分析を得るために階層アルゴリズムで得られたクラスの再配置(consolidation)を適用することにします。

チャート・タブで、最初の2軸でチャートを表示ボックスを選択すると、さまざまなマップの最初の2因子軸での表現が自動で得られます。このチェックを外すと、ウィンドウが開いて、軸を選ぶことができます。

XLSTATを用いてExcelでCLUSCATA分析の結果を解釈

下のチャートは、デンドログラムです。これは、被験者をグループ分けして、さらに被験者のグループをグループ分けするのにアルゴリズムがどのように働いているかを表します。ご覧のように、アルゴリズムはすべての被験者を首尾よくグループ分けできました。点線は、自動の打ち切り線で、2つのクラスを導きます。

続く3つの表は、被験者ごとのグループ別、クラスごとのグループ別の結果、および各クラスでの被験者の数を与えます。ここで、我々は、class 1 がclass 2よりも多くの被験者を含むことがわかります。

そして、構築された各クラスの分析があります。各クラス内の製品と属性の表現は、被験者のクラス間の認知の差を強調します。実際、Yvahé と Yurí のイチゴは class 1 では一緒に配置され、class 2では異なると考えられます。またe can also note that the Yvahé のイチゴは、irregular in shape (不揃い)とみなされ、 class 2では regular in shape (形が整っている)とみなされることもわかります。

以下のグラフは、被験者の近接度の指標および、被験者が置かれたクラスのコンセンサス表を与えます。これらの近接度は、0から1の間の類似度指標である落合の類似度係数 sで表現されます。class 2では、subject 86が他よりもコンセンサスからかなり遠いことが観察でき、それはクラスに上手く適合しないことを意味します。彼の認知は2つのクラスと異なります(アルゴリズムによって最も彼に対応するクラスに配置されているので)。この種の問題は、オプションタブでクラス"K+1"を追加することで解決できます。それは非典型的な被験者を脇に置くことを目的とした追加のクラスです。CATAタスクでは、クラス "K+1"に被験者の大部分が置かれることがたびたび起こります。これは、被験者がしばしばとても異なる結果を与えるという事実に起因します。

最後に、各クラスの均質度指標がクラスタ分析の品質の評価を可能にします。これらの指標が1に近いほど、クラスがより均質であることになります。ここで、class 1 はclass 2よりも均質であることがわかります。この均質度は、クラス "K+1"の追加で改善できました。

この記事は役に立ちましたか?

  • ウイ
  • いいえ