Prace dyplomowe · Statystyka

Analiza skupień krok po kroku: metoda Warda, k-średnich, liczba skupień i stabilność w R

Jeden przykład od początku do końca: wybór i standaryzacja zmiennych, odległość euklidesowa i Gowera, dendrogram Warda, k-średnich, sylwetka i statystyka luki, stabilność w podpróbach, kontrola na danych bez skupień, walidacja zewnętrzna i gotowy opis do pracy.

Strona główna / Blog / Analiza skupień krok po kroku
W skrócie: Analiza skupień dzieli osoby (nie zmienne) na grupy o podobnym wzorcu wyników. Wybierz zmienne z teorii, ustandaryzuj je, zbuduj dendrogram metodą Warda, dopracuj podział k-średnich z wieloma startami i porównaj kilka kryteriów liczby skupień – często się nie zgadzają. Algorytm zawsze znajdzie „skupienia”, nawet w danych bez grup, dlatego sprawdź stabilność w podpróbach, wynik statystyki luki i różnice na zmiennych, których nie użyto do grupowania – a nie testy na zmiennych grupujących.

Co robi analiza skupień i czym nie jest

Analiza skupień dzieli osoby na grupy o podobnym wzorcu wyników. To odróżnia ją od analizy czynnikowej i PCA, które grupują zmienne, oraz od analizy dyskryminacyjnej, która zaczyna od znanych grup. W analizie skupień grup nie znasz – metoda sama je proponuje.

I to jest największa pułapka: algorytm zawsze zwróci jakiś podział, także gdy w danych nie ma żadnych grup. Dlatego obok liczenia pokazuję kontrolę: wybór liczby skupień, stabilność, dane bez struktury i walidację na innych zmiennych. Segmentację k-średnich i analizę profili latentnych szerzej omawia wpis segmentacja respondentów, a te same kroki w programie SPSS – analiza skupień w SPSS.

Przykład: jak studenci radzą sobie ze stresem

Przykład (dane symulowane): 240 studentów wypełniło kwestionariusz strategii radzenia sobie ze stresem. Grupujemy na czterech skalach (średnie z pozycji, 1–5): koncentracji na zadaniu, szukaniu wsparcia, koncentracji na emocjach i unikaniu. Płeć i tryb studiów przydadzą się w kroku 2, a odczuwany stres (0–40) i zadowolenie z życia (5–35) – do walidacji. Dane wygenerowano z trzech profili, więc możemy sprawdzić, czy metody odtworzą prawdę. Ziarno danych (set.seed(11)) wybraliśmy spośród 13 sprawdzonych tak, by kryteria liczby skupień się różniły – jak często w prawdziwych badaniach. Plik: analiza-skupien-dane.csv.

Krok 1. Wybierz zmienne, ustandaryzuj je i sprawdź odstające

Zmienne. Wynik zależy przede wszystkim od tego, co włożysz do analizy. Wybierz zmienne z teorii, która mówi, czym mają się różnić typy osób. Nie dorzucaj „na wszelki wypadek” wieku czy stażu – każda zmienna bez struktury grupowej rozmywa skupienia. Zmiennych do walidacji (stres, zadowolenie) nie włączaj.

Standaryzacja. Odległość sumuje różnice na wszystkich zmiennych, więc zmienna o większym rozrzucie waży więcej. Przelicz zmienne na wyniki z (standaryzacja zmiennej, w R scale()). U nas SD wynoszą od 0.90 do 0.97, ale skala 0–40 obok skal 1–5 zdominowałaby podział.

Korelacje. Koncentracja na zadaniu i szukanie wsparcia korelują na poziomie r = .51, a obie z unikaniem ujemnie (−.51 i −.54). Dwie skale mierzące prawie to samo liczą się w odległości podwójnie.

Odstające. Braków nie było. Odległość Mahalanobisa nikogo nie wskazała: próg χ²(4) dla p = .001 to 18.47, a największa wartość – 13.32. Ta miara zakłada jednak jeden środek danych, więc członek małego skupienia może wyglądać na odstającego. Usuwaj błędy i nieuważne odpowiedzi według reguły ustalonej z góry, a nie osoby „nietypowe” (wartości odstające).

Krok 2. Wybierz miarę odległości

Przy zmiennych ilościowych standardem jest odległość euklidesowa na wynikach z. Gdy łączysz skale, kategorie i zmienne 0/1, użyj odległości Gowera – współczynnika, który łączy zmienne różnych typów w jednej mierze (Gower, 1971). W R: daisy(metric = "gower") i grupowanie metodą PAM. Uważaj na wagi: dla zmiennej binarnej różnica wynosi 0 albo 1, dla skali – ułamek zakresu. Gdy dołożyliśmy płeć i tryb studiów, PAM podzieliła osoby głównie według nich: 108 kobiet ze studiów stacjonarnych, 77 mężczyzn i 55 osób ze studiów niestacjonarnych. Zgodność z podziałem według strategii radzenia sobie była zerowa (ARI = .012). Dwie zmienne binarne przejęły analizę.

Krok 3. Metoda hierarchiczna: Ward i dendrogram

Hierarchiczna analiza aglomeracyjna zaczyna od 240 jednoosobowych skupień i w każdym kroku łączy dwa. Ward (1963) zaproponował, by wybierać połączenie najmniej pogarszające funkcję celu – w praktyce najmniej zwiększające sumę kwadratów wewnątrz skupień. W R użyj hclust(d, method = "ward.D2"). Programy różnie implementują algorytm Warda (Murtagh i Legendre, 2014); według dokumentacji R kryterium Warda realizuje opcja "ward.D2", a starsza "ward.D" podana na zwykłych odległościach – nie.

Dwa dendrogramy dla 240 osób. Metoda Warda: trzy wyraźne gałęzie, ostatnie połączenia na wysokości 27.40 i 18.06, a wcześniejsze dopiero na 9.76, cięcie poziomą linią daje trzy skupienia. Pojedyncze wiązanie: drzewo łańcuchowe, po cięciu na trzy skupienia 238, 1 i 1 osoba
Rysunek 1. Dendrogramy z odległości euklidesowych na wynikach z. A: metoda Warda; kolory – trzy skupienia po cięciu na przerywanej linii. B: pojedyncze wiązanie na tych samych danych. Obliczenia: R (dane symulowane).

Jak czytać dendrogram. Pionowa oś to wysokość połączenia: im wyżej łączą się gałęzie, tym bardziej różne grupy połączono. Szukaj dużego skoku wysokości. Trzy ostatnie połączenia zaszły na wysokościach 27.40, 18.06 i 9.76 – przejście z trzech skupień do dwóch kosztuje prawie dwa razy więcej niż z czterech do trzech. Cięcie dało skupienia liczące 95, 75 i 70 osób.

Sposób łączenia ma znaczenie. Pojedyncze wiązanie utworzyło „łańcuch”: po cięciu na trzy skupienia – 238, 1 i 1 osoba. Wiązanie pełne dało 118, 71 i 51 osób, średnie – 115, 73 i 52. Korelacja kofenetyczna (zgodność odległości „z drzewa” z rzeczywistymi) wyniosła .705 dla Warda, .707 dla pełnego, .724 dla średniego i .466 dla pojedynczego wiązania – mówi, jak wiernie drzewo oddaje odległości, a nie który podział jest najlepszy. Metodę łączenia wybierz z góry, zamiast sprawdzać wszystkie i brać „najładniejszą” (ogród rozwidlających się ścieżek).

Krok 4. Dopracuj podział metodą k-średnich

Metoda hierarchiczna nie poprawia raz połączonych grup. Dlatego często łączy się dwa etapy: Ward wskazuje liczbę skupień i punkty startowe, a k-średnich przypisuje osoby na nowo do najbliższego środka. Alternatywa to k-średnich z wieloma losowymi startami (nstart = 50), bo pojedynczy start może utknąć w minimum lokalnym. U nas oba warianty dały tę samą sumę kwadratów wewnątrz skupień (WSS = 391.283).

Do odpowiadających sobie skupień Warda i k-średnich trafiło 225 z 240 osób (93.8%). Zgodność podziałów mierzy skorygowany indeks Randa (ARI) – indeks Randa skorygowany na zgodność przypadkową (Hubert i Arabie, 1985): 1 oznacza identyczne podziały, 0 – zgodność na poziomie przypadku. Tu ARI = .832.

Krok 5. Ile skupień? Łokieć, sylwetka i statystyka luki

Żadne kryterium nie rozstrzyga liczby skupień samo, więc z góry zapisz, które porównasz i co zrobisz przy niezgodności (plan analizy statystycznej).

  • Łokieć: WSS maleje z każdym skupieniem; szukasz miejsca, po którym spadek słabnie.
  • Średnia sylwetka (Rousseeuw, 1987): porównuje bliskość osoby do własnego skupienia i do najbliższego innego; wybierasz najwyższą średnią.
  • Statystyka luki (Tibshirani i in., 2001): porównuje spadek rozproszenia wewnątrz skupień z oczekiwanym w danych odniesienia bez skupień. W clusGap() ustaw d.power = 2 (tak liczyli autorzy; domyślnie jest 1) i regułę "Tibs2001SEmax": najmniejsze k, dla którego Gap(k) ≥ Gap(k + 1) − SE(k + 1). Tylko luka może wskazać k = 1, czyli brak skupień.
Kryteria wyboru liczby skupień dla k od 1 do 6
kWSSŚrednia sylwetkaGap(k)SE
1956.0—0.5090.033
2570.5.3750.6710.032
3391.3.3680.7970.029
4345.5.3210.7330.029
5307.1.2430.7330.029
6278.0.2380.7290.029

Kryteria się nie zgadzają – to normalne. Sylwetka była najwyższa przy dwóch skupieniach (.375), minimalnie przed trzema (.368). Luka wskazała trzy: Gap(3) = 0.797 przekracza Gap(4) − SE = 0.704, a Gap(2) = 0.671 nie osiąga Gap(3) − SE = 0.768. Łokieć też wypada przy trzech: WSS spada z 570.5 do 391.3, a potem tylko do 345.5. Dwa skupienia połączyłyby wszystkich 100 „zadaniowych” z 58 z 65 „emocjonalnych”, choć w rozwiązaniu z trzema skupieniami ich średnie koncentracji na emocjach dzieli 1.73 odchylenia standardowego. Rozstrzygnęły zgoda większości kryteriów, stabilność i interpretowalność – i tak opisz tę decyzję w pracy.

Moc analizy skupień zależy przede wszystkim od separacji grup: Dalmaijer i in. (2022) zalecają ją przy oczekiwanej wyraźnej separacji i 20–30 osobach na podgrupę.

Krok 6. Sprawdź stabilność w podpróbach

Losuj 80% osób, powtórz k-średnich i porównaj nowy podział z podziałem z pełnej próby (na tych samych osobach) za pomocą ARI; powtórz 200 razy. Logika przypomina walidację krzyżową: czy wynik nie jest dopasowany do jednej próby?

Stabilność podziałów k-średnich w 200 podpróbach po 80% osób
Liczba skupieńMediana ARI5. percentyl ARI
21.000.958
3.985.956
4.971.625
5.902.735
3 – dane bez skupień.736.461

Dwa i trzy skupienia odtwarzały się prawie identycznie. Przy czterech w co dwudziestej podpróbie zgodność spadała do .625 lub niżej. Stabilność to jednak warunek konieczny, a nie dowód istnienia grup. Stabilność każdego skupienia osobno (współczynnik Jaccarda) pokazujemy we wpisie o segmentacji.

Kontrola: „ładne” skupienia w danych bez skupień

Najlepszy test procedury to dane, w których na pewno nie ma grup. Wylosowaliśmy 240 osób z jednego wielowymiarowego rozkładu normalnego o tych samych korelacjach i powtórzyliśmy kroki 4–6.

Profile trzech skupień k-średnich w wynikach z. W danych z trzema profilami: zadaniowi z wysoką koncentracją na zadaniu, emocjonalni z koncentracją na emocjach 1.11, unikający z unikaniem 1.11. W jednej populacji bez skupień k-średnich dało bardzo podobne trzy profile ze średnimi od −0.89 do 1.00 SD, przy sylwetce .24 zamiast .37
Rysunek 2. Średnie wyniki z (z 95% przedziałami ufności) w trzech skupieniach k-średnich. A: dane z trzech profili. B: jedna populacja bez skupień o tych samych korelacjach – nazwy nadano „na oko”, jak zrobiłby to badacz. Obliczenia: R (dane symulowane).

K-średnich podzieliło jednolitą populację na skupienia liczące 84, 62 i 94 osoby, a ich profile wyglądają prawie jak prawdziwe: średnie sięgają od −0.89 do 1.00 odchylenia standardowego. Algorytm tnie wydłużoną przez korelacje chmurę punktów. Ładny wykres profili niczego nie dowodzi.

Trzy wykresy kryteriów liczby skupień dla k od 1 do 6. Łokieć: w danych z profilami WSS wyraźnie zakrzywia się przy k = 3, w danych bez skupień maleje gładko. Sylwetka: maksimum przy k = 2 w obu zbiorach, .375 i .273. Statystyka luki: w danych z profilami maksimum przy k = 3, w danych bez skupień najwyższa przy k = 1
Rysunek 3. Kryteria liczby skupień w danych z trzema profilami (czerwone) i w populacji bez skupień (szare). Obwódki – wybór według sylwetki (B) i reguły Tibshiraniego i in. (C). Obliczenia: R (dane symulowane, 50 startów, luka z 200 zbiorów odniesienia).

Co zdradziło brak grup? Niska sylwetka (.273 przy dwóch i .236 przy trzech skupieniach), statystyka luki wskazująca k = 1 i słabsza stabilność (mediana ARI .736). Sama sylwetka nie powie „grup nie ma” – w obu zbiorach wskazała dwa skupienia.

Błąd koła. W danych bez skupień ANOVA dla każdej zmiennej grupującej dała F(2, 237) od 91.26 do 100.00, p < .001. Algorytm maksymalizuje różnice na tych zmiennych, więc test na nich zawsze „wyjdzie” i nie dowodzi, że skupienia są prawdziwe. To samo dotyczy MANOVA i analizy dyskryminacyjnej na tych samych zmiennych.

Krok 7. Opisz profile i zweryfikuj je na innych zmiennych

Nazwy nadaj po obejrzeniu profilu (Rysunek 2A). Zadaniowi (n = 100) mają najwyższą koncentrację na zadaniu (0.89 SD powyżej średniej) i niskie unikanie (−0.72). Emocjonalni (n = 65) wyróżniają się koncentracją na emocjach (1.11) i dość częstym szukaniem wsparcia (0.56). Unikający (n = 75) mają wysokie unikanie (1.11) i najrzadziej szukają wsparcia (−1.18). W tabeli podaj średnie w jednostkach skali – wyniki z zależą od próby. Średnia sylwetka w skupieniach wynosiła od .332 do .385, a zgodność z prawdziwymi profilami (znanymi tylko w symulacji) – ARI = .870.

Walidacja zewnętrzna to właściwy test trafności: różnice na zmiennych nieużytych do grupowania, w kierunku przewidzianym przed analizą. Oczekiwaliśmy najniższego stresu i najwyższego zadowolenia u zadaniowych. ANOVA Welcha wykazała różnice w stresie, F(2, 150.05) = 34.33, p < .001, η² = .228, i w zadowoleniu z życia, F(2, 143.81) = 30.06, p < .001, η² = .203; zadaniowi mieli najniższy stres (M = 15.33) i najwyższe zadowolenie (M = 24.01).

Modele mieszanin. W pakiecie mclust liczbę skupień wybiera kryterium BIC, a osoby dostają prawdopodobieństwa przynależności. U nas BIC wybrał model EII z trzema skupieniami, zgodny z k-średnich (ARI = .950). Więcej w haśle analiza profili latentnych.

Jak opisać analizę skupień w pracy

Clatworthy i in. (2005) stwierdzili, że tylko 27% z 59 przejrzanych artykułów z psychologii zdrowia spełniało wszystkie pięć kryteriów rzetelnego raportowania analizy skupień. W rozdziale metodologicznym podaj: zmienne, standaryzację, miarę odległości, metodę łączenia, liczbę startów, kryteria liczby skupień, stabilność i zmienne walidacyjne.

Profile radzenia sobie ze stresem wyodrębniono analizą skupień na standaryzowanych wynikach czterech skal (N = 240): hierarchiczną metodą Warda na odległościach euklidesowych, a następnie metodą k-średnich (50 losowych startów). Liczbę skupień wybrano na podstawie dendrogramu, metody łokcia, średniej szerokości sylwetki i statystyki luki (200 zbiorów odniesienia). Stabilność oceniono w 200 podpróbach obejmujących 80% osób za pomocą skorygowanego indeksu Randa (ARI). Trafność profili sprawdzono na zmiennych nieużytych do grupowania: odczuwanym stresie i zadowoleniu z życia (ANOVA Welcha).
Dendrogram, metoda łokcia i statystyka luki wskazały trzy skupienia; średnia sylwetka była najwyższa dla dwóch (.375) i niewiele niższa dla trzech (.368). Wybrano rozwiązanie z trzema skupieniami, stabilne w podpróbach (mediana ARI = .985) i zgodne z metodą Warda (ARI = .83). Zadaniowi (n = 100) mieli wysoką koncentrację na zadaniu (M = 4.23) i niskie unikanie (M = 1.97), emocjonalni (n = 65) – wysoką koncentrację na emocjach (M = 3.96), a unikający (n = 75) – wysokie unikanie (M = 3.76) i rzadkie szukanie wsparcia (M = 2.22). Skupienia różniły się stresem, F(2, 150.05) = 34.33, p < .001, η² = .23, i zadowoleniem z życia, F(2, 143.81) = 30.06, p < .001, η² = .20 (Tabela 1).

Tabela 1

Średnie (odchylenia standardowe) strategii radzenia sobie ze stresem i zmiennych walidacyjnych w trzech skupieniach

ZmiennaZadaniowi
(n = 100)
Emocjonalni
(n = 65)
Unikający
(n = 75)
Zmienne użyte do grupowania (1–5)
Koncentracja na zadaniu4.23 (0.53)3.02 (0.64)2.53 (0.65)
Szukanie wsparcia3.87 (0.61)3.91 (0.61)2.22 (0.55)
Koncentracja na emocjach2.40 (0.59)3.96 (0.57)2.84 (0.74)
Unikanie1.97 (0.59)2.51 (0.61)3.76 (0.63)
Zmienne walidacyjne
Odczuwany stres (0–40)15.33 (6.52)22.82 (5.89)21.44 (6.15)
Zadowolenie z życia (5–35)24.01 (4.72)20.35 (5.05)18.17 (5.37)

Uwaga. N = 240 (dane symulowane). Skupienia wyodrębniono metodą Warda i k-średnich na standaryzowanych wynikach czterech skal; średnia szerokość sylwetki = .37. Zmiennych walidacyjnych nie użyto do grupowania. ANOVA Welcha: stres F(2, 150.05) = 34.33, p < .001, η2 = .23; zadowolenie F(2, 143.81) = 30.06, p < .001, η2 = .20.

Przykład reprodukowalny

Analiza skupień w R – pełny kod

Kod odtwarza wszystkie liczby z tekstu i tabel. Pobierz plik analiza-skupien-dane.csv, zapisz go w katalogu roboczym R i uruchom przepisy po kolei w jednej sesji – kolejne przepisy korzystają z obiektów utworzonych wcześniej. Ziarna losowania w przepisach (2026 dla algorytmów, 7 dla danych bez skupień) ustalono raz, bez dobierania pod wynik; ziarno danych symulowanych (11) wybrano tak, by kryteria liczby skupień się różniły.

1. Dane, standaryzacja i obserwacje odstające

Dane wejściowe: plik CSV z 240 osobami (dane symulowane): cztery skale strategii radzenia sobie (1–5), kobieta, niestacjonarne, stres, satysfakcja.

Co odczytać: liczbę osób i braków, średnie, odchylenia i korelacje zmiennych do grupowania; próg i największą odległość Mahalanobisa.

R
# Analiza skupień: strategie radzenia sobie ze stresem u studentów (dane symulowane)
options(width = 100)
library(cluster)
dane <- read.csv("analiza-skupien-dane.csv")
zm   <- c("zadaniowa", "wsparcie", "emocje", "unikanie")   # zmienne do grupowania
nrow(dane); sum(!complete.cases(dane[, zm]))                # liczba osób i osób z brakami
round(rbind(M = colMeans(dane[, zm]), SD = apply(dane[, zm], 2, sd)), 2)
round(cor(dane[, zm]), 2)

# standaryzacja: każda zmienna ma średnią 0 i SD 1, więc waży w odległości tyle samo
z <- scale(dane[, zm])

# obserwacje odstające: odległość Mahalanobisa od środka danych, próg χ²(4) dla p = .001
D2 <- mahalanobis(z, colMeans(z), cov(z))
c(prog = round(qchisq(.999, df = 4), 2), powyzej_progu = sum(D2 > qchisq(.999, df = 4)),
  max_D2 = round(max(D2), 2))
Wynik w R
[1] 240
[1] 0
   zadaniowa wsparcie emocje unikanie
M       3.37     3.37   2.96     2.67
SD      0.96     0.97   0.90     0.98
          zadaniowa wsparcie emocje unikanie
zadaniowa      1.00     0.51  -0.20    -0.51
wsparcie       0.51     1.00   0.15    -0.54
emocje        -0.20     0.15   1.00     0.21
unikanie      -0.51    -0.54   0.21     1.00
         prog powyzej_progu        max_D2 
        18.47          0.00         13.32 

2. Metoda Warda i inne sposoby łączenia

Dane wejściowe: z z przepisu 1.

Co odczytać: korelację kofenetyczną czterech metod, liczebności po cięciu na trzy skupienia i wysokości ostatnich połączeń Warda.

R
# Hierarchiczna analiza skupień: macierz odległości euklidesowych i cztery sposoby łączenia (kontynuacja: z)
d <- dist(z, method = "euclidean")
metody <- c(Warda = "ward.D2", pelne = "complete", srednie = "average", pojedyncze = "single")
drzewa <- lapply(metody, function(m) hclust(d, method = m))

# korelacja kofenetyczna: jak dobrze drzewo odtwarza odległości między osobami
round(sapply(drzewa, function(h) cor(d, cophenetic(h))), 3)
# liczebności skupień po przecięciu każdego drzewa na trzy skupienia
sapply(drzewa, function(h) sort(as.vector(table(cutree(h, k = 3))), decreasing = TRUE))

# metoda Warda: wysokości ośmiu ostatnich połączeń (duży skok = połączono różne skupienia)
ward <- drzewa$Warda
round(rev(tail(ward$height, 8)), 2)
ward3 <- cutree(ward, k = 3)
table(ward3)
Wynik w R
     Warda      pelne    srednie pojedyncze 
     0.705      0.707      0.724      0.466 
     Warda pelne srednie pojedyncze
[1,]    95   118     115        238
[2,]    75    71      73          1
[3,]    70    51      52          1
[1] 27.40 18.06  9.76  9.17  7.54  5.75  5.54  5.44
ward3
 1  2  3 
75 70 95 

3. k-średnich i zgodność z metodą Warda

Dane wejściowe: z i ward3 z przepisów 1–2.

Co odczytać: WSS dla startu ze środków Warda i dla 50 losowych startów, tabelę krzyżową obu podziałów i ARI.

R
# k-średnich: start ze środków skupień Warda i 50 losowych startów (kontynuacja: z, ward3)
library(mclust)                                      # adjustedRandIndex()
srodki_ward <- apply(z, 2, function(x) tapply(x, ward3, mean))
km_ward <- kmeans(z, centers = srodki_ward)
set.seed(2026)
km3 <- kmeans(z, centers = 3, nstart = 50)
c(WSS_start_Ward = km_ward$tot.withinss, WSS_50_startow = km3$tot.withinss)
table(Ward = ward3, k_srednich = km3$cluster)
round(adjustedRandIndex(ward3, km3$cluster), 3)      # zgodność podziałów (1 = identyczne)
Wynik w R
WSS_start_Ward WSS_50_startow 
       391.283        391.283 
    k_srednich
Ward  1  2  3
   1 71  0  4
   2  4  6 60
   3  0 94  1
[1] 0.832

4. Łokieć, sylwetka i statystyka luki

Dane wejściowe: z, d i km3 z przepisów 1–3.

Co odczytać: WSS, średnią sylwetkę, Gap i SE dla k = 1–6, liczbę skupień wskazaną przez sylwetkę i regułę Tibshiraniego i in.; skład rozwiązania z dwoma skupieniami.

R
# Ile skupień? Łokieć (WSS), średnia sylwetka i statystyka luki dla k = 1–6 (kontynuacja: z, d)
set.seed(2026)
rozw <- lapply(1:6, function(k) kmeans(z, centers = k, nstart = 50))
sylw <- sapply(rozw[-1], function(r) mean(silhouette(r$cluster, d)[, "sil_width"]))
set.seed(2026)
luka <- clusGap(z, FUNcluster = kmeans, K.max = 6, B = 200, d.power = 2, nstart = 20, verbose = FALSE)
tab <- data.frame(k = 1:6, WSS = sapply(rozw, `[[`, "tot.withinss"),
                  sylwetka = c(NA, sylw), luka = luka$Tab[, "gap"], SE = luka$Tab[, "SE.sim"])
print(round(tab, 3), row.names = FALSE)
c(sylwetka = which.max(sylw) + 1,
  luka = maxSE(luka$Tab[, "gap"], luka$Tab[, "SE.sim"], method = "Tibs2001SEmax"))
table(k2 = rozw[[2]]$cluster, k3 = km3$cluster)   # co łączy rozwiązanie z dwoma skupieniami
Wynik w R
 k     WSS sylwetka  luka    SE
 1 956.000       NA 0.509 0.033
 2 570.544    0.375 0.671 0.032
 3 391.283    0.368 0.797 0.029
 4 345.521    0.321 0.733 0.029
 5 307.107    0.243 0.733 0.029
 6 278.014    0.238 0.729 0.029
sylwetka     luka 
       2        3 
   k3
k2    1   2   3
  1   0 100  58
  2  75   0   7

5. Stabilność w podpróbach

Dane wejściowe: z i rozw z przepisów 1 i 4.

Co odczytać: medianę i 5. percentyl ARI w 200 podpróbach dla dwóch do pięciu skupień.

R
# Stabilność: 200 podprób po 80% osób, k-średnich od nowa, ARI z podziałem z pełnej próby (kontynuacja: z, rozw)
stabilnosc <- function(k, R = 200, frac = .8) {
  pelny <- rozw[[k]]$cluster
  sapply(seq_len(R), function(r) {
    i <- sample(nrow(z), round(frac * nrow(z)))
    adjustedRandIndex(pelny[i], kmeans(z[i, ], centers = k, nstart = 20)$cluster)
  })
}
set.seed(2026)
ari <- sapply(2:5, stabilnosc)
colnames(ari) <- paste0("k=", 2:5)
round(apply(ari, 2, quantile, probs = c(.05, .50)), 3)   # 5. percentyl i mediana ARI
Wynik w R
      k=2   k=3   k=4   k=5
5%  0.958 0.956 0.625 0.735
50% 1.000 0.985 0.971 0.902

6. Kontrola: dane bez skupień

Dane wejściowe: z z przepisu 1 (tylko macierz korelacji).

Co odczytać: liczebności i środki trzech „skupień”, średnią sylwetkę, wybór liczby skupień, wyniki ANOVA na zmiennych grupujących i stabilność.

R
# Kontrola: jedna populacja bez skupień o tych samych korelacjach (kontynuacja: z)
library(MASS)
set.seed(7)
z0 <- scale(mvrnorm(240, mu = rep(0, 4), Sigma = cor(z)))
colnames(z0) <- colnames(z)
d0 <- dist(z0)
set.seed(2026)
rozw0 <- lapply(1:6, function(k) kmeans(z0, centers = k, nstart = 50))
km0 <- rozw0[[3]]
table(km0$cluster)
round(km0$centers, 2)                                  # „profile” w danych bez skupień
sylw0 <- sapply(rozw0[-1], function(r) mean(silhouette(r$cluster, d0)[, "sil_width"]))
round(sylw0, 3)
set.seed(2026)
luka0 <- clusGap(z0, FUNcluster = kmeans, K.max = 6, B = 200, d.power = 2, nstart = 20, verbose = FALSE)
c(sylwetka = which.max(sylw0) + 1,
  luka = maxSE(luka0$Tab[, "gap"], luka0$Tab[, "SE.sim"], method = "Tibs2001SEmax"))
# błąd koła: ANOVA na zmiennych, z których powstały skupienia, „potwierdza” różnice
t(sapply(colnames(z0), function(v) {
  a <- summary(aov(z0[, v] ~ factor(km0$cluster)))[[1]]
  c(F = round(a[1, "F value"], 2), df2 = a[2, "Df"], p = signif(a[1, "Pr(>F)"], 3)) }))
# stabilność trzech „skupień” w podpróbach
set.seed(2026)
ari0 <- sapply(1:200, function(r) { i <- sample(240, 192)
  adjustedRandIndex(km0$cluster[i], kmeans(z0[i, ], centers = 3, nstart = 20)$cluster) })
round(quantile(ari0, c(.05, .50)), 3)
Wynik w R

 1  2  3 
84 62 94 
  zadaniowa wsparcie emocje unikanie
1     -0.84    -0.89   0.03     0.81
2      0.03     0.74   1.00     0.00
3      0.73     0.31  -0.69    -0.72
[1] 0.273 0.236 0.223 0.212 0.200
sylwetka     luka 
       2        1 
               F df2        p
zadaniowa 100.00 237 3.24e-32
wsparcie   98.98 237 5.65e-32
emocje     95.79 237 3.25e-31
unikanie   91.26 237 4.08e-30
   5%   50% 
0.461 0.736 

7. Profil skupień i walidacja zewnętrzna

Dane wejściowe: dane, z, d i km3 z przepisów 1–3.

Co odczytać: liczebności, średnie wyników z oraz M i SD w jednostkach skali, sylwetkę w skupieniach, ARI z prawdziwym profilem, ANOVA Welcha i η² dla stresu i zadowolenia.

R
# Profil skupień i walidacja zewnętrzna (kontynuacja: dane, z, d, km3)
dane$skupienie <- km3$cluster
table(dane$skupienie)
round(km3$centers, 2)                                  # średnie wyników z w skupieniach
round(aggregate(dane[, zm], list(skupienie = dane$skupienie), mean), 2)   # średnie w jednostkach skali 1–5
round(aggregate(dane[, zm], list(skupienie = dane$skupienie), sd), 2)     # odchylenia standardowe
round(summary(silhouette(km3$cluster, d))$clus.avg.widths, 3)             # średnia sylwetka w skupieniach
round(adjustedRandIndex(km3$cluster, dane$profil_prawdziwy), 3)          # zgodność z prawdą (tylko w symulacji)

# walidacja zewnętrzna: zmienne, których NIE użyto do grupowania (ANOVA Welcha i η²)
for (v in c("stres", "satysfakcja")) {
  cat("\n==", v, "\n")
  print(round(aggregate(dane[[v]], list(skupienie = dane$skupienie), function(x) c(M = mean(x), SD = sd(x))), 2))
  print(oneway.test(dane[[v]] ~ factor(dane$skupienie)))
  a <- anova(lm(dane[[v]] ~ factor(dane$skupienie)))
  cat("eta2 =", round(a[1, 2] / sum(a[, 2]), 3), "\n")
}
Wynik w R

  1   2   3 
 75 100  65 
  zadaniowa wsparcie emocje unikanie
1     -0.88    -1.18  -0.13     1.11
2      0.89     0.52  -0.62    -0.72
3     -0.36     0.56   1.11    -0.17
  skupienie zadaniowa wsparcie emocje unikanie
1         1      2.53     2.22   2.84     3.76
2         2      4.23     3.87   2.40     1.97
3         3      3.02     3.91   3.96     2.51
  skupienie zadaniowa wsparcie emocje unikanie
1         1      0.65     0.55   0.74     0.63
2         2      0.53     0.61   0.59     0.59
3         3      0.64     0.61   0.57     0.61
    1     2     3 
0.376 0.385 0.332 
[1] 0.87

== stres 
  skupienie   x.M  x.SD
1         1 21.44  6.15
2         2 15.33  6.52
3         3 22.82  5.89

	One-way analysis of means (not assuming equal variances)

data:  dane[[v]] and factor(dane$skupienie)
F = 34.333, num df = 2.00, denom df = 150.05, p-value = 5.28e-13

eta2 = 0.228 

== satysfakcja 
  skupienie   x.M  x.SD
1         1 18.17  5.37
2         2 24.01  4.72
3         3 20.35  5.05

	One-way analysis of means (not assuming equal variances)

data:  dane[[v]] and factor(dane$skupienie)
F = 30.057, num df = 2.00, denom df = 143.81, p-value = 1.24e-11

eta2 = 0.203 

8. Odległość Gowera i model mieszanin

Dane wejściowe: dane, z i km3.

Co odczytać: skład skupień PAM według płci i trybu studiów, ARI z k-średnich; model wybrany przez BIC i jego zgodność z k-średnich.

R
# Dwa warianty: odległość Gowera dla danych mieszanych i model mieszanin (kontynuacja: dane, z, km3)
# 1. Gower: cztery skale + płeć i tryb studiów (zmienne 0/1 jako czynniki), metoda PAM
mieszane <- data.frame(dane[, zm], kobieta = factor(dane$kobieta), niestac = factor(dane$niestacjonarne))
dg <- daisy(mieszane, metric = "gower")
pam3 <- pam(dg, k = 3, diss = TRUE)
table(PAM = pam3$clustering, kobieta = dane$kobieta, niestac = dane$niestacjonarne)
round(adjustedRandIndex(pam3$clustering, km3$cluster), 3)

# 2. Model mieszanin rozkładów normalnych: BIC dla 1–6 skupień
mm <- Mclust(z, G = 1:6, verbose = FALSE)
summary(mm)
round(adjustedRandIndex(mm$classification, km3$cluster), 3)
Wynik w R
, , niestac = 0

   kobieta
PAM   0   1
  1   0   0
  2   0 108
  3  64   0

, , niestac = 1

   kobieta
PAM   0   1
  1  16  39
  2   0   0
  3  13   0

[1] 0.012
---------------------------------------------------- 
Gaussian finite mixture model fitted by EM algorithm 
---------------------------------------------------- 

Mclust EII (spherical, equal volume) model with 3 components: 

 log-likelihood   n df       BIC       ICL
      -1178.644 240 15 -2439.497 -2464.428

Clustering table:
  1   2   3 
 75  61 104 
[1] 0.95

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki wykonano w pakietach ggplot2, patchwork i dendextend i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. cluster (wersja 2.1.8.2): Maechler, M., Rousseeuw, P., Struyf, A., Hubert, M., & Hornik, K. (2026). cluster: Cluster analysis basics and extensions (R package version 2.1.8.2) [Computer software]. https://CRAN.R-project.org/package=cluster
  3. mclust (wersja 6.1.2): Scrucca, L., Fraley, C., Murphy, T. B., & Raftery, A. E. (2023). Model-based clustering, classification, and density estimation using mclust in R. Chapman and Hall/CRC. https://doi.org/10.1201/9781003277965
  4. MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  5. dendextend (wersja 1.19.1): Galili, T. (2015). dendextend: An R package for visualizing, adjusting and comparing trees of hierarchical clustering. Bioinformatics, 31(22), 3718–3720. https://doi.org/10.1093/bioinformatics/btv428
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  7. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  8. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze błędy

  • Testowanie skupień na zmiennych, z których powstały – ANOVA „potwierdzi” różnice nawet w danych bez grup.
  • Brak standaryzacji zmiennych w różnych jednostkach.
  • Zmienne binarne w odległości Gowera „z rozpędu” – mogą przejąć cały podział.
  • Metoda łączenia wybrana po obejrzeniu wyników albo pojedyncze wiązanie bez uzasadnienia.
  • Jeden start k-średnich i brak ziarna losowania.
  • Liczba skupień z jednego kryterium albo „bo tak przewiduje hipoteza” – pokaż kilka kryteriów i ich niezgodność.
  • Skupienia jako naturalne typy ludzi. Pisz „wyodrębniono trzy profile”, a nie „istnieją trzy typy studentów”.

Najczęstsze pytania

Jak zrobić analizę skupień w R krok po kroku?

Ustandaryzuj zmienne (scale()), policz odległości (dist()), zbuduj dendrogram metodą Warda (hclust(d, "ward.D2")), a podział dopracuj funkcją kmeans() z wieloma startami (nstart = 50). Liczbę skupień wybierz, porównując łokieć, sylwetkę (cluster::silhouette) i statystykę luki (cluster::clusGap), a na koniec sprawdź stabilność w podpróbach i różnice na zmiennych spoza analizy.

Którą metodę łączenia wybrać w hierarchicznej analizie skupień?

W badaniach psychologicznych najczęściej wybiera się metodę Warda, bo tworzy zwarte skupienia o zbliżonej wielkości; w R odpowiada jej method = "ward.D2". Pojedyncze wiązanie łatwo tworzy „łańcuch” i skupienia złożone z jednej osoby. Metodę łączenia wybierz i uzasadnij przed analizą, zamiast sprawdzać kilka i zostawiać tę z najładniejszym wynikiem.

Co zrobić, gdy łokieć, sylwetka i statystyka luki wskazują różną liczbę skupień?

To częsta sytuacja – sylwetka zwykle premiuje zgrubny podział na dwie grupy. Rozstrzygnij na podstawie zgody większości kryteriów, dendrogramu, stabilności w podpróbach i interpretowalności profili, a w pracy napisz wprost, które kryterium wskazało inną liczbę i dlaczego wybrałeś dane rozwiązanie.

Jak sprawdzić, czy skupienia są stabilne?

Losuj wielokrotnie podpróbę (np. 80% osób), powtórz analizę i porównaj nowy podział z podziałem z pełnej próby skorygowanym indeksem Randa (ARI; w R mclust::adjustedRandIndex). Mediana bliska 1 i wysoki 5. percentyl świadczą o stabilności, ale stabilność nie dowodzi istnienia grup – algorytm potrafi stabilnie dzielić także jednolitą chmurę punktów.

Czy różnice między skupieniami w ANOVA potwierdzają, że skupienia są prawdziwe?

Nie, jeśli testujesz zmienne, z których skupienia powstały. Algorytm maksymalizuje różnice na tych zmiennych, więc ANOVA będzie istotna nawet w danych bez żadnych grup. Trafność skupień sprawdzaj na innych zmiennych, przewidzianych przed analizą.

Powiązane hasła

Przeczytaj też

Robisz analizę skupień do pracy dyplomowej?

Pomożemy dobrać zmienne, metodę i liczbę skupień, sprawdzimy stabilność i walidację oraz opiszemy wyniki tak, żebyś umiał(a) je wyjaśnić i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Clatworthy, J., Buick, D., Hankins, M., Weinman, J., & Horne, R. (2005). The use and reporting of cluster analysis in health psychology: A review. British Journal of Health Psychology, 10(3), 329–358. https://doi.org/10.1348/135910705X25697
  2. Dalmaijer, E. S., Nord, C. L., & Astle, D. E. (2022). Statistical power for cluster analysis. BMC Bioinformatics, 23(1), Article 205. https://doi.org/10.1186/s12859-022-04675-1 ● Otwarty dostęp
  3. Gower, J. C. (1971). A general coefficient of similarity and some of its properties. Biometrics, 27(4), 857–871. https://doi.org/10.2307/2528823
  4. Hubert, L., & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1), 193–218. https://doi.org/10.1007/bf01908075
  5. Murtagh, F., & Legendre, P. (2014). Ward’s hierarchical agglomerative clustering method: Which algorithms implement Ward’s criterion? Journal of Classification, 31(3), 274–295. https://doi.org/10.1007/s00357-014-9161-z ● Otwarty dostęp: pełny tekst
  6. Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7 ● Otwarty dostęp
  7. Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411–423. https://doi.org/10.1111/1467-9868.00293
  8. Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236–244. https://doi.org/10.1080/01621459.1963.10500845

Cytowania BibTeX

@article{clatworthy2005use, author={Clatworthy, Jane and Buick, Deanna and Hankins, Matthew and Weinman, John and Horne, Robert}, title={{The use and reporting of cluster analysis in health psychology: A review}}, journal={British Journal of Health Psychology}, year={2005}, volume={10}, number={3}, pages={329--358}, doi={10.1348/135910705x25697}}
@article{dalmaijer2022statistical, author={Dalmaijer, Edwin S. and Nord, Camilla L. and Astle, Duncan E.}, title={{Statistical power for cluster analysis}}, journal={BMC Bioinformatics}, year={2022}, volume={23}, number={1}, eid={205}, doi={10.1186/s12859-022-04675-1}}
@article{gower1971general, author={Gower, John C.}, title={{A general coefficient of similarity and some of its properties}}, journal={Biometrics}, year={1971}, volume={27}, number={4}, pages={857--871}, doi={10.2307/2528823}}
@article{hubert1985comparing, author={Hubert, Lawrence and Arabie, Phipps}, title={{Comparing partitions}}, journal={Journal of Classification}, year={1985}, volume={2}, number={1}, pages={193--218}, doi={10.1007/bf01908075}}
@article{murtagh2014ward, author={Murtagh, Fionn and Legendre, Pierre}, title={{Ward’s hierarchical agglomerative clustering method: Which algorithms implement Ward’s criterion?}}, journal={Journal of Classification}, year={2014}, volume={31}, number={3}, pages={274--295}, doi={10.1007/s00357-014-9161-z}}
@article{rousseeuw1987silhouettes, author={Rousseeuw, Peter J.}, title={{Silhouettes: A graphical aid to the interpretation and validation of cluster analysis}}, journal={Journal of Computational and Applied Mathematics}, year={1987}, volume={20}, pages={53--65}, doi={10.1016/0377-0427(87)90125-7}}
@article{tibshirani2001estimating, author={Tibshirani, Robert and Walther, Guenther and Hastie, Trevor}, title={{Estimating the number of clusters in a data set via the gap statistic}}, journal={Journal of the Royal Statistical Society: Series B (Statistical Methodology)}, year={2001}, volume={63}, number={2}, pages={411--423}, doi={10.1111/1467-9868.00293}}
@article{ward1963hierarchical, author={Ward, Joe H.}, title={{Hierarchical grouping to optimize an objective function}}, journal={Journal of the American Statistical Association}, year={1963}, volume={58}, number={301}, pages={236--244}, doi={10.1080/01621459.1963.10500845}}
R