Seminar 5 – octombrie 2022

Analiza de tip Cluster1

Prof. coordonator: Prof.univ.dr. Cristina Boboc

Fie o baza de date cu informatii privind caracteristicile mai multor specii de flori. Sa se realizeze o
grupare a acestora in clustere omogene. Baaza de date folosita este: specii_flori.xls.

Proceduri SAS

Datele: aplicam analiza de tip cluster pe baza de date specii_flori.xls

→ deschiderea bazei de date

1
Materialul a fost pregatit cu ajutorul studentelor : Ivan Petruta si Stan Alexandru, An 3 Promortia
2019-2020
→ rularea bazei de date (Run)

→ baza de date specii_flori.xls este importata cu numele WORK.IMPORT

OBSERVATII:

Rezultatul obtinut arata ca baza de date este formata din 6 variabile si 150 de observatii .

I. Metoda Ward

Se va folosi metoda de clasificare ierarhica a lui Ward. Acaesta metoda ma va ajuta sa identific si
numarul de clustere in care este cel mai bine a se imparti observatiile.

Metoda SAS : Cluster Observations

→
DATA – WORK.IMPORT (baza de date pe care dorim sa aplicam metoda (specii_flori.xls) pe care am
rulat-o in prealabil).

ROLES- Ratio (pentru ca variabilele introduse sunt numerice).

*Ratio variables- introducem variabilele pe care vrem sa le grupam .

ADDITIONAL ROLES –Identify observations in clusters – introducem variabila dupa care vrem sa
grupam.

→
METHODS-Standardization-Ratio Variables – Standardization Method- avem 2 optiuni:

1. Range (atunci cand nu cunoastem observatiile din baza de date sau stim ca exista OUTLIER)

2. Standard deviation (atunci cand cunoastem datele si stim ca nu exista OUTLIER si repartitia
este aproximativ normala)

Dissimilarity Measure- Euclidean

Clustering- Ward minimum variance

(Explicatie: Metoda WARD introduce ca distanţă între 2 clase pierderea de inerţie interclase ce sar obţine
prin contopirea celor două clase.
 Metoda Ward – Minimizează variabilitatea din interiorul clusterului.

*Nu trebuie sa bifam nimic

→ rulam (Run)
RESULTS: CLUSTER OBSERVATIONS

Cluster History- returneaza numarul de clustere (grupe)

INTERPRETAREA REZULTATELOR:

Pentru a avea omogenitate in cadrul grupelor R-Square trebuie sa aiba o valoarea mai mare de 0.5. In
cazul nostru se observa ca sunt necesare doua grupe (number of cluster = 2) pentru a avea diferenta
semnificativa intre grupe (R-Square =0.705).
Semipartial R-Square imi arata diferenta de pierdere de inertie de la un nivel la altul de agregare (de la k
la k-1 grupe). Unde se observa o diferenta mai mare inseamna ca acolo ar fi bine sa ma opresc cu
agregarea clusterelor.

In cazul nostru Semipartial R-Square = 0.1207.

OBSERVATIE:

In sectiunea Options la PLOTS este bifat Default plots si automat este bifata Dendogram adica arborele
de clasificare, insa daca baza de date este mult prea mare arborele nu este afisat (daca sunt mai mult de
100 de observatii).
 II. Metoda K-Means Clustering

Determina care dintre variabilele incluse in analiza are cea mai mare influenta asupra grupelor si imparte
populatia intr-un numar prestabilit de clustere .

OBSERVATIE:

Pentru a realiza K-Means Clustering se recomanda ca in prealabil sa se ruleze metoda Cluster

Observations pentru a determina numarul de clustere (grupe) in care se impart variabilele .

→ →

DATA – WORK.IMPORT (baza de date pe care dorim sa aplicam metoda (specii_flori.xls) pe care am
rulat-o in prealabil).
ROLES – Variables to use in clustering- adaugam variabilele folosite in analiza .

METHODS – Standardization – RANGE (default)

Clustering - Maximum number of clusters ( numarul de grupe (clustere ) in care se impart variabilele,
in cazul nostru atunci cand am aplicat Cluster Observations am observant ca exista omogenitate in cazul
grupelor de la 2 clustere in sus deci numarul maxim de clustere este 2 ).

Maximum number of iterations (numarul maxim de iteratii, in general sunt suficiente 10 iteratii ).
OUTPUT DATA SETS – Create cluster assignment data set (creem un nou set de data numit
work.Fastclus_scores)

→ rulam (Run)

INTERPRETAREA REZULTATELOR

Results: K-Means Clustering

Cluster Summary – impartirea in clustere a variabilelor.

Statistics for Variables- arata care variabile influenteaza cel mai mult gruparea in clustere.
Din tabelul Statistics for Variables reiese faptul ca variabila care influenteaza cel mai mult gruparea pe
clustere este PETAL LENGTH, R-Square> 0.7, urmata de PETAL WIDTH, unde de asemenea R-
Square>0.7. R-Square măsoară cât de diferite sunt clusterele formate unele de altele în funcție de
variabila respectivă.

In analiza intra si SEPAL LENGTH deoarece R-Square>0,5 . (R-Square = 0.5148).

SEPAL WIDTH nu intra in analiza deoarece R-Square nu este mai mare de 0.5 .

Pentru a caracteriza cele doua clustere ne uitam in tabelul Cluster Means si analizam variabilele care au
R-Square >0.5 .

In clusterul 1 observam ca se regasesc speciile de flori care au valori mici pentru fiecare dintre variabilele
care intra in analiza (exceptand latimea sepalei care este mai mare decat in clusterul 2), iar in clusterul 2
sunt speciile care au valorile mari pentru fiecare dintre variabile (cu exceptia latimei sepalei care este mai
mica decat in clusterul 1).

Astfel putem afirma ca putem imparti speciile de flori in 2 grupe , flori mici cu petale si sepale scurte si
petale usoare si flori mari cu petale si sepale lungi si petale grele.
 Seminar 8 – noiembrie 2022
Analiza de corespondente multiple – ACM
Prof. coordonator: Prof.univ.dr. Cristina Boboc

DATELE
Se lucrează pe o bază de date preluată din European Social Survey (ESS data,
https://www.europeansocialsurvey.org/).

Fișierul este date-acm 1.sav si se gaseste in folderul MDA2020 din SAS.

Această bază de date contine 2146 de observații și 33 de variabile. Marea majoritate a

variabilelor sunt calitative.

Scopul analizei este de a observa asocierea dintre activitățile desfășurate de indivizi și

comportamentul/părerile acestora.

Pentru această analiză au fost selectate urmatoarele variabile din baza de date:
Variabile de opinie:

➔ stflife : Cat de satisfacut sunteti cu viata dvs. per total ?

➔ stfgov : Cat de satisfacut sunteti de actualul guvern al tarii ?
➔ sclmeet : Cat de des socializati cu prietenii, rudele sau colegii ?
➔ mainact : Principala activitate in ultimele 7 zile
Variabile socio-demografice:

➔ edulvla : Care este cel mai inalt nivel de educatie atins de dvs. ?
➔ maritala : Statutul marital legal
➔ regionro : Regiunea
➔ gndr : sex

ANALIZA TABELELOR DE FRECVENȚE

În primul rând vor fi determinate frecvențele variabilelor:

Rezultatele obtinute sunt:

În fiecare tabel de frecvențe trebuie să verificăm dacă există categorii cu frecvente relative de
sub 2%. În cazul în care vom avea astfel de categori va trebui să transformăm variabilele
respective, si prin gruparea categoriilor să obținem frecvente relative de peste 2%.

1. stflife : Cat de satisfacut sunteti cu viata dvs. per total ?

În cazul acestei variabile observăm că nici una din categorii nu are o frecvență de sub
2%, deci poate fi inclusă în analiză fără a o transforma.
 2. stfgov : Cat de satisfacut sunteti de actualul guvern al tarii ?

În cazul aceste variabile observăm că ultimele 2 categorii au frecvente mici de sub 2% ( 9 si

„Extremely satisfied”) . Prin cumularea ultimelor 2 categorii vom obtine o frecvență relativă de
peste 2%.
 3. sclmeet : Cat de des socializati cu prietenii, rudele sau colegii ?

În cazul acestei variabile observăm că nici una din categorii nu are o frecvență de sub 2%, deci
poate fi inclusă în analiză fără a o transforma.
 4. mainact : Principala activitate in ultimele 7 zile

În cazul aceste variabile observăm că există două categorii au frecvente mici de sub 2%:

- ”Șomer, nu caut activ loc de muncă” ce poate fi grupată cu categoria ”Șomer, în căutare
activă a unui loc de muncă”, rezultănd o categorie: ”Șomer” cu frecvență de peste 2%.
- ”Serviciu militar sau în sprijilul comunității” care poate fi inclusă în categoria ”Altele”
5. edulvla : Care este cel mai inalt nivel de educatie atins de dvs. ?

În cazul acestei variabile observăm că nici una din categorii nu are o frecvență de sub
2%, deci poate fi inclusă în analiză fără a o transforma.
 6. maritala : Statutul marital legal

În cazul aceste variabile observăm că există trei categorii au frecvente mici de sub 2%. Acestea
pot fi eliminate din analiza.
7. regionro : Regiunea

În cazul acestei variabile observăm că nici una din categorii nu are o frecvență de sub
2%, deci poate fi inclusă în analiză fără a o transforma.
8. gndr : sex

În cazul acestei variabile observăm că nici una din categorii nu are o frecvență de sub
2%, deci poate fi inclusă în analiză fără a o transforma.
TRANSFORMAREA VARIABILELOR

1. Transformarea variabilei stfgov : Cat de satisfacut sunteti de actualul guvern al tarii ?

Categoria10 va fi inclusă în categoria 9.

Pentru aceasta nouă variabilă obținem frecvente peste 2% pentru toate categoriile reluând taskul
Characterize Data:

Pentru aceasta variabilă transformată toate categoriile au o frecvență relativă de peste 2%.

2. Crearea unei noi baze de date doar cu variabilele de interes si din care eliminam
categoriile cu o frecventa relativa de sub 2%.
In acest scop vom crea un mic program in SAS astfel:

Si vom scrie programul:

Apoi Rulam programul (RUN) si obtinem noua baza de date.

Pentru aceasta nouă baza de date vom verifica daca toate variabilele sunt bine create reluând
taskul Characterize Data:

Se observă noua bază de date conține 2053 observații si pentru nici o categorie a nici unei
variabile, nu mai obținem frecvențe relative de sub 2%.
ANALIZA DE CORESPONDENȚE MULTIPLE

Pentru identificarea asocierii activității desfășurate de indivizi și comportamentului acestora se dorește

identificarea asocierii între variabilele analizate. În acest scop va fi aplicată Analiza de corespondente
multiple.

Deoarece variabila gen are doar două categorii, toate celelalte variabile înregistrând peste 4 variante de
răspuns, aceasta va fi eliminată din analiză, nefiind recomandată introducerea in analiză a unor variabile
cu diferențe foarte mari între numărul de variante de răspuns ale acestora.
Apoi rulăm analiza si obtinem rezultatele:

1. Tabelul BURT

Acest tabel poate ajuta la rafinarea concluziilor analizei. De exemplu, pot să analizez una din
liniile unui tabel de contingență astfel:

- Persoanele ce socializează în fiecare zi cu prietenii/rudele sunt și extrem de satisfăcute de

viața lor per total.
 2. Tabelul profilelor coloane

In acest tabel sunt calculate totalurile marginale pe coloane și poate ajuta la rafinarea concluziilor
analizei.

3. Inerția ajustată Benzecri

Se observă că primele două componente principale explică 71% din inerția totală a norului de
puncte. Dacă analizăm și schimbarea pantei de descreștere a acesteia, observăm că aceasta se
schimbă pentru trei componente. Deci, pot fi păstrate trei componente principale pentru o mai
bună explicare a inerției norului de puncte.
 4. Contribuția parțială a categoriilor la primele trei dimensiuni și calitatea
reprezentării pe aceste componente

Deci interpretarea categoriilor variabilelor analizate și asocierii dintre acestea se va face doar
pentru cele reprezentate bine în proiecție pe primele trei dimensiuni, si anume:

- Persoanele foarte puțin satisfăcute de guvernul actual

- Cei ce socializează zilnic
- Cei ce socializează mai puțin de o dată pe lună
- Cei ce nu socializează niciodată
- Cei ce socializează de câteva ori pe săptămână
- Pensionarii
- Persoanele aflate încă în educație
- Cei ce desfășoară o muncă plătită
 - Cei ce au mai puțin decât studii gimnaziale
- Ce ce au educație universitară
- Cei căsătoriți
- Cei ce nu au fost niciodată căsătoriți
- Văduvi
- Persoanele din zona București Ilfov
- Persoanele din zona Centrului țării

5. Reprezentarea grafică a proiecției categoriilor variabilelor observate pe primele trei

dimensiuni

In Cadranul 1 se observă că pensionarii sunt extrem de nesatisfăcuți cu viața lor per total.
În cadranul 2 se observă că persoanele aflate în educație socializează în fiecare zi. De asemenea
cei ce socializează de câteva ori pe săptămână sunt extrem de satisfăcuți cu viața lor per total.
În cadranul 3 se observă că cei ce au studii universitare desfășoară și o muncă plătită.
În cadranul 4 persoanele căsătorite socializează o data pe lună.
 Seminar 9 – noiembrie 2022
Analiza discriminantă1
Prof. coordonator: Prof.univ.dr. Cristina Boboc

Fie o baza de date cu informatii privind stilul de viață Date_seminar_8.sav contine informații privind 62
de variabile pentru 271 de observatii.

Identificați cine contribuie la starea de bine a respondenților din timpul săptămânii ?

Variabila care se dorește a fi previzionată este variabila binară:

Do you feel refreshed weekdays? Cu variantele de raspuns Yes(1) si No(0).

Predictorii alesi a-i include în analiză din cele 62 de variabile sunt:

1. Numar de ore de somn in weekend (ore_somn_weekend)

2. Numar de ore de somn pe saptamana (ore_somn_sapt)
3. Numar de tigari (cigsgp3)
4. Varsta (varsta)
5. Alcool (alchohol)
6. Cofeina (caffeine)
7. Stres (nivel_stres)
8. Conditie fizica (fitrate)
9. Statutul marital (marital)

1. TRANSFORMAREA VARIBILELOR

În cazul variabilei ”Numărul de țigări fumate” - cigsgp3 se observă că cei ce nu fumează nu au completat
această variabilă. Pentru a putea folisi aceasta variabilă în analiză voi recodifica această variabilă astfel
incat toate valorile missing să fie înlocuite cu zero, deci sa fie specificat faptul că respondentul nu a fumat
nici o tigară. Pentru recodificare se va folosi Task-ul Recode Values.

1
Materialul a fost pregatit cu ajutorul studentelor : Ivan Petruta si Stan Alexandru, An 3 Promortia
2019-2020
 →
DATA - WORK.IMPORT (baza de date pentru care dorim sa aplicam care metoda)
Variable to recode - alegem varibila pentru care vrem sa modificam valuarea
Recoded variable name - alegem numele noii variabile
Creem un nou set de date pe care le denumim work.newtable

In sectiunea VALUES punem la Old value 1 si la New value 0 mai apoi modificam in
CODE(edit).
Si rulam noul program scris.
Vom observa crearea unei noi baze de date care contine toate cele 62 de variabile plus variabila
nou creata.

2. ANALIZA DISCRIMINANTĂ

Prin urmare vom aplica metoda analizei discriminante pe noul set de date creat unde o sa
avem si variabila nou tigari_pe zi.

Dupa ce verificam tot setul de date si obtinem un rezultat optim pentru analiza discriminanta
urmatorul pas este:
DATA – WORK.NEWTABLE (baza de date nou creata)
*Group variable – refreshd (variabila de interes )
*Quantitative variables – cele 9 variabile introduse in analiza

METHODS
Classification criterion method – Parametric
Discriminant function – Linear
Canonical analysis – Plot first two canonical variates
VALIDATION
Perform cross validation – Display misclassified observations
STATISTICS
Posterior probability error-rate estimates
Simple descriptive statistics
Classification results
Selection method
– alegem metoda Stepwise selection

Rulam metoda (RUN).

3. INTERPRETAREA REZULTATELOR

Results : Discriminant Analysis

1. Variabilele care au influență semnificativă asupra stării de bine a respondenților

din timpul săptămânii (Pr >F) < 0.05

Din cele 9 variabile incluse în analiză, semnificative pentru împărțirea în cele două grupe doar 4
au o valoarea p-value sub 0,05. Deci, doar nivelul stresului din ultima luna, statutul marital,
numărul de ore de somn pe noapte din timpul săptămânii și numărul de ore de somn pe noapte din
weekend sunt semnificative pentru clasificare.

2. Câți indivizi sunt bine identificati ?

1-0.3359 = 0.6641 => 66.41% sunt bine clasificati per total.

Din cei ce se simt bine în timpul săptămânii 42% sunt bine identificati iar dintre cei ce nu se simt
bine în timpul săptămânii 81.48% sunt bine identificați. Deci variabilele exmplicative contribuie
mai bine la identificarea celor ce nu se simt bine în timpul săptămânii.
Cei ce nu se simt bine în timpul săptămânii, au un nivel de stress mai ridicat, dorm mai mult in
weekend si mai putin in timpul săptămânii si sunt necasatoriti.

Daca nu as fi aplicat analiza discriminantă, procentul celor ce nu se simt bine în timpul săptămânii
este de 61.8%, deci daca i-as considera pe toti ca nu sunt bine, atunci as gasi acest procent de
61,8% corect. În cazul în care folosesc Analiza discriminantă voi identifica corect 66.41%, în una
din cele două categorii, reușind să identific corect si 42% dintre cei ce se simt bine. Totuși modelul
nu este performant.
Din analiza proiectiei observatiilor pe planul determinat de primele două axe discriminante se
observă că cele două grupe de indivizi nu sunt foarte bine separate, ceea ce mă conduce la aceeași
idee că modelul nu este performant. Pentru obținerea unui model mai bun, ar trebui să alegem noi
variabile în analiză care să ne aducă informații suplimentare.
 Seminar 7 – noiembrie 2022
Analiza în Componente Principale și Analiza de Tip Cluster1
Prof. coordonator: Prof.univ.dr. Cristina Boboc

DATELE
Se lucrează pe o bază de date referitoare la caracteristicile mai multor marci de tutoturisme.

Fișierul este CARS.xlsx si se gaseste in folderul MDA2020 din SAS.

Această bază de date contine 428 de observații și 15 variabile. Cele 15 variabile sunt referitoare la
modelul autoturismului și caracteristicile tehnice ale acestora. Deoarece datele au unități de măsură
diferite, ale sunt standardizate inainte de a fi incluse in analiză.

1
Materialul a fost pregatit cu ajutorul studentelor : Bundă Andreea-Nicoleta, Minoiu Maria-Magdalena,
An 3 Promortia 2019-2020
 Dorim sa vizualizam relatiile intre variabilele precizate mai sus si eventuala existenta a unor grupuri
de variabile, drept pentru care vom aplica analiza in componente principale, construind variabile
artificiale.

STANDARDIZAREA DATELOR
Primul pas este standardizarea datelor, deoarece nu avem aceeași scală de măsurare (unitate de
măsură):
În SAS se găsește la Task and Utilities -> Data -> Standardize Data

La DATA vom adăuga toate variabilele, apoi la OPTIONS vom alege ca metodă de standardizare „Range’’.

Datele standardizate vor fi salvate intr-o nouă bază de date: work.Stdize.

ANALIZA ÎN COMPONENTE PRINCIPALE (ACP)
După ce am standardizat datele și avem aceeași unitate de măsură, aplicăm ACP (Analiza în Componente
Principale):

Task and Utilities -> Multivariate Analysis -> Principal Component Analysis

La DATA introducem toate variabilele .

La OPTIONS vom selecta Default and additional plots și vom bifa toate căsuțele de mai jos, apoi la
Options (din josul imaginii) vom pune Model la ID variablesfor score plots
Tabelul de corelații

Pentru a decide dacă prin Analiza în Componente Principale vom obtine rezultate bune, va fi analizat în
primul rand tabelul corelațiilor.

În ce caz este indicat să folosim ACP? Vom obține niște componente semnificative? (Correlation Matrix)

Dacă există coeficienți mari sau medii (corelații semnificative), se recomandă a fi folosită APC pentru
reducerea dimensiunii spațiului date si pentru vizualizarea datelor.
Din analiza tabelului de corelatie intre variabilele analizate, observam ca exista variabile puternic
corelate pozitiv, de exemplu variabilele INVOICE și MSRP (0,99) , dar si variabile puternic corelate
negativ, de exemplu MPG_City cu Engine Size (-0,7179) sau variabile slab corelate sau chiar necorelate
intre ele, ca de exemplu MSRP cu Wheelbase (0,1517).

In concluzie putem afirma ca ACP este utila in interpretarea legaturilor dintre variabilele analizate.

Variatia explicata de model

Pentru a decide câte componente principale este indicat a fi păstrate se păstrează ne vom uita în
matricea cu valori proprii ( Eigenvalues of the Correlation Matrix)

Valorile proprii

1. Măsoară cantitatea de varianţă

„explicată” de fiecare componentă
principală.
2. Descresc odată cu indexul
componentei, prima componenta
principală având valoarea proprie
maximă.
Valorile propii trebuie să fie > 1. Astfel, din tabel reiese ca ar trebui
să împărțim în 2 componente. Prima valoare din tabel ( 8,35) 3. Au suma egală cu p (numărul
explică 8 variabile și ceva (practic 8 variabile le înlocuiesc cu una=> variabilelor iniţiale).
o reducere a dimensiunii spațiului foarte mare). Cea de a 2-a 4. Exprimă „importanţa”
valoare (0,99 aproximativ 1) va inlocui o variabilă din analiză. componentelor principale

Vom pastra în analiză primele două componente principale.

De asemenea, ne vom uita cât la sută din variabilitate este explicată de componentele selectate.
(Proportion). Proporția se calculează lambda 1 (prima valoare proprie) împărțită la numărul de valorilor
proprii. (În cazul nostru, împărțim 8,35 la 10), deci 83,5% din variabilitate este păstrată prin proiecție pe
prima axă principală.

83,5%: 80% deci poate fi păstrată si doar o componentă principală. (Conform teoriei „Dacă primele k
componente principale preiau 80% sau mai mult din varianţa datelor iniţiale, atunci scopul reducerii
dimensionalităţii va fi atins.’’).

Prin proiecție pe planul determinat de primele două axe principale este explicată 93,57% din
variabilitatea totală.

O altă metodă prin care putem afla în câte componente vom împărți este să ne uităm la Scree Plot.
 Conform Scree plot-ului, vom păstra primele 2
componente deoarece panta se schimbă la valoarea 2.

Concluzie: În continuare bentru o mai bună reprezentare a datelor vom păstra primele 2 componente
principale.

Interpretarea componentelor principale

De cine e determinată prima componentă? Unde ne uităm ca să interpretăm factorii?

Ne vom uita în tabelul Eigenvectors.

Primul factor de cine este determinat?

Ne uităm pe coloana PRIN 1 la valorile mai mari ( pozitive și negative)

Pozitive:

Engine Size =0,329

Cylinders =0,333  Aceste 6 variabile determină prima componentă în sens pozitiv.

Weight =0,334

Horsepower =0,336

Wheelbase = 0,327

Length = 0,332

• Prima componentă este determintă de variabilele care țin de caracteristicile mașinii (cilindri,
mărimea motorului, greutatea, caii putere) în sens pozitiv.

PRIN 2 de cine este determinată?

Ne uităm pe cea de a 2-a coloană la valorile mai mari ( pozitive și negative)

Pozitive:

MGP_City = 0,611
 A doua componentă este determinată în sens pozitiv de variabilele
MGP_Highway = 0,532 referitoare la consum.

Negativ:
 A doua componentă este determinată în sens negativ de variabilele
MSRP = -0,338
referitoare la preț.
Invoice = -0,342 

• A doua componentă este determinată de variabilele referitoare la preț (MSRP și Invoice) în sens
negativ și de variabilele care țin de consumul mașinii (MGP_City si MGP_Highway) în sens negativ.
Reprezentare grafică

Pentru a vedea cum sunt reprezentate grafic cele 10 variabile și legăturile dintre acestea (identificarea
de grupuri de variabile) ne vom uita pe graficul Component Pattern.

Ce putem spune în privința corelației dintre variabile? Cine cu cine se corelează și cum este?

Consumurile (MGP_City și MGP_Highway) sunt corelate între ele în sens pozitiv..

Invoice și MSRP sunt corelate între ele în sens pozitiv.

Reprezentarea grafică a indivizilor

Vom schimba nivelul de predicție din 95% în 99% pentru a avea o mai mare claritate.

Ne întoarcem în Sas Studio și apasăm pe fereastra OPTIONS, schimbăm nivelul de predicție, apoi dăm
din nou RUN și ne uităm la noul grafic.
(Putem oberva mai jos că schimbând nivelul de predicție, s-a mărit si cercul elipsei => numărul de
outlieri s-a micșorat)

După cum se poate observa în graficele anterioare, valorile din afara elipsei (Insight 2dr, Prius 4dr, Civic
Hybrid 4dr) au valori mari ale MPG deci vor avea valori foarte mici ale consumului.

De asemenea, în direcția opusă se află 911 GT2 2dr, SL55 AMG 2dr care au valori foarte mici ale MPG
deci au consumul foarte ridicat dar au și valori ale variabilelor de performantă a masinii foarte mari. Deci
sunt mașini foarte puternice cu consum foarte mare de carburant.
 REPREZENTAREA GRAFICA A REZULTATELOR OBTINUTE DIN ANALIZA ÎN
COMPONENTE PRINCIPALE SI ANALIZA CLUSTER

Dacă dorim să reprezentăm graphic proiecția indivizilor pe planurile principale marcând și clusterul din
care fiecare observație face parte), clusteri obtinuți prin analiza cluster (vezi seminarul 6 pentru
clusterizarea observatiilor), vor aplica incă odata ACP astfel.

Task and Utilities- > Multivariate Analysis -> Principal Component Analysis

DATA: La DATA vom pune WORK.FASTCLUS_SCORES (obținut la K-Means Clustering) și introducem toate
variabilele până la Length inclusiv.

OPTIONS: Selectăm Default additional plots și bifăm toate căsuțele.

Apoi în partea dreaptă apăsăm pe EDIT.

Se va deschide o nouă fereastră unde vom tasta : id cluster; ( după Length; apăsam tasta ENTER și apoi

tastăm id cluster;) și apoi apăsăm pe butonul de RUN.

Și observăm la Component Scores 95% Prediction Ellipse că cei mai mulți outlieri sunt din grupa/
clusterul 3.
--