ANOVA Factor Analysis Cluster Analysis
Method Dependence method → causal relationship. Interdependence method →find underlying Interdependence method → group rows,
construct. based on predefined characteristics.
Treatment variables: Nominal scale
Outcome: Metric scale Variables: should be (treatable as) metric Method can deal with all types of data.
Sample size ≥20 per cell/subgroup ≥5 per variable in the dataset (preferably 10) No strict rules, but check for outliers!
Extra Covariates (max 3) can be metric. Exploratory factor analysis: data → theory Order of magnitude should be similar for
variables, measured in comparable units.
Assumptions 1. Observations independent → each Multicollinearity is absolutely required! No ‘hard’ statistical assumptions.
observation only one combination of
treatment variables (between-subjects Method 1: Visual inspection of the correlation 1. Is the sample representative for the
design). matrix → sufficient number of high (>0.3) whole set of customers?
correlations?
2. Homoscedasticity → Levene’s Test of 2. Collinearity → not that big of an issue.
Equality of Error Variances (α > 0.05). Method 2: Bartlett’s Test of Sphericity →
reject H0 that all correlations are equal to 0 (α But keeping both variables in the analysis
3. Normality of dependent variable → Test < 0.05). implicitly place more weight on these
of Normality (α > 0.05). variables
Method 3: Measure of Sampling Adequacy
(MSA) → rule of thumb: MSA-value <0.5 is
unacceptable.
If homoscedasticity is rejected: Common variance: variance that variables Deriving the clusters:
share/have in common.
1. Check sample size → similar across Specific variance: aspect that doesn’t come Hierarchical approach:
treatment groups, don’t worry. back in other variables. • Agglomerative → starting with all objects
Error variance: errors that could cause in separate clusters, then subsequently
2. Take logarithm of dependent variable and variation in the data. adding them together until every object is
redo analysis → if it solves the problem, don’t in the same group.
worry. Option 1: Common Factor Analysis (CFA) →
how many and which groups of variables exist • Divisive → starting with one cluster, then
3. Adjust cut-off for significance: in the data (summarize data). split up until every object is a separate
• Variance in larger subsample higher → cluster.
use lower cut-off; α=0.03 or α=0.01. Option 2: Principal Component Analysis (PCA)
• Variance in larger subsample lower → → representing as much information as Non-hierarchical approach:
use higher cut-off; α=0.10. possible by a minimum number of factors • K-means → start off with a fixed number
(data reduction). of clusters.
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper marketingmanagement01. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €2,99. Je zit daarna nergens aan vast.
