聚类，顾名思义，就是将原本无规律的数据，通过比较数据之间的相似性，找出它们的联系，将差别小的数据分为一类，保证不同类别之间的差别较大。聚类研究一般是对研究的样本人群进行分析，把人群划分为不同类别，再对不同类别人群的差异进行分析。
聚类分析与因子分析
分析时很多人容易把聚类和因子分析的概念弄混，其实两者既有联系也有区别。
（1）区别：
因子分析：分为探索性因子分析和验证性因子分析，多用来分析问卷效度、浓缩信息、计算权重或者分析综合竞争力。比如将20个题浓缩为5个关键词。
聚类分析：分为样本聚类和变量聚类，通常比较常用样本聚类，比如有500个人，这500个人可以聚成几个类别。
（2）联系：
在研究中，可以先做因子分析浓缩题项信息，也就是把多个题浓缩成几个变量，得到因子得分。然后将因子得分进一步聚类分析，得到几个类别群体，可用于后续的研究。
思路框架
具体分析步骤：
1. 样本背景分析
首先对研究数据样本基本特征情况（比如性别、年龄、学历等）进行分析
2. 样本特征、行为分析
如果有涉及样本群体的特征、行为、或者态度相关项，则可单独一部分进行分析
3. 指标归类分析
如果研究量表数据并不知道分成几个维度，比如有20个量表题，应该分成几个维度并不确定，此时可使用因子分析方法进行。找出应该分成几个维度（因子），以及题项和维度的对应关系情况。
4. 信度和效度分析
接着对量表项进行信度和效度分析（备注：因子分析已经得出维度与题项对应关系，此时说明已经有效度，有时也可放弃效度分析，从内容完整性上建议放入)
5. 聚类分析
完成因子分析后，已经确认得到几个维度，可将此几个维度进行聚类，得到几种类别的群体，然后结合每类群体的特征，给每个聚类类别进行命名。（备注：一个维度由多个题项表示，想将多个题项概括成一个整体，此时需要使用SPSSAU中“生成变量”的“平均值”功能即可）
6. 聚类效果验证
严格意义上的聚类分析并非统计检验分析方法，而是一种数据描述性方法。从应用角度看，研究人员可以使用以下几种方法综合判断聚类效果。
第一，看聚类后的类别是否可以有效命名，且是否符合现实意义。
第二，判断分析方法进行判断，将软件生成的聚类类别变量作为因变量（Y），将聚类变量作为自变量（X），判别分析聚类变量与类别之间投影关系情况。
第三，文字说明聚类分析方法的详细过程及科学性。
第四，要看聚类分析后每个类别样本量是否均匀，如果聚类结果显示为三个类别，其中一个类别样本量非常少，说明聚类效果可能较差。
7. 得到聚类类别之后，接着需要对比不同类别群体的差异性；包括比如在“特征”、“行为”或者“态度”上的差异性。便于结合不同群体提供不同的建议措施等。如果是研究聚类样本的个体背景特点差异，聚类类别和样本背景题项(性别、年龄、学历等)均为分类数据，因而应该使用卡方分析进行对比差异，进一步了解不同细分类别人群在个体背景上的差异情况，便于对类别样本进行深入分析。
研究者还可以对比不同类别样本与问卷中其余题项的差异情况，如果题项为定量数据则需要使用方差分析，如果题项为分类数据则使用卡方分析，如果题项为多选题，也应该使用卡方分析
此类问卷思路的核心特点在于“分类”，即对样本人群细分。在此基础之上，才会有后面的关于不同类别人群的差异分析。
聚类分析说明
上部分已经对整体框架进行说明，这部分主要对聚类的分析步骤进行进一步说明。其他分析步骤的说明在之前的文章都有介绍，这里就不再重复。
聚类分析常见的方法有：两部聚类、K-均值聚类、系统聚类。
两步聚类可以同时处理定类数据和定量数据，并且可以系统自动寻找最有聚类类别数量。使用与数量大且结构复杂的分析。
K-均值聚类，又叫快速聚类，可以快速处理大量数据，速度快并且处理大量数据是K-均值聚类的优点，但其仅针对定量数据而不能处理分类数据，并且需要主观设定聚类类别个数，不能自动寻找最优聚类类别数量。
系统聚类，又叫分层聚类，基本思路是将多个样本各作为一类，计算样本两两之间的距离，合并距离最近的两类成新的一类，然后再计算距离，再合并，直到只有一类为止。
聚类分析步骤
第一步：数据处理
如果样本数据度量单位不统一，比如有的题项是以七级量表，而有的题项为五级题项。此时应该进行数据处理，即数据标准化处理。常见是进行Z值法标准化。
第二步：进行聚类分析
如果是按样本聚类，则使用SPSSAU的进阶方法模块中的“聚类分析”功能，其会自动识别出应该使用K-means聚类算法还是K-prototype聚类算法；如果是按变量（标题）聚类，则使用分层聚类，并且结合聚类树状图进行综合判定分析。
第三步：聚类效果验证
聚类效果不同于其它分析方法，其它分析方法可以通过P值进行检验。聚类效果需要通过研究经验，并且结合专业知识进行综合判断。良好的聚类分析结果可以有效的识别样本特征，因而聚类出的不同类别样本，应该有着完全差异性特征。
针对聚类样本的特征差异对比，通常是使用方差分析进行对比，如果聚类变量为分类数据，应该使用卡方分析进行对比。如果可以进行有效命名，则说明聚类效果较好，反之则说明聚类分析结果较差，应该返回第二步重新选择聚类类别数量，找出更优聚类结果。
第四步：聚类类别命名
完成第三步聚类效果判断后，已经确认聚类类别数量情况，以及每个类别命名情况。此步骤更为深入分析各个类别的特点，尤其针对于某类别样本在某聚类变量上的突出特点，最终对聚类类别进行命名，结束聚类分析。
更多分析方法的使用说明可到SPSSAU官网查看。
