Analiza skupień, a następnie Analiza dyskryminacyjna

Jakie jest uzasadnienie, jeśli w ogóle, zastosowania analizy dyskryminacyjnej (DA) w odniesieniu do wyników algorytmu grupowania, takiego jak k-średnie, co widzę od czasu do czasu w literaturze (zasadniczo na temat klinicznego podtypu zaburzeń psychicznych)?

Zasadniczo nie zaleca się testowania różnic grupowych w zmiennych, które zostały użyte podczas budowy klastra, ponieważ obsługują one maksymalizację (lub minimalizację) bezwładności między klasami (lub wewnątrz klasy). Nie jestem więc pewien, czy w pełni docenię wartość dodaną predykcyjnego DA, chyba że staramy się osadzić jednostki w przestrzeni czynnikowej niższego wymiaru i uzyskać pojęcie o „uogólnianiu” takiej partycji. Ale nawet w tym przypadku analiza skupień pozostaje zasadniczo narzędziem eksploracyjnym, więc użycie członkostwa w klasie obliczonego w ten sposób w celu dalszego uzyskania reguły punktacji wydaje się dziwne na pierwszy rzut oka.

Jakieś rekomendacje, pomysły lub wskazówki do odpowiednich dokumentów?

Nie znam żadnych dokumentów na ten temat. Zastosowałem to podejście do celów opisowych. DFA stanowi dobry sposób na podsumowanie różnic w grupach i wymiarów względem oryginalnych zmiennych. Łatwiej można po prostu profilować grupy na oryginalnych zmiennych, jednak traci to z natury wielowymiarowy charakter problemu klastrowania. DFA pozwala opisać grupy, zachowując nienaruszony wielowymiarowy charakter problemu. Może więc pomóc w interpretacji klastrów, gdzie jest to celem. Jest to szczególnie idealne, gdy istnieje ścisły związek między metodą grupowania a metodą klasyfikacji - np. DFA i metoda Warda.

Masz rację co do problemu testowania. Opublikowałem artykuł wykorzystujący analizę skupień z kontynuacją DFA, aby opisać rozwiązanie klastrowania. Przedstawiłem wyniki DFA bez statystyk testowych. Recenzent miał z tym problem. Uznałem i umieściłem tam statystyki testowe i wartości p, z zastrzeżeniem, że tych wartości p nie należy interpretować w tradycyjny sposób.