Key points are not available for this paper at this time.
통계적 힘에 대한 전통적인 직관은 군집 분석에만 부분적으로 적용됩니다. 충분한 샘플 크기를 초과하여 참가자 수를 늘리는 것은 힘을 향상시키지 않았지만, 효과 크기는 결정적이었습니다. 특히 여기서 테스트된 인기 있는 차원 축소 및 군집 알고리즘의 경우, 상대적으로 큰 효과 크기(하위 그룹 간의 명확한 분리)에 대해서만 힘이 만족스러웠습니다. 퍼지 군집화는 다변수 정규 분포에서 더 높은 힘을 제공했습니다. 전반적으로, 연구자에게 (1) 대규모 하위 그룹 분리가 예상될 때만 군집 분석을 적용할 것을 권장하며, (2) 예상되는 하위 그룹마다 N = 20에서 N = 30의 샘플 크기를 목표로 하며, (3) 군집 분리를 개선하기 위해 다차원 스케일링을 사용하며, (4) 부분적으로 겹치는 다변수 정규 분포에 대해 더 강력하고 간결한 퍼지 군집화 또는 혼합 모델링 접근 방식을 사용할 것을 권장합니다.
Dalmaijer et al. (화,) 이 질문을 연구했습니다.