SPSS分析技術(shù)：二階聚類分析；為什么出現(xiàn)大學生“裸貸”業(yè)務，因為放貸者知道貸款者還不起

今天將介紹一種智能聚類法，二階聚類法，在開始介紹之前，先解答很多人在后臺提出的一個疑問：那就是很多分析者發(fā)現(xiàn)，對同一套數(shù)據(jù)應用不同的聚類分析方法，其結(jié)果經(jīng)常是不一致的，甚至完全不一樣，到底哪個結(jié)果是“正確”的呢？

草堂君來解釋一下：聚類分析在眾多數(shù)據(jù)分析方法中，其應用范圍和作用都是非常亮眼的表現(xiàn)，但是聚類分析與其它數(shù)據(jù)分析方法之間還有一個重要的區(qū)別，就是聚類分析是一種探索性的分析方法，分析結(jié)果沒有絕對的對錯之分，只有相對的好壞區(qū)別。聚類分析的結(jié)果是否“漂亮”是由結(jié)果的“有用性”來決定的。如何判斷結(jié)果的有用性，有以下幾個主觀判斷的方向：

每個類別中個案的數(shù)量盡量接近。如果分析者聚類分析的目的不是為了發(fā)現(xiàn)異常值，那么總是希望每個類別中個案（記錄）的數(shù)量盡量接近。例如，聚類分析的結(jié)果是大量的記錄集中在一個類別里，這樣的聚類結(jié)果是完全沒有實用性的，相當于沒有聚類。

不同類別間，各個因素（變量）間的差別應該盡量的大。例如，對客戶群體進行分類，不同類別的客戶在年齡、性別、收入等因素間的距離應該盡量大?？梢杂妙悇e作為區(qū)分水平，對各個因素（變量）做單因素方差分析，通過比較F值的大小來得到各個變量在本次聚類分析中的相對重要性，F(xiàn)值越大的變量，對聚類結(jié)果的影響也越大。如果很多變量的單因素方差分析結(jié)果是沒有顯著性差異，那么聚類分析的結(jié)果很可能是不太好的。

二階聚類法

二階聚類法又稱為兩步聚類法，是一種智能聚類方法，能夠用于海量和復雜類別結(jié)構(gòu)數(shù)據(jù)的聚類分析。與前面介紹的層次聚類法和K-均值聚類法相比，二階聚類法有著它們無法比擬的算法優(yōu)勢：

能夠用于二階聚類的變量既可以是連續(xù)型變量，也可以是離散型變量。這與層次聚類和K-均值聚類有很大不同，層次聚類需要區(qū)分變量的數(shù)據(jù)類型選擇距離公式，或?qū)﹄x散型變量進行連續(xù)化處理，而K-均值聚類要求更嚴格，只能使用連續(xù)型數(shù)據(jù)，這也需要對離散型數(shù)據(jù)做連續(xù)化處理。

相比傳統(tǒng)層次聚類和K-均值聚類算法，兩步聚類法占用的計算機內(nèi)存資源更少，能夠用于海量數(shù)據(jù)的處理且運算速度較快。

二階聚類能夠根據(jù)AIC和BIC這兩個統(tǒng)計量在不同類別間的變化，自動確定最佳的聚類數(shù)目，使聚類結(jié)果更為量化。

二階聚類的聚類過程分兩步完成。第一步是預聚類，在這一步中，軟件會對記錄（個案）進行初步聚類，結(jié)果會給出分析者設置的最大分類數(shù)；第二步是正式聚類，這步將對第一步完成的初步聚類進行再聚類并確定最終的聚類方案，確定最終類別數(shù)的標準是AIC或BIC這兩個統(tǒng)計量。

預聚類過程；預聚類過程是通過構(gòu)建和修改聚類特征樹來完成的。聚類特征樹可以想象成生活中的樹枝，葉子是末端，連接葉子的是葉枝，連接葉枝的是分支，鏈接分支的是樹干和根部。聚類特征樹的葉子、葉枝和分支都帶有自己的特征條目。每一片葉子代表一個子類，有多少片葉子就有多少個子類，葉枝和分支的特征條目是用來指引記錄（個案）進入葉片（子類）的，這些特征條目包括連續(xù)變量的均值和方差以及離散型變量的頻數(shù)。每個記錄都從樹根部進入聚類特征樹，然后依照分支和葉枝的特征信息指引找到最接近的葉片（子類），如果某個記錄進入到葉片子類中，那么該葉片的聚類特征將從新計算；如果記錄最終沒有找到合適的葉片，那么該記錄就會自己成為一片葉子。當所有記錄都通過以上方式進入聚類特征樹，預聚類過程結(jié)束，葉片數(shù)量就是預聚類的聚類數(shù)量。

正式聚類過程；在正式聚類過程，將以預聚類的結(jié)果作為輸入，對其進行再聚類，直到達成使用者指定的類別。因為這個階段所需處理的類別數(shù)已經(jīng)遠小于記錄的數(shù)量，所以SPSS采用的是傳統(tǒng)的層次聚類法。在層次聚類的每個階段，SPSS都會計算每個類別的統(tǒng)計量，AIC或BIC，這兩個統(tǒng)計量的值越小，說明聚類的效果越好。二階聚類法最終會根據(jù)AIC和BIC的大小，以及類間距離來確定最優(yōu)的類別數(shù)量。

案例分析

上一篇中，我們介紹了聚類分析在客戶分級管理上的應用，舉的例子是電信運營商對客戶群體依據(jù)各種情況下的通話時長來對他們進行分類，發(fā)現(xiàn)不同類別客戶的通話特點，然后向不同的客戶類型推出不同的套餐服務，提高運營效率，獲取更高的利潤。銀行同樣是客戶非常多的企業(yè)，聚類分析在這個領域的應用很多，下面的例子將會介紹。

開始案例分析之前先說個社會熱點事件。前段時間，很多大學女生赤裸身體拿著身份證的照片在網(wǎng)絡上大范圍傳播，由此揭開了大學校園里的裸貸黑幕。很多大學女生向互聯(lián)網(wǎng)金融機構(gòu)借款，無需抵押和擔保，只需赤裸身體，拿著身份證照幾張照片就能貸款成功，這些貸款的利息非常高，很多女生逾期無法償還本金和利息，被追債人員拿著裸照威脅父母替她們還錢，甚至有的追債人威脅女生“肉償”。從下面案例的聚類分析結(jié)果可以知道，大學生本來就是違約的高風險群體，這些互聯(lián)網(wǎng)金融機構(gòu)大肆向大學生提供不需信用審核的高利息貸款的行為，與高利貸無異。

銀行有一套風險評估的模型，可以對每個客戶進行分類，為每一類客戶打上標簽。比如你去辦貸款，會先叫你提供一大堆的材料，采集到你的各種信息以后，將信息放入模型里計算，從而確定處在哪個級別，然后根據(jù)這個級別決定是否給你貸款以及貸款的額度是多少。信用卡的申辦過程也是如此。當然，之前中國的信貸業(yè)務曾經(jīng)走過一段多快好省的歲月，拉著你辦信用卡?，F(xiàn)在有一份某銀行的1500個客戶的數(shù)據(jù)資料，記錄了客戶的包括年齡、教育程度、工齡、收入等9個變量信息。如下圖所示，其中有定距變量，也有定類變量。用二階聚類的方法對這些客戶進行分類。

分析步驟

1、選擇菜單【分析】-【分類】-【兩步聚類】，在跳出的對話框中進行如下操作，將“教育水平”和“是否曾經(jīng)違約”選入分類變量，將其它定距型變量選入連續(xù)變量；在聚類準側(cè)中選擇BIC，也可以選擇AIC。 

如果只有連續(xù)變量，距離測量可以使用歐氏距離，也可以使用對數(shù)似然值，使用歐式距離和傳統(tǒng)聚類方法的距離測量沒有太大區(qū)別。如果既有離散變量又有連續(xù)變量，那么就只能使用對數(shù)似然值來表述個案間的距離了。二階聚類會自動對連續(xù)型變量進行標準化。聚類數(shù)目可以由軟件自動確定，也可以由分析者事先指定聚類數(shù)目。

2、點擊右上角的【選項】和【輸出】按鈕。在跳出的對話框中進行如下操作。選中透視表，能夠在結(jié)果中輸出結(jié)果表格，否則只能在模型查看器中查看聚類結(jié)果。選中創(chuàng)建聚類成員變量，聚類結(jié)束后，將會新生成一列類別變量，標明每個個案被歸屬的類別。

3、點解確定，輸出結(jié)果。

結(jié)果解釋

1、聚類過程表格。從后面的表格可以知道，軟件選擇的最佳聚類數(shù)是6，選擇的依據(jù)可以用聚類過程表格進行說明。

確定最佳類別數(shù)的指標是BIC值，這個數(shù)值越小代表聚類效果越好，但這不是唯一的標準。從結(jié)果可知，雖然聚類數(shù)達到設定的最大值15時，BIC值最小，但是BIC值在14類到15類的變化非常小，說明從14類再分成15類意義不大，因此還需要參考BIC變化量、BIC變化比率這兩個指標。BIC 變化列的數(shù)據(jù)反映相鄰兩個結(jié)果的BIC值之差，發(fā)現(xiàn)BIC值在聚為4類和6類以后，BIC值的下降幅度有大幅減少，所以聚為4到6類是比較合理的聚類數(shù)據(jù)。距離測量比率表示不同聚類數(shù)目的聚類分析，兩種結(jié)果的最小類間距離比值，比值越大，說明繼續(xù)分類的意義不大?？梢园l(fā)現(xiàn)，距離測量比率的最大值出現(xiàn)在4類，表示聚成4類的最小類間距離是聚成5類的最小類間距離的1.669倍，說明5類的最小類間距離太小，沒有拆分的意義。綜上所述，軟件選擇4類為最佳聚類數(shù)。

2、聚類情況；表明每個類別的聚類數(shù)和比例。

3、類別的描述統(tǒng)計結(jié)果；連續(xù)型變量的結(jié)果顯示每個類別的平均值和標準差，分類型數(shù)據(jù)顯示不同類別的頻數(shù)分布。這些都能夠幫助分析者了解分類結(jié)果的有用性。限于篇幅，這里就聚類結(jié)果做過多解釋，如果每個類別的變量特征有顯著性差異，能夠幫助分析者做制定行動措施，那么聚類結(jié)果就是有用的。

4、聚類綜合結(jié)果查看器；鼠標雙擊這兩個圖形區(qū)域，會跳出結(jié)果查看頁面，里面綜合了各種可視化的聚類結(jié)果。

5、可視化聚類結(jié)果；左圖是每個類別包含個案數(shù)和比例的餅圖；右圖是所有聚類變量在本次聚類分析過程的重要性，從結(jié)果可知，是否違約這個變量最重要；

下圖顯示的是每個類別包含個案的描述性統(tǒng)計結(jié)果。以第四個類別為例，這個類別的客戶基本上都違約了，他們在當前公司的工作時間很短，家庭收入很低，年齡較小，在當前居住地的居住年限短，負債數(shù)額不高，但負債收入比卻很高，以上客戶的特點和裸貸的大學生群體特征很相似。此外，這個類別的學歷水平分布很均勻，什么學歷的都有，說明違約與學歷之間沒有直接聯(lián)系。

總結(jié)一下

從以上結(jié)果可以看出，銀行信貸數(shù)據(jù)能夠很容易得出大學生的還貸違約概率極高，很多互聯(lián)網(wǎng)金融機構(gòu)作“裸貸”業(yè)務，與沾血的“高利貸”如出一轍。