A clustering algorithm for ipsative variables

• Jessica Rubiano Moreno ^[1] ; Carlos Alonso Malaver ^[2] ; Samuel Nucamendi Guillén ^[3] ; Carlos Eduardo López Hernández ^[4]
  1. [1] Facultad de Ciencias Ambientales e Ingenierías, Universidad de Ciencias Aplicadas y Ambientales, Bogotá, Colombia
  2. [2] Facultad de Ciencias, Universidad Nacional de Colombia, Bogotá, Colombia
  3. [3] c Facultad de Ingeniería, Universidad Panamericana, Guadalajara, México
  4. [4] Escuela de Ciencias Económicas y Empresariales, Universidad Panamericana, Guadalajara, México

  Mostrar afiliaciones +
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 86, Nº. 211, 2019, págs. 94-101
• Idioma: inglés
• Títulos paralelos:
  • Algoritmo de clusterización para variables ipsativas
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo del estudio es presentar un nuevo método de agrupamiento para variables ipsativas. Este método se puede usar para variables nominales u ordinales para las cuales las respuestas deben ser mutuamente excluyentes, y es independiente de la distribución de datos. El método propuesto se aplica para delinear los perfiles motivacionales para los individuos con base en un conjunto de preferencias declaradas.

    Se utiliza un estudio de caso para analizar el rendimiento del algoritmo propuesto comparando los resultados del método propuesto con el método PAM. Los resultados muestran que el método propuesto genera una mejor segmentación y grupos diferenciados. Se llevó a cabo una extensión del estudio para validar el desempeño del método propuesto contra un conjunto de clústeres aleatorios mediante medidas de agrupamiento

  • English

    The aim of this study is to introduce a new clustering method for ipsative variables. This method can be used for nominal or ordinal variables for which responses must be mutually exclusive, and it is independent of data distribution. The proposed method is applied to outline motivational profiles for individuals based on a declared preferences set. A case study is used to analyze the performance of the proposed algorithm by comparing proposed method results versus the PAM method. Results show that the proposed method generates a better segmentation and differentiated groups. An extensive study was conducted to validate the performance clustering method against a set of random groups by clustering measures