第三章 研究方法
3.3 集群分析
（二）相似性的衡量：
相似性愈大表示兩種觀察體之相異性愈小，因而在相似性 矩陣運算中，要將相似性數值愈大的集群先加以合併。兩觀察 體之間的相似性可用下述配合係數(matching coefficient)來衡量
m b Mij a+
= (3.7)
上式中，a 為觀察 i 與 j 共同具有的屬性數目 b 為觀察 i 與 j 共同不具有的屬性數目 m 為屬性的總數
二、集群分析運算的方法
集群分析運算的方法種類繁多，歸納較有代表性的方法，大致分 類如下[69]：
（一）非階層式(non-hierarchical)的集群分析
直接由距離或相似性矩陣開始運算，可分為下列幾種：
1.連續關鍵值法(sequential threshold)：使用本法時，事先要挑選一 個集群核心，並訂定一個關鍵值，所有與此一中心點之距離在 某一預定關鍵值內的各觀察點即形一集群；然後再選擇另一新 的集群核心，對尚未歸入集群之各觀察點則歸入第二集群，如 此依次連續進行。
2.平行關鍵值法(paralleled threshold)：此法一開始就同時將幾個集 群核心選定並訂定關鍵值，然後根據關鍵值，將各個觀察點歸 入最近的集群中心，形成各集群。同時關鍵值亦可加以調整，
以允許較多(或較少)的觀察點進入各集群中。
3.最適劃分法(optimizing partitioning)：此法是以某一效標(如平均
之群內距離為最小)為基礎，不斷嘗試各種分類，直到效標值 (eriterion measure)達到最佳值為止。
4.平均數法(K-means Method)：此法是上述方法的一種整合應用，
其步驟是將各觀察值分割為K 個集群，然後計算觀察體到各集 群重心的距離，並將各觀察體分派到距離最近的集群內。重新 計算得到新觀察體與喪失該觀察體的集群重心，再依各觀察體 到各集群重心的距離。如此反覆計算，直到各群沒有須重新分 配的觀察體為止。
（二）階層式(hierarchical)的集群分析
階層式的集群分析，其特性是每一個新的集群，都是由前 一階層所形成的集群而集結或分裂而成，因此集群分析後可形 成一個樹狀結構。
在階層式分裂法中，常見的方法為平均距離分裂法，其分 析步驟是先找出一個與其他觀察體平均距離最遠者，將此觀察 體稱為分裂群，其餘的觀察體稱之為主要群，然後計算分裂群 與主要群間、以及主要群之內各觀察體之間的距離。若主要群 之間某一觀察體與主要群其它觀察體的距離，大於此觀察體與 分裂群的距離，則將之歸入分裂群，反之則留在主要群中。
本研究分析目的在於將中港溪各測點按照其所擁有的河域遊憩潛 力特性劃分出若干個群體，使得分群後同一族群內的個體具有高度的 同質性，而組間擁有較高的異質性。本研究集群分析主要目的是屬於 探 索 性 質 ， 無 法 事 先 確 定 集 群 數 目 ， 因 而 採 用 階 層 式 集 群 方 法 (hierarchical cluster methods)。