クラスター分析とその後の判別分析

文献で時々見られるように、k-meansのようなクラスタリングアルゴリズムの結果に対して判別分析（DA）を使用する根拠は（もしあれば）何ですか（本質的には精神障害の臨床的サブタイピングについて）。

クラス間の（クラス内の）慣性の最大化（または最小化）をサポートするため、クラスターの構築中に使用された変数のグループの違いをテストすることは一般に推奨されません。したがって、より低い次元の階乗空間に個人を埋め込み、そのようなパーティションの「一般化可能性」のアイデアを得ようとしない限り、私は予測的DAの付加価値を完全に理解することはできません。ただし、この場合でも、クラスター分析は基本的に探索ツールであるため、この方法で計算されたクラスメンバーシップを使用してスコアリングルールをさらに導出することは、一見奇妙に思えます。

推奨事項、アイデア、または関連論文へのポインタはありますか？

これに関する論文は知りません。説明の目的で、このアプローチを使用しました。DFAは、元の変数に関するグループの違いと次元数を要約する優れた方法を提供します。元の変数のグループのプロファイルを作成する方が簡単な場合もありますが、これにより、クラスタリング問題の本質的に多変量の性質が失われます。DFAを使用すると、問題の多変量特性をそのまま維持しながら、グループを説明できます。したがって、それは目標であるクラスターの解釈に役立ちます。これは、クラスター化の方法と分類方法（DFAやウォードの方法など）の間に密接な関係がある場合に特に理想的です。

あなたはテストの問題について正しいです。Cluster Analysis with DFAフォローアップを使用して、クラスタリングソリューションを説明する論文を公開しました。テスト統計なしのDFA結果を提示しました。レビュアーが問題に取り掛かりました。私は認め、テスト統計とp値をそこに入れましたが、これらのp値は従来の方法で解釈されるべきではないという免責事項があります。