240 Patienten, k = 3 und eine Silhouette von .41, was eine k-Means-Clusteranalyse in R über deine Gruppen sagt
Bei 240 erfundenen Patienten liefert k-Means mit k = 3 eine mittlere Silhouette von .41. Für deinen Ergebnisteil zählt weniger diese Zahl als die Begründung dahinter. Gerade in der medizinischen Doktorarbeit ist die Frage naheliegend, warum es genau drei Gruppen sind und was sie bedeuten.
Was k-Means macht und was du vorher festlegst
Die k-Means-Clusteranalyse teilt Fälle so in Gruppen ein, dass sich die Fälle innerhalb einer Gruppe möglichst ähneln. Jede Gruppe wird durch ihren Mittelpunkt beschrieben, das Zentroid. Die Zahl der Gruppen gibst du selbst vor. Das Verfahren findet also keine wahre Gruppenzahl, sondern die beste Aufteilung für die Zahl, die du wählst.
Weil der Algorithmus mit zufälligen Startpunkten beginnt, kann das Ergebnis von Lauf zu Lauf schwanken. In R legt man deshalb mehrere Starts fest, etwa mit kmeans(daten, centers = 3, nstart = 25). R behält dann die Lösung mit der kleinsten Streuung innerhalb der Cluster. Mit set.seed() legst du den Zufall fest, damit die Analyse reproduzierbar bleibt.
Eine Alternative ist die hierarchische Clusteranalyse. Sie kommt ohne vorgegebene Zahl aus und zeigt die schrittweise Zusammenfassung der Fälle in einem Dendrogramm. Bei kleineren Stichproben wird sie manchmal genutzt, um einen Startwert für k zu finden.
Warum du vor dem Rechnen standardisierst
k-Means misst Ähnlichkeit über Abstände. Variablen mit großen Zahlen bestimmen diese Abstände stärker als Variablen mit kleinen Zahlen. Liegt das Alter zwischen 40 und 85 Jahren und ein Laborwert zwischen 0.5 und 2.0, entscheidet fast nur das Alter über die Gruppen. Mit scale() bringst du alle Variablen auf einen Mittelwert von 0 und eine Standardabweichung von 1. Danach geht jede Variable mit gleichem Gewicht ein.
Ebenso wichtig ist die Auswahl der Variablen. Jede Variable, die du aufnimmst, prägt die Gruppen. Zwei hoch korrelierte Laborwerte zählen faktisch doppelt. Fehlende Werte musst du vorher behandeln, weil kmeans() keine unvollständigen Fälle verarbeitet. Was dabei vertretbar ist, beschreibt der Artikel zu fehlenden Werten und Ausreißern.
Ellbogen und Silhouette am Beispiel
Für die Wahl von k gibt es zwei verbreitete Hilfen. Der Ellbogen-Plot zeigt, wie stark die Streuung innerhalb der Cluster mit jedem weiteren Cluster sinkt. Gesucht ist die Stelle, ab der ein zusätzliches Cluster kaum noch etwas bringt. Die Silhouette misst für jeden Fall, wie gut er zu seinem Cluster passt, verglichen mit dem nächstgelegenen anderen Cluster. Sie liegt zwischen −1 und 1. Die Tabelle 1 zeigt erfundene Werte für die 240 Patienten.
k | Streuung innerhalb der Cluster (Anteil an der Gesamtstreuung) | Mittlere Silhouette |
2 | 61.20 % | .38 |
3 | 44.70 % | .41 |
4 | 38.90 % | .34 |
5 | 34.10 % | .31 |
Der Ellbogen liegt bei k = 3, weil die Streuung bis dahin deutlich sinkt und danach nur noch langsam. Auch die Silhouette ist bei drei Clustern am höchsten. Beide Kriterien zeigen in dieselbe Richtung, ersetzen die Entscheidung aber nicht. Nach der Einteilung von Kaufman und Rousseeuw spricht ein Wert zwischen .26 und .50 für eine schwache Struktur, die auch künstlich sein kann. Eine Silhouette von .41 ist also kein Beleg für klar getrennte Patientengruppen.
Welche Variablen in deine Clusteranalyse gehören und wie viele Gruppen deine Daten tragen, klären wir mit dir bei einer Auswertung in R.
Cluster beschreiben, prüfen und richtig benennen
Nach der Einteilung beschreibst du jedes Cluster über die Mittelwerte der eingegangenen Variablen, am besten in einer Tabelle. Danach folgt die Frage nach der Stabilität. Bleiben die Gruppen ähnlich, wenn du einen Teil der Fälle weglässt oder ein anderes Verfahren wählst? Wenn nicht, sind die Cluster eher ein Abbild dieser einen Stichprobe. In R lässt sich die Stabilität etwa prüfen, indem man die Analyse auf wiederholt gezogenen Teilstichproben wiederholt und vergleicht, wie oft Fälle im selben Cluster landen.
Ein Cluster ist keine Diagnose. Es beschreibt Fälle, die sich in den gewählten Variablen ähneln. Namen wie „Hochrisikogruppe“ legen mehr nahe, als die Analyse zeigt. Vorsichtiger sind beschreibende Bezeichnungen wie „Cluster mit hohen Entzündungswerten“. Ob sich die Gruppen auch im Verlauf oder im Ansprechen auf eine Behandlung unterscheiden, ist eine eigene Fragestellung mit eigener Analyse.
Mit erfundenen Werten könnte der zentrale Satz im Ergebnisteil so lauten:
Eine k-Means-Clusteranalyse der z-standardisierten Variablen Alter, CRP und eGFR (N = 240, 25 Startpunkte) ergab drei Cluster mit 92, 81 und 67 Patienten. Die mittlere Silhouette betrug .41 und sprach für eine schwache Clusterstruktur.
Wie du die Auswertung in R nachvollziehbar dokumentierst, zeigt der Artikel zur Abschlussarbeit mit Quarto. Wenn R mitten in der Analyse abbricht, helfen die häufigsten Fehlermeldungen in R weiter.
Noch offene Fragen zur Clusteranalyse
Kann ich k-Means mit kategorialen Variablen rechnen?
k-Means setzt metrische Variablen voraus, weil es mit Mittelwerten und Abständen arbeitet. Für kategoriale oder gemischte Daten gibt es andere Verfahren, etwa k-Medoids mit einem passenden Distanzmaß oder eine latente Klassenanalyse. Welche Variante passt, hängt von deinen Variablen ab.
Muss ich die Cluster anschließend mit einem Test vergleichen?
Ein Test in genau den Variablen, aus denen die Cluster gebildet wurden, sagt wenig, weil die Cluster nach diesen Unterschieden gebildet wurden. Sinnvoller ist ein Vergleich in Variablen, die nicht in die Analyse eingegangen sind. Diesen Vergleich solltest du vorab planen.
Lohnt sich eine Begleitung, wenn ich die Clusteranalyse schon gerechnet habe?
Oft schon, weil die heiklen Punkte in der Variablenauswahl und in der Begründung von k liegen. Der Aufwand richtet sich danach, wie viel bereits steht und was wir prüfen sollen. Wie sich die Kosten einer Auswertung zusammensetzen, erklärt der Artikel Was kostet eine statistische Auswertung.
Wie viele Patienten brauche ich für eine Clusteranalyse?
Eine feste Regel gibt es nicht. Je mehr Variablen eingehen und je kleiner die erwarteten Gruppen sind, desto mehr Fälle brauchst du. Sehr kleine Cluster mit wenigen Patienten sind schwer zu deuten und selten stabil.
Drei Cluster in deiner Doktorarbeit Wir übernehmen die Auswertung in R mit Variablenauswahl, Stabilitätsprüfung und Tabellen für den Ergebnisteil. Wenn du selbst rechnen willst, gehen wir im Statistik-Coaching gemeinsam durch, wie du k begründest und die Gruppen beschreibst.


