Osservatorio sulla cooperazione agricola italiana - Fedagri ...
Osservatorio sulla cooperazione agricola italiana - Fedagri ...
Osservatorio sulla cooperazione agricola italiana - Fedagri ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
I gruppi (cluster), definiti tramite algoritmi iterativi, accomunano le unità con caratteristiche<br />
simili <strong>sulla</strong> base di una misura di diversità attraverso cui confrontare gli<br />
elementi da classificare 103 .<br />
Nel presente lavoro si è utilizzata una procedura di classificazione di tipo gerarchico<br />
agglomerativo 104 , aggregando passo passo gli elementi più simili fra loro, fino alla formazione<br />
di un unico gruppo contenente tutti gli elementi di partenza. Tale processo<br />
può essere visualizzato attraverso un grafico ad albero (dendrogramma) che mette<br />
in evidenza ogni passo dell’aggregazione. La partizione finale si ottiene “tagliando”<br />
il dendrogramma laddove si ha il massimo “salto” di variabilità interna passando da<br />
un numero k a un numero k+1 di gruppi. Si presume infatti che dove si registrano le<br />
differenze maggiori, l’aggregazione comporti un cambiamento rilevante nell’omogeneità<br />
interna dei gruppi, e si può decidere di arrestare il processo di raggruppamento<br />
immediatamente prima di quel salto.<br />
La partizione risultante non soddisfa condizioni di ottimalità assoluta, ma fornisce<br />
una soluzione “ottima localmente”, legata all’insieme delle scelte compiute durante<br />
i vari passi dell’algoritmo. Il problema del numero di classi da trattenere non ha<br />
soluzione univoca, tanto meno è permesso conoscere il numero di classi realmente<br />
esistenti in popolazione, ammesso che esistano. Una classificazione non può essere<br />
vera o falsa, né probabile o improbabile, ma solo utile o inutile, e tale nozione di utilità<br />
non può che essere esterna alla matrice di dati, legata al contesto ed agli obiettivi della<br />
ricerca (Lebart, Morineau, Piron, 1995).<br />
103 La variabilità totale dell’insieme di unità statistiche è scomponibile in due parti: variabilità interna dei<br />
gruppi (intra) e variabilità esterna fra i gruppi (inter). T=B+ W, rispettivamente Between e Within. L’algoritmo<br />
per la formazione delle classi si basa <strong>sulla</strong> massimizzazione del rapporto fra variabilità esterna (fra<br />
una classe e l’altra) e variabilità totale.<br />
104 Nello specifico si è utilizzato il metodo di Ward che riunisce, ad ogni tappa del processo, i due gruppi<br />
dalla cui fusione deriva il minimo incremento possibile della varianza interna ai gruppi.<br />
190 | <strong>Osservatorio</strong> <strong>sulla</strong> Cooperazione Agricola Italiana