Como Fazer uma Análise de Clusters no SPSS: Guia Passo a Passo com K-Médias (2026)

A análise de clusters agrupa os seus casos — clientes, alunos, municípios, empresas — em segmentos internamente parecidos e distintos entre si. É a técnica certa quando a pergunta da tese é «que perfis existem nestes dados?» e não «esta variável prevê aquela?». Este guia leva-o do ficheiro em bruto ao parágrafo de resultados, em oito passos autónomos.

Antes de começar: a análise de clusters é exploratória

Duas verdades desconfortáveis que é melhor conhecer antes de gastar duas semanas nisto.

Primeira: a análise de clusters devolve sempre grupos. Se pedir três clusters, recebe três clusters, existam ou não estruturas reais nos dados. O algoritmo não tem forma de lhe dizer «não há aqui segmentos nenhuns». A responsabilidade de decidir se a solução faz sentido é inteiramente sua.

Segunda: não é um teste de hipóteses. Não há valor de p que confirme a solução. O que substitui a significância estatística é a combinação de três coisas: interpretabilidade, estabilidade e validação com variáveis externas. Os três passos finais deste guia tratam exactamente disso.

Se a sua pergunta de investigação for confirmatória — testar uma diferença, uma associação, um efeito — a análise de clusters não é a técnica adequada e o guia de decisão sobre qual teste estatístico usar aponta-lhe a certa.

Passo 1 — Escolher as variáveis de agrupamento

Selecione as variáveis que definem os grupos. Regras práticas:

• Poucas e conceptualmente coerentes. Cinco a dez variáveis costuma ser o intervalo funcional. Muitas variáveis diluem as distâncias e tornam os grupos indistinguíveis — é o efeito da dimensionalidade.
• Todas ligadas à mesma dimensão teórica. Se está a segmentar consumidores por atitudes, use variáveis de atitude. Não misture atitudes com dados sociodemográficos: estes últimos ficam de fora, para descrever os clusters no Passo 8.
• Evite variáveis fortemente correlacionadas entre si. Duas variáveis que medem quase o mesmo pesam a dobrar na distância. Se tiver muitos itens correlacionados, considere reduzi-los primeiro por análise factorial e agrupar sobre os factores.
• Preferencialmente contínuas ou intervalares para o k-médias, que trabalha com médias e distâncias euclidianas. Com variáveis categóricas, salte para o TwoStep (Passo 4).

Passo 2 — Limpar e padronizar

Este passo decide o resultado mais do que qualquer outro, e é o mais esquecido.

O k-médias mede distâncias. Uma variável em euros (0 a 50 000) e outra numa escala de Likert (1 a 5) não competem em pé de igualdade: a primeira domina completamente a solução. Padronize sempre, a não ser que todas as variáveis já estejam na mesma métrica e queira preservar as diferenças de dispersão.

1. No SPSS: Analisar > Estatísticas Descritivas > Descritivas (Analyze > Descriptive Statistics > Descriptives).
2. Passe as variáveis de agrupamento para a caixa e marque «Guardar valores padronizados como variáveis».
3. O SPSS cria novas colunas com o prefixo Z. São estas que vai usar no agrupamento.

Antes disso, trate os valores atípicos: o k-médias é sensível a outliers, porque um caso extremo pode capturar um centróide inteiro para si e produzir um cluster de uma pessoa. E resolva os dados em falta — o procedimento elimina casos com omissos nas variáveis de agrupamento, e uma eliminação silenciosa de 30 % da amostra é o tipo de coisa que aparece na defesa.

Passo 3 — Decidir quantos grupos com um dendrograma

O k-médias exige que indique o número de clusters antes de correr. Para não o escolher às cegas, corra primeiro um agrupamento hierárquico e leia o dendrograma.

1. Analisar > Classificar > Agrupamento Hierárquico (Analyze > Classify > Hierarchical Cluster).
2. Coloque as variáveis Z em Variáveis e confirme que o agrupamento é por Casos.
3. Em Método: escolha Ward como método de agregação e distância euclidiana quadrática como medida. É a combinação convencional e a que produz grupos de dimensão mais equilibrada.
4. Em Gráficos: marque Dendrograma.

No dendrograma, procure o maior salto vertical entre fusões consecutivas e corte imediatamente abaixo dele: o número de ramos que a linha atravessa é a sua sugestão de k. Consulte também o agglomeration schedule, onde o mesmo salto aparece como um aumento abrupto na coluna dos coeficientes.

Com amostras acima de umas centenas de casos o dendrograma torna-se ilegível. Nesse caso corra o hierárquico sobre uma subamostra aleatória de 200 a 300 casos apenas para estimar k, e depois aplique o k-médias a toda a amostra.

Passo 4 — Alternativa: deixar o TwoStep escolher por si

Se tem variáveis categóricas misturadas com contínuas, ou se prefere um critério automático, use o procedimento Analisar > Classificar > Agrupamento em Duas Etapas (TwoStep Cluster).

• Aceita variáveis categóricas e contínuas em simultâneo, o que nem o k-médias nem o hierárquico clássico fazem bem.
• Determina automaticamente o número de clusters por um critério de informação (BIC ou AIC), embora possa fixá-lo manualmente.
• Devolve uma medida de qualidade do agrupamento baseada na silhueta, apresentada numa barra que vai de fraca a boa. É o indicador mais próximo de uma métrica objectiva que o SPSS lhe dá.

Uma estratégia defensável na tese: correr TwoStep e k-médias, verificar que sugerem o mesmo número de grupos e reportar essa convergência como argumento de robustez.

Passo 5 — Correr o k-médias

1. Analisar > Classificar > Agrupamento K-Médias (Analyze > Classify > K-Means Cluster).
2. Passe as variáveis Z para Variáveis. Se tiver um identificador dos casos, coloque-o em Rotular casos por.
3. Em Número de clusters, escreva o k que o Passo 3 sugeriu.
4. Em Iterar: o SPSS usa por defeito um máximo de 10 iterações e um critério de convergência de 0. Com amostras grandes, suba o máximo de iterações — se o algoritmo parar por ter atingido o limite em vez de por ter convergido, a solução não é final.
5. Em Guardar: marque Pertença ao cluster e Distância ao centro do cluster. A primeira cria a variável que vai usar em todas as análises seguintes; a segunda permite identificar casos mal classificados.
6. Em Opções: peça os centros iniciais dos clusters e a tabela ANOVA.

Passo 6 — Ler o output sem cair na armadilha da ANOVA

Três tabelas interessam.

Centros finais dos clusters. É a tabela mais importante do output. Cada coluna é um cluster, cada linha uma variável, e o valor é a média padronizada. Como está em unidades de desvio-padrão, lê-se directamente: um valor de +1,2 significa que aquele grupo está 1,2 desvios acima da média geral nessa variável. São estes contrastes que dão nome aos grupos.

Número de casos em cada cluster. Verifique o equilíbrio. Um cluster com 4 casos em 300 não é um segmento — é um conjunto de outliers que escapou ao Passo 2. Volte atrás e trate-os.

Tabela ANOVA — e aqui está a armadilha. O SPSS imprime uma ANOVA com valores de F e de significância por variável, e imprime também, por baixo, um aviso que quase toda a gente ignora: estes testes servem apenas para fins descritivos, porque os clusters foram construídos precisamente para maximizar as diferenças entre grupos. Os níveis de significância não estão corrigidos para esse facto e não podem ser interpretados como testes da hipótese de igualdade das médias.

Traduzindo para a sua tese: nunca escreva «os clusters diferem significativamente (p < 0,001)» com base nesta tabela. É circular. Use os F apenas para ordenar as variáveis por poder discriminante — as de F mais alto são as que mais contribuem para separar os grupos.

Passo 7 — Verificar a estabilidade da solução

O k-médias depende dos centros iniciais e da ordem dos casos no ficheiro. Uma solução que muda quando estas coisas mudam não é reportável. Três verificações, por ordem crescente de exigência:

1. Reordene o ficheiro (por exemplo, ordenando por uma variável qualquer ou por um número aleatório) e volte a correr. As dimensões dos clusters e o padrão dos centros devem manter-se.
2. Divida a amostra ao meio aleatoriamente, corra o k-médias em cada metade e compare os perfis. Se as duas metades produzem os mesmos tipos de grupo, a solução é robusta.
3. Compare com o outro método. Cruze a pertença obtida por k-médias com a obtida por agrupamento hierárquico ou TwoStep numa tabela de contingência. Uma concordância elevada é um argumento forte.

Corra também soluções com k−1 e k+1 e compare a interpretabilidade. Se a solução com quatro grupos apenas parte um grupo em dois quase iguais, três é a resposta.

Passo 8 — Caracterizar e nomear os grupos

Aqui a análise deixa de ser mecânica. Use as variáveis que não entraram no agrupamento — idade, sexo, escolaridade, rendimento, comportamento observado — para descrever quem está em cada cluster:

• Para variáveis categóricas: Analisar > Estatísticas Descritivas > Tabelas Cruzadas, com o qui-quadrado. Aqui a inferência é legítima, porque estas variáveis não participaram na formação dos grupos. O procedimento está descrito no guia sobre o teste do qui-quadrado no SPSS.
• Para variáveis contínuas: ANOVA com comparações múltiplas entre clusters, pelas mesmas razões.

Depois dê um nome a cada grupo. Não «Cluster 1», «Cluster 2», «Cluster 3», mas rótulos que resumam o perfil: «Utilizadores intensivos e céticos», «Pragmáticos ocasionais», «Não adoptantes». Um bom nome é a prova de que a solução é interpretável — e se não conseguir nomear um grupo, provavelmente ele não existe.

Como escrever isto no capítulo de resultados

Uma sequência que funciona, em quatro parágrafos:

1. Método. Que variáveis, padronizadas como, que procedimento, como foi determinado o k. «As oito variáveis atitudinais foram padronizadas em pontuações Z. Um agrupamento hierárquico prévio (método de Ward, distância euclidiana quadrática) sugeriu uma solução de três grupos, subsequentemente estimada por k-médias.»
2. Tabela de centros finais, em valores padronizados, com o número de casos por cluster e a percentagem da amostra.
3. Estabilidade. Uma frase com as verificações que fez e o resultado.
4. Perfil. Uma tabela cruzando os clusters com as variáveis externas e um parágrafo por grupo, com o respectivo nome.

Nas limitações, assuma o que é intrínseco à técnica: a solução é exploratória, depende das variáveis escolhidas e não é generalizável para lá da amostra — sobretudo se esta foi obtida por amostragem por conveniência. Assumi-lo antecipa a pergunta em vez de a atrair.

Perguntas frequentes

Quantos casos preciso para fazer uma análise de clusters?

Não existe uma fórmula equivalente ao cálculo de potência dos testes inferenciais, porque não há hipótese a testar. A orientação prática é garantir que cada grupo esperado fica com casos suficientes para ser descrito com segurança — na ordem das poucas dezenas — o que, com três a cinco grupos, coloca o mínimo confortável acima da centena de casos.

Posso usar variáveis de Likert no k-médias?

É prática corrente, sobretudo quando se agrupam vários itens ou escalas somadas, e é aceite na literatura aplicada de gestão e psicologia. Sendo estritamente ordinais, a média que o algoritmo calcula é uma aproximação; se isso o preocupar, use o TwoStep tratando-as como categóricas, ou some os itens numa escala com mais níveis antes de agrupar.

Qual é a diferença entre análise de clusters e análise factorial?

A análise factorial agrupa variáveis que se comportam de forma parecida; a análise de clusters agrupa casos. São complementares e usam-se frequentemente em sequência: primeiro reduzem-se vinte itens a quatro factores, depois agrupam-se os inquiridos com base nas pontuações desses factores.

Porque é que obtenho grupos diferentes de cada vez que corro?

Porque o k-médias parte de centros iniciais que dependem da ordem dos casos no ficheiro. Pequenas variações são normais; variações grandes indicam que não existe estrutura estável nos dados e que a solução não deve ser reportada. É exactamente isso que o Passo 7 diagnostica.

Devo usar a distância euclidiana ou outra medida?

O k-médias no SPSS trabalha com distância euclidiana e não é configurável nesse ponto. No agrupamento hierárquico pode escolher; a distância euclidiana quadrática combinada com o método de Ward é a opção convencional para variáveis contínuas padronizadas, e é a que deve reportar salvo razão em contrário.

Posso fazer análise de clusters no jamovi ou no R?

Sim. O R tem kmeans() na instalação base e pacotes dedicados que calculam índices de validação e a silhueta, o que o SPSS não oferece para o k-médias. O jamovi cobre o essencial através de módulos adicionais. A comparação entre ambientes está no artigo sobre jamovi, JASP e SPSS.

Como justifico o número de clusters ao júri?

Com três argumentos encadeados, não com um. Primeiro o critério empírico — o salto no dendrograma ou o critério de informação do TwoStep. Depois a estabilidade — a solução reproduz-se em subamostras e com outro método. Por fim a interpretabilidade — cada grupo tem um perfil distinto e nomeável, e as soluções vizinhas não acrescentam informação. Um só destes argumentos é frágil; os três juntos, não.

Posso usar a variável de cluster como preditor noutra análise?

Pode, e é comum: a pertença ao cluster entra como variável categórica numa ANOVA ou numa regressão. Lembre-se apenas de que é uma variável derivada dos próprios dados, não medida, e que qualquer associação com as variáveis usadas no agrupamento é circular. Só as relações com variáveis externas são informativas.

O que faço se um cluster ficar com muito poucos casos?

Investigue-o antes de reduzir k. Às vezes é um grupo pequeno mas real e teoricamente relevante; muitas vezes são outliers que deviam ter sido tratados no Passo 2. Verifique a distância ao centro desses casos, decida com justificação e documente a decisão no texto.

Escreva o capítulo de resultados com a solução já defendida

A análise de clusters é fácil de correr e difícil de justificar. O que separa um capítulo aprovado de um capítulo contestado é a sequência: variáveis fundamentadas, padronização declarada, k triangulado, estabilidade verificada e grupos nomeados. O Tesify ajuda-o a organizar esta sequência, a redigir a descrição do procedimento e a converter a tabela de centros finais em perfis escritos. Comece gratuitamente.