В предыдущем параграфе обсуждается , что же кластеризовать значения или переменные, можно задаться вопросом, почему бы не кластеризовать одновременно и те и другие? Модуль кластерного анализа содержит двунаправленную процедуру объединения, предназначенную именно для этого. Двунаправленное объединение полезно в тех (относительно редких) случаях, когда предполагается, что и значения и переменные будет одновременно способствовать выявлению наиболее полной модели деления на кластеры. Например, возвращаясь к примеру, данному выше, медицинский исследователь может пожелать идентифицировать кластеры пациентов, которые похожи в отношении к конкретным кластерам параметров физического состояния. Трудность в интерпретации этих результатов может возникнуть из того, что сходство между различными кластерами может быть вызвано несколько различными наборами переменных. Таким образом, возникающие в результате структуры (кластеры) являются по своей природе неоднородными. Это, на первый взгляд, может показаться неудачным, и действительно, в сравнении с другими рассмотренными методами кластеризации, двунаправленное объединение является наименее часто используема. Однако, некоторые исследователи полагают, что этот метод дает мощный инструмент анализа данных. За дополнительной информацией можно обратиться к детализированному описанию этого метода в ( Hartigan, 1975).
