内部使用のみ：このドキュメントは現時点では内部使用のみです。
これはJMP 12のアップデートです。JMPProが必要ですか。JMP 13のドキュメント。
JMP ProはJMPの高度な分析バージョンであり、将来をよりよく予測して明日をよく計画するために高度なモデリング技術を必要とするパワーユーザー向けに作成されています。科学者とエンジニアを念頭に置いて構築されたSASのJMP Pro統計分析ソフトウェアは、JMPの特徴であるインタラクティブなデータの視覚化、探索、分析、およびコミュニケーションのための優れた機能をすべて提供します。
さらに、JMP Proは多数の高度な手法を提供します。さまざまな手法を使用した交差検証による予測モデリング、最新のモデリング手法、モデルの比較と平均化機能、高度な多変量手法、信頼性ブロック図、配列、混合モデル、隆起モデルと高度な計算統計手法。
すでにJMPを使用している場合は、この統計的な火力のすべてが使い慣れたメモリ内のデスクトップ環境で提供されることを喜んで学びます。また、JMPを初めて使用する場合は、JMP Proを使用すると、データ分析を今よりもまったく新しいレベルに引き上げ、高度な統計問題に簡単に取り組むことができます。
さらに重要なこととして、JMP Proは、ナラティブを構築し、他の人がすぐに理解して行動できる方法で発見をインタラクティブに伝えるのに役立ちます。
JMP Proのすべての豊富な高度な分析にアクセスできることで、統計的発見への障害が取り除かれ、データ内のより多くの手がかりを明らかにする能力が強化されます。したがって、ブレイクスルーをより迅速に行うことができ、より積極的になり、将来をより適切に制御できるようになります。
主な特徴
予測モデリング
誰もが昨年のパフォーマンスを説明する公正な仕事をすることができます。しかし、適切なツールと最新の技術がなければ、新しい顧客、新しいプロセス、または新しいリスクで何が起こるかを予測するモデルを構築することは、はるかに困難になります。JMP Proには、データのより優れたモデルを構築するための豊富なアルゴリズムセットが含まれています。予測モデリングに最も役立つ2つの手法は、決定木とニューラルネットワークです。
JMP Proのパーティションプラットフォームは、最新の方法でツリー構築プロセスを自動化します。ランダムフォレストテクニックであるブートストラップフォレストは、利用可能なデータのランダムサブセットを使用して数十の決定木を成長させ、これらのツリーの各因子の計算された影響を平均化します。ブーストツリーテクニックは、多くの単純なツリーを構築し、1つのツリーから次のツリーへの残差を繰り返し当てはめます。JMP Proのパーティションプラットフォームは、K最近傍（K-NN）モデルにも適合します。これらの方法を使用すると、単純な決定木モデルよりも予測が優れたモデルを構築できます。
JMP Proの高度なニューラルプラットフォームを使用すると、3つのアクティブ化関数とグラディエントブースティングを使用した自動モデル構築を選択して、1層または2層のニューラルネットワークを構築できます。このプラットフォームは、欠損値と連続Xの変換を自動的に処理するため、時間と労力を節約できます。さらに、堅牢なフィッティングオプションが含まれています。
JMP Proのパーティションプラットフォームとニューラルプラットフォームはどちらも、相互検証を利用しています。検証の利点については、次のセクションで説明します。さらに、JMP Proのステップワイズ回帰、ロジスティック回帰（名義と順序の両方）、および判別分析では、検証列を使用して、予測モデリングワークフローでこれらのモデリング手法を使用できます。
相互検証
効果的な予測モデリングを行うには、モデルを検証するための適切な方法が必要です。大規模なモデルを使用すると、過剰適合の問題が発生しやすくなります。大規模なモデルは常に相互検証する必要があり、JMP Proはデータの分割またはホールドバックを通じてこれを行います。トレーニング、検証、およびテストデータセットにデータを分割することは、過剰適合を回避するために長い間使用されており、構築するモデルが、それらの構築に使用される特定のサンプルのプロパティに依存しないようにします。
JMP Proでの相互検証への一般的なアプローチは、検証列を使用することです。検証列ユーティリティ（純粋にランダムなサンプルまたは層別ランダム）を使用して、さまざまな目的のためにデータをさまざまなセットに簡単に分割できます。トレーニングセットはモデルの構築に使用され、検証セットはモデル構築プロセスで使用され、モデルの複雑さの選択に役立ちます。最後に、テストセットはモデル構築プロセスから完全に除外され、モデルの品質を評価するために使用されます。小さいデータセットの場合、k分割交差検証も使用できます。
交差検証手法は、新しい顧客、新しいプロセス、または新しいリスクに関する明日のデータに一般化するモデルを構築するのに役立ちます。これにより、将来についてデータに基づく推論を行うことができます。
そして、これはすべて真実ですが、観測データはこれまでのところしか利用できません。原因と結果を真に理解するために、実験計画法（DOE）を採用することがよくあります。JMPは、簡単に使用できる形で最適なDOEのための世界クラスのツールを提供します。
モデル比較
現実の世界では、一部の種類のモデルは特定の状況ではうまく適合しますが、他の状況ではあまり適合しません。JMP Proにはさまざまな方法があり、特定の状況に最適な方法を見つける必要があります。モデル作成の一般的なアプローチは、多かれ少なかれ複雑なモデル、特定の因子/予測子のあるモデルまたはないモデル、さまざまな種類のモデリング方法を使用して構築されたモデル、または複数のモデルの平均（アンサンブルモデル）など、さまざまなモデルを試すことです。
これらの各モデルには、モデルの評価に使用できる共通の品質指標があります。R 2 、誤分類率、ROC曲線、AUC、リフト曲線など
JMP Proのモデル比較を使用すると、さまざまな近似から保存されたすべての予測列を比較し、適合度、節約、交差検証の最適な組み合わせを選択できます。JMP Proはこの比較を自動的に行います。同時に、ビジュアルモデルプロファイラーを操作して、各モデルがどの重要な要素を選択しているかを確認できます。JMP Proのモデル比較により、同時に複数のモデルを簡単に比較でき、必要に応じて単純なモデル平均化も実行できます。
現代のモデリング
一般化回帰は、困難なデータがあっても、より優れたモデルを構築するのに適した新しいモデリング手法のクラスです。正規化またはペナルティ付きの回帰法を使用して、一般化線形モデルに適合します。
標準的な推定手法は、相関が強い予測子または観測値よりも予測子が多い場合に機能しなくなります。また、相関関係のある予測子が多数ある場合（観測データの場合がそうです）、段階的回帰またはその他の標準的な手法では、満足のいく結果が得られない可能性があります。そのようなモデルは、しばしば適合しすぎて、新しいデータに対して一般化が不十分です。しかし、モデリングの前にどの変数をカリングするかを決定するにはどうすればよいでしょうか？さらに悪いことに、モデリングの準備のためにデータセットを手動で前処理するためにどれだけの時間を失うのでしょうか？
フィットモデルの一般化回帰パーソナリティは、回帰を行うための包括的なアプローチです。変数の選択からモデルの診断、LSの意味の比較、逆予測、プロファイリングまで、完全なモデリングフレームワークです。そして、それはJMP Proでのみです。
Generalized Regressionパーソナリティ内で使用可能な正則化手法には、説明力を持つXをより適切に識別するために、Ridge、Lasso、適応型Lasso、Elastic Net、および適応型Elastic Netが含まれます。これらの手法を利用するのは、Fit Modelの他のモデリングパーソナリティと同じくらい簡単です。応答を特定し、モデルの効果を構築して、目的の推定と検証の方法を選択するだけです。JMPは自動的にデータを適合させ、必要に応じて変数の選択を実行し、新しいデータに一般化できる予測モデルを構築します。また、順方向の段階的手法を使用したり、最尤法を使用して、分位回帰または単純な近似を実行したりすることもできます。
最後に、一般化回帰では、モデル化している応答に適切な分布を選択するオプションが提供され、カウント、外れ値が多いデータ、歪んだデータなど、より多様な応答をモデル化できます。また、JMP Proのすべての高度なモデリングプラットフォームと同様に、相互検証手法を選択できます。
テキスト探索
さまざまなタイプのデータに取り組む場合、そのデータはテキスト形式である場合があります。たとえば、テクニカルサポートコールログ、エンジニアリングノート、調査回答コメントの詳細などです。以前は、そのテキストデータを意味のある方法で整理することは困難でした。JMP Proは最終的に、テキストデータの処理の問題を標準のデータ分析問題に変えます。テキストデータがあり、それらのデータから予測モデルを構築する必要がある場合、またはテキストデータを使用して多変量分析を実行する必要がある場合、テキストエクスプローラープラットフォームは、テキストデータの非表示の結果を整理して明らかにする高度なインタラクティブオプションを提供します。 テキストエクスプローラを使用すると、潜在クラス分析、潜在セマンティック分析、トピック分析、クラスター用語とドキュメント 。JMP Proの拡張機能により、他のデータ分析と同様に、テキストデータ分析が可能になります。
高度な多変量技術
JMP Proには、多変量近似法を必要とするデータの問題に直面したときに、より良いモデルを構築するためのいくつかの高度な手法が含まれています。
部分最小二乗。 高さよりも広いデータをモデル化しようとしていますか？従来の手法は機能しませんが、部分最小二乗（PLS）は機能します。PLSは、特に観測値よりもX変数が多い場合、相関の高いX変数、多数のX変数、または複数のY変数と多くのX変数がある場合に、ツールボックスで使用できる強力なモデリング手法です。これらはすべて、通常の最小二乗法では満足のいく結果が得られない状況です。
PLSモデリングは、因子、つまり説明変数（X）の線形結合に基づいて線形モデルに適合します。因子は、Xと1つまたは複数の応答（Y）の間の共分散を最大化しようとする方法で取得されます。JMP Proでは、連続応答またはカテゴリー応答（PLS-DA）を使用してPLSモデルを構築し、曲率項または相互作用効果を指定して、欠損値補完を実行できます。
変数のクラスタリング。結果を予測するために多数の変数が提示された場合、何らかの方法で変数の数を減らして、予測の問題に対処しやすくすることができます。考えられる1つの次元削減手法は、主成分分析（PCA）のよく知られた方法です。ただし、PCAから得られる変数は解釈が難しい場合があります。別の戦略は、JMP Proで変数クラスタリングを使用して、応答がクラスターにグループ化されているかどうかを理解し、応答に含まれるクラスターの数を決定することです。レポート内の任意のクラスターを選択すると、データテーブルでクラスターの最も代表的な列が自動的に選択されるため、モデルの用語の指定や次元削減の実行がはるかに速く簡単になります。
信頼性ブロック図
多くの場合、より複雑な分析システム（複数のハードドライブを備えたRAIDストレージアレイ、または4つのエンジンを備えた飛行機など）の信頼性の分析に直面します。JMPには、これらのシステム内の単一コンポーネントの信頼性を分析するための多くのツールがあります。しかし、JMP Proを使用すると、単一のコンポーネントの信頼性を取り、複数のコンポーネントの複雑なシステムを構築し、信頼性ブロック図プラットフォームでシステム全体の信頼性を分析できます。
このプラットフォームを使用すると、システム全体の信頼性をより正確に予測し、個々のコンポーネントの現在のパフォーマンスに基づいて期待されるパフォーマンスを判断できます。異なる設計を見て、複数のシステム設計間でプロットを比較することにより、what-if分析を簡単に実行できます。また、冗長性を追加してシステム障害の可能性を減らすための最適な場所を決定することもできます。信頼性ブロック図を使用すると、システムの弱点を簡単に設計および修正でき、将来のシステム障害を防止するための情報を得ることができます。
アレイのカバー
カバリング配列は、因子の相互作用が失敗につながる可能性があるテストアプリケーションで使用されます。各実験の実行にはコストがかかる場合があります。結果として、コストと時間を最小限に抑えながら、欠陥を発見する確率を最大化する実験を設計する必要があります。カバリング配列は、まさにそれを可能にします。JMP Proを使用すると、確定的システムをテストする実験を設計し、特定の相互作用の順序までの要因のすべての可能な組み合わせをカバーできます。
そして、妥当ではない条件を作成する要因の組み合わせがある場合、インタラクティブな[許可されていない組み合わせ]フィルターを使用して、これらの要因設定の組み合わせを設計から自動的に除外できます。
JMP Proでアレイをカバーすることの大きな利点の1つは、JMP Proが単なるカバーリングアレイ設計ツールではなく、統計分析ツールであることです。JMP Proでは、あらゆる種類の統計分析を行うことができます。たとえば、現在、一般化された回帰を使用してデータを分析できるアレイ設計をカバーする他のソフトウェアはありません。これは、他のカバーするアレイ設計ツールに対するJMP Proの大きな利点です。
JMP Proは単なる設計ツールではありません。また、ソフトウェアで生成されたカバーアレイ設計をインポートして、さらに最適化して結果を分析することもできます。実験を構築するために他人に依存する必要なく、自分でアレイを設計できます。JMP Proでアレイをカバーすることで、よりスマートにテストできます。
混合モデル
混合モデルでは、時間と空間の両方を含むデータを分析できます。たとえば、薬物試験の過程で複数の被験者が複数回測定される研究デザインや、製薬、製造、化学業界のクロスオーバーデザインで、混合モデルを使用できます。
JMP Proを使用すると、混合モデルをデータに適合させることができ、固定効果、ランダム効果、繰り返し効果を指定できます。変数のグループを関連付けます。直感的なドラッグアンドドロップインターフェースを使用して、主題と継続的な効果を設定します。
さらに、さまざまな相関構造の共分散パラメーターを計算できるようになりました。そのような例には、データが測定される実験単位をクラスターにグループ化でき、共通クラスターからのデータが相関している場合。別の例は、同じ実験ユニットで繰り返し測定が行われ、これらの繰り返し測定が相関しているか、変化する変動性を示す場合です。
また、JMP Proで混合モデルを作成するときに、モデル仕様で使用するのに適切な空間共分散構造がある場合は、それを視覚的に判断するのも簡単です。
隆起モデル
好意的に反応する可能性が高い個人にのみオファーを送信することにより、限られたマーケティング予算の影響を最大化することができます。しかし、特に大規模なデータセットと多くの可能性のある行動または人口統計学的予測子がある場合、そのタスクは困難に思えるかもしれません。ただし、JMP Proでは、隆起モデルを使用してこの予測を行うことができます。インクリメンタルモデリング、トゥルーリフトモデリング、ネットモデリングとも呼ばれるこの方法は、マーケティングの意思決定の最適化、個別化医療プロトコルの定義、またはより一般的には、何らかのアクションに反応する可能性が高い個人の特徴を特定するために開発されました。
JMP Proの隆起モデリングは、分割を見つけて治療の違いを最大化するパーティションモデルに適合します。 モデル行動に好意的に反応する可能性が最も高い個人のグループを特定するのに役立ちます。それらは、リソース割り当てと個人への影響を最適化する効率的で的を絞った決定につながるのに役立ちます。
高度な計算統計
JMP Proには、分割表の正確な統計検定と一元配置分散分析の正確なノンパラメトリック統計検定が含まれています。また、JMP Proには、ほとんどのJMPレポートに統計をブートストラップする一般的な方法が含まれています。
ブートストラップは、統計のサンプリング分布を近似します。JMP Proは、コードを1行も書かずに統計をブートストラップできる唯一の統計ソフトウェアパッケージです。ワンクリックブートストラップとは、JMPレポート内の任意の数量をブートストラップすることができるようになるまで、クリックするだけのことです。
この手法は、教科書の仮定が問題であるか、存在しない場合に役立ちます。たとえば、予測を行うために使用されている非線形モデルの結果にブートストラップ技法を適用したり、変位値の周りのカバレッジ間隔を決定したりします。また、予測モデルの不確実性を測定する別の方法として、ブートストラップを使用できます。ブートストラップを使用すると、より少ない仮定で見積もりの信頼性を評価できます。JMPProのワンクリックブートストラップを使用すると、簡単に行うことができます。
SASの豊かさにつながる ®
予測分析とデータマイニングのためのSAS製品の1つとして、JMP ProはSASに簡単に接続してオプションを拡張し、SAS分析とデータ統合の比類のない深さへのアクセスを提供します。アクティブなSAS接続の有無にかかわらず、JMP ProはSASコードを出力して、JMPに組み込まれたモデルで新しいデータをすばやく簡単にスコアリングできます。
結果を共有して伝える
JMPは常に発見と、組織全体でそれらの発見を伝達するための最良の方法を見つけることを目指してきました。JMP Proには、JMPの視覚的でインタラクティブな機能がすべて含まれているため、これまでにない方法でデータにアクセスできます。JMP Proは、動的にリンクされたデータ、グラフィックス、および統計を介して、3Dプロットまたは時間の経過に伴う変化を示すアニメーショングラフで調査を生き生きとさせ、モデル構築と説明の両方のプロセスに通知する貴重な新しい洞察を生成します。
オペレーティングシステムのガイドライン
JMP Proは、Microsoft WindowsおよびMac OSで動作します。32ビットシステムと64ビットシステムの両方をサポートしています。完全なシステム要件については、jmp.com / systemを参照してください。
