SOLO PARA USO INTERNO: este documento es para uso interno solo en este momento.
Esta es una actualización de JMP 12 ¿Necesita JMP Pro? documento para JMP 13.
JMP Pro es la versión analítica avanzada de JMP, creada para usuarios avanzados que necesitan técnicas de modelado sofisticadas para anticipar mejor el futuro y planificar bien para el mañana. Creado con científicos e ingenieros en mente, el software de análisis estadístico JMP Pro de SAS proporciona todas las capacidades superiores para la visualización, exploración, análisis y comunicación interactiva de datos que son las características de JMP.
Además, JMP Pro ofrece una multitud de técnicas sofisticadas: modelado predictivo con validación cruzada utilizando una variedad de métodos diferentes, técnicas modernas de modelado, comparación de modelos y funciones de promedio, técnicas multivariadas avanzadas, diagramas de bloques de confiabilidad, matrices de cobertura, modelos mixtos, levantamiento modelos y métodos avanzados de estadística computacional.
Si ya usa JMP, se alegrará de saber que toda esta potencia de fuego estadística viene en un entorno de escritorio familiar en memoria. Y si es nuevo en JMP, encontrará que JMP Pro le permite llevar el análisis de datos a un nivel completamente nuevo de lo que es ahora y abordar problemas estadísticos sofisticados con mayor facilidad.
Más importante aún, JMP Pro lo ayuda a construir una narrativa y comunicar de manera interactiva los hallazgos de manera que otros puedan entender y actuar fácilmente.
Tener acceso a todos los análisis avanzados avanzados en JMP Pro elimina los obstáculos al descubrimiento estadístico y mejora su capacidad para descubrir más pistas en sus datos. Por lo tanto, logra avances más rápidamente, lo que le permite ser más proactivo y tomar un mayor control del futuro.
Características clave
Modelado predictivo
Cualquiera puede hacer un trabajo justo al describir el desempeño del año pasado. Pero sin las herramientas adecuadas y las técnicas más modernas, construir un modelo para predecir lo que sucederá con nuevos clientes, nuevos procesos o nuevos riesgos se vuelve mucho más difícil. JMP Pro incluye un amplio conjunto de algoritmos para construir mejores modelos de sus datos. Dos de las técnicas más útiles para el modelado predictivo son los árboles de decisión y las redes neuronales.
La plataforma Partition en JMP Pro automatiza el proceso de construcción de árboles con métodos modernos. El bosque bootstrap, una técnica de bosque aleatorio, cultiva docenas de árboles de decisión utilizando subconjuntos aleatorios de los datos disponibles y promedia la influencia calculada de cada factor en estos árboles. La técnica de árbol impulsado construye muchos árboles simples, ajustando repetidamente cualquier variación residual de un árbol a otro. La plataforma Partition en JMP Pro también se adapta a los modelos K vecinos más cercanos (K-NN). El uso de estos métodos le permite crear modelos que predicen mejor que los simples modelos de árbol de decisión.
La avanzada plataforma Neural en JMP Pro le permite construir redes neuronales de una o dos capas con su elección de tres funciones de activación y construcción automática de modelos mediante el aumento de gradiente. Esta plataforma maneja automáticamente los valores faltantes y la transformación de X continuas, lo que ahorra tiempo y esfuerzo. Además, incluye opciones de ajuste robustas.
Tanto las plataformas Partition como Neural en JMP Pro aprovechan el uso de la validación cruzada. La ventaja de la validación se describe en la siguiente sección. Además, la regresión gradual, la regresión logística (tanto nominal como ordinal) y el análisis discriminante en JMP Pro pueden aprovechar el uso de una columna de validación que le permite usar estos métodos de modelado en su flujo de trabajo de modelado predictivo.
Validación cruzada
Para un modelado predictivo efectivo, necesita formas sólidas de validar su modelo, y con un modelo grande, puede meterse fácilmente en problemas. Los modelos grandes siempre deben tener validación cruzada, y JMP Pro lo hace a través de la partición de datos o retención. La división de los datos en conjuntos de datos de entrenamiento, validación y prueba se ha utilizado durante mucho tiempo para evitar un ajuste excesivo, asegurando que los modelos que construya no dependan de las propiedades de la muestra específica utilizada para construirlos.
El enfoque general para la validación cruzada en JMP Pro es utilizar una columna de validación. Puede dividir fácilmente sus datos en diferentes conjuntos para diferentes propósitos utilizando la utilidad de columna de validación (ya sea con una muestra puramente aleatoria o aleatoria estratificada). El conjunto de entrenamiento se usa para construir el modelo (s), el conjunto de validación se usa en el proceso de construcción del modelo para ayudar a elegir qué tan complejo debe ser el modelo. Finalmente, el conjunto de prueba se mantiene completamente fuera del proceso de construcción del modelo y se utiliza para evaluar la calidad del modelo (s). Para conjuntos de datos más pequeños, también se puede usar la validación cruzada k-fold.
La técnica de validación cruzada lo ayuda a construir modelos que se generalizan bien a los datos del mañana, sobre nuevos clientes, nuevos procesos o nuevos riesgos, para que pueda hacer inferencias basadas en datos sobre el futuro.
Y aunque todo esto es cierto, los datos de observación solo pueden llevarlo hasta cierto punto. Para comprender realmente la causa y el efecto, muchas veces es posible que desee emplear el diseño de experimentos (DOE). JMP proporciona herramientas de clase mundial para un DOE óptimo en una forma que puede usar fácilmente.
Comparación de modelos
En el mundo real, algunos tipos de modelos se adaptan bien en ciertas situaciones, pero se ajustan mal en otras. Con JMP Pro, hay muchas formas de adaptarse, y debe averiguar cuál es la más adecuada en una situación dada. Un enfoque típico para la construcción de modelos es que probará muchos modelos diferentes: modelos con más o menos complejidad, modelos con o sin ciertos factores / predictores, modelos construidos usando diferentes tipos de métodos de modelado o incluso promedios de modelos múltiples (modelos de conjunto).
Cada uno de estos modelos tendrá medidas de calidad comunes que se pueden utilizar para evaluar el modelo: R 2 , tasa de clasificación errónea, curvas ROC, AUC, curvas de elevación, etc.
Mediante la comparación de modelos en JMP Pro, puede comparar todas las columnas de predicción guardadas de varios ajustes y elegir la mejor combinación de bondad de ajuste, parsimonia y validación cruzada. JMP Pro hace esta comparación automáticamente. Al mismo tiempo, puede interactuar con los perfiladores de modelos visuales para ver qué factores importantes está tomando cada modelo. La comparación de modelos en JMP Pro facilita la comparación de varios modelos al mismo tiempo, y también hacer promedios de modelos simples, si lo desea.
Modelado moderno
La regresión generalizada es una clase de nuevas técnicas de modelado muy adecuadas para construir mejores modelos, incluso con datos desafiantes. Se ajusta a modelos lineales generalizados utilizando métodos de regresión regularizados o penalizados.
Las técnicas de estimación estándar se desglosan cuando tiene predictores que están fuertemente correlacionados o más predictores que las observaciones. Y cuando hay muchos predictores correlacionados (como suele ser el caso en los datos de observación), la regresión gradual u otras técnicas estándar pueden arrojar resultados insatisfactorios. Dichos modelos a menudo se ajustan demasiado y se generalizan mal a los datos nuevos. Pero, ¿cómo decide qué variables eliminar antes del modelado o, lo que es peor, cuánto tiempo pierde manualmente los conjuntos de datos de preprocesamiento en preparación para el modelado?
La personalidad de Regresión generalizada en Fit Model es un enfoque integral para hacer regresión. Es un marco de modelado completo desde la selección de variables a través de diagnósticos del modelo hasta LS significa comparaciones, predicción inversa y perfiles. Y solo está en JMP Pro.
Las técnicas de regularización disponibles dentro de la personalidad de Regresión generalizada incluyen Ridge, Lasso, Lazo adaptativo, Elastic Net y Elastic Net adaptativo para ayudar a identificar mejor las X que pueden tener poder explicativo. Aprovechar estas técnicas es tan fácil como cualquier otra personalidad de modelado en Fit Model: simplemente identifique su respuesta, construya los efectos del modelo y elija el método de estimación y validación deseado. JMP se ajusta automáticamente a sus datos, realiza una selección de variables cuando corresponde, y crea un modelo predictivo que puede generalizarse a nuevos datos. También puede usar una técnica de avance progresivo, realizar regresión Cuantil o ajuste simple usando la máxima probabilidad.
Finalmente, la Regresión generalizada ofrece opciones para elegir la distribución adecuada para la respuesta que está modelando, lo que le permite modelar respuestas más diversas, como recuentos, datos con muchos valores atípicos o datos asimétricos. Y, como todas las plataformas de modelado avanzado en JMP Pro, puede elegir entre técnicas de validación cruzada.
Exploración de texto
Al abordar diferentes tipos de datos, a veces esos datos están en forma de texto, como detalles de registros de llamadas de soporte técnico, notas de ingeniería o comentarios de respuestas de encuestas. Anteriormente, los datos de texto eran difíciles de organizar de manera significativa. JMP Pro finalmente convierte el problema de tratar con datos de texto en un problema de análisis de datos estándar. Si tiene datos de texto y necesita construir modelos predictivos a partir de esos datos, o si necesita realizar análisis multivariados con datos de texto, la plataforma Text Explorer proporciona opciones altamente interactivas para organizar y revelar hallazgos ocultos en sus datos de texto. Con Text Explorer, puede realizar análisis de clase latente, análisis semántico latente, análisis de temas y términos y documentos de clúster . Con las capacidades mejoradas de JMP Pro, el análisis de datos de texto se puede lograr, como cualquier otro análisis de datos.
Técnicas multivariantes avanzadas
JMP Pro incluye varias técnicas avanzadas para construir mejores modelos cuando se enfrentan a problemas de datos que requieren métodos de ajuste multivariados.
Mínimos cuadrados parciales. ¿Estás tratando de modelar datos que son más anchos que altos? Las técnicas tradicionales no funcionarán, pero los mínimos cuadrados parciales (PLS) sí. PLS es una poderosa técnica de modelado para tener en su caja de herramientas, especialmente cuando tiene más variables X que observaciones, variables X altamente correlacionadas, una gran cantidad de variables X o varias variables Y y muchas variables X. Todas estas son situaciones en las que los mínimos cuadrados ordinarios producirían resultados insatisfactorios.
El modelado PLS se ajusta a modelos lineales basados en factores, a saber, combinaciones lineales de variables explicativas (las X). Los factores se obtienen de una manera que intenta maximizar la covarianza entre las X y la respuesta o respuestas (las Y). En JMP Pro, puede construir modelos PLS con respuestas continuas o categóricas (PLS-DA), especificar términos de curvatura o efectos de interacción y realizar la imputación de valores perdidos.
Agrupación variable. Cuando se le presenta una gran cantidad de variables para predecir un resultado, es posible que desee reducir la cantidad de variables de alguna manera para que el problema de predicción sea más fácil de abordar. Una posible técnica de reducción de dimensiones es el conocido método de análisis de componentes principales (PCA). Sin embargo, las variables resultantes de PCA pueden ser difíciles de interpretar. Una estrategia alternativa es usar el agrupamiento variable en JMP Pro para ayudarlo a comprender si sus respuestas están agrupadas en grupos y determinar cuántos grupos contienen las respuestas. Al seleccionar cualquier clúster dentro del informe, se selecciona automáticamente la columna más representativa del clúster en la tabla de datos, lo que hace que sea mucho más rápido y fácil especificar términos de modelo o realizar una reducción de dimensión.
Diagrama de bloque de confiabilidad
A menudo, se enfrenta al análisis de la confiabilidad de un sistema analítico más complejo: una matriz de almacenamiento RAID con múltiples discos duros, o un avión con cuatro motores, por ejemplo. Con JMP, tiene muchas herramientas para analizar la confiabilidad de componentes individuales dentro de esos sistemas. Pero con JMP Pro, puede tomar la confiabilidad de componentes individuales, construir un sistema complejo de múltiples componentes y analizar la confiabilidad de un sistema completo con la plataforma Diagrama de bloques de confiabilidad.
Esta plataforma le permite predecir mejor la confiabilidad de todo el sistema y determinar el rendimiento esperado en función del rendimiento actual de los componentes individuales. Puede realizar fácilmente análisis hipotéticos si observa diferentes diseños y compara trazados en múltiples diseños de sistemas. También puede determinar los mejores lugares para agregar redundancia y disminuir la probabilidad de una falla del sistema. Con el Diagrama de bloques de confiabilidad, puede diseñar y corregir fácilmente los puntos débiles de su sistema, y estar mejor informado para evitar futuras fallas del sistema.
Cubriendo matrices
Las matrices de cobertura se utilizan en aplicaciones de prueba donde las interacciones de factores pueden conducir a fallas. Cada corrida experimental puede ser costosa. Como resultado, debe diseñar un experimento para maximizar la probabilidad de encontrar defectos y minimizar el costo y el tiempo. Las matrices de cobertura le permiten hacer exactamente eso. JMP Pro le permite diseñar un experimento para probar sistemas deterministas y cubrir todas las combinaciones posibles de factores hasta un cierto orden de interacciones.
Y cuando hay combinaciones de factores que crean condiciones inverosímiles, puede usar el filtro interactivo Combinaciones no permitidas para excluir automáticamente estas combinaciones de configuraciones de factores del diseño.
Una de las grandes ventajas de cubrir matrices en JMP Pro es que JMP Pro es una herramienta de análisis estadístico, no solo una herramienta de diseño de matrices de cobertura. Puede hacer todo tipo de análisis estadísticos en JMP Pro. Por ejemplo, actualmente no existe otro software para cubrir el diseño de matrices que también le permita analizar sus datos mediante regresión generalizada. Esta es una gran ventaja de JMP Pro sobre otras herramientas de diseño de matriz de cobertura.
JMP Pro no es estrictamente una herramienta de diseño; también le permite importar cualquier diseño de matriz de cobertura, generado por cualquier software, y optimizarlo aún más y analizar los resultados. Puede diseñar los arreglos usted mismo sin tener que depender de otros para construir experimentos para usted. Pruebe de forma más inteligente con matrices de cobertura en JMP Pro.
Modelos mixtos
Los modelos mixtos le permiten analizar datos que involucran tanto tiempo como espacio. Por ejemplo, puede usar modelos mixtos en un diseño de estudio en el que se miden múltiples sujetos en múltiples ocasiones durante el transcurso de un ensayo con medicamentos, o en diseños cruzados en las industrias farmacéutica, manufacturera o química.
JMP Pro le permite ajustar modelos mixtos a sus datos, permitiéndole especificar efectos fijos, aleatorios y repetidos; correlacionar grupos de variables; y configure sujetos y efectos continuos, todo con una interfaz intuitiva de arrastrar y soltar.
Además, ahora puede calcular los parámetros de covarianza para una amplia variedad de estructuras de correlación. Tales ejemplos incluyen cuando las unidades experimentales en las que se miden los datos se pueden agrupar en grupos, y los datos de un grupo común se correlacionan. Otro ejemplo es cuando las mediciones repetidas se toman en la misma unidad experimental, y estas mediciones repetidas están correlacionadas o exhiben una variabilidad que cambia.
También es fácil determinar visualmente qué estructura de covarianza espacial, si la hay, es apropiada para utilizar en la especificación de su modelo al construir modelos mixtos en JMP Pro.
Modelos de elevación
Es posible que desee maximizar el impacto de su limitado presupuesto de marketing enviando ofertas solo a personas que puedan responder favorablemente. Pero esa tarea puede parecer desalentadora, especialmente cuando tiene grandes conjuntos de datos y muchos posibles predictores de comportamiento o demográficos. Sin embargo, con JMP Pro, puede usar modelos de elevación para hacer esta predicción. También conocido como modelado incremental, modelado de elevación real o modelado de red, este método se ha desarrollado para ayudar a optimizar las decisiones de marketing, definir protocolos de medicina personalizados o, en general, para identificar las características de las personas que probablemente respondan a alguna acción.
El modelo Uplift en JMP Pro se ajusta a los modelos de partición que encuentran divisiones para maximizar la diferencia de tratamiento. Los modelos ayudar a identificar grupos de individuos que tienen más probabilidades de responder favorablemente a una acción; ayudan a conducir a decisiones eficientes y específicas que optimizan la asignación de recursos y el impacto en el individuo.
Estadística computacional avanzada
JMP Pro incluye pruebas estadísticas exactas para tablas de contingencia y pruebas estadísticas no paramétricas exactas para ANOVA unidireccional. Además, JMP Pro incluye un método general para estadísticas de arranque en la mayoría de los informes JMP.
Bootstrapping aproxima la distribución muestral de una estadística. JMP Pro es el único paquete de software estadístico que le permite iniciar una estadística sin escribir una sola línea de código. El arranque con un clic significa que está a solo un clic de poder arrancar cualquier cantidad en un informe JMP.
Esta técnica es útil cuando los supuestos de los libros de texto están en duda o no existen. Por ejemplo, intente aplicar técnicas de arranque a resultados de modelos no lineales que se utilizan para hacer predicciones o determinar intervalos de cobertura alrededor de cuantiles. Además, puede usar bootstrapping como una forma alternativa de medir la incertidumbre en los modelos predictivos. Bootstrapping le permite evaluar la confianza en sus estimaciones con menos suposiciones, y el bootstrapping con un solo clic en JMP Pro lo hace fácil.
Conéctese a la riqueza de SAS ®
Como una de las ofertas de SAS para análisis predictivo y minería de datos, JMP Pro se conecta fácilmente a SAS, ampliando las opciones y brindando acceso a la profundidad incomparable de SAS Analytics e integración de datos. Con o sin una conexión SAS activa, JMP Pro puede generar código SAS para obtener nuevos datos de forma rápida y sencilla con los modelos integrados en JMP.
Comparte y comunica resultados
JMP siempre se ha centrado en descubrir y encontrar la mejor manera de comunicar esos descubrimientos en toda su organización. JMP Pro incluye todas las características visuales e interactivas de JMP, haciendo que sus datos sean accesibles de una manera que nunca podría haber experimentado. A través de datos, gráficos y estadísticas dinámicamente vinculados, JMP Pro da vida a su investigación en un gráfico en 3-D o en un gráfico animado que muestra el cambio a lo largo del tiempo, generando nuevas ideas valiosas que informan tanto el proceso de construcción del modelo como el de explicación.
Pautas del sistema operativo
JMP Pro se ejecuta en Microsoft Windows y Mac OS. Incluye soporte para sistemas de 32 y 64 bits. Visite jmp.com/system para conocer los requisitos completos del sistema.
