等级：中级 LMP Castro-Schilo，JMP高级副研究员，SAS研究统计开发人员多变量数据分析已成为一项基本技能，因为数据量急剧增加，公司在决策过程中变得更加以数据为导向。在本次会议中，我们使用依赖于连续，分类和多源数据的各种方法展示JMP及其独特的视觉和交互式方法，以进行多变量数据分析。我们将首先讨论多变量分析的本质：大量变量中包含的信息通常可以用较少数量的变量有效地表示。然后，我们概述了用于分析JMP中的多变量数据的一般工具。我们将使用来自感官分析和消费者研究的数据来激发和演示经典的无监督多变量方法，例如主成分分析（PCA），多对应分析（MCA）和JMP 14中的新技术，多因素分析（MFA）。在整个过程中，我们将为每种分析技术的适用时间提供明确的指导，并突出显示最重要和最有用的软件选项。
JMP具有多种多变量技术。他们都有一个共同点，那就是他们的目标是确定应用它们的数据矩阵的基本结构。一些技术依赖于这种基本结构来减少手头数据的维度并促进他们的理解。使我们能够找到矩阵的基本结构的工具是奇异值分解（SVD）。SVD产生向量，其表示矩阵的行和列的维度。它还产生奇异值，表示每个维度的重要性。本次会议中描述的多变量技术基于在变换矩阵上使用SVD并对行，列或两者应用权重。我们将通过强调它们的相似性来描述每种技术（PCA，MCA和MFA）。我们的目标是通过使用通用框架来描述这些技术，从而改进对这些技术的使用和理解。本演讲与演示和示例配合，为观众准备探索多变量连续，分类和多源数据。
