级别：中级
Laura Castro-Schilo，JMP 高级副研究统计学家开发人员，SAS
随着数据量的激增以及公司在决策制定中越来越受数据驱动，多元数据分析已成为一项基本技能。 在本次会议中，我们将展示 JMP 及其独特的可视化和交互式多变量数据分析方法，使用各种依赖于连续、分类和多源数据的方法。 我们将从对多元分析本质的基础讨论开始：包含在大量变量中的信息通常可以用较少数量的变量有效地表示的想法。 然后，我们概述了在 JMP 中分析多元数据的通用工具。 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元方法，例如主成分分析 (PCA)、多重对应分析 (MCA) 和 JMP 14 中的新技术，多因素分析 (MFA)。 在整个过程中，我们将就每种分析技术何时适用提供明确的指导，并突出显示最重要和最有用的软件选项。
JMP 具有多种多样的多元技术。 它们的一个共同点是它们的目标是识别它们所应用的数据矩阵的基本结构。 一些技术依赖于这种基本结构来降低手头数据的维度并促进它们的理解。 使我们能够找到矩阵基本结构的工具是奇异值分解 (SVD)。 SVD 生成向量，表示矩阵的行和列的维度。 它还会产生奇异值，代表每个维度的重要性。 本课程中描述的多元技术基于在变换矩阵上使用 SVD 并将权重应用于行、列或两者。 我们将通过强调它们的相似性来描述每一种技术（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，从而提高对这些技术的使用和理解。 结合演示和示例，本课程让听众准备探索多变量连续、分类和多源数据。
