Dies folgt auf ein Gespräch, das ich mit mehreren internen JMP-Benutzern sowie mit Martin Demel und Ian Cox von JMP während des JMP-Tages @ GIC im November geführt habe (Details zu diesem Ereignis können sein hier gefunden ). Mir wurde geraten, dies auf die Wunschliste zu setzen, aber anscheinend habe ich keine Berechtigungen dazu, also poste es stattdessen als Diskussion. Da ich nicht herausfinden konnte, wie Screenshots bequem eingefügt werden können, füge ich eine PDF-Datei mit nahezu derselben Beschreibung, jedoch mit entsprechenden Screenshots hinzu. Entschuldigung für etwaige Unannehmlichkeiten sowie für die Länge des Beitrags - es soll so umfassend wie möglich sein, die Probleme zu veranschaulichen und ausreichende Details zur Vorgehensweise anzugeben.
Die erste Frage ist, wie eine Korrespondenzanalyse (CA) in JMP durchgeführt wird. Die zweite Frage betrifft Watchouts mit JMP und gewünschte Änderungen, um die Analysen von JMP nützlicher zu machen und Fehlinterpretationen zu vermeiden. Einige davon gelten auch für andere Karten von z. B. PCA, PLS, MDS oder anderen.
Es ist anzumerken, dass ein Teil der Argumentation aus dem üblichen Layout von Daten aus Check-all-the-Apply-Fragen stammt, die häufig in einem Format mit Betreff * Produkt (* Replikation, falls vorhanden) in Zeilen und Attributen in Spalten vorliegen . Die Werte für die Attribute sind 1, wenn das Attribut aktiviert wurde, und 0, andernfalls (Screenshot siehe Anhang).
Da ist ein internes Webtool Dies ermöglicht die Analyse dieser Art von Daten, und diese Analysen werden im Folgenden als Referenz betrachtet. Die Ergebnisse aus dem CA-Teil des Webtools wurden anhand der zugrunde liegenden Theorie mit mindestens 3 verschiedenen R-Paketen und einer eigenen Implementierung in R verglichen. Daher kann davon ausgegangen werden, dass diese Ergebnisse das darstellen, was normalerweise für CA verwendet wird. Details zum Webtool finden Sie auf der Hilfeseite. Für alle außerhalb von P & G: Das Webtool bietet die folgenden Analysen von Meyners et al. (2013) : Kontingenztabelle, CA, Cochrans Q-Test basierend auf Approximation, Binomialtests, PLA, MDA, MDS.
1. CA über JMPs Passen Sie Y durch X an Plattform
Um diese Plattform nutzen zu können, müssen Sie die Daten in eine Spalte stapeln, die die Attribute enthält (und eine andere, die das Produkt identifiziert). Stapel ist dein Freund in JMP hier, siehe Anhang für Screenshot).
Verwendung der Passen Sie Y durch X an Auf der Plattform können Sie dann die Attribute („Label“) nach Produkt („Product“) modellieren. Es ist jedoch wichtig, die Spalte „Data“ als Gewichtung in der Analyse zu verwenden (Screenshot siehe Anhang).
Alternativ können Sie alle Zeilen mit "Data" == 0 löschen. In diesem Fall benötigen Sie die Gewichtungsspalte nicht mehr.
Die Analyse liefert eine Kontingenztabelle und eine Zertifizierungsstelle mit einigen Details. Einige Probleme damit werden jedoch weiter unten besprochen.
2. CA über JMPs Multiple Korrespondenzanalyse [Verbraucherforschung] Plattform
Sie können diese Plattform bei der Durchführung von Zertifizierungsstellen austricksen, obwohl sie für mehrere kategoriale Fragen und nicht nur für zwei (Produkt und Attribut in diesem Beispiel) vorgesehen ist.
Dafür, obwohl es sich seltsam anfühlt, müssen Sie verwenden Attribute als Y und Produkte als X. . Damit erhalten Sie die fast klassische Kontingenztabelle, abgesehen von der Tatsache, dass die Zählungen sowohl für die Schecks (1) als auch für die Nicht-Schecks (0) angegeben sind (siehe Anhang für Screenshot).
Dies ist anders als bei einer klassischen Kontingenztabelle, sondern bei der sogenannten Burt-Matrix, die in MCA verwendet wird. Dies ist nützlich, wenn Sie mehrere Kategorien pro Gruppe haben, z. B. können Attribute mehrere Ebenen annehmen (z. B. Altersgruppen oder Haarfarben), werden jedoch nicht benötigt, wenn sie nur zwei Ebenen (0 und 1) haben, sodass nur Daten dupliziert werden. Ich glaube, ich habe irgendwo auf den JMP-Hilfeseiten gesehen, dass sie jetzt eine einfache Zertifizierungsstelle ausführen - das stimmt, aber sie basiert, wie gesagt, auf der erweiterten (duplizierten) Kontingenztabelle, nicht darauf, wie ich es machen würde, und auf nichts, was ich jemals gesehen habe anderswo. Die Unterschiede sind relativ gering, aber die Ergebnisse der beiden Kontingenztabellen sind nicht identisch. Mit JMP erhalten Sie außerdem alle Attribute zweimal - einmal für 0 und einmal für 1 (Screenshot siehe Anhang).
Durch manuelles Erstellen derselben Kontingenztabelle (oder besser Burt-Matrix) in R kann ich die Ergebnisse von JMP exakt reproduzieren.
Eine Möglichkeit, JMP dazu zu bringen, stattdessen die klassische Kontingenztabelle zu verwenden, besteht darin, 0 als fehlenden Wert für alle Attributspalten zu definieren. In diesem Fall sind die Ergebnisse identisch mit dem zuerst gezeigten Weg.
Beachten Sie, dass JMP für beide Ansätze die Kontingenztabelle der absoluten Zählungen verwendet. Die oben erwähnte Webanwendung verwendet Prozentsätze (basierend auf der Gesamtzahl der Beobachtungen für das Produkt * -Attribut). Dies führt zu leicht unterschiedlichen Ergebnissen, die im Diagramm nicht erkennbar sind, aber angezeigt werden, wenn Sie die genauen Koordinaten betrachten. Diese Unterschiede können auf numerische Rundungen im Algorithmus zurückgeführt werden und verschwinden, wenn die Zertifizierungsstelle ebenfalls mit absoluten Zählwerten ausgeführt wird. Sie sind von geringer (sprich: wahrscheinlich nein) praktischer Bedeutung, werden hier jedoch nur für den Fall erwähnt, dass jemand die Ergebnisse auf dieser Detailebene vergleicht.
3. Probleme mit CA in JMP
Bei der aktuellen Implementierung von CA in JMP sind (mindestens) zwei bemerkenswerte Probleme zu erwähnen, unabhängig von der Plattform.
- JMP basiert die CA auf den absoluten Zählwerten. Dies funktioniert in Ordnung, wenn jedes Produkt und Attribut im Datensatz gleich oft ausgewertet wurde, ohne dass Werte fehlen. Wenn jedoch aus irgendeinem Grund Produkt A 100-mal bewertet wurde, während alle anderen nur 50-mal bewertet wurden, führt dies zu unsinnigen Ergebnissen, da die absoluten Zählungen lediglich von der Stichprobengröße und nicht von möglichen Assoziationen zwischen Produkten und bestimmt werden Attribute.
ich annehmen dass dies durch die Verwendung geeigneter Gewichte unterstützt werden könnte, um für alle Produkte das gleiche Gesamtgewicht zu erzielen, aber das habe ich nicht versucht. Es würde jedoch sowieso nur für Produkte funktionieren. Wenn also einige Prüfer eine kürzere Attributliste hätten oder nur bestimmte Attribute (= fehlende Werte) nicht auswerten würden, gibt es meines Erachtens keine Möglichkeit, dies zu beheben. [NB: Dies ist bei CATA-Daten unwahrscheinlich, da fehlende Daten nicht von Nichtprüfungen unterschieden werden können. Dies kann jedoch auch in anderen Studien wie z. B. Anwendbarkeitstests der Fall sein.]
Dies scheint mir in der Praxis eine ernsthafte Einschränkung zu sein. Bis es eine gute Lösung für dieses Problem gibt, würde ich nicht empfehlen, eine der JMP-Plattformen zu verwenden, um CA für unausgeglichene Daten durchzuführen. - Der andere Fehler liegt in der Grafik, die JMP standardmäßig erzeugt: Jede (häufig sogenannte) Wahrnehmungskarte oder ähnliches (PCA, CA, MDS, PLS,…) erfordert die gleiche Skalierung auf beiden Achsen, dh die physische Länge einer Einheit auf der x- und der y-Achse gleich sein. Angenommen, Sie haben 90% Variation erklärt auf x und nur 5% auf y: Dann sollte die Anzeige dies visuell darstellen (ohne dass Sie sich auf die Variation erklärten Zahlen beziehen, die schwer in die Interpretation für Menschen zu integrieren ist). Das bedeutet, dass eine solche Grafik eher ein Querformat als ein Quadrat hat (möglicherweise weiße Leerzeichen oben auf dem Boden, die manche möglicherweise nicht mögen). JMP garantiert dies nicht standardmäßig und gibt vielmehr unterschiedliche Maßstäbe an. Die Lösung in JMP besteht darin, mit der rechten Maustaste auf das CA-Diagramm zu klicken und Größe / Skalierung -> Größe zu Isometrie zu wählen, wie unten gezeigt. Es ist also relativ einfach, dieses Problem zu lösen, aber Benutzer müssen sich daran erinnern, es tatsächlich getan zu haben, und es ist ein unnötiger zusätzlicher Aufwand. Es ist dringend wünschenswert, die isometrische Skalierung als Standard für dieses Diagramm festzulegen. Ich würde sogar so weit gehen, als würde ich vorschlagen, dass es sich um eine Standardeinstellung handelt, die vom Benutzer nicht geändert werden kann, da jede Verzerrung des Layouts zu Fehlinterpretationen führen kann. Wie oben erwähnt, sollte dies auch für ähnliche Diagramme wie die von PCA, MDS, PLS und ähnlichen durchgeführt werden (Screenshot siehe Anhang).
- Kein Problem, aber wünschenswert: CA-Diagramme (wie die anderen genannten) können beliebig auf der x- oder y-Achse (oder beiden) reflektiert werden. Dies wird in JMP 13 auf der MDS-Plattform angeboten (Vertikal / Horizontal spiegeln). Es wird für einzelne Analysen nicht wirklich benötigt, aber wenn Ergebnisse aus mehreren Studien oder Ausbrüchen oder ... verglichen werden sollen, ist es nützlich, dem Benutzer zu ermöglichen, die Reflexionen so anzuwenden, dass die resultierenden Diagramme dieselbe Ausrichtung haben. Daher wäre es hilfreich, die gleiche Funktion sowohl für CA als auch für PCA usw. zu haben.
