Esto sigue a una conversación que tuve con varios usuarios internos de JMP, así como con Martin Demel e Ian Cox de JMP durante el día de JMP de noviembre en GIC (los detalles sobre ese evento pueden ser encontrado aquí ) Me aconsejaron poner esto en la lista de deseos, pero aparentemente no tengo privilegios para hacerlo, así que publíquelo como una discusión. Además, como no sabía cómo insertar capturas de pantalla convenientemente, adjunto un PDF con casi la misma descripción pero con las capturas de pantalla adecuadas. Disculpas por cualquier inconveniente causado, así como por la duración de la publicación: está destinado a ser lo más exhaustivo posible para ilustrar los problemas y proporcionar detalles suficientes sobre cómo hacerlo.
La primera pregunta es cómo realizar un Análisis de correspondencia (CA) en JMP. La segunda pregunta es sobre los controles con JMP y los cambios deseados para hacer que los análisis de JMP sean más útiles y evitar interpretaciones erróneas. Algo de eso es lo mismo para otros mapas de, por ejemplo, PCA, PLS, MDS u otros.
Vale la pena señalar que parte del razonamiento proviene del diseño habitual de los datos de las preguntas de marcar todo lo que aplica, que a menudo viene en un formato con asunto * producto (* replicación, si corresponde) en filas y atributos en columnas . Los valores para los atributos son 1 si el atributo fue marcado, y 0 en caso contrario (ver adjunto para captura de pantalla).
Hay un herramienta web interna eso permite el análisis de este tipo de datos, y estos análisis se consideran la referencia a continuación; Los resultados de la parte de CA de la herramienta web se han verificado con al menos 3 paquetes R diferentes y una implementación propia en R basada en la teoría subyacente, por lo que es seguro asumir que estos resultados representan lo que se usa típicamente para CA. Los detalles sobre la herramienta web se proporcionan en la página de ayuda; para cualquier persona fuera de P&G: la herramienta web proporciona los siguientes análisis de Meyners y otros (2013) : Tabla de contingencia, CA, prueba Q de Cochran basada en aproximación, pruebas binomiales, PLA, MDA, MDS.
1) CA a través de JMP Fit Y por X plataforma
Para utilizar esta plataforma, debe apilar los datos en una columna que contiene los atributos (y otra que identifica el producto; Apilar es tu amigo en JMP aquí, ver archivo adjunto para captura de pantalla).
Utilizando el Fit Y por X la plataforma le permite modelar los atributos ("Etiqueta") por producto ("Producto"), pero es importante utilizar la columna "Datos" como ponderaciones en el análisis (consulte el archivo adjunto para ver la captura de pantalla).
Alternativamente, puede eliminar todas las filas con "Datos" == 0, en cuyo caso ya no necesitaría la columna de peso.
El análisis proporcionará una tabla de contingencia y una CA con algunos detalles. Sin embargo, a continuación se tratarán algunos problemas con él.
2) CA a través de JMP Análisis de correspondencia múltiple [Investigación del consumidor] plataforma
Puede engañar a esta plataforma para realizar CA, aunque está destinada a ser utilizada con múltiples preguntas categóricas en lugar de solo dos (producto y atributo en este ejemplo).
Para eso, aunque pueda parecer extraño, debe usar atributos como Y y productos como X . Eso le dará la tabla de contingencia casi clásica, además del hecho de que se proporcionan los recuentos tanto para los cheques (1) como para los no cheques (0) (consulte el archivo adjunto para la captura de pantalla).
Esto es diferente a una tabla de contingencia clásica, sino más bien la llamada matriz de Burt utilizada en MCA. Esto es útil si tiene varias categorías por grupo, por ejemplo, los atributos pueden tomar varios niveles (como grupos de edad o colores de cabello), pero no son necesarios si solo tienen dos niveles (0 y 1), por lo que solo duplica los datos. Creo que vi en alguna parte de las páginas de ayuda de JMP que ahora ejecutan una CA simple, eso es cierto, pero se basa en la tabla de contingencia extendida (duplicada), como se dijo, no cómo lo haría y nada que haya visto en otra parte. Las diferencias son relativamente menores, pero los resultados no son idénticos de las dos tablas de contingencia. Con JMP, también obtienes todos los atributos dos veces: una para 0 y otra para 1 (ver archivo adjunto para captura de pantalla).
Crear la misma tabla de contingencia (o más bien la matriz de Burt) manualmente en R me permite reproducir exactamente los resultados de JMP.
Una forma de engañar a JMP para que use la tabla de contingencia clásica en su lugar es definir 0 como un valor faltante para todas las columnas de atributos. En ese caso, los resultados son idénticos a la primera forma mostrada.
Tenga en cuenta que para ambos enfoques, JMP utiliza la tabla de contingencia de recuentos absolutos. La aplicación web mencionada anteriormente utiliza porcentajes (en función del número total de observaciones para el atributo producto *). Esto conduce a resultados ligeramente diferentes que no se notarán en el gráfico, pero aparecerán si observa las coordenadas exactas. Estas diferencias se pueden atribuir al redondeo numérico en el algoritmo y desaparecen si la CA también se ejecuta en recuentos absolutos. Son de poca importancia (léase: probablemente no), pero se menciona aquí por si alguien compara los resultados con ese nivel de detalle.
3) Problemas con CA en JMP
Hay (al menos) dos problemas notables para mencionar con la implementación actual de CA en JMP, independientemente de la plataforma.
- JMP basa la CA en los recuentos absolutos. Esto funciona bien si cada producto y atributo ha sido evaluado con la misma frecuencia en el conjunto de datos, sin valores faltantes. Sin embargo, si por alguna razón el producto A se ha evaluado 100 veces, mientras que todos los demás solo se han evaluado 50 veces, esto conducirá a resultados sin sentido, ya que los recuentos absolutos se basan simplemente en el tamaño de la muestra en lugar de las posibles asociaciones entre productos y atributos.
yo asumir que esto podría ser ayudado usando pesos apropiados para tener el mismo peso total para todos los productos, pero no lo he intentado. Sin embargo, solo funcionaría para los productos de todos modos, por lo que si algunos evaluadores tienen una lista de atributos más corta, o simplemente no evaluaron ciertos atributos (= valores faltantes), hasta donde puedo ver, no hay forma de solucionarlo. [Nota: es poco probable que esto suceda con los datos de CATA, ya que es imposible distinguir los datos faltantes de las no verificaciones, pero podría ocurrir en otros estudios como, por ejemplo, las pruebas de aplicabilidad.]
Esto me parece una limitación seria en la práctica, por lo que hasta que haya un buen remedio para este problema, no recomendaría usar ninguna de las plataformas de JMP para realizar CA en datos desequilibrados. - La otra falla está en el gráfico que JMP produce por defecto: cualquier mapa perceptual (a menudo llamado) o similar (PCA, CA, MDS, PLS, ...) requiere la misma escala en ambos ejes, es decir, la longitud física de una unidad tiene para ser el mismo en los ejes x e y. Suponga que tiene una variación del 90% explicada en x y solo 5 en y: entonces la pantalla debería representar eso visualmente (sin que se refiera a los números explicados de la variación, que es difícil de integrar en la interpretación para los seres humanos). Eso significa que un gráfico de este tipo sería más bien un formato horizontal que cuadrado (puede tener espacios en blanco en la parte superior de la parte inferior, lo que a algunos podría no gustarles). JMP no garantiza esto de forma predeterminada y, en cambio, proporciona diferentes escalas. El remedio en JMP es hacer clic con el botón derecho en el diagrama de CA y elegir Tamaño / Escala -> Tamaño isométrico como se muestra a continuación. Por lo tanto, es relativamente fácil resolver este problema, pero los usuarios deben recordar haberlo hecho y es un esfuerzo adicional innecesario. Es muy conveniente hacer que la escala isométrica sea la predeterminada para este gráfico. Incluso me atrevería a sugerir que debería ser un valor predeterminado que el usuario no puede cambiar, ya que cualquier distorsión del diseño puede provocar interpretaciones erróneas. Como se mencionó anteriormente, esto también se debe hacer para gráficos similares como los de PCA, MDS, PLS y similares (consulte el archivo adjunto para la captura de pantalla).
- No es un problema, sino una conveniencia: los gráficos de CA (como los otros mencionados) pueden reflejarse arbitrariamente en el eje x o y (o ambos). Esto se ofrece en JMP 13 en la plataforma MDS (Flip vertical / horizontal). Realmente no es necesario para análisis individuales, pero si se comparan los resultados de múltiples estudios o desgloses o ..., es útil permitir que el usuario aplique las reflexiones de modo que los gráficos resultantes tengan la misma orientación. Por lo tanto, sería útil tener la misma función para CA, así como para PCA, etc.
