Ceci fait suite à une conversation que j'ai eue avec plusieurs utilisateurs internes de JMP ainsi qu'avec Martin Demel et Ian Cox de JMP lors de la journée JMP @ GIC de novembre (les détails sur cet événement peuvent être trouvé ici ). On m'a conseillé de mettre cela sur la liste de souhaits, mais apparemment je n'ai pas le privilège de le faire, alors postez-le plutôt comme discussion. De plus, comme je ne savais pas comment insérer facilement des captures d'écran, j'attache un PDF avec à peu près la même description mais avec des captures d'écran appropriées. Toutes mes excuses pour tout inconvénient causé, ainsi que pour la durée du poste - il est censé être aussi exhaustif que possible pour illustrer les problèmes et donner suffisamment de détails sur la façon de procéder.
La première question est de savoir comment effectuer une analyse de correspondance (CA) dans JMP. La deuxième question concerne les mises en garde avec JMP et les modifications souhaitées pour rendre les analyses de JMP plus utiles et éviter les erreurs d'interprétation. Certains d'entre eux sont identiques pour les autres cartes, par exemple PCA, PLS, MDS ou autres.
Il convient de noter qu'une partie du raisonnement provient de la disposition habituelle des données des questions cocher tout ce qui s'applique, qui se présente souvent sous un format avec l'objet * produit (* réplication, le cas échéant) en lignes et les attributs en colonnes . Les valeurs des attributs sont 1 si l'attribut a été vérifié et 0 sinon (voir la pièce jointe pour la capture d'écran).
Il y a un outil Web interne qui permet l'analyse de ce type de données, et ces analyses sont considérées comme la référence dans ce qui suit; les résultats de la partie CA du webtool ont été vérifiés par rapport à au moins 3 packages R différents et une implémentation propre dans R basée sur la théorie sous-jacente, il est donc sûr de supposer que ces résultats représentent ce qui est généralement utilisé pour CA. Des détails sur l'outil Web sont fournis dans la page d'aide; pour toute personne extérieure à P&G: le webtool fournit les analyses suivantes de Meyners et al (2013) : Tableau de contingence, CA, test Q de Cochran basé sur l'approximation, tests binomiaux, PLA, MDA, MDS.
1. CA via JMP Fit Y par X Plate-forme
Pour utiliser cette plate-forme, vous devez empiler les données dans une colonne qui contient les attributs (et une autre identifiant le produit; Empiler est votre ami dans JMP ici, voir la pièce jointe pour la capture d'écran).
En utilisant le Fit Y par X La plateforme vous permet ensuite de modéliser les attributs («Label») par produit («Product»), mais il est important d'utiliser la colonne «Data» comme poids dans l'analyse (voir pièce jointe pour capture d'écran).
Alternativement, vous pouvez supprimer toutes les lignes avec «Data» == 0, auquel cas vous n'auriez plus besoin de la colonne de poids.
L'analyse fournira un tableau de contingence et un CA avec quelques détails. Certains problèmes avec celui-ci seront abordés ci-dessous, cependant.
2. CA via JMP Analyse de correspondance multiple [Consumer Research] Plate-forme
Vous pouvez tromper cette plate-forme dans l'exécution de l'AC, bien qu'elle soit destinée à être utilisée avec plusieurs questions catégorielles plutôt que seulement deux (produit et attribut dans cet exemple).
Pour cela, même si cela peut sembler étrange, vous devez utiliser attributs comme Y et produits comme X . Cela vous donnera le tableau de contingence presque classique, à part le fait que les décomptes pour les contrôles (1) et les non-contrôles (0) sont donnés (voir la pièce jointe pour la capture d'écran).
Cela ne ressemble pas à une table de contingence classique, mais plutôt à la soi-disant matrice de Burt utilisée dans MCA. Cela est utile si vous avez plusieurs catégories par groupe, par exemple, les attributs peuvent prendre plusieurs niveaux (comme les groupes d'âge ou les couleurs de cheveux), mais pas nécessaires s'ils n'ont que deux niveaux (0 et 1), donc il suffit de dupliquer les données. Je pense avoir vu quelque part sur les pages d'aide JMP qu'ils exécutent maintenant une simple autorité de certification - c'est vrai, mais il est basé sur la table de contingence étendue (dupliquée), comme dit, pas comment je le ferais et rien que je n'ai jamais vu autre part. Les différences sont relativement mineures, mais les résultats ne sont pas identiques pour les deux tableaux de contingence. Avec JMP, vous obtenez également tous les attributs deux fois - une fois pour 0 et une fois pour 1 (voir la pièce jointe pour la capture d'écran).
La création manuelle de la même table de contingence (ou plutôt de la matrice de Burt) dans R me permet de reproduire exactement les résultats de JMP.
Un moyen d'inciter JMP à utiliser à la place la table de contingence classique consiste à définir 0 comme valeur manquante pour toutes les colonnes d'attribut. Dans ce cas, les résultats sont identiques à la première manière indiquée.
Notez que pour les deux approches, JMP utilise le tableau de contingence des nombres absolus. L'application Web mentionnée ci-dessus utilise des pourcentages (basés sur le nombre total d'observations pour l'attribut produit *). Cela conduit à des résultats légèrement différents qui ne seront pas visibles dans le graphique, mais apparaissent si vous regardez les coordonnées exactes. Ces différences peuvent être attribuées à l'arrondi numérique dans l'algorithme et disparaissent si l'AC est également exécutée sur des nombres absolus. Ils ont peu (lire: probablement pas) d'importance pratique, mais ils sont mentionnés ici au cas où quelqu'un comparerait les résultats à ce niveau de détail.
3. Problèmes avec CA dans JMP
Il y a (au moins) deux problèmes notables à mentionner avec l'implémentation actuelle de CA dans JMP, quelle que soit la plate-forme.
- JMP fonde l'AC sur les nombres absolus. Cela fonctionne bien si chaque produit et attribut a été évalué également souvent dans l'ensemble de données, sans aucune valeur manquante. Cependant, si pour une raison quelconque, le produit A a été évalué 100 fois, alors que tous les autres n'ont été évalués que 50 fois, cela conduira à des résultats absurdes, car les chiffres absolus sont alors simplement déterminés par la taille de l'échantillon plutôt que par les associations potentielles entre les produits et les attributs.
je présumer que cela pourrait être aidé en utilisant des poids appropriés pour avoir le même poids global pour tous les produits, mais je n'ai pas essayé cela. De toute façon, cela ne fonctionnerait que pour les produits, donc si certains évaluateurs avaient une liste d'attributs plus courte ou s'ils n'évaluaient tout simplement pas certains attributs (= valeurs manquantes), autant que je sache, il n'y a aucun moyen de résoudre ce problème. [NB: Il est peu probable que cela se produise avec les données CATA, car il est impossible de distinguer les données manquantes des non-vérifications, mais cela peut se produire dans d'autres études comme, par exemple, les tests d'applicabilité.]
Cela me semble une sérieuse limitation dans la pratique, donc jusqu'à ce qu'il y ait un bon remède à ce problème, je ne recommanderais pas d'utiliser l'une des plates-formes JMP pour effectuer une CA sur des données déséquilibrées. - L'autre défaut est dans le graphique que JMP produit par défaut: toute carte perceptuelle (souvent dite) ou similaire (PCA, CA, MDS, PLS,…) nécessite la même mise à l'échelle sur les deux axes, c'est-à-dire que la longueur physique d'une unité a être le même sur les axes x et y. Supposons que vous ayez 90% de variation expliquée sur x et seulement 5 sur y: alors l'affichage devrait représenter cela visuellement (sans vous référer aux nombres expliqués de variation, ce qui est difficile à intégrer dans l'interprétation pour les êtres humains). Cela signifie qu'un tel graphique aurait plutôt un format paysage que d'être carré (peut avoir des espaces blancs en haut en bas, ce que certains pourraient ne pas aimer). JMP ne le garantit pas par défaut et donne plutôt des échelles différentes. Le remède dans JMP est de cliquer avec le bouton droit sur le tracé CA et de choisir Taille / Échelle -> Taille en isométrique comme indiqué ci-dessous. Il est donc relativement facile de résoudre ce problème, mais les utilisateurs doivent se souvenir de l'avoir fait et c'est un effort supplémentaire inutile. Il est fortement souhaitable de faire de la mise à l'échelle isométrique la valeur par défaut pour ce graphique. J'irais même jusqu'à suggérer que ce devrait être une valeur par défaut qui ne peut pas être modifiée par l'utilisateur, car toute distorsion de la mise en page est susceptible de conduire à une mauvaise interprétation. Comme mentionné ci-dessus, cela devrait également être fait pour des graphiques similaires comme ceux de PCA, MDS, PLS et similaires (voir la pièce jointe pour la capture d'écran).
- Pas un problème, mais une opportunité: les tracés CA (comme les autres mentionnés) peuvent être arbitrairement réfléchis sur les axes x ou y (ou les deux). Ceci est proposé dans JMP 13 dans la plate-forme MDS (Flip vertical / horizontal). Ce n'est pas vraiment nécessaire pour les analyses individuelles, mais si les résultats de plusieurs études ou de petits groupes ou… doivent être comparés, il est utile de permettre à l'utilisateur d'appliquer les réflexions de sorte que les graphiques résultants aient la même orientation. Par conséquent, il serait utile d'avoir la même fonctionnalité pour CA ainsi que pour PCA, etc.
