Questo è in seguito a una conversazione che ho avuto con diversi utenti interni di JMP, nonché con Martin Demel e Ian Cox di JMP durante il JMP day di questo novembre @ GIC (i dettagli su quell'evento possono essere trovato qui ). Mi è stato consigliato di inserirlo nella lista dei desideri, ma apparentemente non ha i privilegi per farlo, quindi pubblicarlo come discussione. Inoltre, poiché non riuscivo a capire come inserire comodamente schermate, allego un PDF praticamente con la stessa descrizione ma con schermate appropriate. Ci scusiamo per gli eventuali disagi causati, nonché per la lunghezza del post - è pensato per essere tanto esaustivo quanto potrei essere per illustrare i problemi e fornire dettagli sufficienti su come.
La prima domanda è come eseguire un'analisi della corrispondenza (CA) in JMP. La seconda domanda riguarda i watchout con JMP e le modifiche desiderate per rendere più utili le analisi di JMP ed evitare errori di interpretazione. Alcuni di questi sono uguali per altre mappe, ad esempio PCA, PLS, MDS o altri.
Vale la pena notare che alcuni dei ragionamenti provengono dalla consueta disposizione dei dati dalle domande check-all-that-apply, che spesso viene in un formato con oggetto * prodotto (* replica, se presente) in righe e attributi in colonne . I valori per gli attributi sono 1 se l'attributo è stato verificato e 0 in caso contrario (vedere l'allegato per screenshot).
C'è un webtool interno che consente l'analisi di questo tipo di dati e queste analisi sono considerate il riferimento in quanto segue; i risultati dalla parte CA del webtool sono stati controllati rispetto ad almeno 3 diversi pacchetti R e una propria implementazione in R basata sulla teoria sottostante, quindi è lecito ritenere che questi risultati rappresentino ciò che viene generalmente utilizzato per CA. I dettagli sul webtool sono forniti nella pagina di aiuto; per chiunque al di fuori di P&G: il webtool fornisce le seguenti analisi da Meyners et al (2013) : Tabella di emergenza, CA, test Q di Cochran basato su approssimazione, test binomiali, PLA, MDA, MDS.
1. CA tramite JMP Montare Y per X piattaforma
Per utilizzare questa piattaforma, è necessario impilare i dati in una colonna che contiene gli attributi (e un'altra che identifica il prodotto; Pila è il tuo amico in JMP qui, vedi allegato per screenshot).
Usando il Montare Y per X la piattaforma consente quindi di modellare gli attributi ("Etichetta") per prodotto ("Prodotto"), ma è importante utilizzare la colonna "Dati" come pesi nell'analisi (vedere allegato per screenshot).
In alternativa, è possibile eliminare tutte le righe con "Dati" == 0, nel qual caso non sarà più necessaria la colonna di peso.
L'analisi fornirà una tabella di contingenza e una CA con alcuni dettagli. Alcuni problemi con esso verranno discussi di seguito, tuttavia.
2. CA tramite JMP Analisi di corrispondenza multipla [Ricerca per il consumatore] piattaforma
È possibile ingannare questa piattaforma nell'esecuzione di CA, sebbene sia destinata a essere utilizzata con più domande categoriche anziché solo due (prodotto e attributo in questo esempio).
Per questo, anche se potrebbe sembrare strano, è necessario utilizzare attributi come Y e prodotti come X . Questo ti porterà alla tabella di contingenza quasi classica, a parte il fatto che vengono dati i conteggi sia per i controlli (1) che per i non-controlli (0) (vedi allegato per screenshot).
Questo è diverso da una classica tabella di contingenza, ma piuttosto la cosiddetta matrice di Burt usata in MCA. Ciò è utile se hai più categorie per gruppo, ad esempio gli attributi potrebbero richiedere diversi livelli (come fasce di età o tinte per capelli), ma non sono necessari se hanno solo due livelli (0 e 1), quindi duplica solo i dati. Penso di aver visto da qualche parte nelle pagine della guida di JMP che ora eseguono una semplice CA - questo è vero, ma si basa sulla tabella di contingenza estesa (duplicata), come detto, non come lo farei e niente che abbia mai visto altrove. Le differenze sono relativamente minori, ma i risultati non sono identici dalle due tabelle di contingenza. Con JMP, ottieni anche tutti gli attributi due volte - una volta per 0 e una per 1 (vedi allegato per screenshot).
La creazione manuale della stessa tabella di contingenza (o meglio della matrice di Burt) in R mi consente di riprodurre esattamente i risultati da JMP.
Un modo per indurre JMP a utilizzare la classica tabella di contingenza consiste nel definire 0 come valore mancante per tutte le colonne di attributi. In tal caso, i risultati sono identici al primo modo mostrato.
Si noti che per entrambi gli approcci, JMP utilizza la tabella di contingenza dei conteggi assoluti. L'applicazione Web sopra menzionata utilizza percentuali (basate sul numero totale di osservazioni per l'attributo prodotto *). Questo porta a risultati leggermente diversi che non saranno evidenti nel grafico, ma compaiono se si guardano le coordinate esatte. Queste differenze possono essere attribuite all'arrotondamento numerico dell'algoritmo e scompaiono se anche la CA viene eseguita su conteggi assoluti. Sono di scarsa importanza (leggi: probabilmente no), ma è menzionato qui nel caso in cui qualcuno paragona i risultati a quel livello di dettaglio.
3. Problemi con CA in JMP
Ci sono (almeno) due questioni degne di nota da menzionare con l'attuale implementazione di CA in JMP, indipendentemente dalla piattaforma.
- JMP basa la CA sui conteggi assoluti. Funziona bene se ogni prodotto e attributo sono stati valutati ugualmente spesso nel set di dati, senza valori mancanti. Tuttavia, se per qualche motivo il prodotto A è stato valutato 100 volte, mentre tutti gli altri sono stati valutati solo 50 volte, ciò porterà a risultati insensati poiché i conteggi assoluti sono semplicemente guidati dalla dimensione del campione piuttosto che da potenziali associazioni tra prodotti e attributi.
io assumere che questo potrebbe essere aiutato usando pesi appropriati per avere lo stesso peso complessivo per tutti i prodotti, ma non l'ho provato. Funzionerebbe comunque solo per i prodotti, quindi, se alcuni valutatori avessero un elenco di attributi più breve, o semplicemente non valutassero determinati attributi (= valori mancanti), per quanto posso vedere non c'è modo di risolverlo. [NB: È improbabile che ciò accada con i dati CATA, poiché è impossibile distinguere i dati mancanti dai non-controlli, ma potrebbe verificarsi in altri studi come, ad esempio, i test di applicabilità.]
Questo mi sembra un serio limite nella pratica, quindi fino a quando non ci sarà un buon rimedio per questo problema, non consiglierei di utilizzare nessuna delle piattaforme di JMP per eseguire CA su dati sbilanciati. - L'altro difetto è nella grafica che JMP produce di default: qualsiasi mappa percettiva (spesso cosiddetta) o simili (PCA, CA, MDS, PLS, ...) richiede lo stesso ridimensionamento su entrambi gli assi, ovvero la lunghezza fisica di un'unità ha essere lo stesso su entrambi gli assi X e Y. Supponiamo di avere una variazione del 90% spiegata su xe solo 5 su y: Quindi il display dovrebbe rappresentarlo visivamente (senza che tu faccia riferimento ai numeri spiegati sulla variazione, che è difficile da integrare nell'interpretazione per gli esseri umani). Ciò significa che un tale elemento grafico avrebbe piuttosto un formato orizzontale piuttosto che quadrato (potrebbe avere spazi bianchi nella parte superiore del fondo, che alcuni potrebbero non gradire). JMP non lo garantisce per impostazione predefinita e offre piuttosto scale diverse. Il rimedio in JMP è fare clic con il pulsante destro del mouse sul grafico della CA e scegliere Dimensione / Scala -> Dimensione a Isometrica come mostrato di seguito. Quindi è relativamente facile risolvere questo problema, ma gli utenti devono ricordare di averlo effettivamente fatto ed è uno sforzo extra inutile. È fortemente desiderabile impostare il ridimensionamento isometrico come predefinito per questo grafico. Andrei anche al punto di suggerire che dovrebbe essere un valore predefinito che non può essere modificato dall'utente, poiché qualsiasi distorsione del layout è soggetta a errori di interpretazione. Come accennato in precedenza, questo dovrebbe essere fatto anche per grafici simili come quelli di PCA, MDS, PLS e simili (vedi allegato per screenshot).
- Non un problema, ma un'opportunità: i grafici CA (come gli altri citati) possono essere riflessi arbitrariamente sull'asse x o y (o entrambi). Questo è offerto in JMP 13 nella piattaforma MDS (Flip verticale / orizzontale). Non è realmente necessario per le singole analisi, ma se si devono confrontare i risultati di più studi o sblocchi o ..., è utile consentire all'utente di applicare le riflessioni in modo tale che i grafici risultanti abbiano lo stesso orientamento. Pertanto, sarebbe utile disporre della stessa funzionalità per CA, PCA, ecc.
