kfsjdfkjskdfjksdkfsldfjks
Au début d'une nouvelle année (y a-t-il déjà eu un moment où vous vouliez un nouveau départ ???), vous avez peut-être commencé à formuler de nouveaux objectifs pour l'année ou commencé à y travailler déjà. Nous sommes dans quelques jours en 2021, alors j'espère que vous n'avez pas encore abandonné ceux que vous avez créés!
Si vous avez de la place pour une autre résolution du nouvel an (ou si vous en avez besoin d'une nouvelle), puis-je en suggérer une que j'ai entendu beaucoup de JMP-ers m'expliquer: «Je voudrais utiliser des modèles (ou plus faire plus de modélisation ) dans mon travail." Cet objectif semble plus réalisable que «je vais perdre 10 livres». ou «Je vais dormir huit heures», n'est-ce pas?
Nos utilisateurs JMP sont un groupe motivé mais ils sont souvent bloqués parce qu'ils n'ont pas de méthode à suivre. Le plus grand obstacle que j'ai vu de la part des personnes qui souhaitent utiliser des modèles pour résoudre leurs problèmes est qu'elles se confondent et / ou s'enlisent avec toutes les sorties dont elles ont besoin pour regarder une fois qu'elles ont construit un modèle.
«Quels modèles de sortie devrais-je examiner? Il y en a tellement! Et comment dois-je les interpréter?
La vérité est: il y a beaucoup de résultats que vous pouvez regarder et cela peut être assez accablant si vous ne savez pas lesquels sont les plus importants et ce qu'ils vous disent.
Sachant que c'est un sujet (et ce que je propose dans cette série) va probablement susciter beaucoup de débats et de discussions, laissez-moi vous parler un peu de mon parcours afin que vous ayez un contexte pour mon point de vue. Ma formation est en génie biomédical et j'ai travaillé dans la R&D de dispositifs médicaux pendant plusieurs années avant de passer à un rôle de statisticien appliqué pour une société de produits de consommation emballés (CPG) aidant les formulateurs de shampooings à concevoir et analyser des expériences pour mieux formuler le shampooing. (La prochaine fois que vous vous lavez les cheveux, rendez hommage aux modèles statistiques qui ont été utilisés pour perfectionner le volume et la texture de la mousse!) Après avoir quitté la société CPG, j'ai passé une bonne partie de ma carrière à utiliser des données et des analyses dans le commerce de détail. Les scientifiques, ingénieurs, analystes commerciaux et autres collaborateurs avec lesquels j'ai travaillé ont tous dû utiliser des données, des analyses et des logiciels pour prendre des décisions rapides mais judicieuses. Certains ont suivi une formation en statistiques, tandis que la majorité a simplement appris les statistiques et les logiciels statistiques sur le tas et recherchent des conseils clairs sur les meilleures pratiques en mettant l’accent sur le principe «moins, c’est plus». J'ai essayé de structurer cette orientation avec ces pratiquants à l'esprit (moi y compris).
Dans cette série de blogs en cinq parties, je vais me concentrer sur les sorties du modèle de régression, en particulier sur la sortie des moindres carrés standard, car c'est la méthode la plus couramment utilisée pour la modélisation. Les moindres carrés standard sont un bon début, en particulier pour les novices en modélisation.
Tout d'abord, soyez réconforté par le fait que les statisticiens et les développeurs de JMP ont configuré les rapports par défaut de manière à présenter les informations les plus importantes aux utilisateurs.
Avez-vous déjà remarqué l'accentuation dans la boîte de dialogue de saisie Fit Model et vous êtes-vous demandé ce que c'était? Je sais que j'ai été assez confus à ce sujet pendant un moment. Contrairement aux options Personnalité juste au-dessus, Emphasis ne change pas le type d'analyse qui est effectuée. Les différentes options activent simplement différentes sorties de modèle par défaut lorsque vous cliquez sur Exécuter. JMP utilise la quantité de données (nombre de lignes) que vous avez en combinaison avec le nombre de termes de modèle que vous souhaitez estimer (nombre de termes dans la boîte de dialogue Effets de modèle) pour déterminer le meilleur ensemble de sorties à vous montrer en définissant un accent par défaut (Figure 1). JMP guide toujours les gens vers le meilleur chemin et l'accent choisi ne fait pas exception. JMP utilise le contenu de vos données pour définir l'emphase par défaut. (Pour plus de détails sur la façon dont cela fonctionne, vous pouvez lire la documentation.)
Figure 1: Accentuation des moindres carrés standard. JMP définit un accent par défaut basé sur vos données, mais vous pouvez le modifier. L'accentuation détermine l'ensemble des sorties affichées; cela n'affecte pas l'analyse statistique.
Les sorties affichées après avoir cliqué sur Exécuter sont celles sur lesquelles vous devez vous concentrer en premier. Les sorties les plus importantes compte tenu de vos données et du modèle que vous essayez d'ajuster sont développées et affichées.
Cela étant dit, il y a encore beaucoup de graphiques et de tableaux à regarder et sans formation, vous ne saurez pas quels extrants donner la priorité et comment interpréter ou agir sur ces extrants. Malheureusement, il n'y a toujours pas de pilule que vous pouvez prendre pour vous donner cette connaissance!
Jusqu'à ce que cette pilule existe, j'espère que cet article de blog servira de guide rapide.
Les produits du modèle peuvent être divisés en deux catégories principales de produits: la santé du modèle et l'interprétation. Les résultats de santé du modèle vous aident à déterminer si votre modèle est sain ou si vous devez effectuer des «premiers soins». Les résultats d'interprétation sont ceux qui vous aident à décider quels facteurs sont importants et comment ils influencent la ou les réponses.
Vous pouvez utiliser le menu de la figure 2 pour vous concentrer sur les principaux résultats en fonction de la profondeur à laquelle vous voulez aller (ou de votre faim, pour ainsi dire). Je pense qu'il n'est approprié d'utiliser des aliments sains dans ce menu que parce que nous avons tous notre meilleur comportement (ou avons les meilleures intentions) lors de la définition de nos résolutions du Nouvel An! Mes précédentes ébauches de ce blog utilisaient un tableau de menu McDonald's qui semblait… incongru. Je vous propose trois repas:
· Le Veggie Plate a uniquement les sorties de base et est destiné à l'utilisateur qui cherche à se déplacer rapidement ou dont l'analyse permet cette simplicité.
· Le Veggie + Salmon (Healthy Fat) comprend les sorties Veggie Plate ainsi que des sorties supplémentaires qui peuvent aider à trouver des remèdes pour la mauvaise santé du modèle ou pour les utilisateurs qui aiment vraiment entrer dans les données. Les oméga-3 ont tellement d'avantages curatifs!
· Enfin, le Full Square Meal inclut des sorties («Whole Grains») qui sont appropriées lorsque vous avez du mal à obtenir un bon modèle ou lorsque vous vous sentez simplement très affamé pour plus de sorties pour vous aider à comprendre votre problème.
Figure 2: Résultats clés dans les moindres carrés standard. Choisissez votre menu en fonction de votre appétit!
Sommaire
J'espère que vous serez audacieux en 2021 et que vous poursuivrez cet objectif d'utiliser des modèles dans votre travail et d'apprendre à interpréter les résultats. Sachez simplement que JMP vous soutient avec les paramètres par défaut de la plate-forme Fit Model. JMP considère la quantité de données dont vous disposez et le nombre d'effets que vous essayez d'estimer et vous présente les résultats les plus importants.
J'ai aussi ton dos! J'espère que vous continuerez à lire le reste de cette série de blogs pour gagner en confiance en utilisant des modèles.
Dans les trois prochains blogs, je décrirai comment interpréter les extrants de chacun des trois «repas» et quelles mesures prendre pour y répondre, le cas échéant. Dans le dernier article de blog de cette série, je montrerai comment vous pouvez définir vos préférences dans JMP afin que vos sorties préférées apparaissent toujours dans les sorties de votre modèle.
De retour dans une semaine!
PS Pour approfondir le sujet de la modélisation, je recommande vivement le cours de réflexion statistique pour la résolution de problèmes industriels que nous proposons gratuitement [lien], en particulier le module de corrélation et de régression. Il g
