kfsjdfkjskdfjksdkfsldfjks
All'inizio del nuovo anno (c'è mai stato un momento in cui avresti voluto ricominciare da capo ???), potresti aver iniziato a formulare alcuni nuovi obiettivi per l'anno o hai già iniziato a lavorare per raggiungerli. Mancano pochi giorni al 2021, quindi spero che tu non abbia ancora abbandonato quelli che hai creato!
Se hai spazio per la risoluzione di un altro anno nuovo (o se ne hai bisogno di una nuova), posso suggerirne una che ho sentito molti JMP-ers articolarmi: "Vorrei usare modelli (o più fare più modelli ) Nel mio lavoro." Questo obiettivo sembra più realizzabile di "Perderò 10 libbre". o "Dormirò otto ore", giusto?
I nostri utenti JMP sono un gruppo motivato ma spesso si bloccano perché non hanno un metodo da seguire. Il più grande ostacolo che ho riscontrato tra le persone che vogliono usare i modelli per risolvere i loro problemi è che si confondono e / o si impantanano con tutti gli output di cui hanno bisogno per guardare subito dopo aver costruito un modello.
“Quali risultati del modello dovrei guardare? Ci sono così tanti! E come dovrei interpretarli? "
La verità è: ci sono molti risultati che puoi guardare e può essere piuttosto travolgente se non sai quali sono i più importanti e cosa ti stanno dicendo.
Sapendo che questo è un argomento (e ciò che ho esposto in questa serie) probabilmente susciterà molti dibattiti e discussioni, lascia che ti parli un po 'del mio background in modo da avere un contesto per il mio punto di vista. La mia formazione è in ingegneria biomedica e ho lavorato nella ricerca e sviluppo di dispositivi medici per diversi anni prima di passare a un ruolo di statistico applicato per un'azienda di beni di consumo confezionati (CPG) che supporta i formulatori di shampoo nella progettazione e analisi di esperimenti per formulare meglio lo shampoo. (La prossima volta che ti lavi i capelli, rendi omaggio ai modelli statistici utilizzati per perfezionare il volume e la consistenza della schiuma!) Dopo aver lasciato l'azienda CPG, ho trascorso una buona parte della mia carriera utilizzando dati e analisi nella vendita al dettaglio. Gli scienziati, gli ingegneri, gli analisti aziendali e gli altri collaboratori con cui ho lavorato hanno dovuto utilizzare dati, analisi e software per prendere decisioni rapide ma valide. Alcuni avevano una formazione in statistica, mentre la maggioranza ha semplicemente imparato le statistiche e il software statistico sul lavoro e sono alla ricerca di una guida chiara sulle migliori pratiche con un'enfasi sul principio "meno è meglio". Ho cercato di strutturare questa guida tenendo a mente questi professionisti (me compreso).
In questa serie di blog in cinque parti, mi concentrerò sugli output del modello di regressione, in particolare sull'output dei minimi quadrati standard perché questo è il metodo più comunemente utilizzato per la modellazione. I minimi quadrati standard sono un ottimo inizio, in particolare per i principianti nella modellazione.
Innanzitutto, sii confortato dal fatto che gli statistici e gli sviluppatori di JMP hanno impostato i report predefiniti in modo da presentare le informazioni più importanti agli utenti.
Hai mai notato l'enfasi nella finestra di dialogo di input Fit Model e ti sei chiesto cosa sia? So di essere stato piuttosto confuso per un po '. Contrariamente alle opzioni di personalità subito sopra, Enfasi non cambia il tipo di analisi che viene eseguita. Le diverse opzioni attivano semplicemente output di modelli diversi come impostazione predefinita quando si fa clic su Esegui. JMP utilizza la quantità di dati (numero di righe) disponibili in combinazione con il numero di termini del modello che si desidera stimare (numero di termini nella finestra di dialogo Effetti modello) per determinare il miglior set di output da mostrare impostando un'enfasi predefinita (Figura 1). JMP guida sempre le persone verso il percorso migliore e l'Emphasis selezionato non fa eccezione. JMP utilizza il contenuto dei dati per impostare l'enfasi predefinita. (Per maggiori dettagli su come lo fa, puoi leggere la Documentazione.)
Figura 1: enfasi dei minimi quadrati standard. JMP imposta un'enfasi predefinita in base ai dati, ma è possibile modificarla. L'enfasi determina l'insieme di output visualizzati; non influisce sull'analisi statistica.
Gli output visualizzati dopo aver fatto clic su Esegui sono quelli su cui dovresti concentrarti per primi. Gli output più importanti in base ai dati e al modello che si sta tentando di adattare vengono espansi e visualizzati.
Detto questo, ci sono ancora molti grafici e tabelle da guardare e senza un po 'di formazione, non saprai a quali output dare la priorità e come interpretare o agire su tali output. Purtroppo, non c'è ancora nessuna pillola che puoi prendere per darti questa conoscenza!
Fino a quando non esisterà quella pillola, spero che questo post sul blog serva da guida rapida.
Gli output del modello possono essere suddivisi in due categorie principali di output: integrità del modello e interpretazione. I risultati sulla salute del modello ti aiutano a determinare se il tuo modello è sano o se devi eseguire un po 'di "pronto soccorso". I risultati dell'interpretazione sono quelli che ti aiutano a decidere quali fattori sono importanti e come influenzano le risposte.
È possibile utilizzare il menu nella Figura 2 per concentrarsi sugli output chiave in base a quanto si vuole andare in profondità (o quanto si ha fame, per così dire). Penso che sia appropriato usare cibi sani in questo menu perché ci comportiamo tutti al meglio (o abbiamo le migliori intenzioni) quando fissiamo i nostri propositi per il nuovo anno! Le mie precedenti bozze di questo blog utilizzavano un menu di McDonald's che sembrava… incongruo. Ti offro tre pasti:
· Il Veggie Plate ha solo le uscite principali ed è per l'utente che sta cercando di muoversi rapidamente o la cui analisi consente quella semplicità.
· Veggie + Salmon (Healthy Fat) include le uscite Veggie Plate più uscite aggiuntive che possono aiutare a trovare rimedi per la cattiva salute del modello o per gli utenti che amano davvero entrare nei dati. Gli Omega-3 hanno così tanti benefici curativi!
· Infine, il Full Square Meal include output ("Whole Grains") che sono appropriati quando stai lottando per ottenere un buon modello o quando ti senti semplicemente affamato di più output per aiutarti a capire il tuo problema.
Figura 2: output chiave nei minimi quadrati standard. Scegli il tuo menu in base al tuo appetito!
Sommario
Spero che sarai coraggioso nel 2021 e persegui questo obiettivo di utilizzare modelli nel tuo lavoro e imparare a interpretare i risultati. Sappi solo che JMP ti copre le spalle con le impostazioni predefinite nella piattaforma Fit Model. JMP considera la quantità di dati di cui disponi e il numero di effetti che stai cercando di stimare e ti presenta gli output più importanti.
Ho anche la schiena! Spero che continuerai a leggere il resto di questa serie di blog per ottenere un ulteriore aumento di fiducia utilizzando i modelli.
Nei prossimi tre blog, descriverò come interpretare gli output presenti in ciascuno dei tre "pasti" e quali azioni intraprendere in risposta ad essi, se del caso. Nell'ultimo post del blog di questa serie, mostrerò come puoi impostare le tue preferenze in JMP in modo che i tuoi output preferiti vengano sempre visualizzati negli output del tuo modello.
Di ritorno tra una settimana!
PS Per approfondire l'argomento della modellazione, consiglio vivamente il corso di Statistical Thinking for Industrial Problem Solving che offriamo che è gratuito [link], in particolare il modulo Correlation and Regression. È g
