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 d'analystes 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?
Les analystes 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 analystes qui souhaitent utiliser des modèles pour résoudre leurs problèmes est qu'ils se confondent et / ou s'enlisent avec tous les résultats dont ils ont besoin pour examiner une fois qu'ils 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 la suivante: 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.
Détour rapide
Sachant que c'est un sujet (et ce que je propose dans cette série) qui peut susciter beaucoup de débats et de discussions, permettez-moi de 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 parfaire 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 créer rapide mais sonore les décisions. Quelques-uns ont reçu une formation formelle en statistique, 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 les principales "moins est plus." J'ai essayé de structurer cette orientation avec ces pratiquants à l'esprit (moi y compris).
Ce que tu apprendras
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 réconfortés par le fait que les statisticiens et les développeurs JMP configurer les rapports par défaut de manière à présenter les informations les plus importantes aux analystes.
Pour ceux qui utilisent déjà JMP: avez-vous déjà remarqué l'emphase dans la boîte de dialogue de saisie Ajuster le modèle 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 analystes 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 il fait cela, vous pouvez lire le 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.
Menu de santé et d'interprétation du modèle
Les produits du modèle peuvent être divisés en deux grandes catégories de produits: santé du modèle et 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.
J'ai développé le menu de la figure 2 pour vous aider à vous concentrer sur les résultats clés 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 pour le nouvel an! Mes précédentes ébauches de ce billet de blog utilisaient un tableau de menu de restauration rapide, ce qui semblait ... incongru:smiling_face_with_smiling_eyes:. Je vous propose trois repas:
Figure 2: Concentrez-vous sur les principaux résultats des moindres carrés standard. Choisissez votre repas en fonction de votre appétit!
- L'assiette végétarienne ne contient que les principaux résultats et s'adresse à l'analyste qui cherche à agir rapidement ou dont l'analyse permet cette simplicité.
L'assiette végétarienne
- L'assiette Veggie + Healthy Fat (le saumon est l'un de mes préférés!) comprend les sorties Veggie Plate plus des sorties supplémentaires qui peuvent aider à trouver des remèdes en cas de mauvaise santé du modèle ou pour les analystes qui aiment vraiment entrer dans les données. Les oméga-3 ont tellement d'avantages curatifs!
Assiette végétarienne + graisse saine
- Finalement, le Repas carré complet 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.
Le repas carré complet: assiette végétarienne + graisse saine + grains entiers
Goûter tester le menu
Si vous voulez suivre, j'utiliserai l'ensemble de données Tiretread dans la bibliothèque de données d'exemple de JMP. Si vous n'avez pas JMP, vous pouvez télécharger un essai gratuit de 30 jours ou l'utiliser dans un environnement de bureau à distance lorsque vous suivez le cours de réflexion statistique pour la résolution de problèmes industriels (également gratuit; lien dans le PS).
L'ensemble de données Tiretread provient d'une expérience conçue dans laquelle l'objectif était d'optimiser quatre caractéristiques du produit (réponses): l'abrasion, le module, l'allongement et la dureté en utilisant trois ingrédients (facteurs): la silice, le silane et le soufre. L'analyse de l'expérience a consisté à construire et à utiliser quatre modèles standard des moindres carrés (un pour chaque réponse) reliant les facteurs (via des termes de modèle décrivant les principaux effets, interactions et quadratiques *) à chacune des quatre réponses.
* Ne pas battre un cheval mort, mais les modules de réflexion statistique pour la résolution de problèmes industriels sur la corrélation et la régression et la conception d'expériences vous aideront à mieux comprendre la terminologie.
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 que JMP vous soutient avec les paramètres par défaut de la plateforme 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.
Et 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 articles, je décrirai comment interpréter les extrants de chacun des trois «repas» et quelles mesures prendre en réponse, 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 résultats de votre modèle.
De retour dans une semaine!
PS Pour approfondir le sujet de la modélisation, je recommande vivement le Pensée statistique pour la résolution de problèmes industriels cours que nous proposons gratuitement, en particulier le module de corrélation et de régression. Il approfondit les concepts statistiques et comprend également des exercices pratiques (ainsi qu'un accès gratuit à notre logiciel).
