All'inizio di un nuovo anno (c'è mai stato un momento in cui volevi ricominciare da capo ???), potresti aver iniziato a formulare alcuni nuovi obiettivi per l'anno o aver 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 analisti articolarmi: "Vorrei usare modelli (o più fare più modelli) in il mio lavoro." Questo obiettivo sembra più realizzabile di "Perderò 10 libbre". o "Dormirò otto ore", giusto?
Gli analisti sono un gruppo motivato, ma spesso si bloccano perché non hanno un metodo da seguire. Il più grande ostacolo che ho visto dagli analisti che vogliono utilizzare 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 questa: 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.
Rapida deviazione
Sapendo che questo è un argomento (e ciò che ho presentato in questa serie) che può suscitare 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 che sono stati utilizzati per perfezionare il volume e la consistenza della schiuma!)
Dopo aver lasciato la società CPG, ho trascorso 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 dovevano tutti utilizzare dati, analisi e software per creare veloce ma efficace decisioni. Alcuni hanno ricevuto una formazione formale in statistica, mentre la maggior parte ha semplicemente imparato le statistiche e il software statistico sul lavoro e sta cercando una guida chiara sulle migliori pratiche con un'enfasi sul principale "meno è meglio." Ho cercato di strutturare questa guida tenendo a mente questi professionisti (me compreso).
Cosa imparerai
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 impostare i report predefiniti in modo da presentare le informazioni più importanti agli analisti.
Per coloro che già utilizzano JMP: avete mai notato l'enfasi nella finestra di dialogo di input Adatta modello e vi siete chiesti di cosa si tratta? 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 gli analisti 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 il 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.
Menu salute e interpretazione del modello
Gli output del modello possono essere suddivisi in due categorie principali di output: salute 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.
Ho sviluppato il menu nella Figura 2 per aiutarti a concentrarti sugli output chiave in base a quanto in profondità vuoi andare (o quanto sei affamato, 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 post sul blog utilizzavano un menu da fast food, il che sembrava… incongruo:smiling_face_with_smiling_eyes:. Ti offro tre pasti:
Figura 2: Focus sugli output chiave nei minimi quadrati standard. Scegli il tuo pasto in base al tuo appetito!
- Il piatto vegetariano ha solo gli output principali ed è per l'analista che sta cercando di muoversi rapidamente o la cui analisi consente tale semplicità.
Il piatto vegetariano
- Il piatto vegetariano + grasso sano (il salmone è uno dei miei preferiti!) include le uscite Veggie Plate più output aggiuntivi che possono aiutare a trovare rimedi per la cattiva salute del modello o per gli analisti a cui piace davvero entrare nei dati. Gli Omega-3 hanno così tanti benefici curativi!
Piatto vegetariano + grasso sano
- Infine, il Pasto quadrato completo include output ("Whole Grains") che sono appropriati quando stai lottando per ottenere un buon modello o quando ti senti semplicemente più affamato di più output per aiutarti a capire il tuo problema.
Il pasto quadrato completo: piatto vegetariano + grassi sani + cereali integrali
Assaggiare il menu
Se vuoi seguire, userò il set di dati Tiretread nella libreria di dati di esempio di JMP. Se non disponi di JMP, puoi scaricare una versione di prova gratuita di 30 giorni o utilizzarla in un ambiente desktop remoto quando segui il corso Statistical Thinking for Industrial Problem Solving (anch'esso gratuito; collegamento nel PS).
Il set di dati Tiretread proviene da un esperimento progettato in cui l'obiettivo era di ottimizzare quattro caratteristiche del prodotto (risposte): abrasione, modulo, allungamento e durezza utilizzando tre ingredienti (fattori): silice, silano e zolfo. L'analisi dell'esperimento ha comportato la costruzione e l'utilizzo di quattro (uno per ciascuna risposta) modelli standard dei minimi quadrati che mettono in relazione i fattori (tramite termini del modello che descrivono gli effetti principali, le interazioni e le quadratiche *) a ciascuna delle quattro risposte.
* Non per battere un cavallo morto, ma i moduli Statistical Thinking for Industrial Problem Solving su Correlation and Regression e Design of Experiments ti aiuteranno a comprendere meglio la terminologia.
Sommario
Spero che sarai coraggioso nel 2021 e persegui questo obiettivo di utilizzare modelli nel tuo lavoro e imparare a interpretare i risultati. Sappi 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.
E 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 post 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 nei risultati del tuo modello.
Di ritorno tra una settimana!
PS Per approfondire il tema della modellazione, consiglio vivamente il Pensiero statistico per la risoluzione dei problemi industriali naturalmente offriamo che è gratuito, in particolare il modulo Correlation and Regression. Approfondisce i concetti statistici e include anche esercizi pratici (insieme all'accesso gratuito al nostro software).
