A medida que comienza un nuevo año (¿hubo alguna vez en que quisiera comenzar de nuevo más?), Es posible que haya comenzado a formular algunas metas nuevas para el año o que ya haya comenzado a trabajar para lograrlas. Estamos a pocos días del 2021, ¡así que espero que aún no hayas abandonado los que hiciste!
Si tiene espacio para otra resolución de año nuevo (o si necesita una nueva), puedo sugerir una que he escuchado a muchos analistas articularme: “Me gustaría usar modelos (o más hacer más modelos) en mi trabajo." Este objetivo parece más alcanzable que "Perderé 10 libras". o "dormiré ocho horas", ¿verdad?
Los analistas son un grupo motivado, pero a menudo se quedan estancados porque no tienen un método a seguir. La barrera más grande que he visto de los analistas que quieren usar modelos para resolver sus problemas es que se confunden y / o se atascan con todos los resultados que necesitan ver una vez que han construido un modelo.
“¿Qué resultados del modelo debería estar mirando? ¡Hay tantos! ¿Y cómo debo interpretarlos? "
La verdad es esta: hay muchos resultados que puedes ver y puede ser bastante abrumador si no sabes cuáles son los más importantes y qué te están diciendo.
Desvío rápido
Sabiendo que este es un tema (y lo que expuse en esta serie) que puede generar mucho debate y discusión, permítanme contarles un poco sobre mis antecedentes para que tengan algo de contexto para mi punto de vista. Mi educación es en ingeniería biomédica y trabajé en I + D de dispositivos médicos durante varios años antes de pasar a un rol como estadístico aplicado para una empresa de bienes de consumo empaquetados (CPG) que apoya a los formuladores de champús en el diseño y análisis de experimentos para formular mejor el champú. (La próxima vez que te laves el cabello, rinde homenaje a los modelos estadísticos que se utilizaron para perfeccionar el volumen y la textura de la espuma).
Después de dejar la empresa CPG, pasé una buena parte de mi carrera utilizando datos y análisis en el comercio minorista. Los científicos, ingenieros, analistas de negocios y otros colaboradores con los que trabajé tuvieron que usar datos, análisis y software para hacer rápido pero sólido decisiones. Algunos recibieron alguna capacitación formal en estadística, mientras que la mayoría simplemente aprendió estadística y software estadístico en el trabajo y busca una guía clara sobre las mejores prácticas con énfasis en el principal "menos es más." Traté de estructurar esta guía con estos practicantes en mente (incluido yo mismo).
Lo que aprenderás
En esta serie de blogs de cinco partes, me centraré en los resultados del modelo de regresión, específicamente, en el resultado de mínimos cuadrados estándar porque es el método más utilizado para el modelado. Los mínimos cuadrados estándar son un gran comienzo, especialmente para aquellos que son nuevos en el modelado.
Primero, consuélese con el hecho de que los estadísticos y desarrolladores de JMP Configure los informes predeterminados de manera que presente la información más importante a los analistas.
Para aquellos que ya usan JMP: ¿Alguna vez notó el énfasis en el cuadro de diálogo de entrada Ajustar modelo y se preguntó qué es? Sé que estuve bastante confundido al respecto por un tiempo. En contraste con las opciones de Personalidad justo encima, Énfasis no cambia el tipo de análisis que se realiza. Las diferentes opciones simplemente activan diferentes salidas de modelos de forma predeterminada cuando hace clic en Ejecutar. JMP usa la cantidad de datos (número de filas) que tiene en combinación con el número de términos del modelo que desea estimar (número de términos en el cuadro de diálogo Efectos del modelo) para determinar el mejor conjunto de resultados para mostrarle estableciendo un énfasis predeterminado (Figura 1). JMP siempre está guiando a los analistas hacia el mejor camino, y el énfasis seleccionado no es una excepción. JMP utiliza el contenido de sus datos para establecer el énfasis predeterminado. (Para obtener más detalles sobre cómo hace esto, puede leer el documentación .)
Figura 1: Énfasis en mínimos cuadrados estándar. JMP establece un énfasis predeterminado en función de sus datos, pero puede cambiarlo. El énfasis determina el conjunto de salidas que se muestran; no afecta el análisis estadístico.
Las salidas que se muestran después de hacer clic en Ejecutar son en las que debe concentrarse primero. Los resultados que son los más importantes dados sus datos y el modelo que está tratando de ajustar se expanden y muestran.
Dicho esto, todavía hay muchos gráficos y tablas para mirar y, sin un poco de capacitación, no sabrá qué resultados priorizar y cómo interpretar o tomar medidas sobre esos resultados. Lamentablemente, todavía no hay ninguna píldora que pueda tomar para obtener este conocimiento.
Hasta que exista esa píldora, espero que esta publicación de blog sirva como una guía rápida.
Menú de interpretación y salud del modelo
Los resultados del modelo se pueden dividir en dos categorías principales de resultados: modelo de salud y interpretación . Los resultados de salud del modelo lo ayudan a determinar si su modelo es saludable o si necesita realizar algunos "primeros auxilios". Los resultados de la interpretación son los que le ayudan a decidir qué factores son importantes y cómo influyen en las respuestas.
He desarrollado el menú de la Figura 2 para ayudarlo a concentrarse en los resultados clave en función de qué tan profundo desea llegar (o qué tan hambriento está, por así decirlo). ¡Creo que solo es apropiado usar alimentos saludables en este menú porque todos nos comportamos de la mejor manera (o tenemos las mejores intenciones) al establecer nuestras resoluciones de año nuevo! Mis borradores anteriores de esta publicación de blog usaban un tablero de menú de comida rápida, que parecía ... incongruente:smiling_face_with_smiling_eyes:. Te ofrezco tres comidas:
Figura 2: Concéntrese en los resultados clave en Mínimos cuadrados estándar. ¡Elija su comida según su apetito!
- El plato de verduras tiene solo los resultados básicos y es para el analista que busca moverse rápidamente o cuyo análisis permite esa simplicidad.
El plato de verduras
- El plato de verduras + grasa saludable (¡el salmón es uno de mis favoritos!) Incluye las salidas de Veggie Plate más resultados adicionales que pueden ayudar a encontrar soluciones para el mal estado del modelo o para los analistas a quienes realmente les gusta ingresar a los datos. ¡Los omega-3 tienen tantos beneficios curativos!
Plato de verduras + Grasa saludable
- Finalmente, el Comida cuadrada completa incluye resultados ("cereales integrales") que son apropiados cuando está luchando por obtener un buen modelo o cuando simplemente se siente más hambriento de más resultados que le ayuden a comprender su problema.
La comida cuadrada completa: plato de verduras + grasa saludable + cereales integrales
Prueba probando el menú
Si desea seguir adelante, usaré el conjunto de datos Tiretread en la biblioteca de datos de muestra de JMP. Si no tiene JMP, puede descargar una prueba gratuita de 30 días o usarla en un entorno de escritorio remoto cuando realice el curso Pensamiento estadístico para la resolución de problemas industriales (también gratuito; enlace en la PS).
El conjunto de datos de Tiretread proviene de un experimento diseñado en el que el objetivo era optimizar cuatro características del producto (respuestas): abrasión, módulo, alargamiento y dureza utilizando tres ingredientes (factores): sílice, silano y azufre. El análisis del experimento implicó la construcción y el uso de cuatro (uno para cada respuesta) modelos de mínimos cuadrados estándar que relacionan los factores (mediante términos del modelo que describen los efectos principales, interacciones y cuadráticas *) con cada una de las cuatro respuestas.
* No es para vencer a un caballo muerto, pero los módulos de Pensamiento estadístico para la resolución de problemas industriales sobre correlación y regresión y el diseño de experimentos lo ayudarán a comprender mejor la terminología.
Resumen
Espero que sea valiente en 2021 y persiga este objetivo de utilizar modelos en su trabajo y aprender a interpretar los resultados. Sepa que JMP lo respalda con la configuración predeterminada en la plataforma Fit Model. JMP considera la cantidad de datos que tiene y la cantidad de efectos que está tratando de estimar y le presenta los resultados más importantes.
¡Y yo también tengo tu espalda! Espero que continúe leyendo el resto de esta serie de blogs para obtener un impulso adicional de confianza al usar modelos.
En las siguientes tres publicaciones, describiré cómo interpretar los resultados que se encuentran en cada una de las tres “comidas” y qué acciones tomar en respuesta a ellas cuando sea apropiado. En la última publicación de blog de esta serie, mostraré cómo puede configurar sus preferencias en JMP para que sus salidas favoritas siempre aparezcan en los resultados de su modelo.
¡De vuelta en una semana!
PD Para profundizar en el tema del modelado, recomiendo encarecidamente el Pensamiento estadístico para la resolución de problemas industriales curso que ofrecemos que es gratuito, específicamente el módulo de Correlación y Regresión. Profundiza en los conceptos estadísticos e incluye también ejercicios prácticos (junto con acceso gratuito a nuestro software).
