Wenn ein neues Jahr beginnt (gab es jemals eine Zeit, in der Sie sich mehr einen Neuanfang wünschten???), haben Sie vielleicht damit begonnen, einige neue Ziele für das Jahr zu formulieren oder bereits begonnen, auf sie hinzuarbeiten. Wir haben ein paar Tage im Jahr 2021, also haben Sie hoffentlich die, die Sie gemacht haben, noch nicht aufgegeben!
Wenn Sie Platz für einen weiteren Neujahrsvorsatz haben (oder einen neuen brauchen), darf ich Ihnen einen vorschlagen, den ich von vielen Analysten gehört habe: „Ich würde gerne Modelle verwenden (oder mehr Modellierung betreiben). meine Arbeit." Dieses Ziel klingt erreichbarer als „Ich werde 10 Pfund verlieren“. oder „Ich werde acht Stunden schlafen“, richtig?
Analysten sind ein motivierter Haufen, aber sie bleiben oft stecken, weil sie keine Methode haben, der sie folgen können. Das größte Hindernis, das ich bei Analysten gesehen habe, die Modelle verwenden möchten, um ihre Probleme zu lösen, besteht darin, dass sie verwirrt und/oder festgefahren sind mit all den Ergebnissen, die sie sich ansehen müssen, sobald sie ein Modell erstellt haben.
„Welche Modellergebnisse sollte ich mir ansehen? Es gibt so viele! Und wie soll ich sie interpretieren?“
Die Wahrheit ist: Es gibt viele Ergebnisse, die Sie sich ansehen können, und es kann ziemlich überwältigend sein, wenn Sie nicht wissen, welche die wichtigsten sind und was sie Ihnen sagen.
Schneller Umweg
Da ich weiß, dass dies ein Thema ist (und was ich in dieser Serie darlege), das viele Debatten und Diskussionen auslösen kann, lassen Sie mich Ihnen ein wenig über meinen Hintergrund erzählen, damit Sie einen Kontext für meinen Standpunkt haben. Ich habe eine Ausbildung in Biomedizintechnik und arbeitete mehrere Jahre in der Forschung und Entwicklung von Medizinprodukten, bevor ich zu einer Rolle als angewandter Statistiker für ein Konsumgüterunternehmen (CPG) wechselte, wo ich Shampoo-Formulierer bei der Entwicklung und Analyse von Experimenten zur besseren Formulierung von Shampoo unterstützte. (Wenn Sie das nächste Mal Ihre Haare waschen, würdigen Sie die statistischen Modelle, die verwendet wurden, um das Volumen und die Textur des Schaums zu perfektionieren!)
Nachdem ich das CPG-Unternehmen verlassen hatte, verbrachte ich einen guten Teil meiner Karriere mit der Nutzung von Daten und Analysen im Einzelhandel. Die Wissenschaftler, Ingenieure, Business-Analysten und andere Mitarbeiter, mit denen ich zusammengearbeitet habe, mussten alle Daten, Analysen und Software verwenden, um sie zu erstellen schnell aber solide Entscheidungen. Einige wenige hatten eine formale Ausbildung in Statistik, während die Mehrheit Statistik und Statistiksoftware einfach am Arbeitsplatz lernte und nach klaren Anleitungen zu bewährten Verfahren mit Schwerpunkt auf dem Prinzip sucht "weniger ist mehr." Ich habe versucht, diese Anleitung mit Blick auf diese Praktizierenden (mich eingeschlossen) zu strukturieren.
Was Sie lernen werden
In dieser fünfteiligen Blogserie werde ich mich auf Regressionsmodellausgaben konzentrieren, insbesondere auf die Standardausgabe der kleinsten Quadrate, da dies die am häufigsten verwendete Methode für die Modellierung ist. Standard-Kleinste-Quadrate-Methoden sind ein großartiger Anfang, insbesondere für diejenigen, die neu in der Modellierung sind.
Lassen Sie sich zunächst von der Tatsache trösten, dass die Statistiker und Entwickler bei JMP Richten Sie die Standardberichte so ein, dass Analysten die wichtigsten Informationen präsentiert werden.
Für diejenigen, die JMP bereits verwenden: Ist Ihnen jemals die Hervorhebung im Eingabedialog „Modell anpassen“ aufgefallen und Sie haben sich gefragt, was das ist? Ich weiß, ich war eine Weile ziemlich verwirrt darüber. Im Gegensatz zu den Persönlichkeitsoptionen direkt darüber ändert Betonung nicht die Art der durchgeführten Analyse. Die verschiedenen Optionen schalten einfach standardmäßig verschiedene Modellausgaben ein, wenn Sie auf Ausführen klicken. JMP verwendet die Datenmenge (Anzahl der Zeilen), die Sie haben, in Kombination mit der Anzahl der Modellterme, die Sie schätzen möchten (Anzahl der Terme im Dialogfeld „Modelleffekte“), um den besten Satz von Ausgaben zu bestimmen, der Ihnen angezeigt wird, indem eine Standardbetonung festgelegt wird (Abbildung 1). JMP führt Analysten immer auf den besten Weg, und der ausgewählte Schwerpunkt bildet da keine Ausnahme. JMP verwendet den Inhalt Ihrer Daten, um die standardmäßige Hervorhebung festzulegen. (Weitere Einzelheiten dazu, wie dies geschieht, finden Sie in der Dokumentation .)
Figure 1: Standard Least Squares Emphasis. JMP sets a default Emphasis based on your data, but you can change it. Emphasis determines the set of outputs that are shown; it does not affect the statistical analysis.Figure 1: Standard Least Squares Emphasis. JMP sets a default Emphasis based on your data, but you can change it. Emphasis determines the set of outputs that are shown; it does not affect the statistical analysis.Figure 1: Standard Least Squares Emphasis. JMP sets a default Emphasis based on your data, but you can change it. Emphasis determines the set of outputs that are shown; it does not affect the statistical analysis.Figure 1: Standard Least Squares Emphasis. JMP sets a default Emphasis based on your data, but you can change it. Emphasis determines the set of outputs that are shown; it does not affect the statistical analysis.Abbildung 1: Standardmäßige Betonung der kleinsten Quadrate. JMP legt basierend auf Ihren Daten eine Standardbetonung fest, die Sie jedoch ändern können. Die Hervorhebung bestimmt die Menge der angezeigten Ausgaben; es hat keinen Einfluss auf die statistische Auswertung.
Die Ausgaben, die angezeigt werden, nachdem Sie auf Ausführen geklickt haben, sind diejenigen, auf die Sie sich zuerst konzentrieren sollten. Die Ausgaben, die angesichts Ihrer Daten und des Modells, das Sie anpassen möchten, am wichtigsten sind, werden erweitert und angezeigt.
Abgesehen davon gibt es immer noch viele Grafiken und Tabellen, die Sie sich ansehen müssen, und ohne etwas Schulung werden Sie nicht wissen, welche Ausgaben priorisiert werden müssen und wie Sie diese Ausgaben interpretieren oder Maßnahmen ergreifen müssen. Leider gibt es immer noch keine Pille, die Sie nehmen können, um Ihnen dieses Wissen zu vermitteln!
Bis es diese Pille gibt, hoffe ich, dass dieser Blogbeitrag als Kurzanleitung dient.
Modellzustands- und Interpretationsmenü
Modellausgaben können in zwei Hauptkategorien von Ausgaben unterteilt werden: Modell Gesundheit und Deutung . Die Modellzustandsausgaben helfen Ihnen festzustellen, ob Ihr Modell fehlerfrei ist oder ob Sie „Erste Hilfe“ leisten müssen. Interpretationsausgaben helfen Ihnen bei der Entscheidung, welche Faktoren wichtig sind und wie sie die Antwort(en) beeinflussen.
Ich habe das Menü in Abbildung 2 entwickelt, um Ihnen zu helfen, sich auf die wichtigsten Ergebnisse zu konzentrieren, je nachdem, wie tief Sie gehen möchten (oder wie hungrig Sie sozusagen sind). Ich denke, es ist nur angemessen, gesunde Lebensmittel in diesem Menü zu verwenden, weil wir uns alle von unserer besten Seite zeigen (oder die besten Absichten haben), wenn wir unsere Neujahrsvorsätze fassen! Meine früheren Entwürfe dieses Blogbeitrags verwendeten eine Fast-Food-Menütafel, die … unpassend wirkte :smiling_face_with_smiling_eyes: . Ich biete Ihnen drei Mahlzeiten an:
Figure 2: Focus in on the key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 2: Focus in on the key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 2: Focus in on the key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 2: Focus in on the key outputs in Standard Least Squares. Choose your meal based on your appetite!Abbildung 2: Konzentrieren Sie sich auf die wichtigsten Ergebnisse in Standard Least Squares. Wählen Sie Ihre Mahlzeit nach Ihrem Appetit!
- Die Gemüseplatte enthält nur die Kernausgaben und ist für Analysten gedacht, die sich schnell bewegen möchten oder deren Analyse diese Einfachheit ermöglicht.
The Veggie PlateThe Veggie PlateThe Veggie PlateThe Veggie PlateDie Gemüseplatte
- Die Veggie-Platte + Gesundes Fett (Lachs ist einer meiner Favoriten!) enthält die Veggie Plate-Ausgänge Plus zusätzliche Ergebnisse, die bei der Suche nach Abhilfemaßnahmen für einen schlechten Zustand des Modells oder für Analysten helfen können, die wirklich gerne in die Daten einsteigen. Omega-3-Fettsäuren haben so viele heilende Vorteile!
Veggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatGemüseteller + Gesundes Fett
- Endlich, das Vollwertige Mahlzeit enthält Ausgaben („Vollkorn“), die geeignet sind, wenn Sie Schwierigkeiten haben, ein gutes Modell zu bekommen, oder wenn Sie einfach besonders hungrig nach mehr Ausgaben sind, die Ihnen helfen, Ihr Problem zu verstehen.
The Full Square Meal: Veggie Plate + Healthy Fat + Whole GrainsThe Full Square Meal: Veggie Plate + Healthy Fat + Whole GrainsThe Full Square Meal: Veggie Plate + Healthy Fat + Whole GrainsThe Full Square Meal: Veggie Plate + Healthy Fat + Whole GrainsDie vollwertige Mahlzeit: Veggie-Teller + Gesundes Fett + Vollkornprodukte
Probieren Sie das Menü aus
Wenn Sie mitmachen möchten, verwende ich den Tiretread-Datensatz in der Beispieldatenbibliothek von JMP. Wenn Sie JMP nicht haben, können Sie eine kostenlose 30-Tage-Testversion herunterladen oder es in einer Remote-Desktop-Umgebung verwenden, wenn Sie den Kurs Statistical Thinking for Industrial Problem Solving belegen (ebenfalls kostenlos; Link im PS).
Der Tiretread-Datensatz stammt aus einem geplanten Experiment, bei dem das Ziel darin bestand, vier Produkteigenschaften (Antworten) zu optimieren: Abrieb, Modul, Dehnung und Härte unter Verwendung von drei Inhaltsstoffen (Faktoren): Kieselsäure, Silan und Schwefel. Die Analyse des Experiments umfasste den Aufbau und die Verwendung von vier (eines für jede Antwort) Standardmodellen der kleinsten Quadrate, die die Faktoren (über Modellterme, die Haupteffekte, Wechselwirkungen und Quadrate* beschreiben) mit jeder der vier Antworten in Beziehung setzen.
*Nicht um ein totes Pferd zu schlagen, aber die Module Statistical Thinking for Industrial Problem Solving zu Korrelation und Regression und Design of Experiments helfen Ihnen, die Terminologie besser zu verstehen.
Zusammenfassung
Ich hoffe, Sie werden 2021 mutig sein und dieses Ziel verfolgen, Modelle in Ihrer Arbeit zu verwenden und zu lernen, wie man die Ergebnisse interpretiert. Seien Sie sich bewusst, dass JMP Ihnen mit den Standardeinstellungen in der Fit Model-Plattform den Rücken freihält. JMP berücksichtigt die Datenmenge, die Sie haben, und die Anzahl der Effekte, die Sie zu schätzen versuchen, und präsentiert Ihnen die wichtigsten Ergebnisse.
Und ich stehe auch hinter dir! Ich hoffe, Sie werden den Rest dieser Blog-Serie weiterlesen, um durch die Verwendung von Modellen einen zusätzlichen Vertrauensschub zu bekommen.
In den nächsten drei Beiträgen werde ich beschreiben, wie die Ergebnisse in jeder der drei „Mahlzeiten“ zu interpretieren sind und welche Maßnahmen gegebenenfalls als Reaktion darauf zu ergreifen sind. Im letzten Blogbeitrag dieser Serie zeige ich, wie Sie Ihre Einstellungen in JMP so festlegen können, dass Ihre bevorzugten Ausgaben immer in Ihren Modellergebnissen angezeigt werden.
Zurück in einer Woche!
PS Um tiefer in das Thema Modellierung einzusteigen, empfehle ich die Statistisches Denken für die industrielle Problemlösung Natürlich bieten wir einen kostenlosen Kurs an, insbesondere das Korrelations- und Regressionsmodul. Es geht tiefer in die statistischen Konzepte ein und beinhaltet auch praktische Übungen (zusammen mit freiem Zugang zu unserer Software).
