Au début d'une nouvelle année (y a-t-il déjà eu un moment où vous vouliez un nouveau départ plus ???), vous avez peut-être commencé à formuler de nouveaux objectifs pour l'année ou déjà commencé à travailler pour les atteindre. 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'articuler : « J'aimerais utiliser des modèles (ou 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 motivés, mais ils sont souvent bloqués car 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 sont confus et/ou embourbés avec toutes les sorties qu'ils doivent examiner une fois qu'ils ont construit un modèle.
« Quelles sorties de modèle dois-je examiner ? Il y en a tellement! Et comment dois-je les interpréter ?
La vérité est la suivante : il existe de nombreux résultats que vous pouvez examiner, et cela peut être assez écrasant 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 j'ai mis en avant 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. J'ai une formation en génie biomédical et j'ai travaillé dans la R&D de dispositifs médicaux pendant plusieurs années avant de passer à un poste de statisticien appliqué pour une entreprise de biens de consommation emballés (CPG) soutenant les formulateurs de shampooings dans la conception et l'analyse d'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 faire rapide mais solide les décisions. Quelques-uns ont suivi une formation formelle en statistiques, tandis que la majorité a simplement appris les statistiques et les logiciels statistiques sur le tas et recherche des conseils clairs sur les meilleures pratiques en mettant l'accent sur le principal "moins est plus." J'ai essayé de structurer ces conseils en pensant à ces praticiens (moi y compris).
Ce que vous apprendrez
Dans cette série de blogs en cinq parties, je vais me concentrer sur les sorties du modèle de régression, en particulier la sortie des moindres carrés standard, car il s'agit de la méthode la plus couramment utilisée pour la modélisation. Les moindres carrés standard sont un bon début, en particulier pour ceux qui découvrent la modélisation.
Tout d'abord, soyez rassurés par le fait que les statisticiens et développeurs de 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'accentuation dans la boîte de dialogue de saisie Ajuster le modèle et vous êtes-vous déjà demandé de quoi il s'agissait ? Je sais que j'étais assez confus à ce sujet pendant un certain temps. Contrairement aux options de personnalité juste au-dessus, Emphasis ne change pas le type d'analyse 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) dont vous disposez en combinaison avec le nombre de termes de modèle que vous souhaitez estimer (nombre de termes dans la boîte de dialogue Effets du modèle) pour déterminer le meilleur ensemble de sorties à vous montrer en définissant une priorité par défaut. (Figure 1). JMP guide toujours les analystes vers la meilleure voie, et l'emphase sélectionnée 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 le fait, vous pouvez lire le Documentation .)
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.Figure 1 : Emphase standard des moindres carrés. JMP définit une emphase par défaut en fonction de vos données, mais vous pouvez la modifier. L'emphase détermine l'ensemble des sorties affichées ; cela n'affecte pas l'analyse statistique.
Les sorties qui s'affichent 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 reste encore beaucoup de graphiques et de tableaux à examiner et sans formation, vous ne saurez pas quels résultats prioriser et comment interpréter ou agir sur ces résultats. 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 santé et interprétation du modèle
Les sorties du modèle peuvent être divisées en deux catégories principales de sorties : santé du modèle et interprétation . Les sorties de santé du modèle vous aident à déterminer si votre modèle est sain ou si vous devez effectuer des « premiers secours ». Les sorties d'interprétation sont celles 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 principaux résultats en fonction de la profondeur à laquelle vous souhaitez aller (ou de votre faim, pour ainsi dire). Je pense qu'il est tout à fait approprié d'utiliser des aliments sains dans ce menu car nous adoptons tous notre meilleur comportement (ou avons les meilleures intentions) lorsque nous fixons nos résolutions pour la nouvelle année ! Mes précédents brouillons de cet article de blog utilisaient un tableau de menu de restauration rapide, qui semblait… incongru :smiling_face_with_smiling_eyes : . Je vous propose trois repas :
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!Figure 2 : Concentrez-vous sur les résultats clés dans les moindres carrés standard. Choisissez votre repas en fonction de votre appétit !
- L'Assiette Végétarienne n'a que les résultats de base et est destiné à l'analyste qui cherche à avancer rapidement ou dont l'analyse permet cette simplicité.
The Veggie PlateThe Veggie PlateThe Veggie PlateThe Veggie PlateL'Assiette Végétarienne
- L'Assiette Végétarienne + Graisse Saine (le saumon est l'un de mes favoris !) inclut les sorties Veggie Plate plus des sorties supplémentaires qui peuvent aider à trouver des solutions à la mauvaise santé du modèle ou pour les analystes qui aiment vraiment entrer dans les données. Les oméga-3 ont tellement de bienfaits curatifs !
Veggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatAssiette Veggie + 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.
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 GrainsLe repas carré complet : assiette de légumes + graisses saines + grains entiers
Goûtez au menu
Si vous souhaitez suivre, j'utiliserai l'ensemble de données Tiretread dans la bibliothèque d'exemples de données de JMP. Si vous n'avez pas JMP, vous pouvez télécharger une version d'essai gratuite de 30 jours ou l'utiliser dans un environnement de bureau à distance lorsque vous suivez le cours Réflexion statistique pour la résolution de problèmes industriels (également gratuit ; lien dans le PS).
L'ensemble de données Tiretread provient d'une expérience conçue dont 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 impliqué la construction et l'utilisation de quatre (un pour chaque réponse) modèles standard des moindres carrés reliant les facteurs (via des termes de modèle décrivant les effets principaux, les interactions et les quadratiques*) à chacune des quatre réponses.
*Ce n'est pas pour 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 est là pour vous avec les paramètres par défaut de la plateforme Fit Model. JMP prend en compte 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 votre dos! J'espère que vous continuerez à lire le reste de cette série de blogs pour obtenir un regain de confiance supplémentaire en utilisant des modèles.
Dans les trois prochains articles, je décrirai comment interpréter les sorties qui se trouvent dans chacun des trois « repas » et quelles mesures prendre en réponse à celles-ci, 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 du mannequinat, je vous recommande vivement le Pensée statistique pour la résolution de problèmes industriels cours que nous proposons gratuitement, en particulier le module Corrélation et Régression. Il approfondit les concepts statistiques et comprend également des exercices pratiques (ainsi qu'un accès gratuit à notre logiciel).
