All'inizio di un nuovo anno (c'è mai stato un momento in cui volevi un nuovo inizio di più???), potresti aver iniziato a formulare alcuni nuovi obiettivi per l'anno o aver già iniziato a lavorarci per raggiungerli. Mancano pochi giorni al 2021, quindi speriamo che tu non abbia ancora abbandonato quelli che hai creato!
Se hai spazio per un altro proposito per il nuovo anno (o se ne hai bisogno di uno nuovo), posso suggerirne uno che ho sentito articolare da molti analisti: “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 di sonno", giusto?
Gli analisti sono un gruppo motivato, ma spesso si bloccano perché non hanno un metodo da seguire. La barriera più grande che ho visto dagli analisti che vogliono usare i modelli per risolvere i loro problemi è che si confondono e/o si impantanano con tutti i risultati che devono guardare una volta costruito un modello.
“Quali output del modello dovrei guardare? Ci sono così tanti! E come dovrei interpretarli?”
La verità è questa: ci sono molti output che puoi guardare e può essere piuttosto opprimente se non sai quali sono i più importanti e cosa ti stanno dicendo.
Deviazione veloce
Sapendo che questo è un argomento (e quello che ho esposto in questa serie) che potrebbe 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) supportando i formulatori di shampoo nella progettazione e nell'analisi di esperimenti per formulare meglio lo shampoo. (La prossima volta che ti lavi i capelli, rendi omaggio ai modelli statistici utilizzati per perfezionare il volume e la consistenza della schiuma!)
Dopo aver lasciato l'azienda 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 hanno dovuto utilizzare dati, analisi e software per creare veloce ma sano decisioni. Alcuni hanno avuto una formazione formale in statistica, mentre la maggior parte ha semplicemente appreso statistiche e software statistici sul posto di lavoro e sta cercando una guida chiara sulle migliori pratiche con un'enfasi sui principali "meno è di più." Ho cercato di strutturare questa guida tenendo a mente questi praticanti (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 è il metodo più comunemente utilizzato per la modellazione. I minimi quadrati standard sono un ottimo inizio, in particolare per chi è nuovo alla modellazione.
In primo luogo, essere 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: hai mai notato l'enfasi nella finestra di dialogo di immissione Adatta modello e ti sei chiesto di cosa si tratta? So di essere stato abbastanza confuso al riguardo per un po'. A differenza delle opzioni Personalità sopra di essa, 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) che hai in combinazione con il numero di termini del modello che desideri stimare (numero di termini nella finestra di dialogo Effetti del modello) per determinare il miglior set di output da mostrarti 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 farlo, puoi leggere il documentazione .)
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.Figura 1: Enfasi sui minimi quadrati standard. JMP imposta un'enfasi predefinita in base ai tuoi dati, ma puoi modificarla. L'enfasi determina l'insieme di uscite visualizzate; non influisce sull'analisi statistica.
Gli output mostrati dopo aver fatto clic su Esegui sono quelli su cui dovresti concentrarti per primi. Gli output più importanti dati i tuoi dati e il modello che stai cercando 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 di interpretazione e salute del modello
Gli output del modello possono essere suddivisi in due categorie principali di output: modello di salute e interpretazione . Gli output sull'integrità del modello ti aiutano a determinare se il tuo modello è integro o se devi eseguire un "primo 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 sui risultati 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 solo perché siamo tutti sul nostro miglior comportamento (o abbiamo le migliori intenzioni) quando stabiliamo i nostri buoni propositi per il nuovo anno! Le mie precedenti bozze di questo post sul blog utilizzavano una scheda del menu di un fast food, che sembrava... incongrua: volto_sorridente_con_occhi_sorridenti: . Ti offro tre pasti:
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!Figura 2: concentrarsi sugli output chiave in Standard minimi quadrati. 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.
The Veggie PlateThe Veggie PlateThe Veggie PlateThe Veggie PlateIl 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 analisti a cui piace davvero entrare nei dati. Gli Omega-3 hanno così tanti benefici curativi!
Veggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatPiatto 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 affamato di più output per aiutarti a capire il tuo problema.
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 GrainsIl pasto quadrato completo: piatto vegetariano + grasso sano + cereali integrali
Assaggiate il menù
Se vuoi continuare, 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; link nel PS).
Il set di dati Tiretread deriva da un esperimento progettato in cui l'obiettivo era 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 modelli standard dei minimi quadrati (uno per ogni risposta) che mettono in relazione i fattori (tramite termini di 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 capire meglio la terminologia.
Riepilogo
Spero che nel 2021 sarai audace e perseguirai questo obiettivo di utilizzare modelli nel tuo lavoro e imparare a interpretare i risultati. Sappi che JMP ti dà le spalle con le impostazioni predefinite nella piattaforma Fit Model. JMP considera la quantità di dati che hai e il numero di effetti che stai cercando di stimare e ti presenta i risultati più importanti.
E ti guardo anche le spalle! Spero che continuerai a leggere il resto di questa serie di blog per ottenere un ulteriore impulso di fiducia nell'uso dei modelli.
Nei prossimi tre post, descriverò come interpretare i risultati che si trovano in ciascuno dei tre "pasti" e quali azioni intraprendere in risposta ad essi ove appropriato. Nell'ultimo post del blog di questa serie, mostrerò come impostare le tue Preferenze in JMP in modo che i tuoi output preferiti vengano sempre visualizzati nei risultati del tuo modello.
Ritorno tra una settimana!
PS Per approfondire l'argomento della modellazione, consiglio vivamente il Pensiero statistico per la risoluzione dei problemi industriali corso che offriamo che è gratuito, nello specifico il modulo Correlazione e Regressione. Approfondisce i concetti statistici e include anche esercizi pratici (insieme all'accesso gratuito al nostro software).
