A medida que comienza un nuevo año (¿hubo alguna vez en que deseaste más un nuevo comienzo???), es posible que hayas comenzado a formular nuevas metas para el año o que ya hayas comenzado a trabajar para alcanzarlas. Estamos a unos 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), le sugiero una que he escuchado a muchos analistas articularme: “Me gustaría usar modelos (o más hacer más modelos) en mi trabajo." Este objetivo suena más alcanzable que “Perderé 10 libras”. o “Voy a dormir ocho horas”, ¿verdad?
Los analistas son un grupo motivado, pero a menudo se estancan 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 mirar una vez que han construido un modelo.
“¿Qué resultados de modelo debo mirar? ¡Hay tantos! ¿Y cómo debo interpretarlos?”.
La verdad es esta: hay muchos resultados que puede ver, y puede ser bastante abrumador si no sabe cuáles son los más importantes y qué le están diciendo.
Desvío rápido
Sabiendo que este es un tema (y lo que propongo en esta serie) que puede generar mucho debate y discusión, déjame contarte un poco sobre mis antecedentes para que tengas 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 desempeñar un papel como estadístico aplicado para una empresa de bienes de consumo envasados (CPG) que apoya a los formuladores de champú en el diseño y análisis de experimentos para formular mejor el champú. (¡La próxima vez que se lave el cabello, rinda 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 tenían que usar datos, análisis y software para hacer rápido pero sonido decisiones Algunos tenían alguna capacitación formal en estadísticas, mientras que la mayoría simplemente aprendió estadísticas y software estadístico en el trabajo y busca orientación 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, el resultado de los mínimos cuadrados estándar porque ese es el método más utilizado para el modelado. Los mínimos cuadrados estándar son un gran comienzo, particularmente para aquellos nuevos en el modelado.
En primer lugar, siéntase reconfortado por el hecho de que los estadísticos y desarrolladores de JMP configurar los informes predeterminados de forma que presenten la información más importante a los analistas.
Para aquellos que ya usan JMP: ¿alguna vez notaron el énfasis en el cuadro de diálogo de entrada Ajustar modelo y se preguntaron qué es? Sé que estuve bastante confundido al respecto por un tiempo. A diferencia de las opciones de Personalidad justo encima, Énfasis no cambia el tipo de análisis que se realiza. Las diferentes opciones simplemente activan diferentes salidas del modelo de forma predeterminada cuando hace clic en Ejecutar. JMP usa la cantidad de datos (cantidad de filas) que tiene en combinación con la cantidad de términos del modelo que desea estimar (cantidad de términos en el cuadro de diálogo Efectos del modelo) para determinar el mejor conjunto de resultados para mostrarle configurando 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 .)
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: Énfasis de 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 aquellas en las que debe centrarse primero. Las salidas que son las más importantes dados sus datos y el modelo que intenta 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 una 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 salud e interpretación del modelo
Los resultados del modelo se pueden dividir en dos categorías principales de resultados: modelo de salud y interpretación . Los resultados del estado del modelo le ayudan a determinar si su modelo está en buen estado o si necesita realizar algunos "primeros auxilios". Los resultados de la interpretación son aquellos que le ayudan a decidir qué factores son importantes y cómo influyen en la(s) respuesta(s).
He desarrollado el menú de la Figura 2 para ayudarlo a concentrarse en los resultados clave en función de qué tan profundo quiera ir (o qué tan hambriento esté, por así decirlo). ¡Creo que 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: cara_sonriente_con_ojos_sonrientes: . Te ofrezco tres comidas:
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: Concéntrese en los resultados clave en Mínimos cuadrados estándar. ¡Elige tu comida según tu apetito!
- El plato de verduras solo tiene los resultados principales y es para el analista que busca moverse rápidamente o cuyo análisis permite esa simplicidad.
The Veggie PlateThe Veggie PlateThe Veggie PlateThe Veggie PlateEl plato de verduras
- El Plato Veggie + Grasa Saludable (¡el salmón es uno de mis favoritos!) incluye las salidas de Veggie Plate más salidas adicionales que pueden ayudar a encontrar remedios para el mal estado del modelo o para los analistas a los que realmente les gusta acceder a los datos. ¡Los omega-3 tienen tantos beneficios curativos!
Veggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatVeggie Plate + Healthy FatPlato Vegetal + Grasa Saludable
- Finalmente, el Comida cuadrada completa incluye salidas ("Granos integrales") que son apropiadas cuando está luchando por obtener un buen modelo o cuando simplemente tiene más hambre de más salidas que lo ayuden a comprender su 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 GrainsThe Full Square Meal: Plato de verduras + Grasa saludable + Granos integrales
Degustar probando el menú
Si desea continuar, usaré el conjunto de datos Tiretread en la biblioteca de datos de muestra de JMP. Si no tiene JMP, puede descargar una versión de prueba gratuita de 30 días o usarla en un entorno de escritorio remoto cuando realice el curso de Pensamiento estadístico para la resolución de problemas industriales (también gratuito; enlace en PS).
El conjunto de datos de Tiretread proviene de un experimento diseñado cuyo objetivo era optimizar cuatro características del producto (respuestas): abrasión, módulo, elongación y dureza utilizando tres ingredientes (factores): sílice, silano y azufre. El análisis del experimento involucró 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 por ganar 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 audaz 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 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 próximas tres publicaciones, describiré cómo interpretar los resultados que se encuentran en cada una de las tres "comidas" y qué acciones tomar en respuesta a ellos cuando corresponda. 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.
¡Vuelvo 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).
