Altoparlante
|
Trascrizione
|
| Caleb Re |
Ciao, mi chiamo Caleb King, sono uno sviluppatore presso il software JMP. Sono specificamente nel gruppo di progettazione degli esperimenti, ma oggi lo farò |
| |
andiamo un po' fuori tema e parliamo di come utilizzare la grafica e alcuni degli altri strumenti di JMP per facilitare la narrazione visiva dei dati. |
| |
Ora, il set di dati che ho scelto è... per illustrare i dati sui crimini d'odio raccolti dall'FBI, quindi forse un set di dati un po' controverso ma anche piuttosto rilevante per ciò che sta accadendo. |
| |
E il mio obiettivo è renderlo più illustrativo, quindi esaminerò un paio di grafici che ho creato in precedenza |
| |
per questo set di dati. E non ti mostrerò necessariamente come ho realizzato i grafici, ma lo scopo è illustrarti come utilizzare JMP |
| |
per, come ho detto, la narrazione visiva, quindi usa l'interattività per aiutare le persone a guardare i grafici e a interagire con essi |
| |
per fare magari più domande, forse risponderai ad alcune delle loro domande, man mano che procedi. Ma in un certo senso incoraggia l'esplorazione dei dati, che è ciò di cui ci occupiamo qui a JMP. |
| |
Quindi, detto questo, entriamo subito. |
| |
Per prima cosa ti darò una piccola panoramica del set di dati stesso, quindi mi limiterò a scorrere qui. Quindi ci sono molte informazioni a riguardo |
| |
dove sono avvenuti gli incidenti. |
| |
Mentre andiamo avanti, e la data, beh, in cui si è verificato l'incidente. Hai qualche informazione sui delinquenti |
| |
e quale reato, tipo di reato è stato commesso. Ancora una volta alcune informazioni di base, quale tipo di pregiudizio è stato presentato nell'incidente. Alcune informazioni sulle vittime. |
| |
E la categoria di discriminazione generale, e poi alcune informazioni aggiuntive che ho fornito su latitudine e longitudine, se disponibili, nonché su alcune popolazioni che utilizzerò in altri grafici. Ora, solo per il bene, sai, di essere chiaro, |
| |
l'FBI, cioè il Federal Bureau of Investigation degli Stati Uniti, definisce crimine d'odio qualsiasi |
| |
reato penale commesso motivato da pregiudizi contro un particolare gruppo. Quindi quel pregiudizio potrebbe essere razziale, contro la religione, il genere, l’identità di genere e così via. |
| |
Pertanto, finché un crimine è motivato da un particolare pregiudizio, è considerato un crimine d'odio e questi dati comprendono tutti gli incidenti che sono stati |
| |
raccolti dall'FBI, risalenti fino all'anno 1991 e recenti fino al 2019. Non dispongo di dati relativi al 2020, per quanto interessanti sarebbero sicuramente, |
| |
ma questo perché all'FBI piace prendersi il suo tempo e assicurarsi che i dati siano accuratamente puliti e preparati prima di creare effettivamente i loro rapporti. COSÌ |
| |
puoi stare certo che questi dati sono abbastanza accurati, dato il tempo e gli sforzi che hanno dedicato per assicurarsi che lo fossero. |
| |
Va bene, iniziamo con questo e facciamo un riepilogo visivo di base dei dati. Quindi inizierò eseguendo questo piccolo script di tabella qui. E tutto ciò che fondamentalmente non fa altro che darci |
| |
un conteggio nel corso dei giorni, quindi ogni giorno, quanti incidenti si sono verificati, secondo un particolare pregiudizio. Da questo creerò una trama di base, in questo caso è una semplice trama a linee |
| |
qui, che mostra il numero di incidenti che si verificano ogni giorno nell'intero intervallo. Quindi ottieni l'intero... puoi vedere l'intera gamma di dati dal 1991 al 2019 |
| |
e quanti incidenti si sono verificati. Ora, questa di per sé sarebbe probabilmente una buona immagine statica, perché ne hai un'idea |
| |
dove diminuisce il numero di incidenti. In effetti qui modificherò un po' le impostazioni degli assi. Vediamo, abbiamo incrementi di 50, facciamolo di 20. Eccoci qua. |
| |
Quindi c'è un po' di interattività per te... interazione. Abbiamo cambiato le scale per perfezionarle e avere un'idea migliore |
| |
quanti incidenti, in media, ci sono. Ho eseguito un po' di distribuzione e, in media, circa 20 incidenti al giorno |
| |
che vediamo qui. Ora, naturalmente, probabilmente vi starete chiedendo perché non ho ancora affrontato i due picchi che vediamo nei dati. |
| |
Quindi sì, ci sono chiaramente due picchi davvero alti. E così, se così fosse |
| |
qualsiasi altro tipo di software, potresti dire, okay, mi piacerebbe esaminarlo. Quindi torni ai dati che provi e tu |
| |
sapere, isolare dove sono quelle date e magari provare a presentare alcune trame o fare qualche analisi per mostrare cosa sta succedendo lì. Bene, questo è JMP e abbiamo qualcosa che può farlo |
| |
aiuta in questo, ed è qualcosa che abbiamo introdotto in JMP 15 chiamato graphlet e funziona in questo modo. Resterò librato e boom. |
| |
È apparso un piccolo grafico per aiutare a riassumere ulteriormente cosa sta succedendo a quel punto. Quindi in questo caso ci sono molte informazioni. |
| |
Notiamo innanzitutto la data, 1 maggio 1992. Quindi, se hai familiarità con la storia americana, potresti sapere cosa sta succedendo qui, ma in caso contrario, |
| |
puoi ottenere un piccolo indizio aggiuntivo facendo clic sul grafico. Quindi ora vedrai che te lo sto mostrando |
| |
gli incidenti in base alla particolare parzialità dell’incidente. Quindi qui vediamo che la maggior parte degli incidenti sono avvenuti contro individui bianchi e poi il gruppo successivo è quello nero o afroamericano e la situazione continua verso il basso. |
| |
In un certo senso do la risposta qui, in quanto gli incidenti accaduti in questo periodo in cui Rodney King si ribella in California. Rodney King, |
| |
un individuo afroamericano che purtroppo è stato ucciso da un agente di polizia e che ha portato a molte reazioni e disordini |
| |
in questo periodo. Questo è ciò che vediamo catturato in questo particolare punto dati, e se non lo sapessi, avresti almeno queste informazioni per provare a iniziare e andare a cercare lì... cercare online per capire cosa è successo. |
| |
Possiamo fare la stessa cosa qui con un picco molto grande. E ancora, userò il graphlet al passaggio del mouse, quindi passa il mouse sopra. Mi fermo per lasciarti guardare. Quindi guardiamo la data, 12 settembre 2001. Questo è già di per sé un indizio molto importante |
| |
riguardo a quello che è successo. Ma se guardiamo qui la ripartizione, possiamo vedere che la maggior parte degli incidenti sono stati contro individui di fede musulmana |
| |
Etnia araba o qualche altro tipo di etnia o discendenza simile. In questo caso possiamo vedere chiaramente |
| |
che dopo gli sfortunati eventi dell’11 settembre, gli attentati terroristici avvenuti allora, il giorno successivo ci sono state molte reazioni contro |
| |
membri che erano di etnia simile, fede simile e così via, quindi in quel momento si è verificata una sfortunata reazione negativa. |
| |
Quindi già solo con questa trama e parte di quella interattività, siamo stati in grado di raccogliere molte informazioni, molte informazioni di alto livello in aree in cui potresti voler approfondire. |
| |
Ma possiamo andare avanti. Ora, una novità in JMP 16 è che, poiché abbiamo la data qui sull'asse X, possiamo effettivamente raggruppare le date in una categoria più ampia, quindi in questo caso raccogliamole per mese. |
| |
E vediamo che la trama scompare. Quindi ecco cosa farò. Lo ripropongo e vediamo. |
| |
Eccoci qua. |
| |
Non sai mai cosa succederà. In questo caso, quindi questo è ciò che dovrebbe accadere; Non preoccuparti. |
| |
Quindi lo abbiamo raggruppato per mese e qui abbiamo notato uno schema interessante. Sembra che si stia verificando una sorta di tendenza stagionale e utilizziamo i grafici al passaggio del mouse per aiutarci a identificare cosa potrebbe accadere. Quindi passerò con il mouse sui punti inferiori. Quindi, se lo faccio, |
| |
vediamo okay, gennaio, dicembre, okay. Interessante. Passiamo il mouse su un altro, dicembre. |
| |
E ancora un altro, dicembre. Ah, in questo caso potrebbe effettivamente esserci una vera tendenza stagionale. Sembra che stiamo toccando punti bassi durante i mesi invernali. |
| |
E infatti, se torno alla mia tabella dei dati, l'ho già visto prima. È stato qualcosa che ho scoperto mentre esploravo quella tecnica e ho già creato una trama per affrontare questo problema. |
| |
Quindi questo è qualcosa che ho creato basandomi su quello, in un certo senso, guarda, sai, qual è la variazione nel numero di incidenti nel corso di tutti gli anni in questo mese. |
| |
E qui possiamo vedere le tendenze medie, ma vediamo anche molte variazioni, soprattutto qui a settembre a causa di quell'enorme picco lì. |
| |
Quindi forse abbiamo bisogno di qualcosa di un po' più appropriato. Quindi apro il pannello di controllo ed ehi, scegliamo la mediana. È più robusto e forse guarda l'intervallo interquartile, quindi in questo modo abbiamo un po' più robusto |
| |
parametri con cui giocare. |
| |
E così, ancora una volta, vediamo le tendenze stagionali, quindi sembra che ci sia sicuramente un grande calo nei mesi invernali |
| |
al contrario del picco nei mesi primaverili ed estivi. Ora |
| |
questo potrebbe essere qualcosa che qualcuno potrebbe voler approfondire e ricercare il motivo per cui sta accadendo. |
| |
Potresti avere le tue spiegazioni. La mia spiegazione personale è che credo che lo spirito natalizio sia così potente da superare qualunque odio o pregiudizio gli individui possano avere a dicembre. |
| |
Ancora una volta è solo la mia preferenza personale, probabilmente ne hai la tua. Ma ancora una volta, con una sola trama, ho potuto scoprire questa tendenza e |
| |
creare un'altra trama per esplorarla ulteriormente. Quindi, ancora una volta, solo con questa trama, ho incoraggiato ulteriori ricerche. E possiamo andare avanti. |
| |
Quindi vediamo, raccogliamo i dati per anno, e se lo facciamo, possiamo vedere chiaramente questo tipo di tendenza generale. |
| |
Quindi vediamo una sorta di picco alla fine degli anni '90 intorno all'inizio degli anni 2000 prima di crollare, in modo quasi lineare, |
| |
fino a raggiungere il suo punto medio intorno alla metà degli anni 2010 prima di ricominciare a salire. Quindi tienilo a mente, potresti vedere tendenze simili in altri grafici che mostriamo. Ma ancora una volta, facciamo un passo indietro e rendiamoci conto che in questa trama abbiamo visto cose diverse |
| |
aspetti dei dati. Anche noi |
| |
abbiamo risposto ad alcune domande, ma forse ne abbiamo sollevate anche alcune altre. Cosa significa questa tendenza stagionale? |
| |
E se non sapessi quali erano quegli eventi che ti ho raccontato, sai, quali erano quegli eventi in particolare? Ecco, questo è il bello dell'interattività della grafica JMP: permette all'utente di impegnarsi ed esplorare e incoraggia il tutto all'interno di un solo mezzo particolare. |
| |
Va bene. |
| |
Andiamo avanti. Quindi ho detto che questa è una sorta di narrazione visiva, quindi puoi pensarla come una sorta di prologo, come una sorta di visione generale. Cosa... cosa è |
| |
qual'è la situazione generale? Ora diamo un'occhiata al tipo di attori, |
| |
cioè chi commette questo tipo di reati? Contro chi li stanno commettendo? Quali informazioni possiamo trovare a riguardo? Quindi eccomi qui |
| |
ha creato, ancora una volta, una trama per aiutare a rispondere a questa domanda. Ora, questo potrebbe essere un buon inizio. Qui ho creato una mappa di calore |
| |
ciò quindi enfatizza i conteggi, in questo caso, della razza dell'autore del reato rispetto al suo particolare pregiudizio. Quindi lo vediamo |
| |
stanno succedendo molte cose, in questo caso ho ordinato le colonne in modo che possiamo vedere che stanno succedendo molte cose. La maggior parte è qui in questa tomaia |
| |
all'angolo sinistro e non succede molto qui, il che immagino sia una buona notizia. Ci sono molti pregiudizi dove non succede molto, la maggior parte accade qui in questo angolo. |
| |
Ora, questa potrebbe essere una buona trama, ma anche qui c'è molto spazio aperto. Quindi forse possiamo giocare un po' con le cose per cercare di enfatizzare quello che sta succedendo. Quindi un modo per farlo è arrivare qui all'asse X e dimensionarlo in base al conteggio. |
| |
Ora vedrai che avevo qualcosa nascosto dietro le quinte. In realtà metterei un'etichetta, un'etichetta percentuale sopra queste. |
| |
Prima succedevano così tante cose che non potevi nemmeno vederle, ma ora possiamo effettivamente vedere alcune di quelle informazioni. Quindi è un bel modo di riassumerlo invece di contare. |
| |
Ma anche solo con la visualizzazione, possiamo vedere chiaramente che la maggior parte dei pregiudizi sono contro i cittadini neri o afroamericani e poi contro gli ebrei e così via fino a quando non ce ne sono quasi più qui. Quindi semplicemente guardando l'asse X si ottengono molte informazioni su cosa sta succedendo. |
| |
Possiamo fare lo stesso con la Y, quindi ancora una volta, dimensione in base al conteggio. |
| |
E ancora, ci sono molte informazioni contenute solo nelle dimensioni e nel modo in cui ho regolato gli assi. |
| |
E in questo caso includiamo... abbiamo davvero enfatizzato quell'angolo, così possiamo vedere chiaramente chi sono i migliori giocatori. In questo caso, la maggior parte lo è |
| |
i delinquenti sono bianchi o di razza sconosciuta contro gli afroamericani, il successivo contro gli ebrei, e poi |
| |
anti bianco e poi continua a cadere. Quindi qui otteniamo un bel breve riassunto di quello che sta succedendo. Ora, potresti aver notato che mentre sono in giro, vediamo il nostro piccolo cerchio. Questo è il mio indicatore graphlet, quindi ancora una volta ho uno strumento qui. |
| |
Abbiamo interagito un po' e, ancora una volta, questa potrebbe essere un'ottima immagine statica, ma usiamo la potenza di JMP, specialmente quei graphslet, |
| |
per interagire e vedere quali ulteriori informazioni riusciamo a ricavare. Quindi in questo caso passerò il mouse qui. |
| |
E proprio qui, un grafico, in questo caso un grafico a barre, per gentile concessione del nostro guru dei grafici Xan Gregg. In questo caso, non solo puoi vedere, sai, |
| |
quali persone stanno commettendo i reati e contro chi, la tua prossima domanda potrebbe essere, sai, che tipi di reati vengono commessi? Bene, con un graphlet, ho risposto per te. |
| |
Qui possiamo vedere il più grande... il tipo di reato più diffuso è l'intimidazione, seguito dall'aggressione semplice e aggravata, e poi il resto di questi, questa è la bellezza del grafico a barre. |
| |
Possiamo vedere tutti gli altri tipi di reati che vengono commessi. Se li metti tutti uno sopra l'altro non si confrontano nemmeno. Non superano nemmeno i primi tre. |
| |
Quindi questo ti dice molto sui tipi di... questi tipi di reati, su quanto siano dominanti. |
| |
Ora, un'altra domanda che potresti avere è: okay, abbiamo visto gli attori, abbiamo visto le azioni che stanno intraprendendo, |
| |
ma c'è un aspetto temporale in questo. Ovviamente questo sta accadendo nel tempo, quindi è stata una cosa coerente? C’è stato un cambiamento nelle tendenze? BENE, |
| |
non avere paura. Graphlet ancora una volta in soccorso. In questo caso, posso effettivamente mostrarti quelle tendenze. Quindi qui possiamo vedere come è andata la |
| |
tipi di...il numero di episodi di intimidazione è cambiato nel tempo? E ancora, vediamo che il modello sembra seguire quella che era la tendenza generale. |
| |
Un picco simile, alla fine degli anni '90, e poi la tendenza ripida... un calo quasi lineare fino a circa la metà degli anni 2010, prima di una nuova ripresa più recentemente. |
| |
E ancora una volta possiamo forse vedere quella tendenza e altre. Non farò clic per ingrandire, ma puoi vedere dalla trama qui, quelle tendenze nell'aggressione semplice qui e anche nell'aggressione aggravata, un po' lì. |
| |
E puoi continuare a esplorare. Quindi diamo un'occhiata all'ignoto nei confronti degli afro-americani e vediamo quale differenza potrebbe esserci. In questo caso possiamo vedere chiaramente |
| |
che ci sono due tipi di reati che prevalgono realmente, in questo caso, distruzione o danneggiamento di proprietà (il che, se ci pensi, potrebbe avere senso; se vedi che la tua proprietà è stata danneggiata, ci sono buone probabilità che tu non sappia chi fatto) |
| |
e l'intimidazione sono quelle dominanti. E ancora, puoi... la cosa bella è che le etichette al passaggio del mouse persistono, così puoi di nuovo guardare e vedere quali tendenze stanno accadendo lì. |
| |
Quindi in questo caso, vediamo che i danni ci sono in realtà due picchi, che hanno raggiunto il picco qui alla fine degli anni '90 e all'inizio degli anni 2000, prima di scendere di nuovo. E con l’intimidazione osserviamo una tendenza simile a quella osservata prima. |
| |
Ancora una volta all'interno di un solo grafico, ci sono molte informazioni contenute e con cui tu, come utente, puoi interagire per cercare di enfatizzare alcune aree chiave, e poi tu, come utente, visualizzi semplicemente... semplicemente guardando questo e interagendo con esso, puoi giocare e raccogliere molte informazioni. |
| |
Va bene. |
| |
E andiamo avanti. Ora noterete che tra le agenzie di segnalazione, la maggior parte di esse sono a livello di città/contea |
| |
dipartimenti di polizia e così via, ma qui ci sono anche alcune università. Quindi potrebbe esserci qualcuno là fuori che potrebbe essere interessato a vedere cosa sta succedendo nelle università. |
| |
E così, con questo, ho creato questo simpatico script per la tabella per rispondere a questa domanda. Ora questa volta, |
| |
Ho appena eseguito gli script delle tabelle e ho detto che non andrò troppo dietro le quinte, questo è più illustrativo. |
| |
Qui ti lascerò dare una sbirciatina, perché voglio mostrarti non solo la potenza della grafica ma anche la potenza dello script della tabella. Ora, se hai familiarità con JMP, |
| |
potresti saperlo, okay, lo script della tabella è carino perché posso salvare le mie analisi, posso salvare i miei report, posso anche usarlo per salvare la grafica come ho...come ho fatto nell'ultimo, quindi potresti non averlo notato che puoi anche salvare |
| |
script per aiutare a eseguire tabelle aggiuntive, tabelle di riepilogo e così via. Quindi lascia che ti mostri cosa sta succedendo qui dietro, infatti, quando ho eseguito lo script, ho creato due tabelle di dati. |
| |
Hai visto solo quella, quindi in questo caso ho prima creato la tabella dati che selezionava tutte le università e poi da quella tabella dati ho creato un riepilogo e poi ho chiuso quella vecchia. |
| |
E poi ho aggiunto anche parte della grafica. Quindi non entrerò troppo nei dettagli qui su come l'ho impostato, perché voglio conservarlo per il prossimo. Ti darò un suggerimento. Si basa su una nuova funzionalità di JMP 16 che ti stupirà davvero. |
| |
Va bene, torniamo agli... scusatemi... incidenti universitari. |
| |
E anche qui ho salvato lo script della tabella. Questo che ci mostrerà un grafico. |
| |
Quindi qui possiamo vedere di nuovo quel grafico a barre pieno, e qui vi sto mostrando quali università hanno avuto il maggior numero di incidenti. Ancora una volta, questa di per sé potrebbe essere una grafica standard piuttosto buona. |
| |
Puoi vedere che, sai, quale università sembra avere il maggior numero di incidenti che accadono e ancora una volta è bello vedere che non ce n'è una veramente dominante. Puoi ancora fare le valigie nelle altre università |
| |
sopra di loro, e nessuno domina l’uno o l’altro. Quindi questa di per sé è una buona notizia, ma ancora una volta c'è un aspetto temporale in questo. COSÌ |
| |
sono stati forse... l'Università del Michigan Ann Arbor, ha avuto problemi per tutto il tempo? Sono...sarebbero rimasti sempre al top? È capitato che abbiano avuto un brutto anno? Ancora una volta, i graphlet in soccorso. |
| |
In questo caso, |
| |
vedrai una trama interessante qui. Potresti dire, sai, cos'è questa cosa? Sembra che appartenga a un museo Art Déco. Che cosa... |
| |
che razza di trama è questa? Beh, in realtà è uno che abbiamo già visto prima. Sto semplicemente utilizzando qualcosa di nuovo uscito in JMP 16, quindi ti darò uno sguardo dietro le quinte. |
| |
E in questo caso, come possiamo vedere, si tratta in realtà di una mappa termica. Tutto quello che ho fatto |
| |
è che faccio un trucco che mi piace fare spesso, ovvero enfatizzare le cose in due modi diversi, quindi non solo enfatizzando i conteggi per colore, che è quello che faresti normalmente in una mappa termica, i bianchi sono le voci mancanti, io ora in JMP 16 è anche possibile enfatizzare in base alle dimensioni. |
| |
E quindi penso che questo ritorni di nuovo al punto in cui dimensionavamo quegli assi prima. Enfatizza... aiuta a enfatizzare certe aree. Qui possiamo vedere che forse c'è qualche problema con gli incidenti contro gli afro-americani, |
| |
ciò è stato abbastanza coerente, con un anno particolarmente negativo apparentemente nel 2017, a differenza di tutti gli altri incidenti che si sono verificati. |
| |
Ora non ci sono etichette extra al passaggio del mouse qui. |
| |
Non farò altro che riassumere i dati, ma va bene così. |
| |
Questo di per sé fornisce molte informazioni, quindi questa è una novità introdotta in JMP 16 che può ancora una volta aiutare con questa enfasi. |
| |
E ancora una volta, possiamo andare avanti. Possiamo guardare ad altre università, quindi ecco, questo potrebbe essere un esempio di un'università in cui sembra che abbiano un periodo di tempo piuttosto brutto, |
| |
l'Università del Maryland a College Park, ma poi c'era un'area dove |
| |
le cose andavano davvero bene, quindi potresti essere interessato a sapere, beh, cosa è successo per rendere questo periodo così bello? |
| |
C'è qualcosa che l'università ha istituito, cosa ha fatto, che sembra aver fatto sì che il conteggio e il numero di incidenti diminuissero in modo significativo? Potrebbe essere qualcosa che vale la pena esaminare. |
| |
E puoi andare avanti e guardare di nuovo per vedere se si tratta di un problema sistemico, o se, in questo caso, sembrava che ci fosse solo un anno davvero brutto che ha dominato, nel complesso stavano andando bene. |
| |
Stavano andando piuttosto bene. Ancora una volta, questo potrebbe essere un altro. All'inizio se la sono passata davvero male, ma ultimamente se la sono cavata abbastanza bene. |
| |
e così via. Quindi, ancora una volta, per evidenziare ancora una volta l'interattività, |
| |
e in questo caso, con alcune delle funzionalità più recenti di JMP 16. Ora, prima di passare all'ultimo, ho una confessione. Sono un po' un nerd delle mappe, quindi mi piacciono molto le mappe e qualsiasi tipo di analisi dei dati che, sai, si riferisce alle mappe. |
| |
Non so perché. Mi piace davvero tanto e quindi sono davvero entusiasta di mostrarvi il prossimo, perché ora guardiamo la geografia degli incidenti. |
| |
Ma sono anche entusiasta perché questo, credo, mette davvero in risalto la potenza sia degli script delle tabelle che della grafica JMP, in particolare dei grafici al passaggio del mouse. |
| |
Quindi spero che questo abbia entusiasmato anche te, quindi eseguiamolo. Ora, ci vorrà un po' di tempo perché in realtà c'è molto da fare con questo script di tabella. Sta creando una nuova tabella. Sta anche svolgendo molte funzioni in quella tabella |
| |
e calcolare un sacco di cose. Quindi qui non solo abbiamo raccolto informazioni, ma ci sono anche molte di queste colonne qui verso la fine che sono state calcolate dietro le quinte. |
| |
Ora devo prendermi un breve momento per parlare di una metrica particolare che utilizzerò. Quindi, qualche tempo fa, ho scritto un post sul blog intitolato Crime Rate Conundrum sulla comunità JMP (community.jmp.com), |
| |
è un collegamento così spudorato, ma in quello ho parlato di come, sai, di solito quando si denunciano incidenti, soprattutto crimini, |
| |
di solito sappiamo che non vuoi semplicemente riportare i conteggi grezzi, perché |
| |
potrebbe esserci una certa area in cui si registra un numero elevato di conteggi, un numero elevato di incidenti, è solo perché è... c'è un problema lì? |
| |
O è semplicemente perché c'è molta gente lì? E quindi, ovviamente, ci aspetteremmo molti incidenti perché ci sono davvero molte persone. Quindi ovviamente le persone |
| |
segnalare i tassi di incidenti. Ora va bene perché ora tutti sono in condizioni di parità, ma un effetto collaterale di ciò è che tende ad elevarsi |
| |
luoghi che hanno piccole popolazioni. In sostanza, se hai un denominatore piccolo, tenderai ad avere un rapporto più grande proprio per questo. |
| |
E quindi questo è una specie di effetto collaterale sfortunato, e quindi ecco, parlo di un caso interessante in cui abbiamo un posto con una popolazione davvero piccola che viene davvero inflazionato. |
| |
E come alcune persone affrontano questo problema. Un modo in cui ho cercato di affrontare questo problema è stato attraverso l'uso di un tasso di incidenti ponderato, in sostanza, l'idea è |
| |
Prendo il tuo tasso di incidenti, ma poi ti peso in base, più o meno, a quale proporzione... |
| |
scusami... fondamentalmente un peso in base a quante persone hai lì. In questo caso ho un peso particolare, sostanzialmente classifico le popolazioni, |
| |
in modo che il luogo più grande abbia il rango del più piccolo. Tuttavia, in questo caso ci sono 50 stati, quindi lo stato con la popolazione più numerosa avrebbe a |
| |
rango 50 e il più piccolo dichiara rango uno. Se lo prendi e lo dividi per conosci il grado massimo, questo è essenzialmente il tuo peso, quindi è un modo per mettere |
| |
un peso corrispondente alla tua popolazione totale e l'idea qui è che, se il tuo tasso di incidenti è tale da superare questa penalità di peso, se vuoi, |
| |
allora significa che potresti essere qualcuno che vale la pena esaminare. Quindi cerca di contrastare |
| |
quell’inflazione, proprio a causa della piccola popolazione. Se sei ancora relativamente piccolo, ma il tuo tasso di incidenti è abbastanza alto da superare sostanzialmente il tuo peso, |
| |
potremmo voler esaminare te. Quindi spero che non siano troppe informazioni, ma questa è la metrica che utilizzerò principalmente, quindi eseguirò lo script |
| |
E |
| |
eccoci qui. Quindi per prima cosa ho un grafico lineare che mostra i tassi di incidenti ponderati nel tempo per tutti gli stati. |
| |
Ora utilizzerò una nuova funzionalità qui. Possiamo vedere qui che il New Jersey sembra dominare. Ancora una volta l'interattività, possiamo effettivamente fare clic per evidenziarla. |
| |
Ci sono alcune cose nuove che facciamo, soprattutto in JMP 16. Farò clic con il pulsante destro del mouse qui e aggiungerò alcune etichette. Quindi facciamo il valore massimo e facciamo l'ultimo valore |
| |
solo per confronto. |
| |
Quindi qui possiamo vedere questo... il picco qui è stato di circa 11,4 incidenti su 1.000 (che è un tasso di incidenti ponderato) qui all'incirca all'inizio degli anni '90. |
| |
E poi vediamo una tendenza decrescente, ancora una volta sembra scendere più o meno come ha fatto tutto il tasso di incidenti complessivo prima di iniziare di nuovo a raggiungere il picco qui in |
| |
2019. Quindi, ancora una volta, con solo alcuni brevi numeri, questo, di per sé, sarebbe un grafico interessante da guardare, ma come puoi vedere, il mio piccolo indicatore graphlet sta funzionando, quindi c'è di più. |
| |
Ecco dove entra in gioco la parte della mappa. Quindi mi soffermerò su un punto particolare. |
| |
In questo caso, non solo |
| |
puoi vedere la tariffa complessiva, posso effettivamente suddividerla per te, in questo caso per contea. Quindi qui ho colorato il |
| |
contee per il numero totale di incidenti nell’arco di quell’anno. E ancora, c'è l'aspetto temporale, quindi questa mostra un'istantanea per un anno particolare, in questo caso il 2008. |
| |
Ma forse sei interessato alla tendenza generale, quindi un modo per farlo è, ehi, questi sono grafici. Potrei tornare indietro, passare il mouse su un altro punto, visualizzare il grafico, fare clic su di esso per ingrandire, |
| |
ripetere secondo necessità. Potresti farlo oppure potresti usare questo nuovo trucco che ho trovato proprio mentre preparavo questa presentazione. |
| |
Scopriamo... notate qui a lato, abbiamo un filtro dati locale. Questa è davvero la chiave dietro questi graphlet. |
| |
Verrò qui per l'anno e cambierò il suo tipo di modellazione in nominale, anziché continuo, perché ora posso fare qualcosa del genere. Posso effettivamente passare |
| |
e selezionare i singoli anni oppure, ora che questo è JMP, possiamo fare di meglio. |
| |
Lasciami andare qui e farò un'animazione. Lo farò un po' velocemente qui. Farò clic su Riproduci e ora posso semplicemente sedermi, rilassarmi e, sai, guardare come JMP fa le cose per me. |
| |
Quindi qui possiamo vederlo scorrere e avere un'idea di ciò che sta accadendo. Lo lascerò scorrere un po'. Vediamo... stiamo già iniziando a vedere alcune cose interessanti che accadono qui. |
| |
Lasciamolo scorrere, per avere il quadro completo, sai. Vogliamo il quadro completo, non che io mi stia mettendo in mostra o altro. |
| |
Va bene, quindi abbiamo fatto un giro e abbiamo notato qualcosa. Quindi scendiamo qui, diciamo, al 2004, 2005. Quindi da qualche parte qui intorno, abbiamo notato che questa contea qui, in particolare, sembra essere evidenziata. |
| |
E infatti hai visto il mio piccolo indicatore graphlet. Quindi, ancora una volta, posso passarci sopra con il mouse, e qui |
| |
ancora un'altra mappa. Ora puoi capire perché sono così emozionato. |
| |
Ancora una volta, in questo caso, posso effettivamente mostrarvelo a livello di contea, quindi a livello di singola contea... |
| |
Scusate, lasciatemi... spostiamo un po' la cosa. Eccoci qui. Alcuni piccoli aggiustamenti e ancora una volta, puoi vedere il mio trucco di enfatizzare le cose in due modi sia per dimensione che per colore. |
| |
Possiamo vedere una sorta di dispersione all'interno del ???, si tratta di luoghi individuali e poiché c'è di nuovo quell'aspetto temporale, |
| |
lo sappiamo... ora lo sappiamo meglio, non dobbiamo tornare indietro e fare clic per ottenere più grafici, possiamo nuovamente utilizzare i trucchi del filtro dei dati locali. Quindi posso tornare indietro. Farò |
| |
l'anno, quindi in questo caso possiamo nuovamente fare clic. Qui userò semplicemente i tasti freccia sulla mia tastiera per scorrere. |
| |
E solo per avere un'idea di come le cose cambiano nel tempo. In questo caso, vedi un'area particolare, probabilmente l'hai già vista, a partire dal 2006, circa 2007 circa. |
| |
C'è quest'area...questa qui. |
| |
Keansburg, che sembra essere evidenziato e noterai ancora un altro graphlet. Quanto lontano vuoi andare? |
| |
Graphception, se vuoi. |
| |
Noi possiamo |
| |
continuare a scendere sempre più dentro. In questo caso, ottengo... lo divido in base a quale fosse il pregiudizio, e ancora una volta potrei fare quel trucco se volessi, esaminarlo e scorrere per anno. |
| |
Quindi, ancora una volta tanta potenza in questi grafici. Con questo graphlet ho potuto esplorare la variazione geografica a livello di contea e anche più in basso, e potrebbe essere così |
| |
permettendoti di esplorare diversi aspetti dei dati, permettendoti di generare più domande. Cosa stava succedendo a Keansburg in quel periodo per farlo risaltare in questo modo? |
| |
E' qualcosa che potresti voler sapere. |
| |
Questo è tutto quello che ho per te oggi. Spero di aver stuzzicato il tuo appetito e di essere riuscito a illustrarti chiaramente quanto sia potente la visualizzazione JMP nell'esplorazione dei dati. |
| |
Se vuoi saperne di più, ci sarà una conferenza plenaria sui dati. Ti incoraggio decisamente a esplorarlo e in un certo senso aiuta ad affrontare diversi modi di visualizzazione e come JMP può aiutarti in questo. |
| |
Ma ti ho promesso, a un certo punto, di darti un'idea di come sono riuscito a creare questi script di tabelle davvero sorprendenti e lo farò subito. |
| |
Ora in JMP 16 si chiama registro migliorato. Questa è una delle nuove funzionalità più interessanti di JMP 16. Il registro avanzato segue effettivamente mentre interagisci e ne tiene traccia. E quindi ogni volta che chiudevo, in questo caso, chiudevo una tabella di dati, aprivo una tabella di dati, eseguivo una tabella di dati, |
| |
se ho aggiunto una nuova colonna, se ho creato un nuovo grafico, viene registrato qui nel registro. |
| |
Questo è qualcosa di cui parlerà John Sall nel suo intervento in plenaria. È, ancora una volta, una delle funzionalità più nuove e sorprendenti qui. |
| |
E questa è la chiave di come sono riuscito a creare questi script di tabelle. Posso onestamente dire che se questo non fosse stato presente, probabilmente non sarei stato in grado di creare questi script di tabelle davvero interessanti, perché ci sarebbe molto lavoro da fare. |
| |
Quindi, ancora una volta, questa è una funzionalità davvero interessante disponibile in JMP 16. Quindi spero di essere riuscito a convincerti che JMP è un ottimo strumento per esplorare i dati, per creare visualizzazioni fantastiche e visualizzazioni interattive. E questo è tutto quello che ho. Grazie per essere venuto. |
