Se hai deciso di utilizzare i modelli per risolvere più problemi, questa serie di blog è per te.
Uno dei maggiori ostacoli che ho riscontrato dagli analisti che vogliono fare questo è che sono sopraffatti e / o confusi con tutti gli output di cui hanno bisogno per guardare subito dopo aver costruito un modello. *
Nel primo post del blog in questa serie ho parlato di come JMP L'impostazione predefinita di Emphasis è un buon punto di partenza quando si tratta di capire su quali output del modello concentrarsi. Tuttavia, anche con quelle impostazioni predefinite come punto di partenza, ci sono ancora molti output a cui dare la priorità e capire come interpretare.
Per aiutare a demistificare e semplificare l'interpretazione dell'output del modello, ho sviluppato il menu nella Figura 1 per aiutare gli analisti a concentrarsi sugli output chiave in base a quanto in profondità vogliono andare (o quanto sono affamati, per così dire) e in che misura il problema richiede un'attenzione extra (o "nutrizione":cara_que_sonríe_con_ojos_sonrientes:).
* Ci stiamo concentrando sulla modellazione dei minimi quadrati standard in questa serie di blog perché questo è il tipo più comune di modello che i nuovi utenti provano per primo grazie all'accessibilità in JMP (rispetto a JMP Pro) e alla facilità di interpretazione delle equazioni del modello rispetto al reale mondo.
Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figura 1: output chiave nei minimi quadrati standard. Scegli il tuo pasto in base al tuo appetito!
Nel post di questa settimana, mi sto concentrando sugli output principali per gli utenti che stanno cercando di muoversi rapidamente con la loro analisi e il processo decisionale ei cui dati consentono la semplicità. Questo set di output è indicato collettivamente come "The Veggie Plate" nel menu perché è sempre buona pratica mangiare una porzione sana di verdure, giusto? Sono elementi fondamentali per una buona salute degli esseri umani così come sono elementi fondamentali per modelli sani e utili.
Se vuoi seguire il set di dati di esempio che utilizzo negli screenshot, vedi il file primo post del blog .
Il mio modello è sano?
Actual by Predicted
** Did you know that if you change your cursor to a question mark (Tools menu) and click on any output, you will be taken to the specific section of JMP documentation? Try it with the Actual by Predicted Plot.** Did you know that if you change your cursor to a question mark (Tools menu) and click on any output, you will be taken to the specific section of JMP documentation? Try it with the Actual by Predicted Plot.** Did you know that if you change your cursor to a question mark (Tools menu) and click on any output, you will be taken to the specific section of JMP documentation? Try it with the Actual by Predicted Plot.** Sapevi che se cambi il cursore in un punto interrogativo (menu Strumenti) e fai clic su qualsiasi output, verrai portato alla sezione specifica della documentazione di JMP? Provalo con Actual by Predicted Plot. RSquare e RSquare rettificato
Trame residue
Portale della conoscenza delle statistiche di JMP
Trasformare i dati per fare previsioni migliori
Come interpreto i risultati?
Riepilogo degli effetti
Prediction Profiler
Video di quattro minuti: Prediction Profiler
Stime in scala
Sommario
Spero che tu abbia trovato questo post utile per concentrarti sugli output essenziali per iniziare i tuoi obiettivi di modellazione.
Se le uscite Veggie Plate ti danno ciò di cui hai bisogno per prendere decisioni, probabilmente ti renderà un eroe nel tuo team di progetto e dovresti festeggiare mangiando una buona porzione di verdure! (Whomp! OK - forse un gelato - tutto con moderazione, giusto?).
Se pensi che il tuo modello possa aver bisogno di più lavoro o se hai solo fame di saperne di più, puoi unirti a me la prossima settimana dove descriverò i risultati "Healthy Fat". Questo set di risultati ti aiuterà a diagnosticare e risolvere i problemi di adattamento del modello e ti consentirà di andare più in profondità per comunicare chiaramente i tuoi risultati agli altri.
Ti invito a restare con me attraverso questa serie di blog. Nell'ultimo post del blog del 10 febbraio, descriverò come personalizzare le tue preferenze in modo che i risultati del tuo modello preferito vengano sempre visualizzati.
PS Se stai cercando una comprensione fondamentale, considera di prendere il modulo Correlazione e regressione di Corso di Statistical Thinking for Industrial Problem Solving (più economico di qualsiasi pasto perché è gratuito!).
