Es de conocimiento común que una dieta balanceada de plantas, grasas buenas y granos integrales es lo que nuestro cuerpo necesita para funcionar de la mejor manera. Si queremos ser buenos analistas, necesitamos alimentar adecuadamente nuestra materia gris, ¿verdad? Bueno, nuestros proyectos de modelado también necesitan un conjunto completo de nutrientes.
Esta es la cuarta parte de una serie de cinco partes en la que propongo un marco para ayudar a los analistas que desean aplicar el modelado a su trabajo. Este marco tiene como objetivo abordar los puntos débiles comunes que escucho articulados como: “¿Qué resultados del modelo debo considerar? ¡Hay tantos!" y “¿Qué quieren decir? ¿Qué declaraciones puedo hacer a partir de los números que veo en las salidas? "
Este marco tiene la forma de un menú (¡de un restaurante que su mamá aprobaría!) Donde usted, el analista / comensal, selecciona los resultados en función de la complejidad de sus datos y su disposición como analista (consulte la Figura 1 a continuación). Algunos análisis son sencillos y no requieren que considere muchos resultados de modelado, mientras que otros necesitan que busque más opciones. Del mismo modo, algunos analistas necesitan avanzar rápidamente con sus proyectos o no disfrutan meterse en la maleza estadística, mientras que otros disfrutan sumergirse de cabeza y montar el campamento.:smiling_face_with_smiling_eyes:para mirar su problema desde muchos ángulos diferentes.
Cuando su análisis sea sencillo, puede optar por pedir la ensalada grande o el "plato de verduras". Cuando el modelo necesite un poco más de atención, puede agregar un poco de salmón ("Grasa saludable") a su ensalada. Finalmente, si está modelando datos históricos donde muchos de los predictores pueden estar correlacionados o si desea ver datos adicionales para detectar señales y obtener una comprensión más profunda, puede agregar un lado de arroz integral a su comida.
Figura 1: Resultados clave en mínimos cuadrados estándar. ¡Elija su comida según su apetito!
Echa un vistazo publicación # 2 y publicación # 3 para obtener detalles sobre los resultados en las opciones Plato vegetariano y Grasa saludable. En esta publicación, me estoy enfocando en los resultados de Whole Grain. Comenzaremos con el resultado que lo ayuda a determinar si su modelo está en buen estado cuando trabaja con datos históricos. A continuación, analizaremos los resultados que pueden aumentar aún más su comprensión del proceso y comunicar eficazmente los hallazgos a los colaboradores.
Para cada resultado, describiré: 1) cuál es el resultado, 2) qué debería estar buscando y 3) las acciones que puede tomar, dada la información. Mi objetivo ha sido simplificar, pero eso, por supuesto, conlleva el riesgo de simplificar demasiado. Si desea obtener una comprensión más profunda, le recomiendo el Curso Pensamiento estadístico para la resolución de problemas industriales (consulte el final de la publicación del blog para obtener una recomendación sobre los módulos específicos).
Ah, y si desea seguir adelante y generar estos resultados usted mismo en JMP , mira el primera publicación de blog en esta serie donde describo el conjunto de datos y cómo puede obtener acceso a JMP si no lo tiene.
¿Mi modelo está sano?
VIF (factores de variación de la inflación)
¿Qué es la multicolinealidad? Por qué es un problema?
Ejemplo de diagrama de dispersión multivariante
Regresión penalizada
Análisis de componentes principales
Mínimos cuadrados parciales
¿Cómo interpreto los resultados?
Estimaciones de parámetros
Gráficos de interacción
Resumen
Los productos de granos integrales son los que busca cuando analiza datos históricos o cuando desea obtener vistas adicionales para comprender el proceso que está estudiando ... al igual que los granos integrales son lo que debe agregar a su dieta cuando necesita más combustible para ese duro entrenamiento o un día ajetreado.
Cuando está analizando datos históricos (versus datos de un experimento diseñado), sus predictores pueden estar altamente correlacionados, lo que puede resultar en un sesgo del modelo y, en última instancia, sacar conclusiones incorrectas de sus datos. Los VIF son una buena forma de diagnosticar si este es un problema al que puede estar enfrentando.
Cuando se trata de interpretar y utilizar su modelo, las Estimaciones de parámetros pueden ayudarlo a describir el grado en que un factor en particular impacta individualmente la respuesta; también se asignan directamente a la ecuación del modelo para aquellos que quieren ver qué hay detrás del Prediction Profiler. Por último, los gráficos de interacción pueden ser una forma útil de visualizar cómo los factores interactúan entre sí visualmente en una sola instantánea estática.
La próxima semana, en la publicación final, describiré cómo puede configurar sus Preferencias en JMP para que siempre aparezcan ciertos resultados del modelo, independientemente del énfasis del informe que esté seleccionado en el cuadro de diálogo Ajustar modelo.
Sería negligente si no te recordara, una última vez, que revises el Correlación y regresión y Diseño de experimentos cursos que forman parte del Curso Pensamiento estadístico para la resolución de problemas industriales . Si esta serie de blogs te deja más curioso acerca de los conceptos estadísticos subyacentes, este curso satisfará esa curiosidad. Ha sido diseñado específicamente para científicos e ingenieros que desean utilizar mejor los datos y las estadísticas para avanzar en su trabajo.
