È risaputo che una dieta equilibrata di piante, grassi buoni e cereali integrali è ciò di cui il nostro corpo ha bisogno per funzionare al meglio. Se vogliamo essere buoni analisti, dobbiamo alimentare adeguatamente la nostra materia grigia, giusto? Ebbene, anche i nostri progetti di modellazione necessitano di un set completo di nutrienti.
Questa è la quarta parte di una serie in cinque parti in cui propongo un framework per aiutare gli analisti che vogliono applicare la modellazione al loro lavoro. Questo quadro ha lo scopo di affrontare i punti dolenti comuni che sento articolare come: "Quali risultati del modello dovrei guardare? Ci sono così tanti!" e "Cosa significano? Quali affermazioni posso trarre dai numeri che vedo nelle uscite? "
Questo framework ha la forma di un menu (da un ristorante che tua madre approverebbe!) In cui tu, l'analista / commensale, seleziona gli output in base alla complessità dei tuoi dati e alla tua disposizione come analista (fai riferimento alla Figura 1 sotto). Alcune analisi sono semplici e non richiedono che tu prenda in considerazione molti output di modellazione, mentre altre richiedono che tu esamini più opzioni. Allo stesso modo, alcuni analisti hanno bisogno di muoversi rapidamente con i loro progetti o non si divertono a entrare nelle erbacce statistiche, mentre altri si divertono a immergersi prima di testa e allestire il campo:cara_que_sonríe_con_ojos_sonrientes:per esaminare il loro problema da molte angolazioni diverse.
Quando la tua analisi è semplice, puoi scegliere di ordinare solo l'insalata grande o il "piatto vegetariano". Quando il modello richiede un po 'più di attenzione, puoi aggiungere un po' di salmone ("Healthy Fat") alla tua insalata. Infine, se stai modellando dati storici in cui molti predittori possono essere correlati o se desideri esaminare dati aggiuntivi per estrarre segnali e ottenere una comprensione più approfondita, puoi aggiungere un lato di riso integrale al tuo pasto.
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!
Check-out post # 2 e post # 3 per i dettagli sugli output nelle opzioni Veggie Plate e Healthy Fat. In questo post, mi sto concentrando sugli output di Whole Grain. Inizieremo con l'output che ti aiuta a capire se il tuo modello è integro quando lavori con dati storici. Successivamente, esamineremo gli output che possono aumentare ulteriormente la tua comprensione del processo e comunicare efficacemente i risultati con i collaboratori.
Per ogni output, descriverò: 1) qual è l'output, 2) cosa dovresti cercare e 3) le azioni che puoi intraprendere, date le informazioni. Il mio obiettivo è stato quello di semplificare ma, ovviamente, ciò comporta il rischio di semplificare eccessivamente. Se vuoi avere una comprensione più profonda, ti consiglio il Corso di Statistical Thinking for Industrial Problem Solving (vedere la fine del post sul blog per una raccomandazione sui moduli specifici).
Oh, e se vuoi seguire e generare tu stesso questi output JMP , vedi il primo post del blog in questa serie in cui descrivo il set di dati e come puoi accedere a JMP se non lo hai.
Il mio modello è sano?
VIF (fattori di inflazione varianza)
Cos'è la multicollinearità? Perché è un problema?
Esempio di grafico a dispersione multivariato
Regressione penalizzata
Analisi delle componenti principali
Minimi quadrati parziali
Come interpreto i risultati?
Stime dei parametri
Grafici di interazione
Sommario
Gli output dei cereali integrali sono quelli a cui vai quando analizzi i dati storici o quando vuoi ottenere ulteriori visualizzazioni per comprendere il processo che stai studiando ... così come i cereali integrali sono ciò che dovresti aggiungere alla tua dieta quando hai bisogno di più carburante per quel duro allenamento o una giornata impegnativa.
Quando si analizzano i dati storici (rispetto ai dati di un esperimento progettato), i predittori possono essere altamente correlati, il che può provocare una distorsione del modello e, in ultima analisi, trarre conclusioni errate dai dati. I VIF sono un buon modo per diagnosticare se questo è un problema che potresti dover affrontare.
Quando si tratta di interpretare e utilizzare il modello, le stime dei parametri possono aiutarti a descrivere il grado in cui un particolare fattore influisce individualmente sulla risposta; mappano anche direttamente all'equazione del modello per coloro che desiderano vedere cosa c'è dietro il Prediction Profiler. Infine, i grafici di interazione possono essere un modo utile per immaginare come i fattori interagiscono visivamente tra loro in una singola istantanea statica.
La prossima settimana, nel post finale, descriverò come impostare le preferenze in JMP in modo che vengano sempre visualizzati determinati output del modello, indipendentemente dall'enfasi del report selezionata nella finestra di dialogo Adatta modello.
Sarei negligente se non ti ricordassi, un'ultima volta, di dare un'occhiata al Correlazione e regressione e Progettazione di esperimenti corsi che fanno parte del Corso di Statistical Thinking for Industrial Problem Solving . Se questa serie di blog ti lascia più curioso sui concetti statistici sottostanti, questo corso soddisferà questa curiosità. È stato progettato specificamente per scienziati e ingegneri che desiderano utilizzare meglio dati e statistiche per far avanzare il proprio lavoro.
