식물, 좋은 지방 및 전체 곡물의 균형 잡힌 식단이 우리 몸이 최상의 기능을 발휘하는 데 필요하다는 것은 일반적인 지식입니다. 우리가 훌륭한 분석가가 되려면 회백질에 적절하게 연료를 공급해야 합니다. 그렇죠? 음, 우리의 모델링 프로젝트에도 완전한 영양소 세트가 필요합니다.
이것은 작업에 모델링을 적용하려는 분석가를 돕기 위한 프레임워크를 제안하는 5부 시리즈 중 4부입니다. 이 프레임워크는 "어떤 모델 출력을 봐야 합니까? 너무 많다!” 그리고 "그들은 무엇을 의미합니까? 출력에서 보는 숫자로 어떤 진술을 할 수 있습니까?”
이 프레임워크는 분석가/식사를 제공하는 귀하가 데이터의 복잡성과 분석가로서의 성향을 기반으로 출력을 선택하는 메뉴(엄마가 승인할 레스토랑에서!) 형식입니다(아래 그림 1 참조). 일부 분석은 간단하고 많은 모델링 출력을 고려할 필요가 없는 반면 일부 분석은 더 많은 옵션을 살펴봐야 합니다. 마찬가지로, 일부 분석가는 프로젝트를 신속하게 진행해야 하거나 통계적 잡초에 빠지는 것을 좋아하지 않는 반면, 다른 분석가는 먼저 머리를 맞대고 캠프를 설정하는 것을 즐깁니다.smiling_face_with_smiling_eyes: 다양한 각도에서 그들의 문제를 바라볼 수 있습니다.
분석이 간단하면 큰 샐러드 또는 "채소 접시"를 주문할 수 있습니다. 모델에 좀 더 주의가 필요한 경우 샐러드에 연어("건강한 지방")를 추가할 수 있습니다. 마지막으로, 많은 예측 변수가 상호 연관될 수 있는 과거 데이터를 모델링하거나 신호를 분석하고 더 깊이 이해하기 위해 추가 데이터를 확인하려는 경우 식사에 현미를 추가할 수 있습니다.
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!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!그림 1: 표준 최소 제곱의 주요 결과. 입맛에 따라 식사를 선택하세요!
체크 아웃 게시물 #2 그리고 게시물 #3 Veggie Plate 및 Healthy Fat 옵션의 출력에 대한 자세한 내용은 이 게시물에서는 Whole Grain 출력에 초점을 맞추고 있습니다. 기록 데이터로 작업할 때 모델이 정상인지 파악하는 데 도움이 되는 출력으로 시작합니다. 다음으로, 프로세스에 대한 이해를 더욱 높이고 결과를 공동 작업자와 효과적으로 전달할 수 있는 결과를 살펴보겠습니다.
각 출력에 대해 1) 출력이 무엇인지, 2) 무엇을 찾아야 하는지, 3) 정보가 주어지면 취할 수 있는 조치를 설명합니다. 내 목표는 단순화하는 것이지만, 물론 이는 잠재적으로 지나치게 단순화할 위험이 있습니다. 더 깊은 이해를 원하신다면 추천합니다 산업 문제 해결을 위한 통계적 사고 과정 (특정 모듈에 대한 권장 사항은 블로그 게시물의 끝 부분을 참조하십시오).
아, 그리고 이 결과를 따라하고 직접 생성하려면 JMP , 참조 첫 번째 블로그 게시물 이 시리즈에서는 데이터 세트와 JMP가 없는 경우 JMP에 액세스하는 방법에 대해 설명합니다.
내 모델은 건강합니까?
VIF(분산 인플레이션 요인)
다중공선성이란? 왜 문제입니까?
다변량 산점도 예
벌점 회귀
주성분 분석
부분 최소 제곱
결과를 어떻게 해석합니까?
매개변수 추정치
교호작용도
요약
통곡물 산출물은 과거 데이터를 분석할 때 또는 연구 중인 과정을 이해하기 위해 추가적인 견해를 얻고 싶을 때 가는 것입니다. 마치 통곡물이 가장 많은 연료가 필요할 때 식단에 추가해야 하는 것과 같습니다. 힘든 운동이나 바쁜 하루를 위해.
과거 데이터(설계된 실험의 데이터와 비교)를 분석할 때 예측 변수는 높은 상관 관계가 있을 수 있으며, 이로 인해 모델 편향이 발생할 수 있으며 궁극적으로 데이터에서 잘못된 결론을 도출할 수 있습니다. VIF는 이것이 직면할 수 있는 문제인지 진단하는 좋은 방법입니다.
모델을 해석하고 사용할 때 매개변수 추정치는 특정 요인이 반응에 개별적으로 영향을 미치는 정도를 설명하는 데 도움이 될 수 있습니다. 또한 Prediction Profiler 뒤에 무엇이 있는지 확인하려는 사람들을 위해 모델 방정식에 직접 매핑됩니다. 마지막으로 상호 작용 그림은 단일 정적 스냅샷에서 요인이 서로 시각적으로 상호 작용하는 방식을 시각화하는 데 도움이 될 수 있습니다.
다음 주 마지막 게시물에서는 모델 맞춤 대화 상자에서 선택한 강조 보고서에 관계없이 특정 모델 출력이 항상 표시되도록 JMP에서 기본 설정을 설정하는 방법을 설명합니다.
마지막으로 한 번만 확인하지 않았다면 후회했을 것입니다. 상관 및 회귀 그리고 실험 계획 의 일부인 코스 산업 문제 해결을 위한 통계적 사고 과정 . 이 블로그 시리즈를 통해 기본 통계 개념에 대해 더 궁금하시다면 이 과정이 그 궁금증을 충족시켜 드릴 것입니다. 데이터와 통계를 더 잘 활용하여 작업을 발전시키려는 과학자와 엔지니어를 위해 특별히 설계되었습니다.
