Il est de notoriété publique qu'une alimentation équilibrée composée de plantes, de bonnes graisses et de grains entiers est ce dont notre corps a besoin pour fonctionner au mieux. Si nous voulons être de bons analystes, nous devons alimenter correctement notre matière grise, n'est-ce pas ? Eh bien, nos projets de modélisation ont également besoin d'un ensemble complet de nutriments.
Il s'agit de la quatrième partie d'une série en cinq parties où je propose un cadre pour aider les analystes qui souhaitent appliquer la modélisation à leur travail. Ce cadre vise à résoudre les problèmes courants que j'entends articuler comme suit : « Quelles sorties de modèle dois-je examiner ? Il y en a tellement!" et "Que signifient-ils ? Quelles déclarations puis-je faire à partir des chiffres que je vois dans les sorties ? »
Ce cadre se présente sous la forme d'un menu (provenant d'un restaurant que votre mère approuverait !) où vous, l'analyste/dîner, sélectionnez les sorties en fonction de la complexité de vos données et de votre disposition en tant qu'analyste (reportez-vous à la figure 1 ci-dessous). Certaines analyses sont simples et ne nécessitent pas que vous considériez de nombreuses sorties de modélisation, tandis que d'autres nécessitent que vous examiniez plus d'options. De même, certains analystes doivent avancer rapidement dans leurs projets ou n'aiment pas entrer dans les détails statistiques, tandis que d'autres aiment plonger la tête la première et installer leur camp :smiling_face_with_smiling_eyes: d'examiner leur problème sous de nombreux angles différents.
Lorsque votre analyse est simple, vous pouvez choisir de simplement commander la grande salade ou "Veggie Plate". Lorsque le modèle a besoin d'un peu plus d'attention, vous pouvez ajouter du saumon (« Healthy Fat ») à votre salade. Enfin, si vous modélisez des données historiques où de nombreux prédicteurs peuvent être corrélés ou si vous souhaitez consulter des données supplémentaires pour démêler les signaux et obtenir une compréhension plus approfondie, vous pouvez ajouter un côté de riz brun à votre repas.
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!Figure 1 : Principaux résultats en moindres carrés standard. Choisissez votre repas en fonction de votre appétit !
Vérifier poste #2 et poste #3 pour plus de détails sur les sorties dans les options Veggie Plate et Healthy Fat. Dans cet article, je me concentre sur les sorties Whole Grain. Nous commencerons par la sortie qui vous aide à déterminer si votre modèle est sain lorsque vous travaillez avec des données historiques. Ensuite, nous examinerons les résultats qui peuvent encore améliorer votre compréhension du processus et communiquer efficacement les résultats aux collaborateurs.
Pour chaque sortie, je décrirai : 1) quelle est la sortie, 2) ce que vous devriez rechercher et 3) les actions que vous pouvez entreprendre, compte tenu des informations. Mon objectif a été de simplifier, mais cela, bien sûr, comporte un risque de simplification excessive. Si vous souhaitez approfondir votre compréhension, je vous recommande Cours sur la pensée statistique pour la résolution de problèmes industriels (voir la fin du billet de blog pour une recommandation sur les modules spécifiques).
Oh - et si vous voulez suivre et générer vous-même ces sorties dans JMP , voir le premier article de blog dans cette série où je décris l'ensemble de données et comment vous pouvez accéder à JMP si vous ne l'avez pas.
Mon modèle est-il en bonne santé ?
FIV (facteurs d'inflation de la variance)
Qu'est-ce que la multicolinéarité ? Pourquoi est-ce un problème ?
Exemple de diagramme de dispersion multivarié
Régression pénalisée
Analyse en composantes principales
Moindres carrés partiels
Comment interpréter les résultats ?
Estimations des paramètres
Graphiques d'interaction
Sommaire
Les résultats des grains entiers sont ceux auxquels vous accédez lorsque vous analysez des données historiques ou lorsque vous souhaitez obtenir des vues supplémentaires pour comprendre le processus que vous étudiez… tout comme les grains entiers sont ce que vous devez ajouter à votre alimentation lorsque vous avez besoin de plus de carburant. pour cet entraînement dur ou une journée bien remplie.
Lorsque vous analysez des données historiques (par rapport aux données d'une expérience conçue), vos prédicteurs peuvent être fortement corrélés, ce qui peut entraîner un biais de modèle et, en fin de compte, tirer des conclusions incorrectes à partir de vos données. Les VIF sont un bon moyen de diagnostiquer s'il s'agit d'un problème auquel vous pourriez être confronté.
Lorsqu'il s'agit d'interpréter et d'utiliser votre modèle, les estimations de paramètres peuvent vous aider à décrire le degré d'impact d'un facteur particulier sur la réponse ; ils correspondent également directement à l'équation du modèle pour ceux qui veulent voir ce qui se cache derrière le Prediction Profiler. Enfin, les diagrammes d'interaction peuvent être un moyen utile d'imaginer comment les facteurs interagissent visuellement les uns avec les autres dans un seul instantané statique.
La semaine prochaine, dans le dernier article, je décrirai comment vous pouvez définir vos préférences dans JMP afin que certaines sorties de modèle s'affichent toujours, quelle que soit l'emphase du rapport sélectionnée dans la boîte de dialogue Ajuster le modèle.
Je m'en voudrais de ne pas vous rappeler, une dernière fois, de consulter le Correlation et regression et Conception d'expériences cours qui font partie du Cours sur la pensée statistique pour la résolution de problèmes industriels . Si cette série de blogs vous laisse plus curieux sur les concepts statistiques sous-jacents, ce cours satisfera cette curiosité. Il a été conçu spécifiquement pour les scientifiques et les ingénieurs qui souhaitent mieux utiliser les données et les statistiques pour faire avancer leurs travaux.
