植物、良質の脂肪、全粒穀物のバランスの取れた食事は、私たちの体が最高の状態で機能するために必要なものであることは一般的な知識です。 優れたアナリストになりたいのであれば、灰白質に適切に燃料を供給する必要がありますよね？ さて、私たちのモデリングプロジェクトにも栄養素の完全なセットが必要です。
これは、5部構成のシリーズのパート4であり、モデリングを作業に適用したいアナリストを支援するためのフレームワークを提案しています。 このフレームワークは、次のように明確に表現されている一般的な問題点に対処することを目的としています。 たくさんあります！」と「それらはどういう意味ですか？ 出力に表示される数値からどのようなステートメントを作成できますか？」
このフレームワークはメニューの形式であり（お母さんが承認するレストランから！）、アナリスト/ダイナーであるあなたが、データの複雑さとアナリストとしての性向に基づいて出力を選択します（下の図1を参照）。 一部の分析は単純で、多くのモデリング出力を考慮する必要はありませんが、他の分析では、より多くのオプションを検討する必要があります。 同様に、一部のアナリストはプロジェクトを迅速に進める必要があるか、統計的な雑草に入るのを楽しんでいませんが、他のアナリストは最初に頭の中でダイビングしてキャンプを設定することを楽しんでいます：smiling_face_with_smiling_eyes：彼らの問題を多くの異なる角度から見ること。
分析が簡単な場合は、大きなサラダまたは「ベジプレート」を注文することを選択できます。モデルにもう少し注意が必要な場合は、サラダにサーモン（「ヘルシーファット」）を追加できます。 最後に、多くの予測子が相関している可能性のある履歴データをモデル化している場合、または追加のデータを調べて信号を引き出して理解を深めたい場合は、玄米を食事に加えることができます。
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!図1：標準最小二乗法の主要な出力。 食欲に合わせてお食事をお選びください！
チェックアウト投稿＃2と投稿＃3ベジプレートとヘルシーファットオプションの出力の詳細については。 この投稿では、全粒穀物の出力に焦点を当てています。 履歴データを操作しているときにモデルが正常であるかどうかを判断するのに役立つ出力から始めます。 次に、プロセスの理解をさらに深め、調査結果を共同作業者と効果的に伝達するための成果を見ていきます。
各出力について、1）出力とは何か、2）何を探すべきか、3）情報を前提として実行できるアクションについて説明します。 私の目標は単純化することでしたが、もちろん、それは潜在的に過度に単純化するリスクがあります。 より深く理解したい場合は、産業問題解決のための統計的思考コース（特定のモジュールに関する推奨事項については、ブログ投稿の最後を参照してください）。
ああ–そして、これらの出力を自分でフォローして生成したい場合は、 JMP 、を参照してください最初のブログ投稿このシリーズでは、データセットと、JMPがない場合にJMPにアクセスする方法について説明します。
私のモデルは健康ですか？
VIF（分散拡大係数）
多重共線性とは何ですか？ なぜそれが問題なのですか？
多変量散布図の例
ペナルティ付き回帰
主成分分析
部分最小二乗
結果をどのように解釈しますか？
パラメータ推定
相互作用プロット
概要
全粒穀物の出力は、履歴データを分析しているとき、または研究しているプロセスを理解するための追加のビューを取得したいときに使用する出力です。全粒穀物が最も燃料が必要なときに食事に追加する必要があるのと同じです。そのハードワークアウトや忙しい日のために。
（計画された実験からのデータに対して）履歴データを分析している場合、予測子は高度に相関している可能性があり、モデルのバイアスが発生し、最終的にデータから誤った結論が導き出される可能性があります。 VIFは、これが直面している可能性のある問題であるかどうかを診断するための良い方法です。
モデルの解釈と使用に関しては、パラメーター推定は、特定の要因が個々に応答に影響を与える程度を説明するのに役立ちます。また、PredictionProfilerの背後にあるものを確認したい人のためにモデル方程式に直接マッピングします。 最後に、交互作用プロットは、単一の静的スナップショットで因子が互いにどのように相互作用するかを視覚的に示すのに役立つ方法です。
来週の最後の投稿では、[モデルの適合]ダイアログで選択したレポートの強調に関係なく、特定のモデル出力が常に表示されるようにJMPでプリファレンスを設定する方法について説明します。
最後にもう一度チェックするようにあなたに思い出させなかったら、私は失望するでしょう相関と回帰と実験計画法の一部であるコース産業問題解決のための統計的思考コース。 このブログシリーズで、基礎となる統計の概念についてもっと興味を持った場合、このコースはその好奇心を満たします。 これは、データと統計をより有効に活用して作業を進めたい科学者やエンジニア向けに特別に設計されています。
