Es ist allgemein bekannt, dass eine ausgewogene Ernährung mit Pflanzen, guten Fetten und Vollkornprodukten das ist, was unser Körper braucht, um optimal zu funktionieren. Wenn wir gute Analysten sein wollen, müssen wir unsere graue Substanz richtig tanken, oder? Nun, unsere Modellierungsprojekte benötigen auch einen vollständigen Satz von Nährstoffen.
Dies ist Teil vier einer fünfteiligen Reihe, in der ich ein Framework vorschlage, um Analysten zu helfen, die Modellierung auf ihre Arbeit anwenden möchten. Dieses Framework zielt darauf ab, die allgemeinen Schwachstellen anzugehen, die ich wie folgt formuliert höre: „Welche Modellergebnisse sollte ich betrachten? Es gibt so viele!" und „Was meinen sie? Welche Aussagen kann ich aus den Zahlen machen, die ich in den Ausgaben sehe? “
Dieses Framework besteht aus einem Menü (aus einem Restaurant, das Ihre Mutter genehmigen würde!), In dem Sie als Analyst / Diner die Ergebnisse basierend auf der Komplexität Ihrer Daten und Ihrer Disposition als Analyst auswählen (siehe Abbildung 1 unten). Einige Analysen sind unkompliziert und erfordern nicht, dass Sie viele Modellierungsausgaben berücksichtigen, während andere Sie benötigen, um mehr Optionen zu prüfen. Ebenso müssen einige Analysten ihre Projekte schnell erledigen oder nicht gerne in das statistische Unkraut eindringen, während andere gerne mit dem Kopf voran tauchen und ein Camp aufbauen:smiling_face_with_smiling_eyes:ihr Problem aus vielen verschiedenen Blickwinkeln zu betrachten.
Wenn Ihre Analyse unkompliziert ist, können Sie einfach den großen Salat oder "Veggie Plate" bestellen. Wenn das Modell etwas mehr Aufmerksamkeit benötigt, können Sie Ihrem Salat etwas Lachs („Gesundes Fett“) hinzufügen. Wenn Sie historische Daten modellieren, bei denen viele Prädiktoren möglicherweise korreliert sind, oder wenn Sie zusätzliche Daten anzeigen möchten, um Signale herauszufiltern und ein tieferes Verständnis zu erlangen, können Sie Ihrer Mahlzeit eine Seite braunen Reis hinzufügen.
Abbildung 1: Schlüsselausgaben in Standard Least Squares. Wählen Sie Ihre Mahlzeit nach Ihrem Appetit!
Überprüfen Beitrag # 2 und Beitrag # 3 Einzelheiten zu den Ausgaben in den Optionen Veggie Plate und Healthy Fat. In diesem Beitrag konzentriere ich mich auf die Vollkornausgaben. Wir beginnen mit der Ausgabe, mit der Sie herausfinden können, ob Ihr Modell bei der Arbeit mit historischen Daten fehlerfrei ist. Als nächstes werden wir uns die Ergebnisse ansehen, die Ihr Verständnis des Prozesses weiter verbessern und die Ergebnisse effektiv mit den Mitarbeitern kommunizieren können.
Für jede Ausgabe werde ich beschreiben: 1) was die Ausgabe ist, 2) wonach Sie suchen sollten und 3) welche Maßnahmen Sie angesichts der Informationen ergreifen können. Mein Ziel war es, zu vereinfachen, aber das birgt natürlich die Gefahr einer möglichen Vereinfachung. Wenn Sie ein tieferes Verständnis erhalten möchten, empfehle ich die Statistisches Denken für den Kurs zur industriellen Problemlösung (Eine Empfehlung zu den einzelnen Modulen finden Sie am Ende des Blogposts.)
Oh - und wenn Sie mitmachen und diese Ausgaben selbst generieren möchten JMP siehe die erster Blogbeitrag In dieser Serie beschreibe ich den Datensatz und wie Sie auf JMP zugreifen können, wenn Sie ihn nicht haben.
Ist mein Modell gesund?
VIFs (Varianzinflationsfaktoren)
Was ist Multikollinearität? Warum ist das ein Problem?
Beispiel für ein multivariates Streudiagramm
Bestrafte Regression
Hauptkomponentenanalyse
Teilweise kleinste Quadrate
Wie interpretiere ich die Ergebnisse?
Parameterschätzungen
Interaktionsdiagramme
Zusammenfassung
Die Vollkornprodukte sind diejenigen, zu denen Sie gehen, wenn Sie historische Daten analysieren oder wenn Sie zusätzliche Einblicke in das Verständnis des von Ihnen untersuchten Prozesses erhalten möchten. Ebenso wie Vollkornprodukte sollten Sie Ihrer Ernährung hinzufügen, wenn Sie den meisten Kraftstoff benötigen für das harte Training oder den anstrengenden Tag.
Wenn Sie historische Daten analysieren (im Vergleich zu Daten aus einem entworfenen Experiment), sind Ihre Prädiktoren möglicherweise stark korreliert, was zu einer Verzerrung des Modells führen kann - und letztendlich zu falschen Schlussfolgerungen aus Ihren Daten führt. VIFs sind eine gute Möglichkeit, um zu diagnostizieren, ob dies ein Problem ist, mit dem Sie möglicherweise konfrontiert sind.
Bei der Interpretation und Verwendung Ihres Modells können Sie anhand der Parameterschätzungen beschreiben, inwieweit sich ein bestimmter Faktor individuell auf die Reaktion auswirkt. Sie werden auch direkt der Modellgleichung zugeordnet, wenn Sie sehen möchten, was sich hinter dem Vorhersageprofiler verbirgt. Schließlich können die Interaktionsdiagramme eine hilfreiche Methode sein, um sich vorzustellen, wie Faktoren in einem einzigen statischen Schnappschuss visuell miteinander interagieren.
Nächste Woche werde ich im letzten Beitrag beschreiben, wie Sie Ihre Einstellungen in JMP so festlegen können, dass bestimmte Modellausgaben immer angezeigt werden - unabhängig von der im Dialogfeld "Modell anpassen" ausgewählten Berichtsbetonung.
Ich würde mich sehr freuen, wenn ich Sie nicht ein letztes Mal daran erinnern würde, das zu überprüfen Korrelation und Regression und Versuchsplanung Kurse, die Teil der Statistisches Denken für den Kurs zur industriellen Problemlösung . Wenn diese Blog-Reihe Sie neugieriger auf die zugrunde liegenden statistischen Konzepte macht, wird dieser Kurs diese Neugier befriedigen. Es wurde speziell für Wissenschaftler und Ingenieure entwickelt, die Daten und Statistiken besser nutzen möchten, um ihre Arbeit voranzutreiben.
