Es ist allgemein bekannt, dass eine ausgewogene Ernährung aus Pflanzen, guten Fetten und Vollkorn das ist, was unser Körper braucht, um optimal zu funktionieren. Wenn wir gute Analysten sein wollen, müssen wir unsere grauen Zellen richtig auftanken, oder? Nun, unsere Modellierungsprojekte brauchen auch ein komplettes Set an Nährstoffen.
Dies ist Teil vier einer fünfteiligen Serie, in der ich einen Rahmen vorschlage, der Analysten helfen soll, die Modellierung auf ihre Arbeit anwenden möchten. Dieser Rahmen zielt darauf ab, die häufigen Schmerzpunkte anzugehen, die ich so artikuliert höre: „Welche Modellergebnisse sollte ich mir ansehen? Es gibt so viele!" und „Was bedeuten sie? Welche Aussagen kann ich aus den Zahlen machen, die ich in den Ausgaben sehe?“
Dieser Rahmen hat die Form eines Menüs (von einem Restaurant, das Ihre Mutter gutheißen würde!), in dem Sie als Analytiker/Gastgeber Ergebnisse basierend auf der Komplexität Ihrer Daten und Ihrer Disposition als Analytiker auswählen (siehe Abbildung 1 unten). Einige Analysen sind einfach und erfordern nicht, dass Sie viele Modellierungsausgaben berücksichtigen, während andere erfordern, dass Sie sich mehr Optionen ansehen. Ebenso müssen einige Analysten mit ihren Projekten schnell vorankommen oder haben keinen Spaß daran, in das statistische Unkraut zu geraten, während andere es genießen, mit dem Kopf voran einzutauchen und ein Lager aufzubauen :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 die „Gemüseplatte“ bestellen. Wenn das Modell etwas mehr Aufmerksamkeit benötigt, können Sie Ihrem Salat etwas Lachs („Gesundes Fett“) hinzufügen. Schließlich, wenn Sie historische Daten modellieren, bei denen viele der Prädiktoren korrelieren können, oder wenn Sie zusätzliche Daten betrachten möchten, um Signale herauszukitzeln und ein tieferes Verständnis zu erlangen, können Sie Ihrer Mahlzeit eine Seite braunen Reis hinzufügen.
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!Abbildung 1: Wichtigste Ergebnisse in Standard Least Squares. Wählen Sie Ihre Mahlzeit nach Ihrem Appetit!
Kasse Beitrag #2 und Beitrag #3 für Details zu den Ausgaben in den Optionen Veggie Plate und Healthy Fat. In diesem Beitrag konzentriere ich mich auf die Vollkornprodukte. Wir beginnen mit der Ausgabe, die Ihnen hilft herauszufinden, ob Ihr Modell fehlerfrei ist, wenn Sie mit historischen Daten arbeiten. 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 Übervereinfachung. Wenn Sie ein tieferes Verständnis erlangen möchten, empfehle ich die Statistical Thinking for Industrial Problem Solving Kurs (eine Empfehlung zu den einzelnen Modulen finden Sie am Ende des Blogbeitrags).
Oh – und wenn Sie mitmachen und diese Ausgaben selbst generieren möchten JMP , siehe die erster Blogbeitrag in dieser Serie, in der ich den Datensatz beschreibe und wie Sie Zugriff auf JMP erhalten, wenn Sie ihn nicht haben.
Ist mein Modell gesund?
VIFs (varianz Inflationsfaktoren)
Was ist Multikollinearität? Warum ist das ein Problem?
Beispiel für ein multivariates Streudiagramm
Bestrafte Regression
Hauptkomponentenanalyse
Partielle kleinste Quadrate
Wie interpretiere ich die Ergebnisse?
Parameterschätzungen
Interaktionsplots
Zusammenfassung
Die Vollkornausgaben 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 ... genauso wie Vollkornprodukte Ihrer Ernährung hinzugefügt werden sollten, wenn Sie am meisten Energie benötigen für das harte Training oder den anstrengenden Tag.
Wenn Sie historische Daten analysieren (im Gegensatz zu Daten aus einem entworfenen Experiment), können Ihre Prädiktoren stark korrelieren, was zu einer Verzerrung des Modells führen kann – und letztendlich zu falschen Schlussfolgerungen aus Ihren Daten. VIFs sind ein guter Weg, um zu diagnostizieren, ob dies ein Problem ist, mit dem Sie möglicherweise konfrontiert sind.
Wenn es darum geht, Ihr Modell zu interpretieren und zu verwenden, können Ihnen die Parameterschätzungen dabei helfen, den Grad zu beschreiben, in dem ein bestimmter Faktor die Antwortvariablen individuell beeinflusst; Sie werden auch direkt der Modellgleichung zugeordnet, für diejenigen, die sehen möchten, was sich hinter dem Prediction Profiler verbirgt. Schließlich können die Interaktionsdiagramme eine hilfreiche Methode sein, um visuell in einer einzigen statischen Momentaufnahme darzustellen, wie Faktoren miteinander interagieren.
Nächste Woche werde ich im letzten Beitrag beschreiben, wie Sie Ihre Einstellungen in JMP so einstellen können, dass bestimmte Modellausgaben immer angezeigt werden – unabhängig von der Berichtshervorhebung, die im Dialogfeld „Modell anpassen“ ausgewählt ist.
Ich wäre nachlässig, wenn ich Sie nicht ein letztes Mal daran erinnern würde, sich das anzusehen Korrelation und Regression und Versuchsplanung Kurse, die Teil der Statistical Thinking for Industrial Problem Solving Kurs . Wenn Sie diese Blogserie neugierig 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.
