Entwickelt von : Marlene Smith,
Universität von Colorado Denver Business School
Hintergrund
Laut einer kürzlich in den US-Nachrichten und im World Report veröffentlichten Studie belaufen sich die Kosten für Behandlungsfehler in den USA auf 55,6 Milliarden US-Dollar pro Jahr, was 2,4 Prozent der jährlichen Gesundheitsausgaben entspricht.Eine weitere Studie aus dem Jahr 2011, die im New England Journal of Medicine veröffentlicht wurde, ergab, dass zwischen 1991 und 2005 jährlich 7,4% aller in den USA zugelassenen Ärzte einen Anspruch auf Fehlverhalten hatten.Diese erstaunlichen Zahlen tragen nicht nur zu den hohen Kosten der Gesundheitsversorgung bei, sondern die Höhe erfolgreicher Schadensersatzansprüche trägt auch zu hohen Prämien für die Krankenversicherung bei Behandlungsfehlern bei.
Eine Versicherungsgesellschaft will ein besseres Verständnis von entwickeln es ist Ansprüche ausgezahlt für medizinische Fehlverhaltensklagen .In den Aufzeichnungen sind die Beträge für die Zahlung von Ansprüchen sowie Informationen über den vorsitzenden Arzt und den Antragsteller für eine Reihe kürzlich verhandelter oder beigelegter Rechtsstreitigkeiten aufgeführt .
Das Aufgabe
Untersuchen Sie mithilfe beschreibender Statistiken und grafischer Anzeigen die Zahlungsbeträge für Ansprüche und identifizieren Sie Faktoren, die den Zahlungsbetrag zu beeinflussen scheinen.
Die Daten MedicalMalpractice.jmp
Der Datensatz enthält Informationen über die letzten 118 clai m geleistete Zahlungen für sechs- Monatszeitraum .Die acht Variablen in der Datentabelle werden nachfolgend beschrieben:
Menge Betrag der Anspruchszahlung in Dollar
Schwere Der Schweregrad der Schädigung des Patienten von 1 (emotionales Trauma) bis 9 (Tod)
Alter Alter des Antragstellers in Jahren
Privatgelände Rechtsanwalt Ob der Antragsteller von einem Privatanwalt vertreten wurde
Ehe Status Familienstand des Antragstellers
Spezialität Spezialität des an der Klage beteiligten Arztes
Versicherung Art der vom Patienten getragenen Krankenversicherung
Geschlecht Geschlecht des Patienten
Die Variablen sind in JMP mit a codiert Kontinuierlich , Ordinal oder Nominal Modellierungstyp .Diese Codierung stellt sicher, dass JMP die richtige Analyse durchführt und geeignete Diagramme erstellt .
Ein erster Schritt bei jeder Analyse besteht darin, sicherzustellen, dass Ihre Variable Fähigkeiten haben die richtige Modellierung Art:
- Kontinuierliche Variablen , mögen Menge , numerische Werte haben (zB 2, 5, 3,35, 159,667,…) .
- Ordnungsvariablen , sowie Schwere , entweder numerische oder Zeichenwerte haben, die geordnete Kategorien darstellen (e. G.; klein, mittel und groß; 1-9 Schweregrad Waage,…).
- Nominalvariablen , mögen Geschlecht , kann auch entweder numerische oder Zeichenwerte haben und ungeordnete Kategorien oder Beschriftungen darstellen (z. B. die Namen von Zuständen, Farben von M & Ms, Maschinennummern,…).
Analyse
Wir beginnen mit der Betrachtung der Schlüsselvariablen interes t, die Höhe der Anspruchszahlung .In Abbildung 1 werden ein Histogramm und eine zusammenfassende Statistik für angezeigt Menge .
Ausstellung 1 Verteilung von Menge
(Ein alyze> Verteilung; Wählen Menge als Y, Spalten, und klicken Sie auf OK.F. oder ein horizontales Layout auswählen Stapel unter dem oberen roten Dreieck . )
Aus Abbildung 1 sehen wir, dass das Histogramm von Menge ist nach rechts geneigt, was bedeutet, dass es einen langen Schwanz mit mehreren sehr hohen Zahlungen gibt .T. er bedeuten (durchschnittlich) Zahlung ist $ 91.045, während die Median (Mitte) ist 22.750 $ .Wenn ein Histogramm wie hier rechts schief ist, t er meint wird den Median überschreiten .Dies liegt daran, dass der Mittelwert durch Extremwerte beeinflusst wird - die hohen Zahlungen, die wir im Histogramm beobachten, erhöhen den Mittelwert.
Ein Maß für die Verbreitung der Daten ist das Standardabweichung (StdDev in Anlage 1 ) .Je höher die Standardabweichung, desto größer das Verbreitung oder Variation, in den Daten .Wenn die Daten verzerrt sind, wird die Standardabweichung wie der Mittelwert aufgeblasen.
Andere nützliche zusammenfassende Statistiken sind die Quartile .Das erste Quartil ( neben an 25,0% in Anlage 1) beträgt 7.500 USD und das dritte Quartil ( neben an 75,0%) beträgt 92.670 USD .Das Interquartilbereich , definiert als Q3 - Q1, ist ein Maß für die Streuung oder Variabilität in den mittleren 50% der Daten .T. sein val ue ist Anzeige ed grafisch in dem Ausreißer Box Plot (über dem Histogramm) .Eine größere Version von Dieses Diagramm wird unten angezeigt .
Der linke Rand der Box ist das erste Quartil, die Mittellinie ist der Median oder das zweite Quartil und der rechte Rand der Box ist das dritte Quartil .Daher die Breite der Box ist der Interquartilbereich oder IQR .(Anmerkungen: Die Mitte des Diamanten ist der Mittelwert .Wir werden dies in wenigen Augenblicken diskutieren .Die rote Klammer oben, auf die wir nicht weiter eingehen werden, kennzeichnet den "dichtesten" Bereich der Daten.Diese Klammer wird in JMP Student Edition nicht angezeigt. )
Das Ausreißer-Box-Diagramm hilft uns, potenzielle Ausreißer visuell zu identifizieren .Die Faustregel zur Unterscheidung von Ausreißern von Nicht-Ausreißern lautet: wenn das Histogramm ungefähr normal oder glockenförmig ist Ausreißer sind diejenigen Punkte, die über 1,5 IQRs der Box hinausgehen .Die Linie, die sich vom rechten Rand der Box aus erstreckt und als Whisker bezeichnet wird, hat eine Länge von ungefähr 1,5 IQR (wir sagen „ungefähr“, weil sie tatsächlich bis zum äußersten Punkt innerhalb dieses Bereichs gezogen wird, sodass sie möglicherweise nicht ganz 1,5 IQR beträgt). .
Lassen Sie uns zur Veranschaulichung die Tatsache t ignorieren Hat unsere Daten sind richtig verzerrt .Es gibt 16 Punkte hinter dem Whisker, die wir als Ausreißer betrachten werden .In diesem Fall sind die Ausreißer diejenigen Punkte, die viel sind größer als der Rest.
Was sollen wir tun, nachdem wir mehrere Ausreißer identifiziert haben?Betrachten wir sie aus der Analyse zu entfernen.Um dies zu tun, wir werden h ide und schließe den poin aus ts (( lieber als einfach Löschen ).Ausblenden entfernt Punkte aus Diagrammen, während Ausschließen entfernt sie aus der Zukunft Berechnungen .
Anlage 2 ist das neue Histogramm für Menge nach dem Ausschließen und Ausblenden der 16 Ausreißer .
Ausstellungsstück 2 Menge nach dem Ausschließen und Ausblenden von 16 Ausreißern
(Um auszuschließen und auszublenden, zeichnen Sie ein Feld um die Punkte im Boxplot, um sie auszuwählen .Wählen Sie dann Zeilen> Ausblenden und Ausschließen .Kehren Sie zu Analysieren> Verteilung zurück und generieren Sie das Histogramm neu .)
Beachten Sie, dass es jetzt sieben (7) neue Ausreißer gibt!Wir könnten genauso gut loswerden jene sieben Ausreißer auch .T. Das Ergebnis ist in Abbildung 3 dargestellt.
Anlage 3 Menge nach dem Ausschließen und Ausblenden von insgesamt 23 Ausreißern
OK, jetzt haben wir sechs Mehr Ausreißer .Wie lange kann dieses Spiel dauern?Sie können Ausreißer nach Belieben weiterhin ausschließen und ausblenden .Oder vielleicht haben Sie die Nachricht erhalten: Das Verwerfen von Ausreißern aus einer verzerrten Verteilung ist eine Übung der Sinnlosigkeit, da Beobachtungen, die zunächst nicht auffielen, nach Ausschluss der extremsten Beobachtungen als Ausreißer erscheinen .Das Entfernen von Beobachtungen in dieser Situation zwingt nur andere Beobachtungen, ihren Platz einzunehmen.
Es gibt einen noch wichtigeren Grund, nicht auszuschließen Ausreißer aus der Analyse .Da ist nichts falsch mit diesen "Ausreißern" - sie sind nur größer t han die meisten anderen Zahlungen .Durch den Ausschluss der 23 Ausreißer haben wir die wirklich hohen Schadenszahlungen der Versicherungsgesellschaft entfernt .Der auf den verbleibenden Beobachtungen berechnete Durchschnitt beträgt 28.306 USD, eine Zahl, die weniger als ein Drittel des ursprünglichen Durchschnitts beträgt .Stellen Sie sich vor, das Unternehmen verwendet den Durchschnitt und den Bereich der abgeschnittenen Daten et, um zukünftige Zahlungen zu prognostizieren .Das obere Management wird unangenehm überrascht sein, wenn viele tatsächliche Zahlungen zum Jahresende weit über den prognostizierten Zahlungen liegen, und Sie als Unternehmensstatistiker sind möglicherweise arbeitslos.
Mit anderen Worten, warum Daten verwerfen? Punkte nur weil Sie sind ungewöhnlich oder unpraktisch?Es besteht eine große Gefahr beim Ausschluss von Ausreißern .Wir werden in zukünftigen Fällen einige Beispiele sehen, in denen das Ausschließen von Ausreißern sinnvoll sein könnte .Die Botschaft hier ist, dies ohne guten Grund zu vermeiden .
Wenden wir uns nun anderen Variablen im Datensatz zu .
Zunächst stellen wir sicher, dass keine der Beobachtungen verborgen oder ausgeschlossen ist .Die Verteilung von Alter ist in Anlage 4 dargestellt .
Anlage 4 Verteilung von Alter
(Verwenden Sie Zeilen> Zeilenzustände löschen, um ein- und auszuschließen . )
Der älteste Patient im Datensatz ist 87, der jüngste ein Neugeborener .Das Durchschnittsalter beträgt 42,8 Jahre und das Durchschnittsalter 41,5 Jahre .
Die Form dieses Histogramms unterscheidet sich stark von der von Menge , was stark schief war .Alter erscheint nicht übermäßig schief und das Histogramm ist nahezu symmetrisch .Eine symmetrische Verteilung sieht auf der rechten Seite ungefähr gleich aus wie auf der linken .
Nun werden wir die Ausreißer-Box-Darstellung von untersuchen Alter .Wir haben das Box-Diagramm unten noch einmal reproduziert .Erinnere dich daran Die Spitze des Diamanten ist die Position des Mittelwerts .Diese Ausreißer-Box-Handlung erzählen s uns, dass der Mittelwert und der Median ziemlich nahe beieinander liegen und daher die Verteilung nahezu symmetrisch ist .Da hinter den Whiskern keine Punkte angezeigt werden, weist dieses Ausreißerfeld auch auf das Fehlen potenzieller Ausreißer hin .
Wir werden als nächstes die Verteilung von untersuchen Geschlecht .Erinnern Sie sich daran für Menge und Alter , whic h sind stetige Variablen, die wir verwendet haben Histogramme und zusammenfassende Statistiken um die Form, Mitte und Ausbreitung der Verteilungen zu charakterisieren .Schon seit Geschlecht ist nominal, wir gebrauchen ein Balkendiagramm und ein Häufigkeitsverteilung (Abbildung 5).
E. xhibit 5 Verteilung von Geschlecht
(Analysieren> Verteilung)
Aus dem Balkendiagramm und der zugehörigen Häufigkeitstabelle sehen wir das 71 des 118 (( 60,2% ) Patienten in dieser Stichprobe sind weiblich und 39,8% sind männlich .
Neben Balkendiagrammen können Pareto-Diagramme und Kreisdiagramme verwendet werden, um Informationen zu nominalen (kategorialen) Variablen anzuzeigen .Abbildung 6 zeigt ein Pareto-Diagramm und ein Kreisdiagramm für Versicherung Art.
Anlage 6 Pareto-Plot (links) und Kreisdiagramm (rechts) von Versicherung
(( Analysieren> Qualität und Prozess > Pareto-Plot verwenden Versicherung als Y, Ursache .Kreisdiagramm ist ein n Option unter dem roten Dreieck . )
Beide Diagramme sortieren die Kategorien der Variablen in absteigender Reihenfolge der Häufigkeit .Patienten mit privatem Versicherungsschutz stellen die größte Gruppe in dieser Stichprobe dar, obwohl anscheinend die Art der Versicherung, die von vielen Patienten gehalten wird, unbekannt ist .Arbeitnehmerentschädigungspatienten bilden die kleinste Gruppe in dieser Stichprobe.
Nun wenden wir uns der Schlüsselfrage des Managements zu: Scheint eine der Variablen Einfluss auf die Höhe der Anspruchszahlung zu haben?Oder, anders gefragt, hängt eine der Variablen mit dem Zahlungsbetrag zusammen?Sind die Zahlungen beispielsweise tendenziell höher, wenn der Antragsteller verheiratet ist?Oder sind sie für weibliche Antragsteller höher als für männliche?
Eine Reihe von Werkzeugen stehen zur Verfügung zur Untersuchung möglicher Beziehungen zwischen Variablen .Letztendlich können viele grafische und analytische Techniken verwendet werden, um Beziehungen zu untersuchen, abhängig von den Daten, dem Geschäftsproblem und den Vorlieben des Analysten .In diesem Abschnitt verwenden wir:
- Dynamische Handlungsverknüpfung
- Datenfilter
- Side-by-Side (Box) Plots
- Graph Builder
Dynamische Handlungsverknüpfung
ich Wenn wir Beobachtungen in einer Datentabelle auswählen, werden diese Beobachtungen auch in allen offenen Diagrammen ausgewählt .Wenn wir Beobachtungen in einem Diagramm auswählen, werden diese Beobachtungen auch in anderen Diagrammen und in der Datentabelle ausgewählt .
Diese dynamische Verknüpfung kann uns dabei helfen, herauszufinden, wie unterschiedlich v ist ariables beziehen sich aufeinander .Bedenke die Balkendiagramm von Geschlecht und der Histogramm von Menge in Abbildung 7 unten .Durch Klicken auf die Leiste für Frauen werden dieselben Beobachtungen im Histogramm von hervorgehoben Menge .Klicken Sie auf die Leiste für Männer, und die Beobachtungen für Männer werden ausgewählt.
Anlage 7 Verteilungen von Menge und Geschlecht , Frauen
Sind Männer und Frauen in ähnlicher Weise auf die Zahlungsbeträge verteilt? Wenn ja, würden wir daraus schließen Menge und Geschlecht sind nicht verwandt, da Männer und Frauen ungefähr die gleiche Anzahl niedriger, mittlerer und hoher Zahlungsbeträge erhielten .Wir erkunden t seine Frage weiter unter Verwendung der Daten F. ilter.
Der Datenfilter
Der Datenfilter bietet eine andere Methode zum Erkunden der Distribution einer Variablen über die Ebenen einer anderen Variablen .Zum Beispiel können wir den Datenfilter verwenden, um die Verteilung von anzuzeigen Menge für jedes Geschlecht .In Abbildung 8 sehen wir den Datenfilter und die Ergebnisse nur für Frauen.
Anlage 8 Menge mit Datenfilter, Geschlecht , Weiblich s
(Zeilen> Datenfilter; auswählen Geschlecht und klicken Sie auf Hinzufügen . Wählen Sie dann Weiblich um die Werte für die Frauen im Histogramm auszuwählen .So aktualisieren Sie die Verteilungsausgabe mit dem Menge Werte nur für Frauen, aktivieren Sie das Kontrollkästchen Einschließen im Datenfilter .Wählen Sie dann im Verteilungsfenster unter dem oberen roten Dreieck die Option Automatische Neuberechnung aus > Wiederholen .)
Wenn wir im Datenfilter Männer auswählen, werden im Verteilungsfenster nur die für Männer gezahlten Beträge angezeigt.
Beachten Sie, dass t Der Datenfilter ist ein globaler Filter.Dies bedeutet, dass es filtert alle Öffnen Sie die Fenster zusammen mit der Datentabelle.Eine lokale Version des Datenfilters, die nur für das aktuell geöffnete Fenster gilt, ist der lokale Datenfilter. In Abbildung 9 verwenden wir die Lo cal Datenfilter zur Anzeige des Betrags für m Ales.
Anlage 9 Menge mit Datenfilter, Geschlecht , Männlich s
(Klicken Sie zuerst auf das klar Taste Klicken Sie im Datenfilter auf, um die Auswahl zu löschen, und schließen Sie dann den Datenfilter.Wählen Sie im Verteilungsfenster Wählen Sie Lokales Datenfilter aus dem oberen roten Dreieck aus Geschlecht und klicken Sie auf Hinzufügen. Wählen Sie dann M. Ale zu nur einschließen die Werte für die Männer im Histogramm und alle Statistiken .)
Vergleichen Sie die Ausgabe für Frauen und Männer .Die Histogramme für Frauen und Männer sehen ähnlich aus, mit der möglichen Ausnahme einiger extremer Punkte für Männer (Beachten Sie, dass die Skalen unterschiedlich sind) .Was ist mit der zusammenfassenden Statistik?Der Mittelwert für Männer (107.466 USD) ist viel höher als für Frauen (80.175 USD). .Aber denken Sie daran Menge ist stark verzerrt und extreme Beobachtungen haben einen großen Einfluss auf den Mittelwert.
Tut das Informationen unter Quantile zusätzliche Einblicke geben (Abbildung 10)?Haben Frauen und Männer ungefähr die gleichen Minimal- und Maximalwerte?Was ist mit dem Median und dem ersten und dritten Quartil?Sind sie ähnlich?Im selben Stadion?
Anlage 10 Quantile von Menge für Frauen (links) und Männer (rechts)
Aus dieser Analyse geht hervor, dass es keinen nennenswerten Unterschied in der Verteilung von gibt Menge für Männer und Frauen.Beide Verteilungen sind recht verzerrt, und der Großteil der Anspruchszahlungen fällt für beide Geschlechter unter 400.000 USD.Wir werden dies in einem anderen Fall erneut untersuchen, in dem formellere statistische Daten verwendet werden Methoden und wird diese Analyse in einer Übung wiederholen.
Side-by-Side (Box) Plots
Betrachten wir nun andere Variablen .Wir Ich werde untersuchen, ob die Zahlung Die Beträge hängen davon ab, ob ein privater Anwalt vertreten ist oder nicht der Antragsteller .In einer vollständigen Analyse würden wir zunächst untersuchen Verteilungen von alle Variablen .Wir werden springen und führen Sie eine dritte Methode zum Vergleichen von Verteilungen ein: Side-by-Side-Box-Plots, auch als Vergleichs-Box-Plots bezeichnet .
Wir werden verwenden Box Plots die Beziehung zwischen zu erforschen Privatanwalt und Menge .In Abbildung 11 zeigen wir Box-Plots und Quantile .Beachten Sie, dass 40 Fälle keinen Privatanwalt eingesetzt ( Nicht privat ) und 78 benutzten einen Privatanwalt ( Privatgelände ) .
Anlage 11 Passen Sie Y durch X, Menge und Privatanwalt
(Analysieren> Y durch X anpassen; verwenden Privatanwalt als X, Faktor und Menge als Y, Antwort .Wählen Sie dann oben Quantile aus rot Dreieck) .
Sowohl die Box-Plots als auch die Quantile zeigen, dass die Höhe der Anspruchszahlung viel damit zu tun hat, ob ein privater Anwalt eingesetzt wurde .Das macht sehr viel Sinn .Möchten Sie lieber Ihre eigenen haben? (bezahlt!) Anwalt, oder gehen Sie Ihr Risiko ein?
Der Graph Builder
Die letzte Methode, die wir einführen werden, ist eine Grafikplattform, die nur für JMP, den Graph Builder, verfügbar ist .Auf dieser Plattform können Sie Variablen ziehen und ablegen, um die Beziehungen zwischen zwei oder mehr Variablen dynamisch zu untersuchen.
Bisher haben wir die Beziehung zwischen untersucht Geschlecht und Menge und dazwischen Privatanwalt und Menge .Aber ziehen wir unterschiedliche Schlussfolgerungen, wenn wir alle drei Variablen gleichzeitig betrachten?
In Abbildung 12 sehen wir die Beziehung zwischen Geschlecht und Menge .Die Daten sind aufgeschlüsselt von Privatanwalt .
Anlage 12 Graph Builder, Menge vs. . Geschlecht durch Privatanwalt
(Graph> Graph Builder; Betrag in Y ziehen und ablegen, Geschlecht in X und Privatanwalt in Gruppe X. . Klicken Sie oben auf das Box-Plot-Symbol.Oder klicken Sie mit der rechten Maustaste in das Diagramm und wählen Sie Punkte> Ändern zu> Boxplot. )
Zuvor kamen wir zu dem Schluss, dass es keine Beziehung zwischen zu geben scheint Geschlecht und Menge .Und wir stellten fest, dass der gezahlte Betrag damit zusammenhängt, ob ein Privatanwalt eingesetzt wurde .
Wenn wir beide Variablen einschließen Ziehen wir in derselben Analyse dieselben Schlussfolgerungen?Es scheint, dass die Beziehung zwischen Privatgelände Rechtsanwalt und Menge ist konsistent für Frauen und Männer .Mit anderen Worten, es spielt keine Rolle, ob jemand weiblich oder männlich war, wenn ein Privatanwalt eingesetzt wurde, war die Auszahlung im Allgemeinen viel höher.
Ein Wort der Vorsicht: Oft hängt die Beziehung zwischen einer Variablen und einer anderen von einer dritten Variablen ab .Aus diesem Grund ist es wichtig, Tools wie Graph Builder in Verbindung mit den zuvor eingeführten grafischen Tools zu verwenden, um mehr als zwei Variablen gleichzeitig zu untersuchen .
Wir werden diese Daten in den folgenden Übungen weiter untersuchen.
Zusammenfassung
Statistisch I. nsights
- In diesem Fall haben wir eine Einführung in beschreibende Statistiken und Grafiken gegeben .
- Bei einer verzerrten Verteilung sind der Mittelwert und der Median sehr unterschiedlich .Der Median ist repräsentativer für das Zentrum der Daten für verzerrte Verteilungen .
- Bei einer symmetrischen Verteilung sind der Mittelwert und der Median ähnlich.
- Die 1,5 x IQR-Ausreißerregel besagt, dass Punkte jenseits von 1,5 Interquartilbereichen der Ausreißerbox Ausreißer sind (wenn die Verteilung ungefähr normal ist).
- Nicht automatisieren ss Ausreißer ausschließen .Es sollte einen sehr guten Grund geben, Daten zu entfernen!
Auswirkungen auf das Management
- Die in diesem Fall erlernten Fähigkeiten können verwendet werden, um alle Arten von zusammenfassenden Statistiken und Grafiken für die Variablen im Datensatz zu erstellen .Zum Beispiel beträgt die durchschnittliche Höhe der Anspruchszahlungen 91.045 USD, obwohl einige große Zahlungen geleistet wurden, eine davon sogar 926.500 USD . Etwa 40% der Stichprobe sind männliche Patienten .
- Bisher haben wir gelernt, dass wir e Erwarten Sie höhere Ansprüche, wenn ein privater Anwalt den Antragsteller vertritt .Weitere Analyse kann le s s Anzeigeneinblicke, die zukünftige Geschäftsentscheidungen leiten.
JMP-Funktionen und Hinweise
- Überprüfen Sie dies, bevor Sie mit einer statistischen Analyse in JMP beginnen jeder Variable im Datensatz hat die angemessen Modellierungstyp .Standardmäßig sind alle numerischen Spalten auf fortlaufend und alle Zeichenspalten auf nominal eingestellt .Diskrete Variablen müssen möglicherweise in nominale oder ordinale Modellierungstypen geändert werden.
- JMP erstellt Diagramme und Analysen basierend auf den von Ihnen ausgewählten Modellierungstypen .JMP wird ausfallen ein anderer Pfad, wenn Sie den nicht einstellen können angemessen Modellierungstyp .
- Löschen Sie Zeilen nicht schnell aus dem Datensatz .Es ist einfacher, sie vorübergehend auszuschließen oder auszublenden .In JMP zu ausschließen Eine Beobachtung bedeutet zu verhindern, dass sie in nachfolgenden Berechnungen wie denen für den Mittelwert verwendet wird .Zu ausblenden Eine Zeile bedeutet, sie aus Diagrammen zu entfernen .Sie können ausschließen und nicht ausblenden (und umgekehrt) .
- Sie wissen jetzt, wie Sie JMP verwenden, um c reate: Histogramme, Balkendiagramme, P. Areto-Diagramme und Kreisdiagramme, dynamisch verknüpfte Diagramme, nebeneinander angeordnete Box-Diagramme und Diagramme, an denen mehr als zwei Variablen gleichzeitig beteiligt sind .
Übungen
Verwenden Sie die MedicalM alpractice.jmp Datensatz zur Beantwortung der folgenden Fragen:
- Wie viel Prozent der Stichprobe betrafen Anästhesisten?Dermatologen?Orthopäden?
- Wie viel Prozent der Patienten in der Stichprobe waren geschieden?Verwitwet?
- Gibt es einen Zusammenhang zwischen dem Alter des Patienten und der Höhe der Zahlung?
- Gibt es einen Zusammenhang zwischen der Höhe der Zahlung und dem Schweregrad?Kommt es darauf an, ob ein Privatanwalt hinzugezogen wurde?
