Entwickelt von : Marlene Smith,
University of Colorado Denver Business School
Hintergrund
Laut einer kürzlich im US News and World Report veröffentlichten Studie belaufen sich die Kosten für ärztliche Kunstfehler in den Vereinigten Staaten 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 im Zeitraum 1991 bis 2005 jährlich 7,4 % aller in den USA zugelassenen Ärzte einen Anspruch wegen Kunstfehlern geltend machten.Diese erschreckenden Zahlen tragen nicht nur zu den hohen Kosten der Gesundheitsfürsorge bei, sondern die Höhe erfolgreicher Schadensersatzansprüche wegen Kunstfehlern trägt auch zu hohen Prämien für die Versicherung gegen ärztliche Kunstfehler bei.
Eine Versicherungsgesellschaft möchte ein besseres Verständnis dafür entwickeln es ist Ansprüche ausgezahlt für Arzthaftungsklagen .In den Unterlagen sind die Höhe der Anspruchszahlungen sowie Informationen über den leitenden Arzt und den Kläger für eine Reihe kürzlich entschiedener oder beigelegter Rechtsstreitigkeiten aufgeführt .
Der Aufgabe
Untersuchen Sie mithilfe beschreibender Statistiken und grafischer Darstellungen die Höhe der Anspruchszahlungen und identifizieren Sie Faktoren, die die Höhe der Zahlung zu beeinflussen scheinen.
Die Daten MedicalMalpractice.jmp
Der Datensatz enthält Informationen zum letzten 118 Anspruch Mio. getätigte Zahlungen, die einen Zeitraum von sechs Monatszeitraum .Die acht Variablen in der Datentabelle werden im Folgenden beschrieben:
Menge Höhe der Schadenszahlung in Dollar
Schwere Die Schwere der Schädigung des Patienten, von 1 (emotionales Trauma) bis 9 (Tod)
Alter Alter des Antragstellers in Jahren
Privat Rechtsanwalt Ob der Kläger von einem Privatanwalt vertreten wurde
Ehe Status Familienstand des Antragstellers
Spezialität Fachgebiet des an der Klage beteiligten Arztes
Versicherung Art der vom Patienten abgeschlossenen Krankenversicherung
Geschlecht Geschlecht des Patienten
Die Variablen werden in JMP mit a codiert Kontinuierlich , Ordinal oder Nominell Modellierungstyp .Diese Codierung trägt dazu bei, dass JMP die korrekte Analyse durchführt und geeignete Diagramme erstellt .
Ein erster Schritt bei jeder Analyse besteht darin, sicherzustellen, dass Ihre Vari Die Schüler verfügen über die richtige Modellierung Typ:
- Kontinuierliche Variablen , wie Menge , numerische Werte haben (z. B. 2, 5, 3,35, 159,667,…) .
- Ordinale Variablen , wie zum Beispiel Schwere , haben entweder numerische oder zeichenhafte Werte, die geordnete Kategorien darstellen (z. G.; klein, mittel und groß; 1-9 Schweregradbewertung Waage,…).
- Nominale Variablen , wie Geschlecht , können auch entweder numerische oder zeichenhafte Werte haben und ungeordnete Kategorien oder Bezeichnungen darstellen (z. B. die Namen von Staaten, Farben von M&Ms, Maschinennummern usw.).
Analyse
Wir beginnen mit der Betrachtung der Schlüsselvariablen Interessen t, die Höhe der Anspruchszahlung .Anlage 1 zeigt ein Histogramm und zusammenfassende Statistiken für Menge .
Ausstellung 1 Verteilung von Menge
(Ein analysieren > Verteilung; Wählen Menge als Y, Spalten, und klicken Sie auf OK.F oder ein horizontales Layout auswählen Unter dem oberen roten Dreieck stapeln . )
Aus Abbildung 1 sehen wir, dass das Histogramm von Menge ist rechtsschief, was bedeutet, dass es einen langen Schwanz mit mehreren sehr hohen Zahlungen gibt .T Er bedeuten (Durchschnitt) Die Zahlung beträgt 91.045 $, während die Median (Mitte) beträgt 22.750 $ .Wenn ein Histogramm wie hier rechtsschief ist, t Er meint, dass er den Median überschreiten wird .Dies liegt daran, dass der Mittelwert durch Extremwerte beeinflusst wird – die hohen Zahlungen, die wir im Histogramm beobachten, treiben den Mittelwert in die Höhe.
Ein Maß für die Verbreitung der Daten Ist Die Standardabweichung (StdDev in Anlage 1 ) .Je höher die Standardabweichung, desto größer Die verbreiten , oder Variation, in den Daten .Wenn die Daten verzerrt sind, wird die Standardabweichung ebenso wie der Mittelwert erhöht.
Weitere nützliche zusammenfassende Statistiken sind die Quartile .Das erste Quartil ( neben 25,0 % in Abbildung 1) beträgt 7.500 $ und das dritte Quartil ( neben 75,0 %) beträgt 92.670 $ .Der Interquartilbereich , definiert als Q3 – Q1, ist ein Maß für das Ausmaß der Streuung oder Variabilität in den mittleren 50 % der Daten .T sein Wert ue ist Anzeige Hrsg grafisch im Ausreißer-Boxplot (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 .(Hinweise: Die Mitte der Raute ist der Mittelwert .Wir werden dies gleich besprechen .Die rote Klammer oben, auf die wir nicht weiter eingehen, bezeichnet den „dichtesten“ Bereich der Daten.Diese Klammer wird in der JMP Student Edition nicht angezeigt. )
Der Ausreißer-Boxplot hilft uns, potenzielle Ausreißer visuell zu identifizieren .Die Faustregel zur Unterscheidung von Ausreißern und Nicht-Ausreißern lautet: wenn das Histogramm ungefähr normal oder glockenförmig ist , Ausreißer sind die Punkte, die über 1,5 IQRs der Box hinausgehen .Die vom rechten Rand der Box ausgehende Linie, Whisker genannt, ist ungefähr 1,5 IQRs lang (wir sagen „ungefähr“, weil sie tatsächlich bis zum entferntesten Punkt innerhalb dieses Bereichs gezogen wird und daher möglicherweise nicht ganz 1,5 IQRs beträgt). .
Lassen wir der Veranschaulichung halber die Tatsache außer Acht, dass t Dass unsere Daten richtig verzerrt sind .Es gibt 16 Punkte jenseits des Whiskers, die wir als Ausreißer betrachten .In diesem Fall sind die Ausreißer diejenigen Punkte, die viel sind größer als der Rest.
Nachdem wir mehrere Ausreißer identifiziert haben, was sollten wir dagegen tun?Erwägen wir, sie aus der Analyse zu entfernen.Um dies zu tun, wir werden h ide und schließe den Punkt aus ts ( statt einfach sie zu löschen ).Verstecken entfernt Punkte aus Diagrammen, while Ausschließen entfernt sie aus der Zukunft Berechnungen .
Abbildung 2 ist das neue Histogramm für Menge nachdem die 16 Ausreißer ausgeschlossen und ausgeblendet wurden .
Ausstellungsstück 2 Menge nachdem 16 Ausreißer ausgeschlossen und ausgeblendet wurden
(Zum Ausschließen und Ausblenden zeichnen Sie einen Rahmen um die Punkte im Boxplot, um sie auszuwählen .Wählen Sie dann Zeilen > Ausblenden und aus 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 es genauso gut loswerden diese auch sieben Ausreißer .T Das Ergebnis ist in Abbildung 3 dargestellt.
Anlage 3 Menge nachdem insgesamt 23 Ausreißer ausgeschlossen und ausgeblendet wurden
Okay, jetzt haben wir also sechs mehr Ausreißer .Wie lange kann dieses Spiel noch weitergehen?Sie können Ausreißer gerne weiterhin nach Belieben ausschließen und ausblenden .Oder vielleicht haben Sie die Botschaft verstanden: Das Verwerfen von Ausreißern aus einer verzerrten Verteilung ist eine sinnlose Übung, da Beobachtungen, die zunächst nicht auffielen, nach dem Ausschluss der extremsten Beobachtungen als Ausreißer erscheinen .Das Entfernen von Beobachtungen in dieser Situation zwingt lediglich andere Beobachtungen dazu, an ihre Stelle zu treten.
Es gibt einen noch wichtigeren Grund, nicht auszuschließen ude Ausreißer aus der Analyse .Da ist nichts falsch mit diesen „Ausreißern“ – sie sind einfach größer han die meisten anderen Zahlungen .Durch den Ausschluss der 23 Ausreißer haben wir die wirklich hohen Schadenzahlungen der Versicherung eliminiert .Der aus den verbleibenden Beobachtungen berechnete Durchschnitt beträgt 28.306 US-Dollar, eine Zahl, die weniger als ein Drittel des ursprünglichen Durchschnitts beträgt .Stellen Sie sich vor, dass das Unternehmen den Durchschnitt und die Reichweite der gekürzten Daten verwendet et, um zukünftige Zahlungen vorherzusagen .Das obere Management wird unangenehm überrascht sein, wenn viele tatsächliche Zahlungen zum Jahresende die vorhergesagten Zahlungen deutlich übersteigen, und Sie als Firmenstatistiker sind möglicherweise arbeitslos.
Mit anderen Worten: Warum Daten verwerfen? Punkte nur weil Sie sind ungewöhnlich oder unbequem?Es besteht eine große Gefahr im reflexartigen Ausschluss von Ausreißern .Wir werden in zukünftigen Fällen einige Beispiele sehen, in denen der Ausschluss von Ausreißern sinnvoll sein könnte .Die Botschaft hier ist, dies ohne triftigen Grund zu vermeiden .
Wenden wir uns nun anderen Variablen im Datensatz zu .
Zunächst stellen wir sicher, dass keine der Beobachtungen ausgeblendet oder ausgeschlossen wird .Die Verteilung von Alter ist in Anlage 4 dargestellt .
Anlage 4 Verteilung von Alter
(Verwenden Sie „Zeilen“ > „Zeilenstatus löschen“, um die Ausblendung einzublenden und den Ausschluss aufzuheben . )
Der älteste Patient im Datensatz ist 87 Jahre alt, der jüngste ein Neugeborenes .Das Durchschnittsalter liegt bei 42,8 Jahren und das Durchschnittsalter bei 41,5 Jahren .
Die Form dieses Histogramms unterscheidet sich erheblich von der von Menge , was stark nach rechts verzerrt war .Alter erscheint nicht übermäßig verzerrt und das Histogramm ist nahezu symmetrisch .Eine symmetrische Verteilung sieht auf der rechten Seite ungefähr gleich aus wie auf der linken Seite .
Nun untersuchen wir den Ausreißer-Boxplot von Alter .Wir haben den Boxplot unten noch einmal reproduziert .Erinnere dich daran Die Spitze der Raute ist die Position des Mittelwerts .Dieser Ausreißer-Boxplot erzählt S Wir gehen davon aus, dass der Mittelwert und der Median ziemlich nahe beieinander liegen und die Verteilung daher nahezu symmetrisch ist .Da außerhalb der Whiskers keine Punkte angezeigt werden, weist dieses Ausreißerfeld auch darauf hin, dass keine potenziellen Ausreißer vorhanden sind .
Als nächstes werden wir die Verteilung von untersuchen Geschlecht .Erinnern Sie sich daran Menge Und Alter , was h sind kontinuierliche Variablen, die wir verwendet haben Histogramme und zusammenfassende Statistiken um die Form, das Zentrum und die Ausbreitung der Verteilungen zu charakterisieren .Seit Geschlecht ist Nominal, wir gebrauchen ein Balkendiagramm und A Häufigkeitsverteilung (Abbildung 5).
E Exponat 5 Verteilung von Geschlecht
(Analysieren > Verteilung)
Das sehen wir aus dem Balkendiagramm und der dazugehörigen Häufigkeitstabelle 71 des 118 ( 60,2 % ) Die Patienten dieser Stichprobe sind weiblich und 39,8 % sind männlich .
Neben Balkendiagrammen können auch Pareto-Diagramme und Kreisdiagramme verwendet werden, um Informationen über nominale (kategoriale) Variablen anzuzeigen .Abbildung 6 zeigt ein Pareto-Diagramm und ein Kreisdiagramm für Versicherung Typ.
Anlage 6 Pareto-Diagramm (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 . )
In beiden Diagrammen werden die Kategorien der Variablen in absteigender Reihenfolge der Häufigkeit sortiert .Patienten mit privatem Versicherungsschutz stellen die größte Gruppe in dieser Stichprobe dar, obwohl offenbar die Art der Versicherung vieler Patienten unbekannt ist .Patienten mit Arbeitsunfallversicherung stellen in dieser Stichprobe die kleinste Gruppe dar.
Nun richten wir unsere Aufmerksamkeit auf die Schlüsselfrage des Managements: Scheint eine der Variablen einen Einfluss auf die Höhe der Schadenszahlung zu haben?Oder, anders gefragt: Hängen irgendwelche Variablen mit dem Zahlungsbetrag zusammen?Sind die Zahlungen beispielsweise tendenziell höher, wenn der Antragsteller verheiratet ist?Oder sind sie bei weiblichen Anspruchsberechtigten höher als bei männlichen?
Eine Reihe von Werkzeugen stehen zur Verfügung zur Untersuchung möglicher Beziehungen zwischen Variablen .Letztlich können je nach den Daten, dem Geschäftsproblem und den Vorlieben des Analysten viele grafische und analytische Techniken zur Untersuchung von Beziehungen eingesetzt werden .In diesem Abschnitt verwenden wir:
- Dynamische Handlungsverknüpfung
- Datenfilter
- Nebeneinander liegende (vergleichende) Boxplots
- Graph Builder
Dynamische Handlungsverknüpfung
ICH Wenn wir Beobachtungen in einer Datentabelle auswählen, werden diese Beobachtungen auch in allen geöffneten 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 Ariablen beziehen sich aufeinander .Bedenke die Balkendiagramm von Geschlecht und das Histogramm von Menge in Anlage 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.
Ausstellung 7 Verteilungen von Menge Und Geschlecht , Frauen
Sind Männer und Frauen in ähnlicher Weise auf die Auszahlungsbeträge verteilt? Wenn ja, würden wir daraus schließen Menge Und Geschlecht Sind nicht Zusammenhang, da Männer und Frauen ungefähr gleich viele niedrige, mittlere und hohe Auszahlungsbeträge erhielten .Wir erkunden t seine Frage weiter unter Verwendung der Daten F Filter.
Der Datenfilter
Der Datenfilter bietet eine weitere Methode für die Erkundung der Verteilung einer Variablen über die Ebenen einer anderen Variablen .Beispielsweise können wir den Datenfilter verwenden, um die Verteilung von anzuzeigen Menge für jede Geschlecht .In Abbildung 8 sehen wir den Datenfilter und die Ergebnisse nur für Frauen.
Ausstellung 8 Menge mit Datenfilter, Geschlecht , Weiblich S
(Zeilen > Datenfilter; auswählen Geschlecht und klicken Sie auf Hinzufügen . Wählen Sie dann aus Weiblich , um die Werte für die Frauen im Histogramm auszuwählen .Um die Verteilungsausgabe mit zu aktualisieren Menge Um nur Werte für Frauen anzuzeigen, 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.Das bedeutet, dass es filtert alle geöffnete Fenster zusammen mit der Datentabelle.Eine lokale Version des Datenfilters, die nur für das aktuell geöffnete Fenster gilt, ist der lokale Datenfilter. In Anlage 9 verwenden wir das Lo cal-Datenfilter, um die Menge für m anzuzeigen Ales.
Ausstellung 9 Menge mit Datenfilter, Geschlecht , Männlich S
(Klicken Sie zunächst auf Die Klar Taste im Datenfilter, um die Auswahl zu löschen, und schließen Sie dann den Datenfilter.Wählen Sie im Verteilungsfenster aus Wählen Sie „Lokaler Datenfilter“ aus dem oberen roten Dreieck aus Geschlecht und klicken Sie auf Hinzufügen. Wählen Sie dann aus M Ale Zu nur einschließen die Werte für die Männer im Histogramm und alle Statistiken .)
Vergleichen Sie die Ergebnisse für Frauen und Männer .Die Histogramme für Frauen und Männer sehen ähnlich aus, mit der möglichen Ausnahme einiger weiterer Extrempunkte für Männer (Beachten Sie, dass die Skalen unterschiedlich sind) .Was ist mit den zusammenfassenden Statistiken?Der Mittelwert für Männer (107.466 $) ist viel höher als für Frauen (80.175 $). .Aber denken Sie daran Menge ist stark verzerrt und extreme Beobachtungen haben einen großen Einfluss auf den Mittelwert.
Tut das Informationen unter Quantile Gibt es zusätzliche Erkenntnisse (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?
Ausstellung 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 rechtsschief und der Großteil der Schadenzahlungen liegt für beide Geschlechter unter 400.000 US-Dollar.Wir werden dies noch einmal in einem anderen Fall untersuchen, der eine formalere Statistik verwendet Methoden und werden diese Analyse in einer Übung noch einmal aufgreifen.
Nebeneinander liegende (vergleichende) Boxplots
Betrachten wir nun andere Variablen .Wir werde untersuchen, ob zahlung Die Beträge hängen davon ab, ob ein Privatanwalt vertreten ist oder nicht der Kläger .Bei einer vollständigen Analyse beginnen wir mit der Erkundung Verteilungen von alle Variablen .Wir werden springen Voran und stellen Sie eine dritte Methode zum Vergleichen von Verteilungen vor: Side-by-Side-Boxplots, auch als vergleichende Boxplots bekannt .
Wir werden verwenden Boxplots um die Beziehung zwischen zu erforschen Privatanwalt Und Menge .In Abbildung 11 zeigen wir Boxplots und Quantile .Beachten Sie, dass 40 Fälle habe keinen Privatanwalt eingeschaltet ( Nicht privat ), und 78 haben einen Privatanwalt beauftragt ( Privat ) .
Ausstellung 11 Y an X anpassen, Menge Und Privatanwalt
(Analysieren > Y an X anpassen; verwenden Privatanwalt als X, Faktor und Menge als Y, Antwort .Wählen Sie dann oben Quantile aus Rot Dreieck) .
Sowohl die Boxplots als auch die Quantile deuten darauf hin, dass die Höhe der Schadenzahlung stark davon abhängt, ob ein Privatanwalt eingeschaltet wurde .Das macht sehr viel Sinn .Möchten Sie lieber Ihr eigenes haben? (bezahlt!) Anwalt, oder Ihr Risiko eingehen?
Der Graph Builder
Die letzte Methode, die wir vorstellen werden, ist eine einzigartige Grafikplattform für JMP, der Graph Builder .Auf dieser Plattform können Sie Variablen per Drag-and-Drop verschieben, um 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 nach Privatanwalt .
Anlage 12 Graph Builder, Menge vs . Geschlecht von Privatanwalt
(Grafik > Grafik-Builder; Betrag in Y ziehen und ablegen, Geschlecht in X, und Privatanwalt in Gruppe X . Klicken Sie oben auf das Boxplot-Symbol.Oder klicken Sie mit der rechten Maustaste in das Diagramm und wählen Sie Punkte > Ändern in > Boxplot. )
Zuvor kamen wir zu dem Schluss, dass offenbar kein Zusammenhang zwischen ihnen besteht Geschlecht Und Menge .Und wir stellten fest, dass der gezahlte Betrag davon abhängt, ob ein privater Anwalt eingeschaltet wurde .
Wenn wir beide Variablen einbeziehen Ziehen wir in derselben Analyse dieselben Schlussfolgerungen?Es scheint, dass die Beziehung zwischen Privat Rechtsanwalt Und Menge ist für Frauen und Männer gleich .Mit anderen Worten: Es spielt keine Rolle, ob jemand weiblich oder männlich war. Wenn ein Privatanwalt eingeschaltet wurde, war die Auszahlung im Allgemeinen viel höher.
Ein Wort zur Vorsicht: Oftmals 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 vorgestellten grafischen Tools zu verwenden, um mehr als zwei Variablen gleichzeitig zu untersuchen .
Wir werden die Untersuchung dieser Daten in den folgenden Übungen fortsetzen.
Zusammenfassung
Statistik I Einblicke
- In diesem Fall haben wir eine Einführung in deskriptive Statistiken und Grafiken gegeben .
- Bei einer schiefen Verteilung werden der Mittelwert und der Median sehr unterschiedlich sein .Der Median ist repräsentativer für die Mitte der Daten für schiefe Verteilungen .
- Bei einer symmetrischen Verteilung sind Mittelwert und Median ähnlich.
- Die 1,5 x IQR-Ausreißerregel besagt, dass Punkte, die über 1,5 Interquartilbereiche der Ausreißerbox hinausgehen, Ausreißer sind (wenn die Verteilung ungefähr normal ist).
- Nicht automatisch ss Ausreißer sollten unbedingt ausgeschlossen werden .Es sollte einen sehr guten Grund geben, Daten zu löschen!
Managementimplikationen
- Die dabei erlernten Fähigkeiten können zur Erstellung aller Arten von zusammenfassenden Statistiken und Diagrammen für die Variablen im Datensatz genutzt werden .Beispielsweise liegt die durchschnittliche Höhe der Schadenzahlungen bei 91.045 US-Dollar, obwohl einige große Zahlungen geleistet wurden, eine sogar 926.500 US-Dollar . Etwa 40 % der Stichprobe sind männliche Patienten .
- Bisher haben wir gelernt, dass wir e Sie können mit höheren Ansprüchen rechnen, wenn ein Privatanwalt den Kläger vertritt .Weitere Analysen können erforderlich sein S S Werbeeinblicke, die zukünftige Geschäftsentscheidungen leiten werden.
JMP-Funktionen und Hinweise
- Überprüfen Sie dies, bevor Sie mit einer statistischen Analyse in JMP beginnen jede Variable im Datensatz hat die geeignet 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 gewählten Modellierungstypen .JMP wird ausfallen ein anderer Pfad, wenn Sie den nicht festlegen geeignet Modellierungstyp .
- Löschen Sie Zeilen nicht vorschnell aus dem Datensatz .Es ist einfacher, sie vorübergehend auszuschließen oder auszublenden .In JMP, zu ausschließen Eine Beobachtung bedeutet, dass sie nicht in nachfolgenden Berechnungen, beispielsweise für den Mittelwert, verwendet werden kann .Zu verstecken 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 liegende Boxdiagramme und Diagramme mit mehr als zwei Variablen gleichzeitig .
Übungen
Benutzen Sie die MedizinM alpractice.jmp Datensatz zur Beantwortung folgender Fragen:
- Wie viel Prozent der Stichprobe waren 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 der Schwere?Kommt es darauf an, ob ein Privatanwalt eingeschaltet wurde?
