El software estadístico fácil de usar se ha convertido en una herramienta esencial en casi todas las empresas a medida que más empresas buscan que sus empleados basen sus decisiones en datos. Los análisis estadísticos integrales, la creación de modelos descriptivos y predictivos sofisticados y la extracción de datos para descubrir conocimientos ya no los realizan solo los estadísticos, sino quienes se encuentran en muchas áreas funcionales dentro de una organización. La academia está experimentando una necesidad similar. Ha habido un aumento sustancial en el número de programas y cursos en una amplia gama de disciplinas que exponen a los estudiantes a las herramientas y técnicas de las ciencias estadísticas. El software interactivo de apuntar y hacer clic puede reducir en gran medida la barrera para que los estudiantes desarrollen las habilidades necesarias y disfruten del proceso de exploración de datos sin necesidad de programar.
Este informe explora dos paquetes de software populares: Minitab y JMP. Las diferencias entre los dos se ilustrarán con el objetivo de facilitar la transición para que los usuarios experimentados de Minitab pasen a JMP. La atención se centra en la interfaz de usuario, cómo se accede a las herramientas, cómo se realizan los análisis y el flujo de trabajo general que sigue un usuario para analizar los datos.
Minitab es un programa de software estadístico basado en una interfaz gráfica de usuario (GUI) desarrollado por primera vez en 1978 como una herramienta informática para respaldar los cursos de introducción a la estadística. Minitab v19, lanzado en junio de 2020, es la versión que se presenta en este documento técnico.
JMP y JMP Pro también son software basado en GUI, desarrollado por primera vez por SAS en 1989 para ayudar a ingenieros, científicos e investigadores a aplicar las herramientas de las ciencias estadísticas en un entorno altamente interactivo sin programación. JMP y JMP Pro se utilizan en una amplia gama de industrias y disciplinas académicas. JMP 16 y JMP Pro 16, lanzados en marzo de 2021, son las versiones que se presentan en este documento.
Como esta es una guía de transición en lugar de una cobertura completa de sus capacidades individuales, no podemos cubrir todas las diferencias entre los dos en este documento técnico. Visita minitab.com y jmp.com aprender más.
Los temas cubiertos en este documento incluyen:
El texto completo del libro blanco aparece a continuación.
(Nota: puede saltar directamente a una sección en particular haciendo clic en los hipervínculos de arriba).
Introducción
El software estadístico fácil de usar se ha convertido en una herramienta esencial en casi todas las empresas a medida que más empresas buscan que sus empleados basen sus decisiones en datos. Los análisis estadísticos integrales, la creación de modelos descriptivos y predictivos sofisticados y la extracción de datos para descubrir conocimientos ya no los realizan solo los estadísticos, sino quienes se encuentran en muchas áreas funcionales dentro de una organización. La academia está experimentando una necesidad similar. Ha habido un aumento sustancial en el número de programas y cursos en una amplia gama de disciplinas que exponen a los estudiantes a las herramientas y técnicas de las ciencias estadísticas. El software interactivo de apuntar y hacer clic puede reducir en gran medida el obstáculo para que los estudiantes desarrollen las habilidades necesarias y disfruten del proceso de exploración de datos sin necesidad de programar.
Este informe explora dos paquetes de software populares: Minitab y JMP. Las diferencias entre los dos se ilustrarán con el objetivo de facilitar la transición para que los usuarios experimentados de Minitab pasen a JMP. La atención se centra en la interfaz de usuario, cómo se accede a las herramientas, cómo se realizan los análisis y el flujo de trabajo general que sigue un usuario para analizar los datos.
Minitab es un programa de software estadístico basado en una interfaz gráfica de usuario (GUI) desarrollado por primera vez en 1978 como una herramienta informática para respaldar los cursos de introducción a la estadística. Ganó mucha popularidad en la industria a mediados y finales de los 90 cuando las empresas que participaban en iniciativas de calidad como Six Sigma comenzaron a utilizar técnicas estadísticas para mejorar la calidad de sus procesos y productos. Minitab v19, lanzado en junio de 2020, es la versión que se presenta en este documento técnico.
JMP y JMP Pro también son software basado en GUI, desarrollado por primera vez por SAS en 1989 para ayudar a ingenieros, científicos e investigadores a aplicar las herramientas de las ciencias estadísticas en un entorno altamente interactivo sin programación. JMP y JMP Pro se utilizan en una amplia gama de industrias y disciplinas académicas. JMP 16 y JMP Pro 16, lanzados en marzo de 2021, son las versiones que se presentan en este documento.
Como esta es una guía de transición en lugar de una cobertura completa de sus capacidades individuales, no podemos cubrir todas las diferencias entre los dos en este documento técnico. Visita www.minitab.com y www.jmp.com aprender más.
Descripción general
Si bien hay algunas similitudes entre Minitab y JMP, existen algunas diferencias fundamentales que es importante que alguien que está haciendo la transición a JMP debe saber.
1. Salida de análisis interactivo. Al realizar un análisis en JMP, el resultado se presenta en una ventana interactiva. Todos los resultados de análisis creados, incluido lo que se crea en diferentes plataformas, se vinculan dinámicamente entre sí y con la tabla de datos. Esto permite al usuario interactuar directamente con el resultado del análisis. Los cambios, como eliminar/agregar variables a un modelo, cambiar la función de una variable y dividir los datos en subconjuntos, se pueden realizar directamente desde la salida del análisis sin necesidad de volver a ejecutar un análisis. También se pueden realizar cambios en la tabla de datos (p. ej., agregar/eliminar datos) y toda la salida se puede configurar para que se actualice automáticamente.
La salida de Minitab es predominantemente estática y no está conectada entre diferentes herramientas de análisis. Para eliminar una variable de un modelo, por ejemplo, sería necesario reiniciar la herramienta de análisis, especificar esos cambios y luego volver a ejecutar el análisis. En muchas de las herramientas de Minitab, realizar cambios en los datos no actualizará automáticamente los resultados del análisis.
2. Menús contextuales. Cada salida de análisis realizada en JMP está conectada con el acceso a un conjunto de herramientas relacionadas con ese análisis. De esta manera, el enfoque para analizar datos es de naturaleza más exploratoria e interactiva, y los resultados de un análisis guían al usuario a un conjunto de herramientas que están diseñadas como los siguientes pasos en el flujo de trabajo del análisis.
Minitab ejecuta análisis en un modo por lotes más tradicional, en el que el usuario a menudo tiene que decidir qué análisis realizar de forma totalmente independiente de ver las características en los datos. Cuando se selecciona una herramienta, se abre un cuadro de diálogo. A las variables se les asignan roles y se eligen opciones. La ejecución del análisis produce un conjunto de resultados que normalmente es estático. El siguiente paso en un flujo de trabajo de análisis típico a menudo requiere el lanzamiento de una nueva herramienta que requiere otra ronda de especificación de roles y opciones variables.
3. Definición de los datos que se utilizarán para el análisis. El enfoque típico en Minitab es crear una hoja de trabajo que contenga todos los datos en los que se basará un análisis particular. Si se desea, por ejemplo, realizar un análisis en un subconjunto de esos datos, generalmente se requiere realizar una operación (p. ej., subconjunto, hoja de trabajo dividida, etc.) para crear una nueva hoja de trabajo. Si se descubren valores atípicos y el analista desea ver los resultados sin esos puntos de datos, normalmente será necesario crear otra nueva hoja de trabajo y ejecutar el análisis nuevamente. Esto requiere la necesidad de administrar muchas hojas de trabajo en una sesión de análisis típica.
Aunque también se puede trabajar con múltiples tablas de datos en JMP, a menudo puede ser más fácil usar filtros de datos y operaciones de estado de fila para definir los datos en los que basar un análisis específico. Estos filtros de datos y estados de fila se pueden guardar y acceder en cualquier momento, lo que permite que el analista tenga una única tabla de datos en la que se pueden realizar todos los análisis de varios subconjuntos de esos datos.
Además, la herramienta Filtro de datos locales de JMP permite a los usuarios filtrar los datos incluso después de realizar un análisis. Por ejemplo, se puede crear un modelo de regresión lineal a partir de todos los datos de una tabla de datos. Desde la salida del análisis de regresión, se puede iniciar un filtro de datos local, que cambia instantáneamente todos los resultados para diferentes subconjuntos de los datos seleccionados.
4. Análisis múltiples simultáneos. Una característica clave de JMP es su capacidad para realizar una gran cantidad de análisis simultáneamente. En casi todas las plataformas de análisis dentro de JMP, está disponible una opción Por variable, que permite realizar análisis para cada nivel de esa variable. Por ejemplo, si uno quisiera realizar pruebas de hipótesis separadas comparando dos medias para cada uno de los 10 grupos diferentes de una variable categórica, entonces simplemente se necesita especificar Por variable. Minitab requeriría ejecutar ese análisis 10 veces por separado.
Las plataformas JMP también le permiten ejecutar una gran cantidad de análisis individuales juntos simplemente seleccionando todas las variables y factores de respuesta. Por ejemplo, si uno quisiera realizar todos los análisis de un factor posibles para tres variables de respuesta diferentes y cinco factores explicativos diferentes, todos los 3x5 = 15 análisis diferentes se pueden realizar en un solo paso, incluidas diferentes técnicas de análisis de un factor basadas en el tipo de datos para el variables de respuesta y factores. ANOVA, regresión lineal, regresión logística y un análisis de chi-cuadrado se pueden realizar simultáneamente con los resultados que se muestran en la misma ventana de resultados. Minitab requeriría ejecutar cada uno de estos análisis por separado utilizando diferentes herramientas.
JMP tiene plataformas únicas diseñadas para ejecutar una gran cantidad de análisis junto con gráficos personalizados y resultados creados. Por ejemplo, se puede realizar un análisis de capacidad multivariable en 50 variables de proceso diferentes. Además de producir resultados para 50 análisis de capacidades individuales diferentes, se crearán gráficos únicos y resultados numéricos, estandarizando todos los resultados individuales, para permitir comparaciones fáciles entre estas 50 variables: un verdadero análisis multivariante.
También hay plataformas especializadas en JMP diseñadas a medida para aplicaciones cuando se necesita una cantidad extremadamente grande de análisis. En ciertos campos científicos, es bastante típico que uno pueda tener, por ejemplo, mil variables de respuesta diferentes y un solo factor explicativo. Se puede realizar un análisis de cribado de respuesta que dé como resultado 1000 ANOVA unidireccionales independientes. Los resultados (ajustados estadísticamente en función del número de análisis) se muestran juntos mediante un conjunto personalizado de gráficos y tablas de datos diseñados para facilitar la comparación y los análisis de seguimiento.
5. Integración. JMP tiene la capacidad de integrarse con entornos informáticos externos como SAS, MATLAB, R y Python. A través de JSL (JMP's Scripting Language), un analista puede aprovechar el poder de esas herramientas mientras también puede trabajar dentro de la GUI interactiva de JMP.
Minitab actualmente tiene la capacidad de integrarse únicamente con Python, pero no con SAS, R o MATLAB.
6. Publicación de informes. Tanto Minitab como JMP tienen herramientas para exportar y guardar informes fuera del software (p. ej., .jpg, Microsoft PowerPoint y Word). JMP también puede generar informes .html interactivos, lo que permite que otros vean informes de análisis fuera de JMP con herramientas interactivas para profundizar en los datos. Otro producto en el conjunto de productos de JMP es JMP Live, que brinda capacidades adicionales para automatizar la generación y el intercambio de informes, actualizando un tablero a medida que cambian los datos y los modelos.
7. Técnicas de análisis estadístico. Si bien ambos software contienen muchas de las herramientas de análisis estadístico más comunes, existen innumerables técnicas estadísticas y herramientas de administración de datos más avanzadas disponibles en JMP y JMP Pro que no están disponibles en Minitab. JMP también suele tener más opciones y capacidades dentro de una técnica de análisis estadístico en particular. Visita www.jmp.com aprender más.
conjuntos de datos
Se utilizarán varios conjuntos de datos a lo largo de esta guía. Pueden ser encontrados aquí .
Formato de archivo
Una diferencia que un usuario experimentado de Minitab puede notar primero cuando aprende JMP es que no es necesario trabajar dentro de una estructura de archivo de proyecto.
Archivo de proyecto de Minitab
Los usuarios de Minitab están más familiarizados con los archivos de proyecto de Minitab indicados con la extensión .mpx. Dentro de este archivo de proyecto, se pueden importar o crear varias hojas de trabajo (es decir, tablas de datos). La Figura 1 muestra un archivo de proyecto de Minitab de muestra que contiene cuatro hojas de trabajo. La pantalla se divide en tres paneles. El panel inferior derecho muestra la hoja de cálculo activa (4 datos completos) junto con pestañas en la parte inferior para cada una de las hojas de cálculo. El panel izquierdo, conocido como Navegador, muestra una lista de los análisis y operaciones que se han realizado (p. ej., Resumen gráfico de rendimiento y contenido de humedad,..., Hoja de trabajo dividida). El panel superior derecho es la ventana de salida que muestra la salida de análisis particular que ha sido. Se pueden elegir tres vistas diferentes (datos y salida, solo datos y solo salida). En esta figura, se eligió la vista Datos y salida.
Figure 1 Minitab: Project FileFigura 1 Minitab: archivo de proyecto
Cualquier análisis u operación elegida se realiza en la hoja de trabajo activa. Si un usuario desea realizar un análisis en un subconjunto de los datos, se deberá crear una nueva hoja de trabajo a partir de la hoja de trabajo principal. Aquí se creó un conjunto de hojas de trabajo, una para cada una de las cuatro ubicaciones geográficas (A, B, C y D) usando el comando Datos>Dividir hoja de trabajo. Para realizar un análisis en solo una de las ubicaciones geográficas, primero se debe seleccionar esa hoja de trabajo para convertirla en la hoja de trabajo activa antes de ejecutar el análisis.
Archivo de tabla de datos JMP
JMP también se puede utilizar desde dentro de una estructura de archivo de proyecto. Primero, echemos un vistazo a cómo funcionan los archivos de tablas de datos JMP, ya que muchos usuarios optan por trabajar con ese tipo de archivo. Los archivos de la tabla de datos JMP se indican con la extensión .jmp.
La Figura 2 muestra una muestra de un archivo de tabla de datos JMP. Hay cuatro paneles en el archivo. La tabla de datos está a la derecha, el Panel de filas está en la parte inferior izquierda y proporciona un resumen de las filas de la tabla de datos, incluida la cantidad de filas que se seleccionaron, excluyeron u ocultaron. El Panel de columnas en el centro a la izquierda muestra las variables en la tabla de datos, identificando las propiedades de esa variable, como el tipo de modelado y el uso de una etiqueta. El panel superior izquierdo muestra los scripts que se han guardado en este archivo de tabla de datos. Los pasos para ejecutar y guardar scripts se mostrarán en una sección posterior.
Los triángulos rojos, vistos en los diferentes paneles, acceden a una variedad de herramientas para realizar operaciones en la tabla de datos, columnas o filas. Las columnas se pueden reordenar en la tabla de datos haciendo clic y arrastrando la lista de columnas en el Panel de columnas a la ubicación deseada. Puede encontrar una lista más completa de herramientas y operaciones que se pueden realizar en las columnas en el menú Cols o haciendo clic con el botón derecho en una columna en la tabla de datos.
Figure 2 JMP: Data TableFigura 2 JMP: Tabla de datos
JMP tiene una colección de herramientas, que ilustraremos más adelante, que permite a los usuarios realizar análisis en subconjuntos específicos de datos. En muchos casos, descubrirá que trabajar desde una tabla de datos maestros de esta manera le permite realizar todos los análisis deseados sin necesidad de crear y administrar varias tablas de datos, como se requiere en Minitab.
Archivo de proyecto JMP
Los archivos JMP Project son otra estructura de archivos que puede ser útil para trabajar. Los archivos de proyecto proporcionan una interfaz única para JMP, que actúa como un contenedor para muchos elementos de proyecto diferentes. Puede contener (o referenciar) tablas de datos, scripts de análisis, diarios JMP, informes, así como elementos que no son JMP, como documentos, archivos de datos, etc.
La figura 3A es un ejemplo de un archivo de proyecto JMP.
En este ejemplo, se muestran dos paneles a la izquierda.
Contenido: Lista de todos los archivos contenidos en el archivo del proyecto, como carpetas, tablas de datos JMP y otros archivos que no son JMP (p. ej., .xls, .csv, .doc. .ppt, .jpg, etc.). Aquí tenemos una carpeta, dos tablas de datos JMP, un diario JMP, dos archivos de Excel y un documento de Word.
Espacio de trabajo: Lista jerárquica de los contenidos del proyecto que se están mostrando actualmente. Aquí tenemos el JMP Journal y dos tablas de datos de JMP junto con un informe de análisis asociado con un script en una de las tablas de datos de JMP.
A la derecha se organiza una colección de ventanas con pestañas, una para cada uno de los elementos enumerados en el panel Área de trabajo. Aquí tenemos una de las tablas de datos como ventana activa. Debe reconocer esto como la tabla de datos JMP que se muestra en la Figura 2.
Figure 3A JMP: Project FileFigura 3A JMP: archivo de proyecto
Cada uno de los paneles, incluida cualquiera de las pestañas, se puede mover para reconfigurar la pantalla a la vista deseada.
La Figura 3B muestra un ejemplo del Proyecto con las pestañas dispuestas de modo que las dos tablas de datos JMP y el Diario se colocan directamente a la derecha de los paneles Espacio de trabajo y Contenido con una de ellas seleccionada para mostrarse. En el lado derecho hay dos informes de análisis organizados uno encima del otro.
Figure 3B JMP: Project FileFigura 3B JMP: archivo de proyecto
Este entorno configurable con pestañas brinda al usuario la flexibilidad de revelar, ocultar y mostrar el contenido del archivo del proyecto de la forma que mejor se adapte a la situación.
Los archivos del proyecto se pueden compartir y se incluirán todos los contenidos, incluidos los archivos que no sean JMP.
Visite jmp.com, jmp.com/ayuda o comunidad.jmp.com y busque "Proyectos" para ver una lista de recursos, incluidas grabaciones, tutoriales, documentación y discusiones de usuarios, para obtener más información sobre la funcionalidad de JMP Projects.
Importación de datos
A menudo, los datos se producen dentro de otras aplicaciones, en lugar de dentro del software estadístico. Por ejemplo, un ingeniero puede registrar datos de un experimento en una hoja de cálculo de Excel o en una base de datos central que contenga una gran colección de datos de comportamiento del cliente de los cuales ciertos subconjuntos de esos datos deben recuperarse y analizarse. Tanto Minitab como JMP pueden abrir muchos tipos de archivos diferentes, incluidos .csv, .txt, .xls, entre otros, y cada uno puede consultar una base de datos a través de ODBC (Open Database Connectivity).
JMP
JMP puede abrir otros tipos de archivos que Minitab no puede, como archivos SAS, R, MATLAB, .html y .pdf. JMP también puede abrir tablas integradas en páginas web utilizando la funcionalidad Internet Open.
JMP también tiene la ventaja adicional de poder importar múltiples archivos combinándolos en una tabla de datos. La Figura 4 muestra una carpeta que contiene una colección de diferentes archivos de texto relacionados con una encuesta junto con el contenido de uno de esos archivos.
Figure 4 JMP: Importing Multiple FilesFigura 4 JMP: Importación de varios archivos
Al seleccionar Archivo > Abrir varios, se iniciará un asistente de importación que lo guiará a través del proceso de importación de todos los datos de todos estos archivos en una tabla de datos JMP.
Para importar datos que tiene actualmente en un archivo de Minitab a JMP, lo mejor es guardar primero la hoja de trabajo de Minitab en un formato como .xls, .csv o .txt. Luego, simplemente elija Archivo > Abrir en JMP para importar esos datos a una tabla de datos JMP. Se iniciará un asistente de importación para especificar cómo se importarán los datos (p. ej., elegir las variables y filas para importar, incluir/excluir nombres de variables, etc.).
Limpieza y formateo de datos
Tanto Minitab como JMP tienen una colección de herramientas que permiten al usuario limpiar y formatear datos para prepararlos para el análisis.
Minitab
La mayoría de las herramientas de Minitab para formatear, limpiar y preparar datos se encuentran en los menús Data y Calc. La Figura 5 muestra la lista de herramientas en esos menús.
Figure 5 Minitab: Data and Calc menusFigura 5 Minitab: menús Data y Calc
Una vez que se selecciona una herramienta, aparecerá un cuadro de diálogo que permite colocar las variables en diferentes roles para describir el conjunto específico de operaciones que se realizarán.
La Figura 6 es un ejemplo del cuadro de diálogo de la herramienta Ordenar de Minitab. Aquí hemos optado por ordenar todos los datos en orden alfabético ascendente en función de la variable GeoLocation guardando los datos en la misma hoja de trabajo (es decir, "En las columnas originales").
Figure 6 Minitab: Sort ToolFigura 6 Minitab: Herramienta Ordenar
JMP
La mayoría de las herramientas de JMP para formatear, limpiar y preparar datos para el análisis se encuentran en tres menús diferentes: Tablas, Filas y Columnas (que se muestran en la Figura 7).
Figure 7 JMP: Tables, Rows and Cols MenusFigura 7 JMP: menús de tablas, filas y columnas
La figura 8 es un ejemplo de la herramienta Ordenar de JMP. Aunque el cuadro de diálogo tiene una apariencia diferente y usa diferentes nombres para las operaciones, el procedimiento general es bastante similar.
Figure 8 JMP: Sort ToolFigura 8 JMP: Herramienta Ordenar
Todas las operaciones de manipulación de datos que ha realizado en Minitab también podrán realizarse en JMP. Solo necesitará un poco de práctica para aprender cómo se accede a las herramientas y cómo se especifica la operación deseada en el cuadro de diálogo.
Una herramienta JMP en el menú Tablas (que no está disponible en Minitab) que puede ser muy útil en un examen inicial de un conjunto de datos es la plataforma Missing Data Pattern. El siguiente ejemplo utiliza un pequeño conjunto de datos, pero esta herramienta le resultará más valiosa cuando examine grandes conjuntos de datos. La Figura 9 muestra una tabla de datos con cinco variables, 25 filas y 18 valores faltantes.
Figure 9 JMP: Data Table with Missing ValuesFigura 9 JMP: Tabla de datos con valores faltantes
La herramienta Patrón de datos faltantes en el menú Tablas resumirá la "falta" en los datos a través de una nueva tabla de datos JMP. La figura 10 muestra la tabla resultante junto con el diagrama de celda adjunto.
Figure 10 JMP: Missing Data PatternFigura 10 JMP: patrón de datos faltantes
Esta nueva tabla de datos describe el patrón de datos faltantes en los datos. En particular, hay 15 filas sin valores faltantes; una fila tiene un valor faltante en la variable Y5; cuatro filas tienen un valor faltante en la variable Y3; dos filas tienen un valor faltante en 3 variables: Y3, Y4 e Y5 y así sucesivamente. Al resaltar una fila en esta tabla de patrones de datos faltantes, se resaltarán todas las filas con ese patrón de datos faltantes en la tabla de datos original. Esto le permite ocultar y/o excluir esos datos de análisis futuros, o generar estados de fila, como asignar símbolos únicos para que se muestren en gráficos. Hay una plataforma relacionada llamada Explorar valores faltantes en el menú Analizar> Cribado que ofrece herramientas adicionales para trabajar con datos faltantes, incluidas técnicas estadísticas para encontrar puntos en común entre el patrón faltante en las variables y las filas, así como la capacidad de imputar los datos faltantes. reemplazándolos con valores estimados.
Creación de nuevas variables
Tanto Minitab como JMP permiten la creación de nuevas variables. Estas nuevas variables pueden ser, por ejemplo, operaciones aritméticas simples usando otras variables en la tabla de datos o un argumento condicional lógico.
Minitab
Las nuevas variables se crean en Minitab a través de la herramienta Calculadora en el menú Calc. La Figura 11 ilustra cómo se creó una nueva variable de texto basada en el valor de la variable 'Contenido de humedad' con los resultados guardados en la Columna C9.
Figure 11 Minitab: CalculatorFigura 11 Minitab: Calculadora
JMP
Para crear una nueva variable en JMP, acceda a la herramienta de fórmula para esa nueva columna resaltando una columna y eligiendo Columnas>Fórmula. También se puede acceder haciendo clic derecho en una columna y seleccionando "fórmula" en el menú. En la Figura 12, la herramienta de fórmula se usó para crear la misma variable de texto basada en un argumento condicional. Tenga en cuenta que hay una función de vista previa disponible que le permite ver los resultados de aplicar la fórmula a medida que se crea.
Figure 12 JMP: FormulaFigura 12 JMP: Fórmula
La herramienta Fórmula de JMP también es donde se pueden crear nuevas variables utilizando una secuencia con patrón, una muestra aleatoria de otras columnas o una distribución de probabilidad específica. En Minitab, sería necesario acceder a otras herramientas para generar ese tipo de operaciones.
Filtro de datos y estados de fila
Minitab
Al realizar un análisis en Minitab, se activa una hoja de trabajo que contiene los datos para ese análisis. Si se va a realizar un análisis en un subconjunto de un conjunto de datos principal, lo más probable es que se deba crear una nueva hoja de trabajo que contenga solo ese subconjunto de datos. Si se identifican valores atípicos y es necesario excluirlos de futuros análisis, será necesario crear otra nueva hoja de trabajo sin esos puntos de datos. Como resultado, es típico que uno tenga que administrar muchas hojas de trabajo dentro de un archivo de proyecto.
JMP
También se pueden configurar varias tablas de datos en un archivo de proyecto JMP como se mostró anteriormente. En cambio, los filtros de datos y las operaciones de estado de fila se pueden usar para definir los datos específicos para basar un análisis particular, lo que da como resultado que muchos usuarios opten por hacer todos sus análisis desde una tabla de datos. Estos filtros de datos y estados de fila se pueden guardar y acceder a ellos en cualquier momento.
Ilustraremos estos análisis usando el Producción de grano datos.
La Figura 13A muestra la tabla de datos con GeoLocations y C seleccionados. Esto se hizo haciendo clic en el icono de histograma pequeño en la parte superior izquierda de la tabla de datos para activar el gráfico de encabezado y luego simplemente seleccionando esas ubicaciones geográficas. El gráfico de encabezado es una herramienta conveniente que muestra un resumen de alto nivel de una variable en la parte superior de cada columna (p. ej., histogramas y valores mínimos/máximos para variables continuas, un gráfico de barras para variables categóricas). La Figura 13B muestra el resultado cuando se selecciona la herramienta Filas>Ocultar y excluir. Cualquier análisis realizado con este estado de fila activo no incluirá las ubicaciones geográficas A y C en los cálculos ni aparecerá en ninguna visualización gráfica. Otras opciones incluyen el uso de datos seleccionados en los cálculos, pero no se muestran en un gráfico (solo Ocultar) o mostrar los datos en un gráfico, pero no se usan en los cálculos (solo Excluir). Este estado de fila se puede desactivar seleccionando de nuevo Filas>Ocultar y excluir o Filas>Borrar estados de fila.
Figure 13A JMP: Rows selectedFigura 13A JMP: Filas seleccionadas
Figure 13B JMP: Hide/ExcludeFigura 13B JMP: Ocultar/Excluir
El filtro de datos globales es otra herramienta útil para definir un subconjunto de datos. Se accede a esta herramienta eligiendo Filas>Archivador de datos. La Figura 14 muestra el filtro de datos abierto con las GeoLocaciones B y D seleccionadas. Aquí activamos las casillas de verificación Mostrar e Incluir y luego seleccionamos las Geolocalizaciones que queremos usar. El filtro de datos puede incluir muchas variables y se pueden utilizar tanto variables categóricas como continuas. Este filtro de datos se puede guardar en la tabla de datos, los estados de las filas se pueden borrar y luego acceder de nuevo en cualquier momento.
Figure 14 JMP: Global Data FilterFigura 14 JMP: Filtro de datos globales
Se pueden configurar otras características como estados de fila. Por ejemplo, es posible que desee que todos los gráficos producidos en un análisis utilicen colores diferentes para las distintas ubicaciones geográficas. Esta preferencia se puede configurar a través de Filas>Color o Marcar por columna. La Figura 15 es la tabla de datos resultante con los colores que se muestran como estados de fila. Cualquier pantalla gráfica creada con este estado de fila activo utilizará este código de color. Esta fila también se puede guardar y acceder en cualquier momento.
Figure 15 JMP: Color Row StateFigura 15 JMP: Estado de fila de color
El filtro de datos locales en JMP proporciona otro medio para trabajar con un subconjunto de los datos. Este enfoque proporciona una herramienta interactiva en la que ver los resultados del análisis cambiar instantáneamente a medida que se eligen diferentes subconjuntos de datos. Se accede al filtro de datos locales debajo del triángulo rojo superior en una ventana de informe de análisis. La Figura 16 muestra los resultados de un análisis de regresión usando todos los datos (izquierda), luego esa misma salida cambia en función de seleccionar solo la ubicación geográfica A del filtro de datos locales. Tenga en cuenta que los puntos de datos utilizan el estado de fila de color que habíamos configurado en la Figura 15.
Figure 16 JMP: Local Data FilterFigura 16 JMP: Filtro de datos locales
Estadísticas descriptivas
Tanto Minitab como JMP pueden calcular estadísticas de resumen que describen características en los datos.
Ilustraremos algunos de estos análisis usando el Producción de grano datos.
Minitab
Hay algunas formas de generar estadísticas descriptivas en Minitab (p. ej., mostrar estadísticas descriptivas, almacenar estadísticas descriptivas y resumen gráfico en el menú Estadísticas). Las estadísticas descriptivas también se pueden generar utilizando la herramienta Tablas, que ilustraremos aquí. La Figura 17 muestra los pasos para calcular la media de la muestra y la desviación estándar de la muestra para el Rendimiento para cada combinación de GeoLocalización/Año y la tabla resultante.
Figure 17 Minitab: Descriptive statistics via TableFigura 17 Minitab: Estadísticos descriptivos a través de Tabla
Si se desean diferentes estadísticas de resumen, o si se van a utilizar diferentes variables categóricas y/o asociadas, se vuelve a iniciar la herramienta Tablas>Estadísticas descriptivas, se actualiza el cuadro de diálogo y se vuelve a ejecutar el análisis.
JMP
JMP también puede calcular estadísticas descriptivas en una variedad de formas, incluida la plataforma de distribución, el generador de gráficos, el visor de columnas y mediante fórmulas de columnas. Similar a lo que se mostró con Minitab, ilustramos cómo calcular estadísticas de resumen a través de la plataforma Analyze>Tabular.
Al iniciar la plataforma Tabulate, se abre la ventana que se muestra en la Figura 18A. Las variables simplemente se colocan en diferentes roles para crear la tabla. Esas variables se pueden mover para cambiar la forma en que se muestra la tabla. Las variables se pueden eliminar, agregar, calcular nuevas estadísticas, entre otras capacidades, con la actualización de la tabla en el instante en que se realizan esos cambios. Piense en ello como un lienzo en blanco para crear la tabla deseada.
Figure 18A JMP: Descriptive Statistics via TabulateFigura 18A JMP: Estadísticos Descriptivos vía Tabular
La Figura 18B muestra los pasos para crear la tabla que muestra la media y la desviación estándar del Rendimiento para las 6 combinaciones diferentes de Año y Geolocalización.
Comenzamos colocando Yield en la zona de caída de celdas resultantes. El valor predeterminado es mostrar la suma (la estadística predeterminada) de esa variable como una sola celda (imagen superior izquierda en la Figura 18B). Nota: Puede optar por mostrar también la media y la desviación estándar de forma predeterminada a través de las preferencias (JMP > Preferencias > Plataformas > Tabular).
En este caso, reemplazaremos la suma con la media y la desviación estándar arrastrando esas dos estadísticas de la lista en la parte superior de la celda donde se muestra la palabra suma. La tabla se actualizará, reemplazando la estadística de suma con la media y la desviación estándar (imagen superior derecha en la Figura 18B).
Las variables categóricas (Año y Geolocalización) simplemente se colocan en las ubicaciones deseadas. El año se coloca como filas (imagen inferior izquierda en la Figura 18B) y GeoLocation como columnas (imagen inferior derecha).
Figure 18B JMP: Descriptive Statistics via TabulateFigura 18B JMP: Estadísticos Descriptivos vía Tabular
Esta tabla se puede cambiar fácilmente para crear diferentes vistas moviendo las variables a diferentes zonas de colocación. La Figura 18C muestra la tabla resultante cuando la variable GeoLocation se mueve para que sea otra variable de fila dentro de Year.
Figure 18C JMP: Descriptive Statistics via TabulateFigura 18C JMP: Estadísticos Descriptivos vía Tabular
Esta tabla de estadísticas de resumen se puede convertir en una tabla de datos JMP para un análisis posterior seleccionando Convertir en tabla de datos debajo del triángulo rojo. La figura 18D muestra la tabla de datos resultante.
Figure 18D JMP: Descriptive statistics via Tabulate – Creating a Data TableFigura 18D JMP: estadísticas descriptivas a través de Tabulate: creación de una tabla de datos
graficar
Minitab y JMP abordan la representación gráfica de datos de manera muy diferente; es una de las diferencias más significativas entre los dos software que experimentará un nuevo usuario de JMP.
Ilustraremos algunos de estos análisis usando el Producción de grano datos.
Minitab
Para crear un gráfico en Minitab, primero se debe decidir qué gráfico se necesita y luego seleccionarlo en el menú Gráfico. La Figura 19 muestra una lista de los gráficos disponibles en ese menú.
Figure 19 Minitab: Graph menuFigura 19 Minitab: menú Gráfico
Ilustraremos el proceso de creación de una gráfica en Minitab mediante la creación de un diagrama de dispersión. Cuando se inicia la herramienta de diagrama de dispersión, aparece una pantalla (imagen de la izquierda en la Figura 20A). En ese momento, el usuario debe elegir una de las opciones de diagrama de dispersión. En este ejemplo, se eligió Simple. Luego aparece un cuadro de diálogo para ingresar las variables que se trazarán en los ejes Y y X (imagen de la derecha en la Figura 20A).
Figure 20A Minitab: ScatterplotFigura 20A Minitab: Gráfica de dispersión
Los botones Escala, Etiquetas, Vista de datos, Múltiples gráficos y Opciones de datos brindan opciones adicionales. La Figura 20B muestra el gráfico resultante si no se eligen opciones adicionales.
Figure 20B Minitab: ScatterplotFigura 20B Minitab: Gráfica de dispersión
Se pueden editar algunos elementos del gráfico (p. ej., cambiar el color de los puntos) iniciando la herramienta Editar gráfico en el menú desplegable en la parte superior derecha.
Para hacer el diagrama de dispersión que se muestra en la Figura 20C que tiene una línea de regresión separada para cada una de las 4 ubicaciones geográficas, sería necesario crear un gráfico completamente nuevo. Esto se haría reiniciando la herramienta Diagrama de dispersión y seleccionando "Con regresión y grupos" en el cuadro de diálogo que se muestra en la Figura 20A.
Figure 20C Minitab: ScatterplotFigura 20C Minitab: Gráfica de dispersión
Para crear un tipo de gráfico completamente diferente con los mismos datos (p. ej., diagramas de caja comparativos, etc.), el usuario volvería al menú Gráfico, iniciaría las herramientas de gráficos específicas y especificaría las opciones apropiadas. Cada iteración de exploración de los datos gráficamente generalmente requiere este enfoque hasta que se produce el gráfico deseado.
JMP
JMP se acerca a la creación de gráficos de manera muy diferente a Minitab. Aunque existen herramientas para crear gráficos en todas las plataformas de análisis en JMP, ilustraremos la creación de visualizaciones a través de la poderosa plataforma Graph Builder. Esta herramienta ha sido diseñada para coincidir con la forma típica en la que uno exploraría y analizaría los datos en la práctica. Al iniciar la plataforma Graph Builder (Graph > Graph Builder), la pantalla comienza con lo que se puede considerar como un lienzo en blanco y una paleta de gráficos (Figura 21A).
Figure 21A JMP: Graph BuilderFigura 21A JMP: Generador de gráficos
Se crea un gráfico colocando variables en diferentes roles y seleccionando la visualización gráfica deseada. Por ejemplo, si la variable Contenido de humedad se coloca en la zona Y, JMP comenzará mostrando un diagrama de puntos (Figura 21B).
Figure 21B JMP: Graph Builder – DotplotFigura 21B JMP: Creador de gráficos – Diagrama de puntos
Si en lugar de un diagrama de puntos, se desea un gráfico diferente (p. ej., diagrama de caja), simplemente seleccione esa opción de la paleta de gráficos en la parte superior y el gráfico cambiará instantáneamente. La figura 21C muestra un gráfico en el que se seleccionaron tanto un diagrama de puntos como un diagrama de caja.
Figure 21C JMP: Graph Builder – Dotplot and BoxplotFigura 21C JMP: Creador de gráficos: diagrama de puntos y diagrama de caja
Si se coloca otra variable continua en la zona X, JMP cambiará automáticamente el gráfico a un diagrama de dispersión. La figura 21D muestra un ejemplo de un gráfico de este tipo con una línea de regresión incluida.
Figure 21D JMP: Graph Builder – Scatterplot with regression lineFigura 21D JMP: Creador de gráficos: Diagrama de dispersión con línea de regresión
Para cada tipo de gráfico seleccionado, se muestran herramientas y opciones a la izquierda para modificar o aumentar el gráfico aún más. Por ejemplo, se agregó al gráfico la ecuación, el intervalo de confianza del 95 % y el valor RSquared.
Cada uno de estos gráficos creados durante este proceso se puede guardar en la tabla de datos si lo desea. Alternativamente, el analista puede continuar explorando visualmente los datos. La Figura 21E muestra cómo cambiaría el gráfico si la variable GeoLocation se colocara en la zona de colocación Wrap.
Figure 21E JMP: Graph Builder – Individual scatterplots with regression linesFigura 21E JMP: Creador de gráficos: diagramas de dispersión individuales con líneas de regresión
Si GeoLocation se moviera de la zona de colocación de Envoltura a la zona de colocación de Superposición, y la opción para mostrar la ecuación y RSquared estuviera desactivada, el gráfico cambiaría a lo que se muestra en la Figura 21F.
Figure 21F JMP: Graph Builder – Scatterplot with overlaid regression linesFigura 21F JMP: Creador de gráficos: Diagrama de dispersión con líneas de regresión superpuestas
Al flotar el cursor sobre uno de los ejes, el puntero cambia a un símbolo de mano, lo que permite una forma sencilla de mover y/o cambiar la escala de los ejes. Al hacer doble clic en un eje, aparece un conjunto de herramientas para modificar aún más el gráfico, como cambiar de una escala lineal a una escala logarítmica, por ejemplo.
Al hacer clic con el botón derecho en el gráfico, aparece un menú de herramientas adicionales para modificar la visualización, como cambiar los colores y los símbolos utilizados.
Este proceso ilustra la diferencia fundamental en cómo cada software aborda los análisis gráficos. En Minitab, los tipos de gráficos se eligen y las opciones se seleccionan sin ver qué harán esas opciones. En JMP, crea gráficos de forma interactiva viendo cómo cada opción cambiaría y mejoraría el gráfico. Esto da como resultado una exploración de datos mucho más eficiente y rica que le permite generar rápidamente innumerables gráficos para descubrir características en los datos y crear las visualizaciones que comunican mejor sus hallazgos.
Dos herramientas muy poderosas que pueden mejorar en gran medida la exploración visual de datos son el filtro de datos local y el selector de columnas de JMP. Ilustrado con el Experimento publicitario datos.
Con los datos vinculados dinámicamente de JMP, se pueden cambiar nuevas variables y/o filtrar los datos, y el gráfico se actualizará instantáneamente para reflejar esos cambios. La Figura 22 muestra un diagrama de puntos comparativo para la variable WS1 con intervalos de confianza del 95 % para cuatro categorías diferentes de la variable Estilo del anuncio. El Cambiador de columnas, que se ve en la parte superior izquierda, se configuró para que el analista pueda simplemente seleccionar (o reproducir) otras 9 variables de resultado posibles para mostrar en el eje Y. El Filtro de Datos Locales también se configuró utilizando los factores explicativos Promoción (tres niveles) y Periodo de Tiempo (10 niveles). El analista puede dividir los datos por estas variables. Para cada selección, el gráfico se actualizará instantáneamente para mostrar la variable seleccionada para el eje Y e incluir solo los datos elegidos con el Filtro de datos locales. En Minitab, se tendría que crear un nuevo gráfico por separado para cada combinación posible de estas variables.
Figure 22 JMP: Column Switcher and Local Data FilterFigura 22 JMP: Conmutador de columnas y filtro de datos locales
JMP contiene muchas herramientas gráficas que actualmente no están disponibles en Minitab. Estos amplían enormemente su capacidad para explorar y presentar datos. Las Figuras 23A-J muestran algunas de estas visualizaciones.
Figure 23A JMP: Hover GraphletFigura 23A JMP: Gráfico flotante
Figure 23B JMP: Image LabelsFigura 23B JMP: etiquetas de imagen
Figure 23C JMP: Geographic MapsFigura 23C JMP: Mapas Geográficos
Figure 23D JMP: Motion Bubble PlotFigura 23D JMP: Gráfica de burbujas de movimiento
Figure 23E JMP: Correlation Color MapFigura 23E JMP: Mapa de color de correlación
Figure 23F JMP: Shape Based Heat MapsFigura 23F JMP: mapas de calor basados en formas
Figure 23G JMP: Density Contour PlotFigura 23G JMP: Gráfica de contorno de densidad
Figure 23H JMP: Word CloudFigura 23H JMP: Nube de palabras
Figure 23I JMP: Comparative HistogramsFigura 23I JMP: Histogramas comparativos
Figure 23J JMP: Scaled Parallel PlotsFigura 23J JMP: Parcelas paralelas escaladas
Figure 23K JMP: Mosaic PlotFigura 23K JMP: Gráfico de mosaico
Figure 23L JMP: Nonlinear Functional FitFigura 23L JMP: ajuste funcional no lineal
Análisis univariados
Minitab y JMP abordan la ejecución de análisis estadísticos de manera bastante diferente. Pasaremos por el análisis de una sola variable continua para cada software para demostrar estas diferencias.
Ilustraremos estos análisis usando el Producción de yogur datos.
Minitab
En Minitab, la herramienta Resumen gráfico es una forma útil de analizar una sola variable. Para ejecutar este análisis, seleccione esta herramienta en el menú Estadísticas. Aparece un cuadro de diálogo para seleccionar la variable sobre la que realizar el análisis. La Figura 24A muestra los pasos para ejecutar el análisis y la 24B muestra la salida resultante. La curva de distribución normal que se muestra en el gráfico es la única distribución que se puede mostrar en esta salida. El uso de otras distribuciones de probabilidad requeriría una herramienta diferente en Minitab.
Figure 24A Minitab: Graphical SummaryFigura 24A Minitab: Resumen gráfico
Figure 24B Minitab: Graphical SummaryFigura 24B Minitab: Resumen gráfico
Si se desearan estadísticas diferentes a las que se muestran, sería necesario iniciar una herramienta diferente (Estadísticas > Estadísticas básicas > Mostrar estadísticas descriptivas) y seleccionar esas opciones. Ahora se muestran los pasos y el resultado.
El resumen gráfico muestra los resultados de la prueba de normalidad de Anderson-Darling. Si desea examinar un gráfico de probabilidad y/o un gráfico empírico de función de distribución acumulativa para acompañar la prueba, deberá hacerlo utilizando dos herramientas adicionales diferentes (Estadísticas>Estadísticas básicas>Prueba de normalidad y Gráfica>CDF empírica). El procedimiento es similar a ejecutar cualquier otro análisis. Aparece un cuadro de diálogo al iniciar la herramienta para que el usuario especifique la variable sobre la que ejecutar el análisis y seleccione las opciones. La Figura 25A muestra los pasos para ejecutar el análisis de la prueba de normalidad y la 25B muestra el resultado.
Figure 25A Minitab: Normality testFigura 25A Minitab: prueba de normalidad
Figure 25B Minitab: Normality testFigura 25B Minitab: prueba de normalidad
Para crear el gráfico CDF, se iniciaría una herramienta diferente (Gráfico> CDF empírico) y se ejecutaría el análisis (ahora se muestran los pasos y el resultado).
Si, por ejemplo, la distribución normal no fuera un buen modelo para una variable, es posible que sea necesario evaluar otras distribuciones. Esta evaluación se realiza en una herramienta diferente (Estadísticas>Herramientas de calidad>Identificación de distribución individual) (no se muestran los pasos ni el resultado).
Digamos que el próximo paso en el análisis es realizar una prueba de hipótesis para la media de la población. Para hacerlo, sería necesario acceder a otra herramienta más (Estadísticas > Estadísticas básicas > t de 1 muestra) (no se muestran los pasos ni el resultado). Para realizar una prueba de hipótesis con respecto a la varianza, este mismo procedimiento de usar una nueva herramienta (Estadísticas > Estadísticas básicas > 1 varianza)
Otros análisis comunes al análisis de una sola variable continua son: Prueba de Equivalencia, Intervalo de Tolerancia, Intervalo de Predicción, Análisis de Capacidad, entre otros. Cada uno requeriría una herramienta diferente en Minitab y cada uno produciría una salida separada. Actualmente, Minitab no tiene la capacidad de producir un intervalo de predicción, por lo que esto requeriría la creación manual de una fórmula.
JMP
JMP aborda los análisis univariados de manera muy diferente y está más alineado con el flujo de trabajo natural de exploración y análisis de datos. JMP dispone de una única plataforma (Analyze > Distribution) que puede realizar todos los análisis mencionados en el apartado anterior. Se accede a la plataforma seleccionándola de un menú y completando un cuadro de diálogo, como se muestra en la Figura 26A. La Figura 26B muestra la salida inicial.
Figure 26A JMP: DistributionFigura 26A JMP: Distribución
Figure 26B JMP: DistributionFigura 26B JMP: Distribución
La salida inicial proporciona una visualización gráfica y numérica de los datos, incluidos un histograma, un diagrama de caja, estadísticas de resumen y un intervalo de confianza para la media. Al hacer clic en el triángulo rojo en la parte superior de la tabla de estadísticas de resumen, se accede a un conjunto de herramientas para cambiar las estadísticas que se muestran.
Todos los análisis mencionados, entre muchos otros, se pueden realizar desde esta ventana de informe. Se accede a todos ellos a través del triángulo rojo junto al nombre de la variable. Estos menús contextuales le brindan un conjunto de análisis que sería el próximo a considerar en su flujo de trabajo de análisis. La Figura 27 muestra ese menú junto con el análisis Continuous Fit>Normal seleccionado.
Figure 27 JMP: DistributionFigura 27 JMP: Distribución
Las Figuras 28A a 28K muestran los resultados del ajuste continuo y todos los demás análisis univariados realizados en estos datos con cada nuevo conjunto de salida agregado a la ventana de un informe, lo que permite una fácil comparación.
Figure 28A JMP: Quantile Plot and Distribution FitFigura 28A JMP: gráfico de cuantiles y ajuste de distribución
Figure 28B JMP: Goodness of FitFigura 28B JMP: Bondad de ajuste
Figure 28C JMP: CDF PlotFigura 28C JMP: Gráfico CDF
Figure 28D JMP: Interactive Distribution ProfilerFigura 28D JMP: Generador de perfiles de distribución interactivo
Figure 28E JMP: Interactive Quantile ProfilerFigura 28E JMP: Analizador de cuantiles interactivo
Figure 28F JMP: Test MeanFigura 28F JMP: Media de prueba
Figure 28G JMP: Test Standard DeviationFigura 28G JMP: Desviación estándar de prueba
Figure 28H JMP: Prediction IntervalFigura 28H JMP: Intervalo de predicción
Figure 28I JMP: Tolerance IntervalFigura 28I JMP: Intervalo de tolerancia
Figure 28J JMP: Equivalence TestFigura 28J JMP: Prueba de equivalencia
Figure 28K JMP: Capability AnalysisFigura 28K JMP: análisis de capacidad
Hay herramientas interactivas adicionales disponibles que brindan un nivel adicional de capacidades de análisis a través de escenarios hipotéticos. Las Figuras 29A – 29C muestran tres de estos (animación de valor p, animación de potencia y animación de capacidad). Además de ayudar a comprender mejor el proceso que se está estudiando, estas herramientas interactivas brindan una excelente manera de comprender o enseñar conceptos estadísticos.
Figure 29A JMP: p-value AnimationFigura 29A JMP: Animación de valor p
Figure 29B JMP: Power AnimationFigura 29B JMP: Animación de energía
Figure 29C JMP: Interactive Capability PlotFigura 29C JMP: Gráfica de capacidad interactiva
El filtro de datos locales y el selector de columnas también están disponibles en este informe interactivo. La Figura 30 muestra el conmutador de columna configurado para las 7 líneas de producción y el filtro de datos local configurado para el número de lote. Ahora puede elegir la línea de producción y los lotes para incluir en el análisis y toda la salida numérica y gráfica se actualiza instantáneamente. Con Minitab, cada variable de resultado y/o subconjunto de datos que se desee analizar requeriría volver a ejecutar todos y cada uno de los análisis en todas las diversas herramientas, creando una cantidad sustancial de informes para administrar.
Figure 30 JMP: Column Switcher and Local Data FilterFigura 30 JMP: Conmutador de columnas y filtro de datos locales
Guardar y compartir resultados
Minitab
Cada vez que se realiza un análisis en Minitab, la salida se colocará en el panel Navegador como un elemento separado. Guardar el archivo de proyecto guardará todos esos elementos de salida junto con todas las hojas de trabajo en el archivo de proyecto. La salida individual también puede guardarse como un archivo de imagen (p. ej., .png, .jpg) y colocarse en otras aplicaciones.
JMP
Hay muchas formas de guardar los resultados de su análisis en JMP. Estos incluyen guardar como un archivo .html interactivo, en un archivo JMP Journal, como un archivo de imagen colocado en otras aplicaciones e incluso publicado en un panel seguro privado a través de. JMP Live brinda la capacidad de ver e interactuar con informes fuera de JMP. Ilustraremos cómo guardar informes como un script en la tabla de datos, ya que es la forma más común de guardar su trabajo de análisis.
Desde dentro de un informe, seleccione Guardar secuencia de comandos > En tabla de datos debajo del Triángulo rojo en la parte superior izquierda de la ventana del informe (Figura 31A).
Figure 31A JMP: Saving a script to data tableFigura 31A JMP: Guardar un script en una tabla de datos
Los scripts guardados aparecerán en el panel superior izquierdo de la ventana del archivo de datos (Figura 31B).
Figure 31B JMP: Saved ScriptsFigura 31B JMP: Guiones guardados
Al hacer clic en el triángulo verde, se volverá a ejecutar el script guardado para realizar todos los análisis asociados con ese informe. Esto le permite volver a ejecutar un conjunto completo de análisis en un conjunto de datos modificado (p. ej., eliminar/agregar datos, recodificar valores, dividir en subconjuntos a través del filtro de datos global, nuevos estados de fila). Los scripts pueden grabarse en el panel o agruparse para ayudar en la gestión de su trabajo de análisis.
Análisis de un factor
Tanto Minitab como JMP tienen herramientas para realizar análisis de un factor (p. ej., análisis lineal simple).
regresión, regresión logística simple, ANOVA unidireccional y prueba de Chi-cuadrado para
comparando proporciones). De manera similar a los análisis univariados, abordan cómo el
Los análisis se realizan de manera muy diferente.
Ilustraremos algunos de estos análisis utilizando los datos de producción de tabletas.
Minitab
Al realizar un análisis de un factor en Minitab, se inicia la herramienta adecuada (Estadísticas>Regresión>Gráfica de línea ajustada, por ejemplo). Las variables apropiadas se especifican dentro del cuadro de diálogo y se eligen otras opciones. La salida se genera y se coloca en la ventana de salida. Considere que al examinar el resultado de una regresión lineal simple, por ejemplo, se desea agregar un intervalo de confianza al gráfico, o examinar gráficos de residuos, o quizás se desea cambiar la escala de una de las variables de lineal a logarítmica o tal vez usar una respuesta diferente o una variable predictora todos juntos. Sería necesario reiniciar la herramienta de diagrama de línea ajustada, cambiar las opciones y luego crear un nuevo conjunto de resultados. Cada conjunto de salida en Minitab es principalmente estático, lo que permite solo algunas modificaciones.
Diferentes análisis de un factor (p. ej., regresión logística, ANOVA, prueba de chi-cuadrado) requieren el uso de otras herramientas.
JMP
En JMP, todos los análisis de un factor se realizan desde una plataforma, Analizar>Ajustar Y por X.La Figura 32A muestra el cuadro de diálogo para esta plataforma. Cuando se elige Y, Variable de respuesta y X, Factor, JMP determina automáticamente el análisis correcto.
Para ilustrar cómo JMP puede realizar múltiples análisis simultáneamente, hemos elegido dos variables para la Respuesta Y (Disolución, una variable continua; Aceptación del lote, una variable binaria) y dos variables para el Factor (Tamaño de partícula API, una variable categórica con tres niveles; Mill Time, una variable continua).
JMP creará cuatro análisis diferentes:
- ANOVA unidireccional para disolución frente a tamaño de partícula API.
- Regresión lineal simple para Disolución vs Tiempo de molienda.
- Análisis de tablas de contingencia para la aceptación de lotes frente al tamaño de partícula API.
- Regresión logística simple para aceptación de lotes frente a tiempo de molienda
Figure 32A JMP: Fit Y by XFigura 32A JMP: Ajustar Y por X
Como en muchas otras plataformas en JMP, Fit Y by X tiene la capacidad para que el análisis incluya un Categórico Por variable, ejecutando un análisis separado para cada nivel de esa variable. Los modelos también se pueden ajustar asignando valores ponderados para las observaciones. La plataforma también se puede utilizar en datos que están en formato de tabla/frecuencia resumida.
El resultado inicial de estos cuatro análisis se muestra en la Figura 32B. Nota: Los estados de las filas se establecieron de modo que los lotes que cumplan con la especificación de disolución ≥70 estén codificados en color verde y los < 70 estén codificados en color rojo.
Junto a cada análisis hay un punto caliente de triángulo rojo que revela un menú contextual con las herramientas que JMP recomienda como posibles próximos pasos en el análisis general. Como se realizan cuatro técnicas de análisis estadístico diferentes, hay cuatro conjuntos de herramientas diferentes en cada menú. La Figura 33 muestra cada uno de estos menús contextuales. Ahora está listo para elegir el siguiente paso en el flujo de trabajo de análisis. Cada análisis posterior produce otro conjunto de resultados agregados al informe con un nuevo punto caliente de triángulo rojo que brinda opciones adicionales.
Figure 32B JMP: Fit Y by X ReportFigura 32B JMP: Informe Ajustar Y por X
Figure 33 JMP: Fit Y by X Contextual MenusFigura 33 JMP: menús contextuales Ajustar Y por X
Para ilustrar cómo podría desarrollarse un análisis en la plataforma Ajustar Y por X, se seleccionó la opción Línea de ajuste debajo del triángulo rojo para el Ajuste bivariado de disolución por tiempo de molienda. La Figura 34 muestra la salida que ahora se agrega al informe en función de esa selección.
Figure 34 JMP: Linear Regression FitFigura 34 JMP: Ajuste de regresión lineal
Observe que ha aparecido un nuevo punto caliente de triángulo rojo junto al ajuste lineal elegido. La Figura 35 muestra las opciones disponibles en ese menú contextual. Aquí verá la opción de agregar intervalos de confianza o predicción al gráfico, crear gráficos de residuos, guardar valores en la tabla de datos, entre otros.
Figure 35 JMP: Linear Fit Contextual MenusFigura 35 JMP: menús contextuales de ajuste lineal
Como se muestra en el menú Ajuste bivariado en la Figura 33, se pueden ajustar y comparar otros modelos. Por ejemplo: polinomios, splines, ortogonales, densidades no paramétricas y regresión robusta. La transformación está disponible en Ajuste especial. La Figura 36 muestra esas opciones.
Figure 36 JMP: TransformationFigura 36 JMP: Transformación
Cada ajuste de modelo que se considere se puede agregar o eliminar del informe a medida que explora y compara diferentes opciones de modelos para encontrar la mejor para los datos. La Figura 37 muestra la pantalla con un ajuste cuadrático y una densidad no paramétrica añadida.
Figure 37 JMP: Comparing ModelsFigura 37 JMP: Comparación de modelos
Se puede acceder al filtro de datos local y al selector de columnas si desea cambiar las variables utilizadas o seleccionar un subconjunto de los datos para basar los análisis. Toda la salida se actualizará instantáneamente para reflejar esas opciones. No es necesario dividir los datos en subconjuntos en una nueva tabla de datos y volver a ejecutar el análisis tal como está con Minitab.
Como ilustra nuevamente este ejemplo, analizar datos en JMP es mucho más que simplemente realizar una técnica estadística particular en un conjunto de datos y observar una colección estática de resultados. Las plataformas están diseñadas para seguir un flujo de trabajo de análisis natural alineado con la forma en que analizaría los datos en la práctica. Usted explora, interactúa con los datos y los resultados, cambia las variables, filtra los datos, prueba diferentes opciones de modelos, y cada resultado conduce al siguiente paso lógico en una secuencia de pasos de análisis.
Modelos Estadísticos Multivariables
La construcción de modelos estadísticos que involucren muchas variables es probablemente el tipo de análisis más poderoso y más frecuentemente necesario. Usualmente hay cuatro propósitos para construir estos modelos:
- Para probar hipótesis específicas.
Ejemplo: ¿El tratamiento farmacológico A reduce la tasa de recuperación en al menos un 15 % para los hombres mayores de 70 años en comparación con un placebo? ¿El efecto es el mismo para las mujeres?
- Encontrar las pocas variables entre muchas que están más correlacionadas con un resultado.
Ejemplo: ¿Cuáles son las condiciones socioeconómicas clave más correlacionadas con los malos resultados de salud para una comunidad?
- Describir cuantitativamente las relaciones entre variables.
Ejemplo : ¿Cuánto disminuye la viscosidad de una solución cuando la temperatura de procesamiento aumenta en 5 0 C y el tiempo de procesamiento aumenta en 10 minutos?
- Cree un método para predecir un resultado.
Ejemplo: ¿Cuál es la probabilidad de que un cliente esté interesado en aprender sobre un nuevo programa de refinanciamiento de hipotecas basado en las características del cliente y su hipoteca actual?
El objetivo principal de un modelo puede ser solo uno de estos, algunos o incluso todos. La técnica de modelado elegida a menudo depende de cuáles de estos objetivos son los más importantes.
Minitab
Minitab v19 tiene tres técnicas de modelado multivariable:
· Modelos lineales generalizados (p. ej., ANOVA, regresión lineal, regresión logística)
· Árboles de Clasificación y Regresión
· Análisis discriminante
Similar a realizar un análisis de un factor, construir un modelo estadístico multivariable requiere primero elegir un tipo de modelo apropiado para la situación (Estadísticas>ANOVA>Modelo lineal general, por ejemplo). Dentro del cuadro de diálogo, el usuario especifica las variables que se incluirán y cualquier otra opción relevante.
La salida se genera al ejecutar el análisis y se coloca en la ventana de salida. En el proceso de construcción de un modelo estadístico, un analista generalmente necesita ajustar muchos modelos diferentes, cada uno de los cuales incluye un conjunto diferente de variables y términos del modelo hasta que se determina un modelo final. Si se decide eliminar una variable o un término del modelo, se vuelve a iniciar el cuadro de diálogo, se realizan los cambios y se vuelve a ejecutar el análisis. Cada posible modelo considerado debe ejecutarse por separado, cada uno produciendo un conjunto diferente de resultados. Como ocurre con la mayoría de los resultados de análisis en Minitab, la salida numérica y gráfica es mayormente estática con solo unas pocas opciones para realizar cambios. Si se desea eliminar algunas observaciones de los datos, por ejemplo, se debe crear una nueva hoja de trabajo y todos los modelos se ejecutan nuevamente.
JMP y JMP Pro
JMP y JMP Pro v16 tienen las siguientes técnicas de modelado multivariable junto con muchas variantes dentro de cada una.
· Modelos lineales generalizados (p. ej., ANOVA, regresión lineal, regresión logística)
· Partición (árbol de decisión)
· Red Neuronal
· Análisis discriminante
· Bosque Bootstrap *
· Arboles Potenciados*
· K Vecinos Más Cercanos*
· Naïve Bayes*
· Máquinas de vectores de soporte *
* Solo JMP Pro
Hay otras técnicas de modelado en JMP y JMP Pro además de estas. Por lo general, se utilizan para aplicaciones más especializadas frente a fines de modelado general y, por lo tanto, no se enumeran anteriormente (por ejemplo, modelos de ecuaciones estructurales en ciencias sociales; Uplift, Choice y MaxDiff para investigación de consumidores; Explorador de datos funcionales para modelar datos que son funciones, señales , o serie).
Cada una de las plataformas de modelado de JMP también tiene muchas opciones con respecto a los métodos de estimación y las especificaciones de ajuste del modelo. Estos brindan la capacidad de generar aún más modelos para considerar y permiten mayores capacidades en el manejo de situaciones complejas (por ejemplo, mínimos cuadrados ponderados, regresión penalizada, información faltante, validación cruzada de K-Fold, por nombrar algunos).
Ilustraremos el proceso de creación de modelos en JMP Pro ajustando un modelo de regresión logística utilizando el Alcance de refinanciamiento de hipotecas datos.
Modelo de regresión logística:
En JMP, todos los modelos lineales se crean utilizando la plataforma Ajustar modelo en el menú Analizar. Esta plataforma le permite elegir entre una variedad de formas de modelos y técnicas de ajuste de modelos seleccionando la opción deseada en el menú desplegable Personalidad. La Figura 38 muestra las opciones disponibles en JMP (izquierda) y JMP Pro (derecha).
Figure 38 JMP and JMP Pro: Fit Model – PersonalitiesFigura 38 JMP y JMP Pro: Modelo Fit – Personalidades
La Figura 39A muestra el cuadro de diálogo de la plataforma Ajustar modelo con la variable de resultado y los términos del modelo agregados. Aquí estamos ajustando un modelo de solo efectos principales. La opción de incluir términos de interacción, efectos cuadráticos, términos de definición como: (cruzado o anidado) y (fijo o aleatorio) están disponibles. También hemos incluido una columna de validación. Esta columna ha asignado aleatoriamente los datos en: 75% de entrenamiento y 25% de validación. JMP usará solo los datos de entrenamiento para ajustar el modelo. Los datos de validación se utilizarán para evaluar la capacidad predictiva del modelo ajustado. Este enfoque puede ayudar a evitar el resultado no deseado de un modelo que sobreajusta los datos.
Figure 39A JMP Pro: Fit ModeFigura 39A JMP Pro: modo de ajuste
Al ejecutar el análisis, JMP producirá el informe de regresión logística nominal.
Como en todos los resultados de análisis de JMP, es mejor pensar en un informe como una plataforma interactiva frente a un resultado estático. Por ejemplo, los términos del modelo se pueden eliminar del modelo ajustado sin necesidad de volver al cuadro de diálogo Ajustar modelo, realizar los cambios y volver a ejecutar el análisis. La Figura 39B muestra la tabla Resumen de efectos del informe con la variable Edad seleccionado.
Figure 39B JMP Pro: Fit Model – Effect Summary for Nominal Logistic RegressionFigura 39B JMP Pro: modelo de ajuste: resumen del efecto de la regresión logística nominal
La Figura 40 muestra las opciones que están disponibles debajo del triángulo rojo superior.
Figure 40 JMP Pro: Fit Model – Contextual Menu in Nominal Logistic Regression reportFigura 40 JMP Pro: Ajustar modelo: menú contextual en el informe de regresión logística nominal
La Figura 41A – 41D muestra algunos de los tipos comunes de resultados que se examinan al crear un modelo de regresión logística agregado al informe.
Figure 41A JMP Pro: Fit Model – Confusion Matrix in Nominal Logistic Regression reportFigura 41A JMP Pro: modelo de ajuste: matriz de confusión en el informe de regresión logística nominal
Figure 41B JMP Pro: Fit Model – ROC Curve in Nominal Logistic Regression reportFigura 41B JMP Pro: modelo de ajuste: curva ROC en el informe de regresión logística nominal
Figure 41C JMP Pro: Fit Model – Lift Curve in Nominal Logistic Regression reportFigura 41C JMP Pro: Modelo de ajuste: curva de elevación en el informe de regresión logística nominal
Figure 41D JMP Pro: Fit Model – Profiler in Nominal Logistic Regression reportFigura 41D JMP Pro: ajuste de modelo: generador de perfiles en el informe de regresión logística nominal
Cuando el objetivo principal de un modelo estadístico es solo la predicción y no es necesario que la ecuación tenga una forma simple con coeficientes interpretables, se deben explorar otros modelos más complejos. JMP Pro tiene una plataforma muy poderosa llamada Model Screening que se ajustará a muchos modelos diferentes utilizando varias técnicas que presentan el resultado en un solo informe. La Figura 42 muestra el cuadro de diálogo para esa plataforma con las variables asignadas a sus funciones y un conjunto de tipos de modelo seleccionados.
Figure 42 JMP Pro: Model ScreeningFigura 42 JMP Pro: Proyección de modelo
La Figura 43 muestra algunos de los resultados resumidos producidos en el informe, lo que le permite ver y comparar fácilmente el rendimiento del modelo. Observe que el modelo de red neuronal potenciada tiene la tasa de error general más baja en los datos de validación (16,0 %) con la regresión logística nominal en 19,2 %.
La Figura 44 muestra la herramienta Umbral de decisión que puede ser importante para evaluar al predecir un resultado categórico como lo estamos haciendo aquí. Esta herramienta proporciona un medio interactivo para evaluar cómo cambian las tasas de error para cada modelo a medida que considera diferentes valores de umbral de probabilidad.
Cada una de las plataformas modelo se puede iniciar desde este informe, proporcionando acceso al conjunto completo de herramientas disponibles para cada una.
Figure 43 JMP Pro: Model Screening – Model SummaryFigura 43 JMP Pro: Cribado de modelos: resumen del modelo
Figure 44 JMP Pro: Model Screening – Decision ThresholdFigura 44 JMP Pro: Cribado de modelos: umbral de decisión
Conclusión
Tanto Minitab como JMP ofrecen a los usuarios un entorno de apuntar y hacer clic fácil de usar para analizar datos. Aunque ambos contienen muchas de las mismas técnicas estadísticas, puede acceder a ellos y utilizarlos de diferentes maneras. Por ejemplo: la mayoría de los análisis univariados en JMP se realizan dentro de la plataforma de distribución, mientras que en Minitab se utilizan muchas herramientas diferentes según el tipo de datos específico que se analiza y la técnica estadística que se elige. En JMP, el resultado de cada análisis univariado se puede agregar a la misma ventana de informe.
Como se ilustró en esta guía de transición, las tablas de datos, los gráficos y los informes están vinculados dinámicamente en JMP, lo que le brinda un entorno más interactivo para explorar y analizar datos. Esta capacidad le permite realizar un conjunto completo de análisis en varios subconjuntos de datos utilizando solo una tabla de datos y un conjunto de informes de análisis. Por el contrario, una sesión de análisis típica en Minitab requiere que administre muchas hojas de trabajo diferentes y una gran colección de resultados de análisis.
El enfoque de JMP para explorar datos visualmente a través de Graph Builder es un paradigma muy diferente a cómo Minitab aborda la representación gráfica de datos. Como demostramos en la guía, Graph Builder de JMP le permite ver cómo cada opción que está considerando cambia la visualización, brindándole una forma dinámica de descubrir características y patrones en los datos.
Visita jmp.com para obtener más información sobre las capacidades de JMP y encontrar recursos de aprendizaje como libros, seminarios web, documentos técnicos, cursos, entre otros.
Sobre el Autor
