Einfach zu bedienende Statistiksoftware ist in fast allen Unternehmen zu einem unverzichtbaren Werkzeug geworden, da immer mehr Unternehmen versuchen, ihre Mitarbeiter datenbasierte Entscheidungen zu treffen. Umfassende statistische Analysen, die Erstellung ausgeklügelter beschreibender und prädiktiver Modelle und das Mining von Daten, um Erkenntnisse zu gewinnen, werden nicht mehr nur von Statistikern durchgeführt, sondern von Mitarbeitern in vielen Funktionsbereichen innerhalb eines Unternehmens. Die Wissenschaft hat einen ähnlichen Bedarf. Die Zahl der Programme und Kurse in einer Vielzahl von Disziplinen, die die Studierenden mit den Werkzeugen und Techniken der statistischen Wissenschaften vertraut machen, hat erheblich zugenommen. Interaktive Point-and-Click-Software kann die Hürde für Schüler, die erforderlichen Fähigkeiten zu entwickeln und den Datenexplorationsprozess zu genießen, ohne Programmieraufwand erheblich reduzieren.
In diesem Whitepaper werden zwei beliebte Softwarepakete untersucht – Minitab und JMP. Die Unterschiede zwischen den beiden werden veranschaulicht, um erfahrenen Minitab-Benutzern den Übergang zu JMP zu erleichtern. Der Fokus liegt auf der Benutzeroberfläche, dem Zugriff auf Tools, der Durchführung von Analysen und dem allgemeinen Arbeitsablauf, dem ein Benutzer zur Datenanalyse folgt.
Minitab ist ein auf einer grafischen Benutzeroberfläche (GUI) basierendes Statistiksoftwareprogramm, das erstmals 1978 als Computertool zur Unterstützung von Einführungskursen in die Statistik entwickelt wurde. Minitab v19, veröffentlicht im Juni 2020, ist die Version, die in diesem Whitepaper vorgestellt wird.
JMP und JMP Pro sind ebenfalls GUI-basierte Software, die erstmals 1989 von SAS entwickelt wurde, um Ingenieure, Wissenschaftler und Forscher bei der Anwendung der Werkzeuge der statistischen Wissenschaften in einer nichtprogrammierenden, hochgradig interaktiven Umgebung zu unterstützen. JMP und JMP Pro werden in einer Vielzahl von Branchen und akademischen Disziplinen eingesetzt. JMP 16 und JMP Pro 16, veröffentlicht im März 2021, sind die in diesem Dokument vorgestellten Versionen.
Da es sich hier eher um einen Übergangsleitfaden als um eine umfassende Darstellung ihrer einzelnen Fähigkeiten handelt, können wir in diesem Whitepaper nicht alle Unterschiede zwischen den beiden behandeln. Besuch minitab.com und jmp.com um mehr zu lernen.
Zu den in diesem Papier behandelten Themen gehören:
Der vollständige Text des Whitepapers erscheint unten.
(Hinweis: Sie können direkt zu einem bestimmten Abschnitt springen, indem Sie auf die Hyperlinks oben klicken.)
Einführung
Einfach zu bedienende Statistiksoftware ist in fast allen Unternehmen zu einem unverzichtbaren Werkzeug geworden, da immer mehr Unternehmen versuchen, ihre Mitarbeiter datenbasierte Entscheidungen zu treffen. Umfassende statistische Analysen, die Erstellung ausgeklügelter beschreibender und prädiktiver Modelle und das Mining von Daten, um Erkenntnisse zu gewinnen, werden nicht mehr nur von Statistikern durchgeführt, sondern von Mitarbeitern in vielen Funktionsbereichen innerhalb eines Unternehmens. Die Wissenschaft hat einen ähnlichen Bedarf. Die Zahl der Programme und Kurse in einer Vielzahl von Disziplinen, die die Studierenden mit den Werkzeugen und Techniken der statistischen Wissenschaften vertraut machen, hat erheblich zugenommen. Interaktive Point-and-Click-Software kann die Hürde für Schüler, die erforderlichen Fähigkeiten zu entwickeln und den Datenexplorationsprozess zu genießen, ohne Programmieraufwand erheblich reduzieren.
In diesem Whitepaper werden zwei beliebte Softwarepakete untersucht – Minitab und JMP. Die Unterschiede zwischen den beiden werden veranschaulicht, um erfahrenen Minitab-Benutzern den Übergang zu JMP zu erleichtern. Der Fokus liegt auf der Benutzeroberfläche, dem Zugriff auf Tools, der Durchführung von Analysen und dem allgemeinen Arbeitsablauf, dem ein Benutzer zur Datenanalyse folgt.
Minitab ist ein auf einer grafischen Benutzeroberfläche (GUI) basierendes Statistiksoftwareprogramm, das erstmals 1978 als Computertool zur Unterstützung von Einführungskursen in die Statistik entwickelt wurde. Es gewann in der Industrie Mitte bis Ende der 90er Jahre große Popularität, als Unternehmen, die sich an Qualitätsinitiativen wie Six Sigma beteiligten, begannen, statistische Techniken zu verwenden, um die Qualität ihrer Prozesse und Produkte zu verbessern. Minitab v19, veröffentlicht im Juni 2020, ist die Version, die in diesem Whitepaper vorgestellt wird.
JMP und JMP Pro sind ebenfalls GUI-basierte Software, die erstmals 1989 von SAS entwickelt wurde, um Ingenieure, Wissenschaftler und Forscher bei der Anwendung der Werkzeuge der statistischen Wissenschaften in einer nichtprogrammierenden, hochgradig interaktiven Umgebung zu unterstützen. JMP und JMP Pro werden in einer Vielzahl von Branchen und akademischen Disziplinen eingesetzt. JMP 16 und JMP Pro 16, veröffentlicht im März 2021, sind die in diesem Dokument vorgestellten Versionen.
Da es sich hier eher um einen Übergangsleitfaden als um eine umfassende Darstellung ihrer einzelnen Fähigkeiten handelt, können wir in diesem Whitepaper nicht alle Unterschiede zwischen den beiden behandeln. Besuch www.minitab.com und www.jmp.com um mehr zu lernen.
Überblick
Obwohl Minitab und JMP einige Ähnlichkeiten aufweisen, gibt es einige grundlegende Unterschiede, die für einen Umstieg auf JMP wichtig sind.
1. Interaktive Analyseausgabe. Beim Durchführen einer Analyse in JMP wird die Ausgabe in einem interaktiven Fenster dargestellt. Alle erstellten Analyseausgaben, einschließlich der auf verschiedenen Plattformen erstellten, werden dynamisch miteinander und mit der Datentabelle verknüpft. Dadurch kann der Benutzer direkt mit der Analyseausgabe interagieren. Änderungen wie das Entfernen/Hinzufügen von Variablen zu einem Modell, das Wechseln der Rolle einer Variablen und das Unterordnen der Daten können direkt über die Analyseausgabe vorgenommen werden, ohne dass eine Analyse erneut ausgeführt werden muss. Es können auch Änderungen an der Datentabelle vorgenommen werden (z. B. Daten hinzufügen/löschen) und die gesamte Ausgabe kann automatisch aktualisiert werden.
Die Minitab-Ausgabe ist überwiegend statisch und nicht mit verschiedenen Analysewerkzeugen verbunden. Um beispielsweise eine Variable aus einem Modell zu entfernen, müsste das Analysetool neu gestartet, diese Änderungen angegeben und dann die Analyse erneut ausgeführt werden. In vielen Minitab-Tools werden die Analyseergebnisse nicht automatisch aktualisiert, wenn Änderungen an den Daten vorgenommen werden.
2. Kontextmenüs. Jede in JMP durchgeführte Analyseausgabe ist mit dem Zugriff auf eine Reihe von Tools verbunden, die sich auf diese Analyse beziehen. Auf diese Weise ist der Ansatz zur Datenanalyse explorativer und interaktiver, wobei die Ergebnisse einer Analyse den Benutzer zu einer Reihe von Werkzeugen führen, die als nächste Schritte im Analyse-Workflow konzipiert sind.
Minitab führt Analysen in einem traditionelleren Batch-Modus aus, wobei der Benutzer oft entscheiden muss, welche Analyse er ganz unabhängig von der Anzeige von Features in den Daten durchführen soll. Wenn ein Werkzeug ausgewählt ist, wird ein Dialogfeld geöffnet. Variablen werden Rollen zugewiesen und Optionen ausgewählt. Das Ausführen der Analyse erzeugt eine Ausgabemenge, die normalerweise statisch ist. Der nächste Schritt in einem typischen Analyse-Workflow erfordert oft die Einführung eines neuen Tools, das eine weitere Runde der Spezifizierung variabler Rollen und Optionen erfordert.
3. Definieren der für die Analyse zu verwendenden Daten. Der typische Ansatz in Minitab besteht darin, ein Arbeitsblatt zu erstellen, das alle Daten enthält, auf denen eine bestimmte Analyse basiert. Wenn es beispielsweise gewünscht ist, eine Analyse einer Teilmenge dieser Daten durchzuführen, ist es normalerweise erforderlich, eine Operation (z. B. Teilmenge, Arbeitsblatt teilen usw.) auszuführen, um ein neues Arbeitsblatt zu erstellen. Wenn Ausreißer entdeckt werden und der Analyst die Ergebnisse ohne diese Datenpunkte sehen möchte, muss normalerweise ein weiteres neues Arbeitsblatt erstellt und die Analyse erneut ausgeführt werden. Dies erfordert die Notwendigkeit, viele Arbeitsblätter in einer typischen Analysesitzung zu verwalten.
Obwohl man in JMP auch mit mehreren Datentabellen arbeiten kann, kann es oft am einfachsten sein, Datenfilter und Zeilenzustandsoperationen zu verwenden, um die Daten zu definieren, auf denen eine bestimmte Analyse basiert. Diese Datenfilter und Zeilenzustände können gespeichert und jederzeit abgerufen werden, was es dem Analysten ermöglicht, über eine einzige Datentabelle zu verfügen, auf der alle Analysen zu verschiedenen Teilmengen dieser Daten durchgeführt werden können.
Darüber hinaus ermöglicht das lokale Datenfilter-Tool in JMP Benutzern, die Daten auch nach der Durchführung einer Analyse zu filtern. Beispielsweise kann aus allen Daten in einer Datentabelle ein lineares Regressionsmodell erstellt werden. Aus der Ausgabe der Regressionsanalyse heraus kann ein lokaler Datenfilter gestartet werden, der alle Ergebnisse für verschiedene Teilmengen der ausgewählten Daten sofort ändert.
4. Gleichzeitige Mehrfachanalysen. Ein wesentliches Merkmal von JMP ist die Möglichkeit, eine große Anzahl von Analysen gleichzeitig durchzuführen. In fast allen Analyseplattformen in JMP ist eine Option Nach Variable verfügbar, mit der Analysen für jede Ebene dieser Variablen durchgeführt werden können. Wenn man beispielsweise separate Hypothesentests durchführen möchte, die zwei Mittelwerte für jede von 10 verschiedenen Gruppen einer kategorialen Variablen vergleichen, dann muss diese Nach Variable einfach angegeben werden. Minitab würde diese Analyse zehnmal ausführen müssen.
Mit JMP-Plattformen können Sie auch eine Vielzahl von Einzelanalysen gemeinsam durchführen, indem Sie einfach alle Antwortvariablen und Faktoren auswählen. Wenn man beispielsweise jede mögliche Ein-Faktor-Analyse für drei verschiedene Antwortvariablen und fünf verschiedene erklärende Faktoren durchführen möchte, können alle 3x5=15 verschiedene Analysen in einem Schritt durchgeführt werden, einschließlich verschiedener Ein-Faktor-Analysetechniken basierend auf dem Datentyp für die Antwortvariablen und Faktoren. ANOVA, lineare Regression, logistische Regression und eine Chi-Quadrat-Analyse können alle gleichzeitig durchgeführt werden, wobei die Ergebnisse im selben Ausgabefenster angezeigt werden. Minitab müsste jede dieser Analysen separat mit unterschiedlichen Tools ausführen.
JMP verfügt über einzigartige Plattformen, die für die Ausführung einer sehr großen Anzahl von Analysen zusammen mit benutzerdefinierten Grafiken und erstellten Ausgaben entwickelt wurden. Beispielsweise kann eine multivariable Fähigkeitsanalyse an 50 verschiedenen Prozessvariablen durchgeführt werden. Neben der Ausgabe für 50 verschiedene individuelle Fähigkeitsanalysen werden einzigartige Grafiken und numerische Ausgaben erstellt, die alle einzelnen Ergebnisse standardisieren, um einen einfachen Vergleich dieser 50 Variablen zu ermöglichen – eine echte multivariate Analyse.
Es gibt auch spezielle Plattformen in JMP, die speziell für Anwendungen entwickelt wurden, bei denen eine extrem große Anzahl von Analysen erforderlich ist. In bestimmten wissenschaftlichen Bereichen ist es ganz typisch, dass man zum Beispiel tausend verschiedene Antwortvariablen und einen einzigen Erklärungsfaktor haben kann. Eine Response-Screening-Analyse kann durchgeführt werden, was zu 1.000 separaten Einweg-ANOVAs führt. Die Ergebnisse (basierend auf der Anzahl der Analysen statistisch angepasst) werden zusammen mit einem benutzerdefinierten Satz von Grafiken und Datentabellen angezeigt, die für einen einfachen Vergleich und Folgeanalysen konzipiert sind.
5. Integration. JMP kann in externe Rechenumgebungen wie SAS, MATLAB, R und Python integriert werden. Durch JSL (JMPs Scripting Language) kann ein Analyst die Leistungsfähigkeit dieser Tools nutzen und gleichzeitig innerhalb der interaktiven GUI von JMP arbeiten.
Minitab kann derzeit nur in Python integriert werden, jedoch nicht in SAS, R oder MATLAB.
6. Veröffentlichung von Berichten. Sowohl Minitab als auch JMP verfügen über Tools zum Exportieren und Speichern von Berichten außerhalb der Software (z. B. .jpg, Microsoft PowerPoint und Word). JMP kann auch interaktive .html-Berichte generieren, die es anderen ermöglichen, Analyseberichte außerhalb von JMP mit interaktiven Tools anzuzeigen, um die Daten weiter zu untersuchen. Ein weiteres Produkt der JMP-Produktsuite ist JMP Live, das zusätzliche Funktionen zur Automatisierung der Erstellung und Freigabe von Berichten bietet, die ein Dashboard aktualisieren, wenn sich Daten und Modelle ändern.
7. Statistische Analysetechniken. Obwohl beide Software viele der gebräuchlicheren statistischen Analysetools enthalten, stehen in JMP und JMP Pro unzählige fortschrittlichere statistische Techniken und Datenverwaltungstools zur Verfügung, die in Minitab nicht verfügbar sind. JMP bietet in der Regel auch mehr Optionen und Fähigkeiten innerhalb einer bestimmten statistischen Analysetechnik. Besuch www.jmp.com um mehr zu lernen.
Datensätze
In diesem Handbuch werden verschiedene Datensätze verwendet. Sie sind hier zu finden .
Datei Format
Ein Unterschied, den ein erfahrener Minitab-Benutzer beim Erlernen von JMP vielleicht zuerst bemerken wird, besteht darin, dass es nicht notwendig ist, innerhalb einer Projektdateistruktur zu arbeiten.
Minitab-Projektdatei
Benutzer von Minitab sind mit Minitab-Projektdateien mit der Erweiterung .mpx am besten vertraut. Innerhalb dieser Projektdatei können mehrere Arbeitsblätter (dh Datentabellen) importiert oder erstellt werden. Abbildung 1 zeigt ein Beispiel für eine Minitab-Projektdatei mit vier Arbeitsblättern. Die Anzeige ist in drei Bereiche aufgeteilt. Der untere rechte Bereich zeigt das aktive Arbeitsblatt (Vollständige 4 Daten) zusammen mit Registerkarten unten für jedes der Arbeitsblätter. Der linke Bereich, der als Navigator bekannt ist, zeigt eine Liste der durchgeführten Analysen und Operationen (z. B. Grafische Zusammenfassung von Ertrag und Feuchtigkeitsgehalt, … , Arbeitsblatt aufteilen). Der obere rechte Bereich ist das Ausgabefenster, in dem die jeweilige Analyseausgabe angezeigt wird. Es stehen drei verschiedene Ansichten zur Auswahl (Daten und Ausgabe, Nur Daten und Nur Ausgabe). In dieser Abbildung wurde die Daten- und Ausgabeansicht ausgewählt.
Abbildung 1 Minitab: Projektdatei
Jede ausgewählte Analyse oder Operation wird auf dem aktiven Arbeitsblatt ausgeführt. Wenn ein Benutzer eine Analyse einer Teilmenge der Daten durchführen möchte, müsste ein neues Arbeitsblatt aus dem übergeordneten Arbeitsblatt erstellt werden. Hier wurde ein Satz Arbeitsblätter erstellt, eines für jeden der vier GeoLocations (A, B, C und D) mit dem Befehl Daten>Arbeitsblatt teilen. Um eine Analyse an nur einem der GeoLocations durchzuführen, muss dieses Arbeitsblatt zuerst ausgewählt werden, um es zum aktiven Arbeitsblatt zu machen, bevor die Analyse ausgeführt wird.
JMP-Datentabellendatei
JMP kann auch innerhalb einer Projektdateistruktur verwendet werden. Sehen wir uns zunächst an, wie JMP-Datentabellendateien funktionieren, da sich viele Benutzer dafür entscheiden, mit diesem Dateityp zu arbeiten. JMP-Datentabellendateien werden mit der Erweiterung .jmp bezeichnet.
Abbildung 2 zeigt ein Beispiel einer JMP-Datentabellendatei. Es gibt vier Bereiche für die Datei. Die Datentabelle befindet sich rechts, der Zeilenbereich unten links und bietet eine Zusammenfassung der Zeilen in der Datentabelle, einschließlich der Anzahl der Zeilen, die ausgewählt, ausgeschlossen oder ausgeblendet wurden. Der Spaltenbereich in der Mitte links zeigt die Variablen in der Datentabelle an und identifiziert Eigenschaften für diese Variable, wie z. B. den Modellierungstyp und die Verwendung einer Beschriftung. Im oberen linken Bereich werden die Skripts angezeigt, die in dieser Datentabellendatei gespeichert wurden. Die Schritte zum Ausführen und Speichern von Skripten werden in einem späteren Abschnitt gezeigt.
Die roten Dreiecke, die in den verschiedenen Fenstern zu sehen sind, greifen auf eine Vielzahl von Werkzeugen zu, um Operationen an der Datentabelle, den Spalten oder Zeilen durchzuführen. Spalten können in der Datentabelle neu angeordnet werden, indem Sie auf die Spaltenliste im Spaltenbereich klicken und sie an die gewünschte Position ziehen. Eine umfassendere Liste von Werkzeugen und Operationen, die für Spalten ausgeführt werden können, finden Sie im Menü „Spalten“ oder durch Rechtsklick auf eine Spalte in der Datentabelle.
Abbildung 2 JMP: Datentabelle
JMP verfügt über eine Sammlung von Tools, die später erläutert werden und die es Benutzern ermöglichen, Analysen zu bestimmten Teilmengen der Daten durchzuführen. In vielen Fällen werden Sie feststellen, dass Sie auf diese Weise von einer Stammdatentabelle aus alle gewünschten Analysen durchführen können, ohne mehrere Datentabellen erstellen und verwalten zu müssen, wie dies in Minitab erforderlich ist.
JMP-Projektdatei
JMP-Projektdateien sind eine weitere Dateistruktur, die beim Arbeiten hilfreich sein kann. Projektdateien bieten eine einzige Schnittstelle zu JMP und dienen als Container für viele verschiedene Projektelemente. Es kann Datentabellen, Analyseskripte, JMP-Journals, Berichte sowie Nicht-JMP-Elemente wie Dokumente, Datendateien usw. enthalten (oder verweisen).
Abbildung 3A ist ein Beispiel für eine JMP-Projektdatei.
In diesem Beispiel werden links zwei Fenster angezeigt.
Inhalt: Liste aller Dateien, die in der Projektdatei enthalten sind, wie Ordner, JMP-Datentabellen und andere Nicht-JMP-Dateien (z. B. .xls, .csv, .doc. .ppt, .jpg usw.). Hier haben wir einen Ordner, zwei JMP-Datentabellen, ein JMP-Journal, zwei Excel-Dateien und ein Word-Dokument.
Arbeitsplatz: Hierarchische Liste der aktuell angezeigten Projektinhalte. Hier haben wir das JMP-Journal und zwei JMP-Datentabellen zusammen mit einem Analysebericht, der einem Skript in einer der JMP-Datentabellen zugeordnet ist.
Auf der rechten Seite ist eine Sammlung von Fenstern mit Registerkarten angeordnet, eines für jedes der im Arbeitsbereich aufgelisteten Elemente. Hier haben wir eine der Datentabellen als aktives Fenster. Sie sollten dies als die in Abbildung 2 gezeigte JMP-Datentabelle erkennen.
Abbildung 3A JMP: Projektdatei
Jedes der Fenster, einschließlich aller Registerkarten, kann verschoben werden, um die Anzeige auf eine gewünschte Ansicht umzukonfigurieren.
Abbildung 3B zeigt ein Beispiel für das Projekt, bei dem die Registerkarten so angeordnet sind, dass die beiden JMP-Datentabellen und das Journal direkt rechts neben den Arbeitsbereich- und Inhaltsfenstern platziert werden, wobei einer davon zur Anzeige ausgewählt ist. Auf der rechten Seite befinden sich zwei Analyseberichte, die übereinander angeordnet sind.
Abbildung 3B JMP: Projektdatei
Diese konfigurierbare Umgebung mit Registerkarten bietet dem Benutzer die Flexibilität, den Inhalt der Projektdatei so anzuzeigen, zu verbergen und anzuzeigen, wie es für die jeweilige Situation am besten ist.
Projektdateien können geteilt werden und alle Inhalte, einschließlich Nicht-JMP-Dateien, werden eingeschlossen.
Besuchen Sie jmp.com, jmp.com/help oder community.jmp.com und suchen Sie nach „Projects“, um eine Liste von Ressourcen anzuzeigen, einschließlich Aufzeichnungen, Tutorials, Dokumentation und Benutzerdiskussionen, um mehr über die Funktionalität von JMP Projects zu erfahren.
Daten importieren
Häufig werden Daten in anderen Anwendungen erzeugt und nicht in Statistiksoftware. Ein Ingenieur kann beispielsweise Daten aus einem Experiment in einer Excel-Tabelle oder einer zentralen Datenbank aufzeichnen, die eine große Sammlung von Kundenverhaltensdaten enthält, aus denen bestimmte Teilmengen dieser Daten abgerufen und analysiert werden müssen. Sowohl Minitab als auch JMP können viele verschiedene Dateitypen öffnen, darunter .csv, .txt, .xls und andere, und jeder kann eine Datenbank über ODBC (Open Database Connectivity) abfragen.
JMP
JMP kann andere Dateitypen öffnen, die Minitab nicht öffnen kann, z. B. SAS-, R-, MATLAB-, .html- und .pdf-Dateien. JMP kann auch Tabellen öffnen, die mit der Internet Open-Funktionalität in Webseiten integriert sind.
JMP hat außerdem den Vorteil, dass es mehrere Dateien importieren kann, die sie in einer Datentabelle kombinieren. Abbildung 4 zeigt einen Ordner, der eine Sammlung verschiedener Textdateien zu einer Umfrage zusammen mit dem Inhalt einer dieser Dateien enthält.
Abbildung 4 JMP: Importieren mehrerer Dateien
Wenn Sie Datei > Mehrere öffnen auswählen, wird ein Importassistent gestartet, der Sie durch den Import aller Daten aus diesen vielen Dateien in eine JMP-Datentabelle führt.
Um Daten, die Sie derzeit in einer Minitab-Datei haben, in JMP zu importieren, speichern Sie am besten zuerst das Minitab-Arbeitsblatt in einem Format wie .xls, .csv oder .txt. Wählen Sie dann einfach Datei > In JMP öffnen, um diese Daten in eine JMP-Datentabelle zu importieren. Ein Importassistent wird gestartet, um anzugeben, wie die Daten importiert werden sollen (zB die zu importierenden Variablen und Zeilen auswählen, Variablennamen einschließen/ausschließen usw.).
Daten bereinigen und formatieren
Sowohl Minitab als auch JMP verfügen über eine Sammlung von Tools, mit denen der Benutzer Daten bereinigen und formatieren kann, um sie für die Analyse vorzubereiten.
Minitab
Die meisten Tools von Minitab zum Formatieren, Bereinigen und Vorbereiten von Daten finden Sie in den Menüs Daten und Berechnung. Abbildung 5 zeigt die Liste der Werkzeuge unter diesen Menüs.
Abbildung 5 Minitab: Menüs „Daten“ und „Berechnung“
Sobald ein Werkzeug ausgewählt ist, wird ein Dialogfeld angezeigt, in dem Variablen in verschiedene Rollen platziert werden können, um die spezifischen auszuführenden Operationen zu beschreiben.
Abbildung 6 ist ein Beispiel für das Dialogfeld für das Sortierwerkzeug von Minitab. Hier haben wir uns entschieden, alle Daten in alphabetischer aufsteigender Reihenfolge basierend auf der GeoLocation-Variable zu sortieren, die die Daten im selben Arbeitsblatt speichert (dh „In den ursprünglichen Spalten“).
Abbildung 6 Minitab: Sortierwerkzeug
JMP
Die meisten JMP-Tools zum Formatieren, Bereinigen und Vorbereiten von Daten für die Analyse finden Sie in drei verschiedenen Menüs: Tabellen, Zeilen und Spalten (siehe Abbildung 7).
Abbildung 7 JMP: Tabellen-, Zeilen- und Spaltenmenüs
Abbildung 8 ist ein Beispiel für das Sortierwerkzeug von JMP. Obwohl das Dialogfeld ein anderes Aussehen hat und unterschiedliche Namen für Operationen verwendet, ist die allgemeine Vorgehensweise ziemlich ähnlich.
Abbildung 8 JMP: Sortierwerkzeug
Alle Datenbearbeitungsvorgänge, die Sie in Minitab ausgeführt haben, können auch in JMP ausgeführt werden. Es erfordert nur ein wenig Übung, um zu lernen, wie auf die Werkzeuge zugegriffen wird und wie die gewünschte Operation im Dialogfeld angegeben wird.
Ein JMP-Tool im Menü Tabellen (das in Minitab nicht verfügbar ist), das bei einer ersten Untersuchung eines Datensatzes sehr nützlich sein kann, ist die Plattform Missing Data Pattern. Im folgenden Beispiel wird ein kleiner Datensatz verwendet, aber Sie werden feststellen, dass dieses Tool bei der Untersuchung großer Datensätze am wertvollsten ist. Abbildung 9 zeigt eine Datentabelle mit fünf Variablen, 25 Zeilen und 18 fehlenden Werten.
Abbildung 9 JMP: Datentabelle mit fehlenden Werten
Das Werkzeug Muster für fehlende Daten im Menü Tabellen fasst die „Fehlenden“ in den Daten über eine neue JMP-Datentabelle zusammen. Abbildung 10 zeigt die resultierende Tabelle zusammen mit dem dazugehörigen Cell Plot.
Abbildung 10 JMP: Muster für fehlende Daten
Diese neue Datentabelle beschreibt das fehlende Datenmuster in den Daten. Insbesondere gibt es 15 Zeilen ohne fehlende Werte; eine Zeile hat einen fehlenden Wert in der Variablen Y5; vier Zeilen haben einen fehlenden Wert in der Variablen Y3; zwei Zeilen haben einen fehlenden Wert in 3 Variablen - Y3, Y4 und Y5 und so weiter. Das Hervorheben einer Zeile in dieser Tabelle mit fehlenden Datenmustern hebt alle Zeilen mit diesem fehlenden Datenmuster in der ursprünglichen Datentabelle hervor. Auf diese Weise können Sie diese Daten von zukünftigen Analysen ausblenden und/oder ausschließen oder Zeilenzustände generieren, z. B. indem Sie eindeutige Symbole zur Anzeige in Diagrammen zuweisen. Es gibt eine verwandte Plattform namens Explore Missing Values im Menü Analyze>Screening, die zusätzliche Tools für die Arbeit mit fehlenden Daten bietet, einschließlich statistischer Techniken, um Gemeinsamkeiten zwischen den fehlenden Mustern in den Variablen und Zeilen zu finden, sowie die Möglichkeit, die fehlenden Daten zu imputieren sie durch Schätzwerte ersetzen.
Neue Variablen erstellen
Sowohl Minitab als auch JMP ermöglichen die Erstellung neuer Variablen. Diese neuen Variablen können beispielsweise einfache arithmetische Operationen mit anderen Variablen in der Datentabelle oder ein logisches Bedingungsargument sein.
Minitab
Neue Variablen werden in Minitab über das Taschenrechner-Tool im Menü "Berechnen" erstellt. Abbildung 11 zeigt, wie eine neue Textvariable basierend auf dem Wert der Variablen 'Feuchtegehalt' erstellt wurde, wobei die Ergebnisse in Spalte C9 gespeichert wurden.
Abbildung 11 Minitab: Rechner
JMP
Um eine neue Variable in JMP zu erstellen, greifen Sie auf das Formelwerkzeug für diese neue Spalte zu, indem Sie eine Spalte markieren und Spalten>Formel wählen. Sie können auch darauf zugreifen, indem Sie mit der rechten Maustaste auf eine Spalte klicken und im Menü „Formel“ auswählen. In Abbildung 12 wurde das Formelwerkzeug verwendet, um dieselbe Textvariable basierend auf einem bedingten Argument zu erstellen. Beachten Sie, dass eine Vorschaufunktion verfügbar ist, mit der Sie die Ergebnisse der Anwendung der Formel während der Erstellung anzeigen können.
Abbildung 12 JMP: Formel
Mit dem Formel-Tool von JMP können auch neue Variablen mit einer gemusterten Sequenz, einer Zufallsstichprobe aus anderen Spalten oder einer bestimmten Wahrscheinlichkeitsverteilung erstellt werden. In Minitab müsste auf andere Tools zugegriffen werden, um diese Arten von Vorgängen zu generieren.
Datenfilter und Zeilenstatus
Minitab
Beim Durchführen einer Analyse in Minitab wird ein Arbeitsblatt mit den Daten für diese Analyse aktiviert. Wenn eine Analyse an einer Teilmenge eines übergeordneten Datensatzes durchgeführt werden soll, muss höchstwahrscheinlich ein neues Arbeitsblatt erstellt werden, das nur diese Teilmenge von Daten enthält. Wenn Ausreißer identifiziert werden und von zukünftigen Analysen ausgeschlossen werden müssen, müsste ein weiteres neues Arbeitsblatt ohne diese Datenpunkte erstellt werden. Daher ist es typisch, dass man viele Arbeitsblätter innerhalb einer Projektdatei verwalten muss.
JMP
In einer JMP-Projektdatei können auch mehrere Datentabellen eingerichtet werden, wie zuvor gezeigt. Stattdessen können Datenfilter und Zeilenstatusoperationen verwendet werden, um die spezifischen Daten zu definieren, auf denen eine bestimmte Analyse basiert, was dazu führt, dass sich viele Benutzer dafür entscheiden, alle ihre Analysen aus einer Datentabelle durchzuführen. Diese Datenfilter und Zeilenzustände können gespeichert und jederzeit abgerufen werden.
Wir veranschaulichen diese Analysen anhand der Kornertrag Daten.
Abbildung 13A zeigt die Datentabelle mit ausgewählten GeoLocations und C. Klicken Sie dazu auf das kleine Histogrammsymbol oben links in der Datentabelle, um das Header-Diagramm einzuschalten, und wählen Sie dann einfach diese GeoLocations aus. Das Kopfzeilendiagramm ist ein praktisches Werkzeug, das eine Zusammenfassung einer Variablen auf hoher Ebene oben in jeder Spalte anzeigt (z. B. Histogramme und Min-/Max-Werte für kontinuierliche Variablen, ein Balkendiagramm für kategoriale Variablen). Abbildung 13B zeigt das Ergebnis, wenn das Werkzeug Zeilen>Ausblenden und ausschließen ausgewählt ist. Jede Analyse, die mit diesem aktiven Zeilenstatus durchgeführt wird, schließt GeoLocations A und C nicht in die Berechnungen ein und erscheint auch nicht in einer grafischen Anzeige. Andere Optionen umfassen die Verwendung ausgewählter Daten in Berechnungen, die jedoch nicht in einem Diagramm angezeigt werden (nur Ausblenden) oder die Anzeige von Daten in einem Diagramm, die jedoch nicht in Berechnungen verwendet werden (nur Ausschließen). Dieser Zeilenstatus kann deaktiviert werden, indem Sie erneut Zeilen>Ausblenden und ausschließen oder Zeilen>Zeilenstatus löschen auswählen.
Abbildung 13A JMP: Ausgewählte Zeilen
Abbildung 13B JMP: Ausblenden/Ausschließen
Der globale Datenfilter ist ein weiteres nützliches Werkzeug zum Definieren einer Teilmenge von Daten. Auf dieses Werkzeug wird durch Auswahl von Zeilen>Datenfilter zugegriffen. Abbildung 14 zeigt den geöffneten Datenfilter mit den ausgewählten GeoLocations B und D. Hier haben wir die Kontrollkästchen Anzeigen und Einschließen aktiviert und dann die GeoLocations ausgewählt, die wir verwenden möchten. Der Datenfilter kann viele Variablen enthalten, und es können sowohl kategoriale als auch kontinuierliche Variablen verwendet werden. Dieser Datenfilter kann in der Datentabelle gespeichert, Zeilenzustände gelöscht und jederzeit wieder aufgerufen werden.
Abbildung 14 JMP: Globaler Datenfilter
Andere Merkmale können als Zeilenstatus eingerichtet werden. Sie möchten beispielsweise, dass alle in einer Analyse erstellten Diagramme unterschiedliche Farben für die verschiedenen GeoLocations verwenden. Diese Voreinstellung kann über Zeilen>Farbe oder Nach Spalte markieren eingerichtet werden. Abbildung 15 ist die resultierende Datentabelle mit den Farben, die als Zeilenzustände angezeigt werden. Jede grafische Anzeige, die mit diesem aktiven Zeilenstatus erstellt wurde, verwendet diese Farbcodierung. Diese Zeile kann auch gespeichert und jederzeit aufgerufen werden.
Abbildung 15 JMP: Farbreihenstatus
Der lokale Datenfilter in JMP bietet eine weitere Möglichkeit, mit einer Teilmenge der Daten zu arbeiten. Dieser Ansatz bietet ein interaktives Werkzeug, mit dem Sie sehen können, wie sich Analyseergebnisse sofort ändern, wenn verschiedene Teilmengen der Daten ausgewählt werden. Der lokale Datenfilter wird unter dem oberen roten Dreieck in einem Analyseberichtfenster aufgerufen. Abbildung 16 zeigt die Ergebnisse einer Regressionsanalyse unter Verwendung aller Daten (links), dann ändert sich dieselbe Ausgabe basierend auf der Auswahl von nur GeoLocation A aus dem lokalen Datenfilter. Beachten Sie, dass die Datenpunkte den Farbreihenstatus verwenden, den wir in Abbildung 15 eingerichtet haben.
Abbildung 16 JMP: Lokaler Datenfilter
Beschreibende Statistik
Sowohl Minitab als auch JMP können zusammenfassende Statistiken berechnen, die Features in den Daten beschreiben.
Einige dieser Analysen veranschaulichen wir anhand der Kornertrag Daten.
Minitab
Es gibt mehrere Möglichkeiten, um beschreibende Statistiken in Minitab zu generieren (z. B. beschreibende Statistiken anzeigen, beschreibende Statistiken speichern und grafische Zusammenfassung im Statistikmenü). Beschreibende Statistiken können auch mit dem Tabellen-Tool generiert werden, das wir hier veranschaulichen. Abbildung 17 zeigt die Schritte zur Berechnung des Stichprobenmittelwerts und der Stichprobenstandardabweichung für für den Ertrag für jede GeoLocation/Year-Kombination und die resultierende Tabelle.
Abbildung 17 Minitab: Deskriptive Statistik über Tabelle
Wenn andere zusammenfassende Statistiken gewünscht werden oder wenn andere kategoriale und/oder zugehörige Variablen verwendet werden sollen, wird das Werkzeug Tabellen>Beschreibende Statistik neu gestartet, das Dialogfeld aktualisiert und die Analyse erneut ausgeführt.
JMP
JMP kann auch deskriptive Statistiken auf verschiedene Weise berechnen, einschließlich der Verteilungsplattform, des Graph Builder, des Spaltenbetrachters und durch Spaltenformeln. Ähnlich wie in Minitab gezeigt, veranschaulichen wir, wie Sie zusammenfassende Statistiken über die Plattform Analysieren>Tabelle berechnen.
Beim Starten der Tabulate-Plattform wird das in Abbildung 18A gezeigte Fenster geöffnet. Variablen werden einfach in verschiedene Rollen platziert, um die Tabelle zu erstellen. Diese Variablen können verschoben werden, um die Anzeige der Tabelle zu ändern. Unter anderem können Variablen entfernt, hinzugefügt und neue Statistiken berechnet werden, wobei die Tabelle aktualisiert wird, sobald diese Änderungen vorgenommen werden. Betrachten Sie es als leere Leinwand, mit der Sie die gewünschte Tabelle erstellen.
Abbildung 18A JMP: Deskriptive Statistik über Tabulieren
Abbildung 18B zeigt die Schritte zum Erstellen der Tabelle, die den Mittelwert und die Standardabweichung des Ertrags für die 6 verschiedenen Kombinationen von Jahr und GeoLocation anzeigt.
Wir beginnen damit, dass wir Yield in die Drop-Zone für resultierende Zellen platzieren. Standardmäßig wird die Summe (die Standardstatistik) dieser Variablen als einzelne Zelle angezeigt (Bild oben links in Abbildung 18B). Hinweis: Sie können über die Voreinstellungen (JMP > Voreinstellungen > Plattformen > tabellarisch) auch den Mittelwert und die Standardabweichung standardmäßig anzeigen.
In diesem Fall ersetzen wir die Summe durch den Mittelwert und die Standardabweichung, indem wir diese beiden Statistiken aus der Liste über die Zelle ziehen, in der das Wort Summe angezeigt wird. Die Tabelle wird aktualisiert, wobei die Summenstatistik durch den Mittelwert und die Standardabweichung ersetzt wird (Bild oben rechts in Abbildung 18B).
Die kategorialen Variablen (Jahr und GeoLocation) werden einfach an den gewünschten Orten abgelegt. Jahr wird als Zeilen (unteres linkes Bild in Abbildung 18B) und GeoLocation als Spalten (unteres rechtes Bild) platziert.
Abbildung 18B JMP: Deskriptive Statistik über Tabulieren
Diese Tabelle kann leicht geändert werden, um verschiedene Ansichten zu erstellen, indem Variablen in verschiedene Drop-Zones verschoben werden. Abbildung 18C zeigt die resultierende Tabelle, wenn die Variable GeoLocation in eine andere Zeilenvariable innerhalb von Year verschoben wird.
Abbildung 18C JMP: Deskriptive Statistik über Tabulieren
Diese Tabelle mit zusammenfassenden Statistiken kann zur weiteren Analyse in eine JMP-Datentabelle umgewandelt werden, indem Sie unter dem roten Dreieck In Datentabelle erstellen auswählen. 18D zeigt die resultierende Datentabelle.
Abbildung 18D JMP: Deskriptive Statistik über Tabulieren – Erstellen einer Datentabelle
Graphik
Minitab und JMP gehen bei der grafischen Darstellung von Daten sehr unterschiedlich vor. Dies ist einer der bedeutendsten Unterschiede zwischen den beiden Softwares, die ein neuer JMP-Benutzer erfahren wird.
Einige dieser Analysen veranschaulichen wir anhand der Kornertrag Daten.
Minitab
Um in Minitab ein Diagramm zu erstellen, müssen Sie zunächst entscheiden, welches Diagramm benötigt wird, und es dann aus dem Menü Diagramm auswählen. Abbildung 19 zeigt eine Liste der in diesem Menü verfügbaren Grafiken.
Abbildung 19 Minitab: Menü „Grafik“
Wir veranschaulichen den Vorgang zum Erstellen eines Diagramms in Minitab, indem wir ein Streudiagramm erstellen. Wenn das Streudiagramm-Tool gestartet wird, wird ein Bildschirm angezeigt (linkes Bild in Abbildung 20A). An diesem Punkt muss der Benutzer eine der Streudiagrammoptionen auswählen. In diesem Beispiel wurde Einfach gewählt. Es erscheint dann ein Dialogfeld, um die auf den Y- und X-Achsen darzustellenden Variablen einzugeben (rechtes Bild in Abbildung 20A).
Abbildung 20A Minitab: Streudiagramm
Die Schaltflächen Skalierung, Beschriftungen, Datenansicht, Mehrere Diagramme und Datenoptionen bieten zusätzliche Optionen. 20B zeigt den resultierenden Graphen, wenn keine zusätzlichen Optionen gewählt werden.
Abbildung 20B Minitab: Streudiagramm
Einige Elemente des Diagramms können bearbeitet werden (zB die Farbe der Punkte ändern), indem Sie das Werkzeug Diagramm bearbeiten im Dropdown-Menü oben rechts starten.
Um das in Abbildung 20C gezeigte Streudiagramm zu erstellen, das eine separate Regressionslinie für jeden der 4 GeoLocations hat, müsste ein völlig neuer Graph erstellt werden. Dies würde durch einen Neustart des Scatterplot-Tools und die Auswahl von „With Regression and Groups“ aus dem in Abbildung 20A gezeigten Dialogfeld erfolgen.
Abbildung 20C Minitab: Streudiagramm
Um einen völlig anderen Graphentyp mit den gleichen Daten zu erstellen (z. B. vergleichende Boxplots usw.), kehrt der Benutzer zum Graphenmenü zurück, startete diese speziellen Graphikwerkzeuge und spezifizierte die entsprechenden Optionen. Jede Iteration der grafischen Untersuchung der Daten erfordert typischerweise diesen Ansatz, bis der gewünschte Graph erzeugt ist.
JMP
JMP geht beim Erstellen von Diagrammen ganz anders vor als Minitab. Obwohl es Tools zum Erstellen von Diagrammen für jede Analyseplattform in JMP gibt, veranschaulichen wir das Erstellen von Visualisierungen über die leistungsstarke Graph Builder-Plattform. Dieses Tool wurde entwickelt, um der typischen Art und Weise zu entsprechen, in der man Daten in der Praxis untersuchen und analysieren würde. Beim Starten der Graph Builder-Plattform (Graph > Graph Builder) beginnt die Anzeige mit einer leeren Leinwand und einer Graphpalette (Abbildung 21A).
Abbildung 21A JMP: Graph Builder
Ein Diagramm wird erstellt, indem Variablen in verschiedene Rollen platziert und die gewünschte grafische Anzeige ausgewählt wird. Wenn beispielsweise die Variable Feuchtigkeitsgehalt in die Y-Zone fällt, beginnt JMP mit der Anzeige eines Punktdiagramms (Abbildung 21B).
Abbildung 21B JMP: Graph Builder – Dotplot
Wenn anstelle eines Punktdiagramms ein anderes Diagramm gewünscht wird (zB Boxplot), wählen Sie einfach diese Option aus der Diagrammpalette oben und das Diagramm ändert sich sofort. 21C zeigt ein Diagramm, in dem sowohl ein Punktdiagramm als auch ein Boxdiagramm ausgewählt wurden.
Abbildung 21C JMP: Graph Builder – Dotplot und Boxplot
Wenn eine andere kontinuierliche Variable in der X-Zone abgelegt wird, ändert JMP das Diagramm automatisch in ein Streudiagramm. 21D zeigt ein Beispiel eines solchen Graphen mit einer eingeschlossenen Regressionslinie.
Abbildung 21D JMP: Graph Builder – Streudiagramm mit Regressionslinie
Für jeden ausgewählten Graphentyp werden auf der linken Seite Werkzeuge und Optionen angezeigt, um den Graphen noch weiter zu ändern oder zu erweitern. Zum Beispiel wurde die Gleichung 95% Konfidenzintervall und RSquardierter Wert zum Diagramm hinzugefügt.
Jedes dieser während dieses Prozesses erstellten Diagramme kann bei Bedarf in der Datentabelle gespeichert werden. Alternativ kann der Analytiker die Daten visuell weiter untersuchen. Abbildung 21E zeigt, wie sich der Graph ändern würde, wenn die Variable GeoLocation in die Wrap-Drop-Zone fallen würde.
Abbildung 21E JMP: Graph Builder – Einzelne Streudiagramme mit Regressionslinien
Wenn GeoLocation von der Wrap-Drop-Zone in die Overlay-Drop-Zone verschoben und die Option zum Anzeigen der Gleichung und RSquard deaktiviert würde, ändert sich das Diagramm zu dem in Abbildung 21F gezeigten.
Abbildung 21F JMP: Graph Builder – Streudiagramm mit überlagerten Regressionslinien
Wenn der Cursor über einer der Achsen schwebt, ändert sich der Zeiger in ein Handsymbol, sodass die Achsen auf einfache Weise verschoben und/oder neu skaliert werden können. Wenn Sie auf eine Achse doppelklicken, werden eine Reihe von Werkzeugen geöffnet, mit denen Sie den Graphen noch weiter ändern können, z.
Wenn Sie mit der rechten Maustaste auf das Diagramm klicken, wird ein Menü mit zusätzlichen Werkzeugen zum Ändern der Anzeige angezeigt, z. B. zum Ändern der verwendeten Farben und Symbole.
Dieser Prozess veranschaulicht den grundlegenden Unterschied in der Art und Weise, wie jede Software grafische Analysen angeht. In Minitab werden Diagrammtypen und Optionen ausgewählt, ohne zu sehen, was diese Optionen bewirken. In JMP erstellen Sie interaktiv Diagramme und sehen, wie jede Auswahl das Diagramm verändern und verbessern würde. Dies führt zu einer viel effizienteren und umfassenderen Untersuchung von Daten, sodass Sie schnell unzählige Diagramme erstellen können, um Merkmale in den Daten aufzudecken und die Visualisierungen zu erstellen, die Ihre Ergebnisse am besten vermitteln.
Zwei sehr leistungsstarke Tools, die die visuelle Untersuchung von Daten erheblich verbessern können, sind der lokale Datenfilter und der Spaltenumschalter von JMP. Illustriert mit dem Werbeexperiment Daten.
Mit den dynamisch verknüpften Daten von JMP können neue Variablen umgeschaltet und/oder die Daten gefiltert werden, und das Diagramm wird sofort aktualisiert, um diese Änderungen widerzuspiegeln. Abbildung 22 zeigt ein vergleichendes Punktdiagramm für die Variable WS1 mit 95 %-Konfidenzintervallen für vier verschiedene Kategorien der Variablen Anzeigenstil. Der Spaltenumschalter, der oben links zu sehen ist, wurde so eingerichtet, dass der Analyst einfach 9 andere mögliche Ergebnisvariablen auswählen (oder durchspielen) kann, um sie auf der Y-Achse anzuzeigen. Der Lokale Datenfilter wurde ebenfalls mit den erklärenden Faktoren Promotion (drei Stufen) und Zeitraum (10 Stufen) eingerichtet. Der Analytiker kann die Daten anhand dieser Variablen unterordnen. Bei jeder Auswahl wird das Diagramm sofort aktualisiert, um die ausgewählte Variable für die Y-Achse anzuzeigen und nur die Daten einzuschließen, die mit dem lokalen Datenfilter ausgewählt wurden. In Minitab müsste für jede mögliche Kombination dieser Variablen separat ein neues Diagramm erstellt werden.
Abbildung 22 JMP: Spaltenumschalter und lokaler Datenfilter
JMP enthält viele grafische Tools, die derzeit in Minitab nicht verfügbar sind. Diese erweitern Ihre Fähigkeit, Daten zu untersuchen und zu präsentieren, erheblich. Abbildung 23A-J zeigen einige dieser Visualisierungen.
Abbildung 23A JMP: Hover Graphlet
Abbildung 23B JMP: Bildbeschriftungen
Abbildung 23C JMP: Geografische Karten
Abbildung 23D JMP: Bewegungsblasendiagramm
Abbildung 23E JMP: Korrelationsfarbkarte
Abbildung 23F JMP: Formbasierte Wärmekarten
Abbildung 23G JMP: Dichtekonturdiagramm
Abbildung 23H JMP: Wortwolke
Abbildung 23I JMP: Vergleichende Histogramme
Abbildung 23J JMP: Skalierte parallele Plots
Abbildung 23K JMP: Mosaik-Plot
Abbildung 23L JMP: Nichtlineare funktionale Anpassung
Univariate Analysen
Minitab und JMP gehen bei der Durchführung statistischer Analysen ganz unterschiedlich vor. Wir werden die Analyse einer einzelnen kontinuierlichen Variablen für jede Software schrittweise durchgehen, um diese Unterschiede zu demonstrieren.
Wir veranschaulichen diese Analysen anhand der Joghurtherstellung Daten.
Minitab
In Minitab ist das Werkzeug Grafische Zusammenfassung eine nützliche Methode zum Analysieren einer einzelnen Variablen. Um diese Analyse auszuführen, wählen Sie dieses Werkzeug im Statistik-Menü. Ein Dialogfeld wird angezeigt, um die Variable auszuwählen, für die die Analyse durchgeführt werden soll. Abbildung 24A zeigt die Schritte zum Ausführen der Analyse und 24B zeigt die resultierende Ausgabe. Die im Diagramm angezeigte Normalverteilungskurve ist die einzige Verteilung, die in dieser Ausgabe angezeigt werden kann. Die Verwendung anderer Wahrscheinlichkeitsverteilungen würde ein anderes Werkzeug in Minitab erfordern.
Abbildung 24A Minitab: Grafische Zusammenfassung
Abbildung 24B Minitab: Grafische Zusammenfassung
Wenn andere als die angezeigten Statistiken gewünscht werden, müsste ein anderes Tool gestartet werden (Statistik > Basisstatistik > Deskriptive Statistik anzeigen) und diese Optionen ausgewählt werden. Schritte und Ausgabe werden jetzt angezeigt.
Die grafische Zusammenfassung zeigt die Ergebnisse des Anderson-Darling-Normalitätstests an. Wenn Sie ein Wahrscheinlichkeitsnetz und/oder einen empirischen kumulativen Verteilungsfunktionsgraphen untersuchen möchten, um den Test zu begleiten, müssen Sie zwei verschiedene zusätzliche Tools verwenden (Stat > Basic Stat > Normality Test und Graph > Empirical CDF). Das Verfahren ähnelt dem Ausführen jeder anderen Analyse. Beim Starten des Tools wird ein Dialogfeld angezeigt, in dem der Benutzer die Variable zum Ausführen der Analyse angeben und Optionen auswählen kann. 25A zeigt die Schritte zum Ausführen der Normalitätstestanalyse und 25B zeigt die resultierende Ausgabe.
Abbildung 25A Minitab: Normalitätstest
Abbildung 25B Minitab: Normalitätstest
Um den CDF-Plot zu erstellen, würde ein anderes Werkzeug (Graph>Empirical CDF) gestartet und die Analyse ausgeführt (Schritte und Ausgabe werden jetzt gezeigt).
Wenn beispielsweise die Normalverteilung kein geeignetes Modell für eine Variable war, müssen möglicherweise andere Verteilungen ausgewertet werden. Diese Auswertung erfolgt in einem anderen Tool (Stat > Quality Tools > Individual Distribution Identification) (Schritte und Ausgabe nicht dargestellt).
Nehmen wir an, der nächste Schritt in der Analyse besteht darin, einen Hypothesentest für den Mittelwert der Grundgesamtheit durchzuführen. Dazu müsste man auf ein weiteres Werkzeug zugreifen (Stat > Basic Stat > 1-Sample t) (Schritte und Ausgabe nicht gezeigt). Um einen Hypothesentest bezüglich der Varianz durchzuführen, verwenden Sie dasselbe Verfahren wie ein neues Werkzeug (Statistik > Basisstatistik > 1 Varianz).
Andere Analysen, die bei der Analyse einer einzelnen kontinuierlichen Variablen üblich sind, sind unter anderem: Äquivalenztest, Toleranzintervall, Vorhersageintervall, Fähigkeitsanalyse. Jedes würde ein anderes Tool in Minitab erfordern und jedes würde eine separate Ausgabe erzeugen. Derzeit ist Minitab nicht in der Lage, ein Vorhersageintervall zu erstellen, sodass dies tatsächlich die manuelle Erstellung einer Formel erfordern würde.
JMP
JMP geht univariate Analysen sehr unterschiedlich an und ist stärker auf den natürlichen Arbeitsablauf der Untersuchung und Analyse von Daten ausgerichtet. JMP verfügt über eine einzige Plattform (Analyze > Distribution), die alle im vorherigen Abschnitt erwähnten Analysen durchführen kann. Auf die Plattform wird zugegriffen, indem man sie aus einem Menü auswählt und eine Dialogbox ausfüllt, wie in 26A gezeigt. Abbildung 26B zeigt die anfängliche Ausgabe.
Abbildung 26A JMP: Verteilung
Abbildung 26B JMP: Verteilung
Die anfängliche Ausgabe bietet sowohl eine grafische als auch eine numerische Anzeige der Daten, einschließlich eines Histogramms, eines Boxplots, zusammenfassender Statistiken und eines Konfidenzintervalls für den Mittelwert. Durch Klicken auf das rote Dreieck oben in der Übersichtsstatistiktabelle erhalten Sie Zugriff auf eine Reihe von Werkzeugen zum Ändern der angezeigten Statistiken.
Alle genannten Analysen unter vielen anderen können in diesem einen Berichtsfenster durchgeführt werden. Diese werden alle über das rote Dreieck neben dem Variablennamen aufgerufen. Diese Kontextmenüs bieten Ihnen eine Reihe von Analysen, die Sie als nächstes in Ihrem Analyse-Workflow berücksichtigen sollten. Abbildung 27 zeigt dieses Menü zusammen mit der ausgewählten Analyse Kontinuierliche Anpassung>Normal.
Abbildung 27 JMP: Verteilung
Die Abbildungen 28A bis 28K zeigen die Ergebnisse der kontinuierlichen Anpassung und aller anderen univariaten Analysen, die an diesen Daten durchgeführt wurden, wobei jeder neue Ausgabesatz zu dem einen Berichtsfenster hinzugefügt wurde, um einen einfachen Vergleich zu ermöglichen.
Abbildung 28A JMP: Quantilplot und Verteilungsanpassung
Abbildung 28B JMP: Anpassungsgüte
Abbildung 28C JMP: CDF-Plot
Abbildung 28D JMP: Interaktiver Verteilungsprofiler
Abbildung 28E JMP: Interaktiver Quantil-Profiler
Abbildung 28F JMP: Testmittelwert
Abbildung 28G JMP: Teststandardabweichung
Abbildung 28H JMP: Vorhersageintervall
Abbildung 28I JMP: Toleranzintervall
Abbildung 28J JMP: Äquivalenztest
Abbildung 28K JMP: Fähigkeitsanalyse
Es stehen zusätzliche interaktive Tools zur Verfügung, die über „Was-wäre-wenn“-Szenarien ein zusätzliches Maß an Analysemöglichkeiten bieten. Abbildung 29A – 29C zeigen drei davon (p-Wert-Animation, Leistungsanimation und Fähigkeitsanimation). Diese interaktiven Tools helfen nicht nur, den untersuchten Prozess besser zu verstehen, sondern bieten auch eine hervorragende Möglichkeit, statistische Konzepte zu verstehen oder zu vermitteln.
Abbildung 29A JMP: p-Wert-Animation
Abbildung 29B JMP: Power-Animation
Abbildung 29C JMP: Interaktives Fähigkeitsdiagramm
Der lokale Datenfilter und der Spaltenumschalter sind auch in diesem interaktiven Bericht verfügbar. Abbildung 30 zeigt den für die 7 Produktionslinien eingerichteten Spaltenumschalter und den für die Chargennummer eingerichteten lokalen Datenfilter. Sie können nun die Produktionslinie und die Chargen auswählen, die in die Analyse einbezogen werden sollen, und die gesamte numerische und grafische Ausgabe wird sofort aktualisiert. Mit Minitab müsste jede Ergebnisvariable und/oder Teilmenge der Daten, die analysiert werden soll, eine erneute Ausführung jeder einzelnen Analyse in allen verschiedenen Tools erfordern, wodurch eine beträchtliche Menge an zu verwaltenden Berichten erstellt würde.
Abbildung 30 JMP: Spaltenumschalter und lokaler Datenfilter
Ergebnisse speichern und teilen
Minitab
Jedes Mal, wenn in Minitab eine Analyse durchgeführt wird, wird die Ausgabe als separates Element im Navigatorbereich platziert. Beim Speichern der Projektdatei werden alle diese Ausgabeelemente zusammen mit allen Arbeitsblättern in der Projektdatei gespeichert. Einzelne Ausgaben können auch als Bilddatei (zB .png, .jpg) gespeichert und in anderen Anwendungen platziert werden.
JMP
Es gibt viele Möglichkeiten, Ihre Analyseergebnisse in JMP zu speichern. Dazu gehören das Speichern als interaktive .html-Datei, in eine JMP-Journaldatei, als Bilddatei in anderen Anwendungen und sogar über die Veröffentlichung in einem privaten sicheren Dashboard. JMP Live bietet die Möglichkeit, Berichte außerhalb von JMP anzuzeigen und mit ihnen zu interagieren. Wir veranschaulichen das Speichern von Berichten als Skript in die Datentabelle, da dies die gängigste Methode ist, um Ihre Analysearbeit zu speichern.
Wählen Sie in einem Bericht Skript speichern > In Datentabelle unter dem roten Dreieck oben links im Berichtsfenster (Abbildung 31A).
Abbildung 31A JMP: Speichern eines Skripts in einer Datentabelle
Die gespeicherten Skripte werden im oberen linken Bereich des Datendateifensters angezeigt (Abbildung 31B).
Abbildung 31B JMP: Gespeicherte Skripte
Wenn Sie auf das grüne Dreieck klicken, wird das gespeicherte Skript erneut ausgeführt, um alle mit diesem Bericht verbundenen Analysen durchzuführen. Auf diese Weise können Sie einen vollständigen Analysesatz für einen geänderten Datensatz erneut ausführen (z. B. Entfernen/Hinzufügen von Daten, Umcodieren von Werten, Untereinstellungen über den globalen Datenfilter, neue Zeilenzustände). Skripte können im Bereich neu angeordnet oder gruppiert werden, um die Verwaltung Ihrer Analysearbeit zu erleichtern.
Ein-Faktor-Analyse
Sowohl Minitab als auch JMP verfügen über Tools zur Durchführung von Einfaktoranalysen (z. B. einfache lineare
Regression, einfache logistische Regression, Einweg-ANOVA und Chi-Quadrat-Test für
Proportionen vergleichen). Ähnlich wie bei univariaten Analysen gehen sie vor, wie die
Analysen werden sehr unterschiedlich durchgeführt.
Wir veranschaulichen einige dieser Analysen anhand der Tablet-Produktionsdaten.
Minitab
Beim Durchführen einer einfaktoriellen Analyse in Minitab wird das entsprechende Werkzeug gestartet (z. B. Statistik>Regression>Diagramm der angepassten Linie). Die entsprechenden Variablen werden im Dialogfeld angegeben und andere Optionen ausgewählt. Die Ausgabe wird generiert und im Ausgabefenster platziert. Wenn Sie beispielsweise die Ausgabe einer einfachen linearen Regression untersuchen, ist es wünschenswert, dem Diagramm ein Konfidenzintervall hinzuzufügen, Residuendiagramme zu untersuchen oder die Skala einer der Variablen von linear auf log zu ändern oder vielleicht eine andere Antwort- oder Prädiktorvariable zusammen verwenden. Das Werkzeug zum Plotten angepasster Linien müsste neu gestartet, die Optionen geändert und dann ein neuer Ausgabesatz erstellt werden. Jeder Ausgabesatz in Minitab ist hauptsächlich statisch und lässt nur wenige Änderungen zu.
Verschiedene Einfaktoranalysen (zB logistische Regression, ANOVA, Chi-Quadrat-Test) erfordern den Einsatz anderer Werkzeuge.
JMP
In JMP werden alle Ein-Faktor-Analysen von einer Plattform aus durchgeführt, Analyze>Fit Y by X.Abbildung 32A zeigt das Dialogfeld für diese Plattform. Wenn Y, Antwortvariable und X, Faktor ausgewählt sind, bestimmt JMP automatisch die richtige Analyse.
Um zu veranschaulichen, wie JMP mehrere Analysen gleichzeitig durchführen kann, haben wir zwei Variablen für Y, Response (Auflösung, eine kontinuierliche Variable; Chargenakzeptanz, eine binäre Variable) und zwei Variablen für den Faktor (API-Partikelgröße, eine kategoriale Variable mit drei .) ausgewählt Ebenen; Mill Time, eine kontinuierliche Variable).
JMP erstellt vier verschiedene Analysen:
- Einweg-ANOVA für Auflösung vs. API-Partikelgröße.
- Einfache lineare Regression für Dissolution vs Mill Time.
- Kontingenztabellenanalyse für Chargenakzeptanz vs. API-Partikelgröße.
- Einfache logistische Regression für Chargenabnahme vs. Mill Time
Abbildung 32A JMP: Anpassen von Y an X
Wie bei vielen anderen Plattformen in JMP bietet Fit Y by X die Möglichkeit, dass die Analyse eine kategoriale Nach Variable einschließt und für jede Ebene dieser Variablen eine separate Analyse durchführt. Die Modelle können auch angepasst werden, indem den Beobachtungen gewichtete Werte zugewiesen werden. Die Plattform kann auch für Daten verwendet werden, die im zusammengefassten Häufigkeits-/Tabellenformat vorliegen.
Die anfängliche Ausgabe für diese vier Analysen ist in 32B gezeigt. Hinweis: Reihenzustände wurden so eingerichtet, dass Chargen, die die Auflösungsspezifikation ≥70 erfüllen, grün farbkodiert sind und diejenigen < 70 rot farbkodiert sind.
Neben jeder Analyse befindet sich ein roter Dreiecks-Hotspot, der ein Kontextmenü mit den Tools anzeigt, die JMP als mögliche nächste Schritte in der Gesamtanalyse empfiehlt. Da vier verschiedene statistische Analysetechniken durchgeführt werden, gibt es in jedem Menü vier verschiedene Werkzeugsätze. Abbildung 33 zeigt jedes dieser Kontextmenüs. Sie können nun den nächsten Schritt im Analyseworkflow auswählen. Jede nachfolgende Analyse erzeugt einen weiteren Ausgabesatz, der dem Bericht mit einem neuen roten Dreieck-Hotspot hinzugefügt wird, der zusätzliche Optionen bietet.
Abbildung 32B JMP: Bericht Y nach X anpassen
Abbildung 33 JMP: Kontextmenüs von Y nach X anpassen
Um zu veranschaulichen, wie sich eine Analyse in der Plattform Fit Y by X entwickeln könnte, wurde die Option Fit Line unter dem roten Dreieck für die bivariate Anpassung der Auflösung nach Fräszeit ausgewählt. Abbildung 34 zeigt die Ausgabe, die jetzt basierend auf dieser Auswahl zum Bericht hinzugefügt wird.
Abbildung 34 JMP: Lineare Regressionsanpassung
Beachten Sie, dass neben der ausgewählten linearen Anpassung ein neuer roter Dreiecks-Hotspot erschienen ist. Abbildung 35 zeigt die Optionen, die in diesem Kontextmenü verfügbar sind. Hier sehen Sie unter anderem die Option, dem Diagramm Konfidenz- oder Vorhersageintervalle hinzuzufügen, Residuendiagramme zu erstellen, Werte in der Datentabelle zu speichern.
Abbildung 35 JMP: Kontextmenüs für lineare Anpassung
Wie im Menü Bivariate Fit in Abbildung 33 gezeigt, können andere Modelle angepasst und verglichen werden. Zum Beispiel: Polynome, Splines, orthogonale, nicht parametrische Dichten und robuste Regression. Transformation sind unter Fit special verfügbar. Abbildung 36 zeigt diese Optionen.
Abbildung 36 JMP: Transformation
Jede berücksichtigte Modellanpassung kann dem Bericht hinzugefügt oder daraus entfernt werden, während Sie verschiedene Modelloptionen untersuchen und vergleichen, um die beste für die Daten zu finden. Abbildung 37 zeigt die Anzeige mit quadratischer Anpassung und hinzugefügter nicht parametrischer Dichte.
Abbildung 37 JMP: Modelle vergleichen
Sie können auf den lokalen Datenfilter und den Spaltenumschalter zugreifen, wenn Sie die verwendeten Variablen ändern oder eine Teilmenge der Daten auswählen möchten, auf denen die Analysen basieren. Die gesamte Ausgabe wird sofort aktualisiert, um diese Auswahl widerzuspiegeln. Es ist nicht erforderlich, die Daten in eine neue Datentabelle zu unterteilen und die Analyse wie bei Minitab erneut auszuführen.
Wie dieses Beispiel erneut zeigt, ist die Analyse von Daten in JMP viel mehr als das einfache Ausführen einer bestimmten statistischen Methode für einen Datensatz und das Beobachten einer statischen Ausgabe von Daten. Die Plattformen sind so konzipiert, dass sie einem natürlichen Analyse-Workflow folgen, der darauf ausgerichtet ist, wie Sie Daten in der Praxis analysieren würden. Sie erkunden, interagieren mit den Daten und Ergebnissen, ändern Variablen, filtern die Daten, probieren verschiedene Modelloptionen aus, wobei jedes Ergebnis zum nächsten logischen Schritt in einer Abfolge von Analyseschritten führt.
Multivariable statistische Modelle
Die Erstellung statistischer Modelle mit vielen Variablen ist wahrscheinlich die leistungsstärkste und am häufigsten benötigte Art der Analyse. Es gibt normalerweise vier Zwecke zum Erstellen dieser Modelle:
- Zum Testen spezifischer Hypothesen.
Beispiel: Verringert die medikamentöse Behandlung A die Erholungsrate bei Männern über 70 im Vergleich zu einem Placebo um mindestens 15 %? Ist der Effekt bei Frauen gleich?
- Herausfinden der wenigen Variablen von vielen, die am stärksten mit einem Ergebnis korreliert sind.
Beispiel: Welches sind die wichtigsten sozioökonomischen Bedingungen, die am stärksten mit schlechten Gesundheitsergebnissen für eine Gemeinde korrelieren?
- Quantitative Beschreibung der Beziehungen zwischen Variablen.
Beispiel : Um wie viel sinkt die Viskosität einer Lösung, wenn die Verarbeitungstemperatur um 5 . ansteigt 0 C und die Bearbeitungszeit erhöht sich um 10 Minuten?
- Erstellen Sie eine Methode, um ein Ergebnis vorherzusagen.
Beispiel: Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde daran interessiert ist, sich über ein neues Hypothekenrefinanzierungsprogramm zu informieren, das auf den Merkmalen des Kunden und seiner aktuellen Hypothek basiert?
Das primäre Ziel eines Modells kann nur eines davon, einige oder sogar alle sein. Die gewählte Modellierungstechnik hängt oft davon ab, welches dieser Ziele am wichtigsten ist.
Minitab
Minitab v19 verfügt über drei multivariable Modellierungstechniken:
· Verallgemeinerte lineare Modelle (zB ANOVA, Lineare Regression, Logistische Regression)
· Klassifikations- und Regressionsbäume
· Diskriminanzanalyse
Ähnlich wie bei einer einfaktoriellen Analyse erfordert die Erstellung eines multivariablen statistischen Modells zunächst die Auswahl eines für die Situation geeigneten Modellierungstyps (z. B. Statistik>ANOVA>Allgemeines lineares Modell). Im Dialogfeld gibt der Benutzer dann die einzuschließenden Variablen und alle anderen relevanten Optionen an.
Die Ausgabe wird beim Ausführen der Analyse generiert und im Ausgabefenster platziert. Bei der Erstellung eines statistischen Modells muss ein Analytiker normalerweise viele verschiedene Modelle anpassen, wobei jedes einen anderen Satz von Variablen und Modelltermen enthält, bis ein endgültiges Modell bestimmt ist. Wenn entschieden wird, eine Variable oder einen Term aus dem Modell zu entfernen, wird das Dialogfeld neu gestartet, Änderungen vorgenommen und die Analyse wird erneut ausgeführt. Jedes mögliche betrachtete Modell muss separat ausgeführt werden, wobei jedes eine andere Ausgabemenge erzeugt. Wie bei den meisten Analyseergebnissen in Minitab ist die numerische und grafische Ausgabe meist statisch mit nur wenigen Optionen zum Vornehmen von Änderungen. Möchte man beispielsweise einige Beobachtungen aus den Daten entfernen, muss ein neues Arbeitsblatt erstellt werden und alle Modelle erneut laufen.
JMP und JMP Pro
JMP und JMP Pro v16 verfügen über die folgenden multivariablen Modellierungstechniken zusammen mit vielen Varianten in jedem.
· Verallgemeinerte lineare Modelle (zB ANOVA, Lineare Regression, Logistische Regression)
· Partition (Entscheidungsbaum)
· Neurales Netzwerk
· Diskriminanzanalyse
· Bootstrap-Wald *
· Verstärkte Bäume *
· K Nächste Nachbarn *
· Naive Bayes *
· Support-Vektor-Maschinen *
* Nur JMP Pro
Darüber hinaus gibt es in JMP und JMP Pro weitere Modellierungstechniken. Sie werden in der Regel für speziellere Anwendungen und nicht für allgemeine Modellierungszwecke verwendet und sind daher oben nicht aufgeführt (z. B. Strukturgleichungsmodelle in den Sozialwissenschaften; Uplift, Choice und MaxDiff für die Verbraucherforschung; Functional Data Explorer zum Modellieren von Daten, die Funktionen, Signale sind , oder Serie).
Jede der Modellierungsplattformen von JMP bietet auch viele Optionen in Bezug auf Schätzmethoden und Modellanpassungsspezifikationen. Diese bieten die Möglichkeit, noch mehr Modelle zu erstellen, die berücksichtigt werden müssen, und ermöglichen größere Fähigkeiten beim Umgang mit komplexen Situationen (z. B. gewichtete kleinste Quadrate, bestrafte Regression, Informative Missing, K-Fold Cross Validation, um nur einige zu nennen).
Wir veranschaulichen den Modellerstellungsprozess in JMP Pro, indem wir ein logistisches Regressionsmodell unter Verwendung der Kontakt zur Hypothekenrefinanzierung Daten.
Logistisches Regressionsmodell:
In JMP werden alle linearen Modelle mit der Plattform „Modell anpassen“ im Menü „Analysieren“ erstellt. Auf dieser einen Plattform können Sie aus einer Vielzahl von Modellformen und Modellanpassungstechniken wählen, indem Sie die gewünschte Option im Dropdown-Menü Persönlichkeit auswählen. Abbildung 38 zeigt die in JMP (links) und JMP Pro (rechts) verfügbaren Optionen.
Abbildung 38 JMP und JMP Pro: Fit-Modell – Persönlichkeiten
Abbildung 39A zeigt das Dialogfeld für die Plattform „Modell anpassen“ mit der hinzugefügten Ergebnisvariablen und den Modelltermen. Hier passen wir ein Modell nur für Haupteffekte an. Es stehen die Optionen zum Einschließen von Interaktionstermen, quadratischen Effekten und der Definition von Termen als: (gekreuzt oder verschachtelt) und (fest oder zufällig) zur Verfügung. Wir haben auch eine Validierungsspalte eingefügt. In dieser Spalte sind die Daten nach dem Zufallsprinzip aufgeteilt in: 75 % Training und 25 % Validierung. JMP verwendet nur die Trainingsdaten, um das Modell anzupassen. Die Validierungsdaten werden verwendet, um die Vorhersagefähigkeit des angepassten Modells zu bewerten. Dieser Ansatz kann dazu beitragen, das unerwünschte Ergebnis einer Überanpassung der Daten durch ein Modell zu vermeiden.
Abbildung 39A JMP Pro: Anpassungsmodus
Beim Ausführen der Analyse erstellt JMP den nominalen logistischen Regressionsbericht.
Wie bei allen Analyseausgaben von JMP ist es am besten, sich einen Bericht als eine interaktive Plattform im Gegensatz zu einer statischen Ausgabe vorzustellen. Beispielsweise können Modellterme aus dem angepassten Modell entfernt werden, ohne dass Sie zum Dialogfeld Modell anpassen zurückkehren, die Änderungen vornehmen und die Analyse erneut ausführen müssen. Abbildung 39B zeigt die Effektzusammenfassungstabelle aus dem Bericht mit der Variablen Alter ausgewählt.
Abbildung 39B JMP Pro: Fit-Modell – Zusammenfassung der Effekte für die nominelle logistische Regression
Abbildung 40 zeigt Optionen, die unter dem oberen roten Dreieck verfügbar sind.
Abbildung 40 JMP Pro: Modell anpassen – Kontextmenü im Bericht zur nominalen logistischen Regression
Abbildung 41A – 41D zeigt einige der gebräuchlichen Ausgabetypen, die beim Erstellen eines dem Bericht hinzugefügten logistischen Regressionsmodells untersucht werden.
Abbildung 41A JMP Pro: Modell anpassen – Verwechslungsmatrix im Bericht zur nominalen logistischen Regression
Abbildung 41B JMP Pro: Modell anpassen – ROC-Kurve im Bericht zur nominalen logistischen Regression
Abbildung 41C JMP Pro: Fit-Modell – Liftkurve im Bericht zur nominalen logistischen Regression
Abbildung 41D JMP Pro: Modell anpassen – Profiler im Bericht zur nominalen logistischen Regression
Wenn das Hauptziel eines statistischen Modells nur die Vorhersage ist und es nicht notwendig ist, dass die Gleichung eine einfache Form mit interpretierbaren Koeffizienten hat, sollten andere komplexere Modelle untersucht werden. JMP Pro verfügt über eine sehr leistungsstarke Plattform namens Model Screening, die mit verschiedenen Techniken für viele verschiedene Modelle geeignet ist und das Ergebnis in einem Bericht zusammenfasst. Abbildung 42 zeigt das Dialogfeld für diese Plattform mit den Variablen, die ihren Rollen zugewiesen sind, und einer Reihe von ausgewählten Modelltypen.
Abbildung 42 JMP Pro: Modellprüfung
Abbildung 43 zeigt einige der zusammenfassenden Ergebnisse des Berichts, sodass Sie die Modellleistung leicht sehen und vergleichen können. Beachten Sie, dass das Boosted Neural Network-Modell die niedrigste Gesamtfehlerrate bei den Validierungsdaten (16,0%) mit der nominellen logistischen Regression bei 19,2% aufweist.
Abbildung 44 zeigt das Entscheidungsschwellen-Tool, dessen Bewertung wichtig sein kann, wenn ein kategoriales Ergebnis wie hier vorhergesagt wird. Dieses Tool bietet ein interaktives Mittel, um zu bewerten, wie sich die Fehlerraten für jedes Modell ändern, wenn Sie unterschiedliche Wahrscheinlichkeitsschwellenwerte berücksichtigen.
Jede der Modellplattformen kann über diesen Bericht gestartet werden und bietet Zugriff auf alle verfügbaren Tools.
Abbildung 43 JMP Pro: Modellprüfung – Modellzusammenfassung
Abbildung 44 JMP Pro: Modellscreening – Entscheidungsschwelle
Abschluss
Sowohl Minitab als auch JMP bieten Benutzern eine benutzerfreundliche Point-and-Click-Umgebung zum Analysieren von Daten. Obwohl beide viele der gleichen statistischen Techniken enthalten, greifen Sie auf unterschiedliche Weise auf sie zu und verwenden sie. Beispiel: Die meisten univariaten Analysen in JMP werden innerhalb der Verteilungsplattform durchgeführt, wo in Minitab je nach dem zu analysierenden Datentyp und dem zu wählenden statistischen Verfahren viele verschiedene Tools verwendet werden. In JMP kann die Ausgabe jeder univariaten Analyse demselben Berichtsfenster hinzugefügt werden.
Wie in diesem Umstellungsleitfaden dargestellt, sind die Datentabellen, Grafiken und Berichte in JMP dynamisch verknüpft, was Ihnen eine interaktivere Umgebung zum Durchsuchen und Analysieren von Daten bietet. Mit dieser Funktion können Sie mit nur einer Datentabelle und einem Satz von Analyseberichten einen ganzen Satz von Analysen für verschiedene Teilmengen von Daten durchführen. Im Gegensatz dazu erfordert eine typische Analysesitzung in Minitab, dass Sie viele verschiedene Arbeitsblätter und eine große Sammlung von Analyseausgaben verwalten.
Der Ansatz von JMP zur visuellen Untersuchung von Daten über den Graph Builder ist ein ganz anderes Paradigma als die Herangehensweise von Minitab an die Darstellung von Daten. Wie wir im Handbuch demonstriert haben, können Sie mit dem Graph Builder von JMP sehen, wie jede Option, die Sie in Betracht ziehen, die Visualisierung verändert und Ihnen eine dynamische Möglichkeit bietet, Features und Muster in den Daten zu erkennen.
Besuch jmp.com um mehr über die Fähigkeiten von JMP zu erfahren und Lernressourcen wie Bücher, Webinare, Whitepaper, Kurse usw. zu finden.
Über den Autor
