Un logiciel statistique facile à utiliser est devenu un outil essentiel dans presque toutes les entreprises, car de plus en plus d'entreprises cherchent à ce que leurs employés fondent leurs décisions sur des données. Les analyses statistiques complètes, la construction de modèles descriptifs et prédictifs sophistiqués et l'exploration de données pour découvrir des informations ne sont plus seulement effectuées par des statisticiens, mais par ceux de nombreux domaines fonctionnels au sein d'une organisation. Le milieu universitaire connaît un besoin similaire. Il y a eu une augmentation substantielle du nombre de programmes et de cours dans un large éventail de disciplines exposant les étudiants aux outils et techniques des sciences statistiques. Un logiciel pointer-cliquer interactif peut réduire considérablement l'obstacle qui empêche les étudiants de développer les compétences nécessaires et de profiter du processus d'exploration des données sans avoir besoin de programmation.
Ce livre blanc explore deux progiciels populaires : Minitab et JMP. Les différences entre les deux seront illustrées dans le but de faciliter la transition des utilisateurs expérimentés de Minitab vers JMP. L'accent est mis sur l'interface utilisateur, la façon dont les outils sont accessibles, la façon dont les analyses sont effectuées et le flux de travail général qu'un utilisateur suit pour analyser les données.
Minitab est un logiciel statistique basé sur une interface utilisateur graphique (GUI) développé pour la première fois en 1978 en tant qu'outil informatique pour prendre en charge les cours d'introduction aux statistiques. Minitab v19, publiée en juin 2020, est la version présentée dans ce livre blanc.
JMP et JMP Pro sont également des logiciels basés sur une interface graphique, développés pour la première fois par SAS en 1989 pour aider les ingénieurs, les scientifiques et les chercheurs à appliquer les outils des sciences statistiques dans un environnement non programmé et hautement interactif. JMP et JMP Pro sont utilisés dans un large éventail de secteurs et de disciplines universitaires. JMP 16 et JMP Pro 16, sortis en mars 2021, sont les versions présentées dans ce document.
Comme il s'agit d'un guide de transition plutôt que d'une couverture complète de leurs capacités individuelles, nous ne sommes pas en mesure de couvrir toutes les différences entre les deux dans ce livre blanc. Visite minitab.com et jmp.com pour apprendre plus.
Les sujets abordés dans cet article incluent :
Le texte intégral du livre blanc apparaît ci-dessous.
(Remarque : vous pouvez accéder directement à une section particulière en cliquant sur les hyperliens ci-dessus.)
Introduction
Un logiciel statistique facile à utiliser est devenu un outil essentiel dans presque toutes les entreprises, car de plus en plus d'entreprises cherchent à ce que leurs employés fondent leurs décisions sur des données. Les analyses statistiques complètes, la construction de modèles descriptifs et prédictifs sophistiqués et l'exploration de données pour découvrir des informations ne sont plus seulement effectuées par des statisticiens, mais par ceux de nombreux domaines fonctionnels au sein d'une organisation. Le milieu universitaire connaît un besoin similaire. Il y a eu une augmentation substantielle du nombre de programmes et de cours dans un large éventail de disciplines exposant les étudiants aux outils et techniques des sciences statistiques. Le logiciel interactif pointer-cliquer peut réduire considérablement la barrière pour que les étudiants développent les compétences nécessaires et profitent du processus d'exploration de données sans avoir besoin de programmation.
Ce livre blanc explore deux progiciels populaires : Minitab et JMP. Les différences entre les deux seront illustrées dans le but de faciliter la transition des utilisateurs expérimentés de Minitab vers JMP . L'accent est mis sur l'interface utilisateur, la façon dont les outils sont accessibles, la façon dont les analyses sont effectuées et le flux de travail général qu'un utilisateur suit pour analyser les données.
Minitab est un logiciel statistique basé sur une interface utilisateur graphique (GUI) développé pour la première fois en 1978 en tant qu'outil informatique pour prendre en charge les cours d'introduction aux statistiques. Il a gagné en popularité dans l'industrie du milieu à la fin des années 90, lorsque les entreprises engagées dans des initiatives de qualité telles que Six Sigma ont commencé à utiliser des techniques statistiques pour améliorer la qualité de leurs processus et produits. Minitab v19, publiée en juin 2020, est la version présentée dans ce livre blanc.
JMP et JMP Pro sont également des logiciels basés sur une interface graphique, développés pour la première fois par SAS en 1989 pour aider les ingénieurs, les scientifiques et les chercheurs à appliquer les outils des sciences statistiques dans un environnement non programmé et hautement interactif. JMP et JMP Pro sont utilisés dans un large éventail de secteurs et de disciplines universitaires. JMP 16 et JMP Pro 16, sortis en mars 2021, sont les versions présentées dans ce document.
Comme il s'agit d'un guide de transition plutôt que d'une couverture complète de leurs capacités individuelles, nous ne sommes pas en mesure de couvrir toutes les différences entre les deux dans ce livre blanc. Visite www.minitab.com et www.jmp.com pour apprendre plus.
Aperçu
Bien qu'il existe certaines similitudes entre Minitab et JMP, il existe des différences fondamentales qu'il est important que toute personne effectuant la transition vers JMP connaisse.
1. Sortie d'analyse interactive. Lors de l'exécution d'une analyse dans JMP, la sortie est présentée dans une fenêtre interactive. Toutes les sorties d'analyse créées, y compris celles créées sur différentes plates-formes, sont liées dynamiquement les unes aux autres et à la table de données. Cela permet à l'utilisateur d'interagir directement avec la sortie de l'analyse. Des modifications telles que la suppression/l'ajout de variables à un modèle, la modification du rôle d'une variable et la création de sous-ensembles de données peuvent être effectuées directement à partir de la sortie de l'analyse sans qu'il soit nécessaire de réexécuter une analyse. Des modifications peuvent également être apportées à la table de données (par exemple, ajout/suppression de données) et toutes les sorties peuvent être configurées pour se mettre à jour automatiquement.
Les résultats de Minitab sont principalement statiques et ne sont pas connectés entre différents outils d'analyse. Pour supprimer une variable d'un modèle, par exemple, l'outil d'analyse devrait être relancé, ces modifications spécifiées, puis l'analyse réexécutée. Dans de nombreux outils de Minitab, apporter des modifications aux données ne mettra pas automatiquement à jour les résultats d'analyse.
2. Menus contextuels. Chaque résultat d'analyse effectué dans JMP est connecté à un ensemble d'outils liés à cette analyse. De cette manière, l'approche d'analyse des données est de nature plus exploratoire et interactive, les résultats d'une analyse guidant l'utilisateur vers un ensemble d'outils conçus comme les prochaines étapes du flux de travail d'analyse.
Minitab exécute des analyses dans un mode batch plus traditionnel, l'utilisateur devant souvent décider quelle analyse effectuer indépendamment de la visualisation des caractéristiques dans les données. Lorsqu'un outil est sélectionné, une boîte de dialogue s'ouvre. Les variables se voient attribuer des rôles et des options sont choisies. L'exécution de l'analyse produit un ensemble de résultats généralement statiques. L'étape suivante d'un flux de travail d'analyse typique nécessite souvent le lancement d'un nouvel outil nécessitant une autre série de spécifications de rôles et d'options variables.
3. Définir les données à utiliser pour l'analyse. L'approche typique dans Minitab consiste à créer une feuille de calcul contenant toutes les données sur lesquelles une analyse particulière sera basée. Si l'on souhaite, par exemple, effectuer une analyse sur un sous-ensemble de ces données, il est généralement nécessaire d'effectuer une opération (par exemple, sous-ensemble, diviser la feuille de calcul, etc.) pour créer une nouvelle feuille de calcul. Si des valeurs aberrantes sont découvertes et que l'analyste souhaite voir les résultats sans ces points de données, une autre nouvelle feuille de calcul doit généralement être créée et l'analyse exécutée à nouveau. Cela nécessite la nécessité de gérer de nombreuses feuilles de calcul dans une session d'analyse typique.
Bien qu'il soit également possible de travailler avec plusieurs tables de données dans JMP, il peut souvent être plus facile d'utiliser des filtres de données et des opérations d'état de ligne pour définir les données sur lesquelles baser une analyse spécifique. Ces filtres de données et états de ligne peuvent être enregistrés et accessibles à tout moment, ce qui permet à l'analyste de disposer d'un seul tableau de données sur lequel toutes les analyses sur divers sous-ensembles de ces données peuvent être effectuées.
De plus, l'outil Local Data Filter de JMP permet aux utilisateurs de filtrer les données même après l'exécution d'une analyse. Par exemple, un modèle de régression linéaire peut être créé à partir de toutes les données d'une table de données. À partir de la sortie de l'analyse de régression, un filtre de données local peut être lancé, ce qui modifie instantanément tous les résultats pour différents sous-ensembles des données sélectionnées.
4. Analyses multiples simultanées. L'une des principales caractéristiques de JMP est sa capacité à effectuer simultanément un grand nombre d'analyses. Dans presque toutes les plates-formes d'analyse de JMP, une option Par variable est disponible, permettant d'effectuer des analyses pour chaque niveau de cette variable. Par exemple, si l'on souhaite effectuer des tests d'hypothèse séparés comparant deux moyennes pour chacun des 10 groupes différents d'une variable catégorielle, il suffit alors de spécifier Par variable. Minitab nécessiterait d'exécuter cette analyse 10 fois distinctes.
Les plates-formes JMP vous permettent également d'exécuter ensemble un grand nombre d'analyses individuelles en sélectionnant simplement toutes les variables et tous les facteurs de réponse. Par exemple, si l'on voulait effectuer toutes les analyses à un facteur possibles pour trois variables de réponse différentes et cinq facteurs explicatifs différents, toutes les analyses différentes 3x5 = 15 peuvent être effectuées en une seule étape, y compris différentes techniques d'analyse à un facteur basées sur le type de données pour le variables et facteurs de réponse. L'ANOVA, la régression linéaire, la régression logistique et une analyse du chi carré peuvent toutes être effectuées simultanément avec les résultats affichés dans la même fenêtre de sortie. Minitab nécessiterait d'exécuter chacune de ces analyses séparément à l'aide d'outils différents.
JMP dispose de plates-formes uniques conçues pour exécuter un très grand nombre d'analyses avec des graphiques personnalisés et des résultats créés. Par exemple, une analyse de capabilité multivariable peut être effectuée sur 50 variables de processus différentes. En plus de produire des résultats pour 50 analyses de capacités individuelles différentes, des graphiques uniques et des résultats numériques seront créés, normalisant tous les résultats individuels, pour permettre des comparaisons faciles entre ces 50 variables - une véritable analyse multivariée.
Il existe également des plates-formes spécialisées dans JMP conçues sur mesure pour les applications nécessitant un très grand nombre d'analyses. Dans certains domaines scientifiques, il est assez typique que l'on puisse avoir, par exemple, mille variables de réponse différentes et un seul facteur explicatif. Une analyse de sélection des réponses peut être effectuée, ce qui donne 1 000 ANOVA unidirectionnelles distinctes. Les résultats (statistiquement ajustés en fonction du nombre d'analyses) sont affichés ensemble à l'aide d'un ensemble personnalisé de graphiques et de tableaux de données conçus pour faciliter la comparaison et les analyses de suivi.
5. Intégration. JMP a la capacité de s'intégrer à des environnements informatiques externes tels que SAS, MATLAB, R et Python. Grâce à JSL (JMP's Scripting Language), un analyste peut tirer parti de la puissance de ces outils tout en étant capable de travailler dans l'interface graphique interactive de JMP.
Minitab peut actuellement s'intégrer uniquement à Python, mais pas à SAS, R ou MATLAB.
6. Publication de rapports. Minitab et JMP disposent d'outils permettant d'exporter et d'enregistrer des rapports en dehors du logiciel (par exemple, .jpg, Microsoft PowerPoint et Word). JMP peut également générer des rapports .html interactifs, permettant à d'autres d'afficher des rapports d'analyse en dehors de JMP avec des outils interactifs pour approfondir les données. Un autre produit de la suite de produits JMP est JMP Live, qui fournit des fonctionnalités supplémentaires pour automatiser la génération et le partage de rapports mettant à jour un tableau de bord à mesure que les données et les modèles changent.
7. Techniques d'analyse statistique. Bien que les deux logiciels contiennent bon nombre des outils d'analyse statistique les plus courants, il existe une myriade de techniques statistiques et d'outils de gestion de données plus avancés disponibles dans JMP et JMP Pro qui ne sont pas disponibles dans Minitab. JMP propose également généralement plus d'options et de fonctionnalités dans une technique d'analyse statistique particulière. Visite www.jmp.com pour apprendre plus.
Jeux de données
Divers ensembles de données seront utilisés tout au long de ce guide. Ils peuvent être trouvés ici .
Format de fichier
Une différence qu'un utilisateur expérimenté de Minitab peut remarquer pour la première fois lors de l'apprentissage de JMP est qu'il n'est pas nécessaire de travailler dans une structure de fichier de projet.
Fichier de projet Minitab
Les utilisateurs de Minitab connaissent mieux les fichiers de projet Minitab portant l'extension .mpx. Dans ce fichier de projet, plusieurs feuilles de calcul (c'est-à-dire des tableaux de données) peuvent être importées ou créées. La figure 1 montre un exemple de fichier de projet Minitab contenant quatre feuilles de calcul. L'affichage est divisé en trois volets. Le volet inférieur droit affiche la feuille de calcul active (Full 4 Data) ainsi que des onglets en bas pour chacune des feuilles de calcul. Le volet de gauche, connu sous le nom de navigateur, affiche une liste des analyses et des opérations qui ont été effectuées (par exemple, résumé graphique du rendement et de la teneur en humidité, … , feuille de calcul fractionnée). Le volet supérieur droit est la fenêtre de sortie affichant la sortie d'analyse particulière qui a été. Trois vues différentes peuvent être choisies (Données et sortie, Données uniquement et Sortie uniquement). Dans cette figure, la vue Données et sortie a été choisie.
Figure 1 Minitab: Project FileFigure 1 Minitab : Fichier de projet
Toute analyse ou opération choisie est effectuée sur la feuille de calcul active. Si un utilisateur souhaite effectuer une analyse sur un sous-ensemble de données, une nouvelle feuille de calcul doit être créée à partir de la feuille de calcul parente. Ici, un ensemble de feuilles de calcul a été créé, un pour chacun des quatre emplacements géographiques (A, B, C et D) à l'aide de la commande Données> Diviser la feuille de calcul. Pour effectuer une analyse sur un seul des emplacements géographiques, cette feuille de calcul doit d'abord être sélectionnée pour en faire la feuille de calcul active avant d'exécuter l'analyse.
Fichier de table de données JMP
JMP peut également être utilisé à partir d'une structure de fichier de projet. Examinons d'abord le fonctionnement des fichiers de table de données JMP, car de nombreux utilisateurs choisissent de travailler à partir de ce type de fichier. Les fichiers de table de données JMP sont désignés par l'extension .jmp.
La figure 2 montre un exemple de fichier de table de données JMP. Il y a quatre volets dans le fichier. Le tableau de données se trouve à droite, le volet de lignes est en bas à gauche et fournit un résumé des lignes du tableau de données, y compris le nombre de lignes qui ont été sélectionnées, exclues ou masquées. Le volet de colonne au milieu à gauche affiche les variables dans la table de données, identifiant les propriétés de cette variable, telles que le type de modélisation et l'utilisation d'une étiquette. Le volet supérieur gauche affiche les scripts qui ont été enregistrés dans ce fichier de table de données. Les étapes d'exécution et d'enregistrement des scripts seront présentées dans une section ultérieure.
Les triangles rouges, visibles dans les différents volets, accèdent à une variété d'outils pour effectuer des opérations sur la table de données, les colonnes ou les lignes. Les colonnes peuvent être réorganisées dans la table de données en cliquant et en faisant glisser la liste des colonnes dans le volet Colonnes vers l'emplacement souhaité. Une liste plus complète d'outils et d'opérations pouvant être effectuées sur des colonnes peut être trouvée dans le menu Cols ou en cliquant avec le bouton droit sur une colonne dans la table de données.
Figure 2 JMP: Data TableFigure 2 JMP : tableau de données
JMP dispose d'un ensemble d'outils, que nous illustrerons plus tard, qui permettent aux utilisateurs d'effectuer des analyses sur des sous-ensembles spécifiques de données. Dans de nombreux cas, vous constaterez que travailler à partir d'une seule table de données de base de cette manière vous permet d'effectuer toutes les analyses souhaitées sans avoir à créer et à gérer plusieurs tables de données, comme cela est requis dans Minitab.
Fichier de projet JMP
Les fichiers de projet JMP constituent une autre structure de fichiers à partir de laquelle il peut être utile de travailler. Les fichiers de projet fournissent une interface unique à JMP, agissant comme un conteneur pour de nombreux éléments de projet différents. Il peut contenir (ou référencer) des tableaux de données, des scripts d'analyse, des journaux JMP, des rapports, ainsi que des éléments non JMP tels que des documents, des fichiers de données, etc.
La figure 3A est un exemple de fichier de projet JMP.
Dans cet exemple, deux volets sont affichés à gauche.
Contenu: Liste de tous les fichiers contenus dans le fichier de projet, tels que les dossiers, les tables de données JMP et d'autres fichiers non JMP (par exemple, .xls, .csv, .doc. .ppt, .jpg, etc.). Nous avons ici un dossier, deux tableaux de données JMP, un journal JMP, deux fichiers Excel et un document Word.
Espace de travail : Liste hiérarchique des contenus du projet actuellement affichés. Nous avons ici le journal JMP et deux tables de données JMP ainsi qu'un rapport d'analyse associé à un script dans l'une des tables de données JMP.
Une collection de fenêtres à onglets, une pour chacun des éléments répertoriés dans le volet Espace de travail, est organisée à droite. Ici, nous avons l'une des tables de données comme fenêtre active. Vous devez reconnaître cela comme le tableau de données JMP illustré à la figure 2.
Figure 3A JMP: Project FileFigure 3A JMP : Fichier de projet
Chacun des volets, y compris l'un des onglets, peut être déplacé pour reconfigurer l'affichage selon la vue souhaitée.
La figure 3B montre un exemple du projet avec les onglets ayant été disposés de sorte que les deux tableaux de données JMP et le journal soient placés directement à droite des volets Espace de travail et Contenu, l'un d'entre eux étant sélectionné pour être affiché. Sur le côté droit se trouvent deux rapports d'analyse organisés l'un au-dessus de l'autre.
Figure 3B JMP: Project FileFigure 3B JMP : Fichier de projet
Cet environnement configurable à onglets offre à l'utilisateur la possibilité de révéler, masquer et afficher le contenu du fichier de projet de la manière la mieux adaptée à la situation.
Les fichiers de projet peuvent être partagés et tout le contenu, y compris les fichiers non JMP, sera inclus.
Visitez jmp.com, jmp.com/help ou communauté.jmp.com et recherchez "Projets" pour afficher une liste de ressources, y compris des enregistrements, des didacticiels, de la documentation et des discussions d'utilisateurs, afin d'en savoir plus sur la fonctionnalité des projets JMP.
Importation de données
Souvent, les données sont produites dans d'autres applications, plutôt qu'à l'intérieur d'un logiciel statistique. Par exemple, un ingénieur peut enregistrer les données d'une expérience dans une feuille de calcul Excel ou une base de données centrale contenant une grande collection de données sur le comportement des clients à partir desquelles certains sous-ensembles de ces données doivent être récupérés et analysés. Minitab et JMP peuvent ouvrir de nombreux types de fichiers différents, y compris .csv, .txt, .xls, entre autres, et chacun peut interroger une base de données via ODBC (Open Database Connectivity).
JMP
JMP peut ouvrir d'autres types de fichiers que Minitab ne peut pas, tels que les fichiers SAS, R, MATLAB, .html et .pdf. JMP peut également ouvrir des tables intégrées dans des pages Web à l'aide de la fonctionnalité Internet Open.
JMP présente également l'avantage supplémentaire de pouvoir importer plusieurs fichiers en les combinant dans une seule table de données. La figure 4 montre un dossier contenant une collection de différents fichiers texte liés à une enquête ainsi que le contenu de l'un de ces fichiers.
Figure 4 JMP: Importing Multiple FilesFigure 4 JMP : importation de plusieurs fichiers
Sélectionnez Fichier > Ouvrir plusieurs pour lancer un assistant d'importation qui vous guidera tout au long du processus d'importation de toutes les données de ces nombreux fichiers dans une seule table de données JMP.
Pour importer les données que vous avez actuellement dans un fichier Minitab dans JMP, il est préférable d'enregistrer d'abord la feuille de calcul Minitab dans un format tel que .xls, .csv ou .txt. Ensuite, choisissez simplement Fichier > Ouvrir dans JMP pour importer ces données dans une table de données JMP. Un assistant d'importation sera lancé pour spécifier comment les données doivent être importées (par exemple, choisir les variables et les lignes à importer, inclure/exclure les noms de variables, etc.).
Nettoyage et formatage des données
Minitab et JMP disposent tous deux d'un ensemble d'outils qui permettent à l'utilisateur de nettoyer et de formater les données pour les préparer à l'analyse.
Minitab
La plupart des outils de Minitab pour formater, nettoyer et préparer les données se trouvent dans les menus Données et Calc. La figure 5 montre la liste des outils sous ces menus.
Figure 5 Minitab: Data and Calc menusFigure 5 Minitab : menus Données et Calcul
Une fois qu'un outil est sélectionné, une boîte de dialogue apparaît, permettant de placer des variables dans différents rôles pour décrire l'ensemble spécifique d'opérations à effectuer.
La figure 6 est un exemple de la boîte de dialogue de l'outil de tri de Minitab. Ici, nous avons choisi de trier toutes les données par ordre alphabétique croissant en fonction de la variable GeoLocation en enregistrant les données dans la même feuille de calcul (c'est-à-dire « Dans les colonnes d'origine »).
Figure 6 Minitab: Sort ToolFigure 6 Minitab : outil de tri
JMP
La plupart des outils de JMP pour formater, nettoyer et préparer les données pour l'analyse se trouvent dans trois menus différents : Tableaux, Lignes et Cols (illustrés à la Figure 7).
Figure 7 JMP: Tables, Rows and Cols MenusFigure 7 JMP : menus Tableaux, Lignes et Cols
La figure 8 est un exemple de l'outil de tri de JMP. Bien que la boîte de dialogue ait une apparence différente et utilise des noms différents pour les opérations, la procédure générale est assez similaire.
Figure 8 JMP: Sort ToolFigure 8 JMP : outil de tri
Toutes les opérations de manipulation de données que vous avez effectuées dans Minitab pourront également être effectuées dans JMP. Il faudra juste un peu de pratique pour apprendre comment accéder aux outils et comment l'opération souhaitée est spécifiée dans la boîte de dialogue.
La plate-forme Modèle de données manquantes est un outil JMP du menu Tableaux (qui n'est pas disponible dans Minitab) qui peut s'avérer très utile lors de l'examen initial d'un ensemble de données. L'exemple suivant utilise un petit ensemble de données, mais vous constaterez que cet outil est particulièrement utile lors de l'examen d'ensembles de données volumineux. La figure 9 affiche un tableau de données avec cinq variables, 25 lignes et 18 valeurs manquantes.
Figure 9 JMP: Data Table with Missing ValuesFigure 9 JMP : tableau de données avec des valeurs manquantes
L'outil Modèle de données manquantes dans le menu Tableaux récapitulera les « éléments manquants » dans les données via un nouveau tableau de données JMP. La figure 10 montre le tableau résultant ainsi que le tracé de cellules qui l'accompagne.
Figure 10 JMP: Missing Data PatternFigure 10 JMP : modèle de données manquantes
Cette nouvelle table de données décrit le modèle de données manquantes dans les données. En particulier, il y a 15 lignes sans valeurs manquantes ; une ligne a une valeur manquante dans la variable Y5 ; quatre lignes ont une valeur manquante dans la variable Y3 ; deux lignes ont une valeur manquante sur 3 variables - Y3, Y4 et Y5 et ainsi de suite. La mise en surbrillance d'une ligne dans ce tableau de modèle de données manquantes mettra en surbrillance toutes les lignes avec ce modèle de données manquantes dans le tableau de données d'origine. Cela vous permet de masquer et/ou d'exclure ces données des analyses futures, ou de générer des états de ligne tels que l'attribution de symboles uniques à afficher dans les graphiques. Il existe une plate-forme connexe appelée Explorer les valeurs manquantes dans le menu Analyse>Screening qui offre des outils supplémentaires pour travailler avec des données manquantes, y compris des techniques statistiques pour trouver des points communs entre le modèle manquant dans les variables et les lignes ainsi que la possibilité d'imputer les données manquantes. en les remplaçant par des valeurs estimées.
Création de nouvelles variables
Minitab et JMP permettent tous deux de créer de nouvelles variables. Ces nouvelles variables peuvent être, par exemple, de simples opérations arithmétiques utilisant d'autres variables dans la table de données ou un argument conditionnel logique.
Minitab
De nouvelles variables sont créées dans Minitab via l'outil Calculatrice dans le menu Calc. La figure 11 illustre la manière dont une nouvelle variable de texte a été créée en fonction de la valeur de la variable « teneur en humidité » avec les résultats enregistrés dans la colonne C9.
Figure 11 Minitab: CalculatorFigure 11 Minitab : Calculatrice
JMP
Pour créer une nouvelle variable dans JMP, accédez à l'outil de formule pour cette nouvelle colonne en mettant une colonne en surbrillance et en choisissant Cols>Formule. Il est également accessible en cliquant avec le bouton droit sur une colonne et en sélectionnant "formule" dans le menu. Dans la figure 12, l'outil de formule a été utilisé pour créer la même variable de texte basée sur un argument conditionnel. Notez qu'il existe une fonction Aperçu disponible qui vous permet de voir les résultats de l'application de la formule au fur et à mesure de sa création.
Figure 12 JMP: FormulaFigure 12 JMP : Formule
L'outil de formule de JMP permet également de créer de nouvelles variables à l'aide d'une séquence à motifs, d'un échantillon aléatoire d'autres colonnes ou d'une distribution de probabilité spécifiée. Dans Minitab, d'autres outils doivent être accessibles pour générer ces types d'opérations.
Filtre de données et états des lignes
Minitab
Lors de l'exécution d'une analyse dans Minitab, une feuille de calcul contenant les données de cette analyse est activée. Si une analyse doit être effectuée sur un sous-ensemble d'un ensemble de données parent, il est fort probable qu'une nouvelle feuille de calcul contenant uniquement ce sous-ensemble de données devra être créée. Si des valeurs aberrantes sont identifiées et doivent être exclues des analyses futures, une autre nouvelle feuille de calcul devra être créée sans ces points de données. Par conséquent, il est courant de devoir gérer de nombreuses feuilles de calcul dans un fichier de projet.
JMP
Plusieurs tables de données peuvent également être configurées dans un fichier de projet JMP, comme indiqué précédemment. Les filtres de données et les opérations d'état de ligne peuvent à la place être utilisés pour définir les données spécifiques sur lesquelles baser une analyse particulière, ce qui amène de nombreux utilisateurs à choisir de faire toutes leurs analyses à partir d'une seule table de données. Ces filtres de données et états de ligne peuvent être enregistrés et accessibles à tout moment.
Nous illustrerons ces analyses à l'aide des Rendement en grains données.
La figure 13A montre le tableau de données avec GeoLocations et C sélectionnés. Cela a été fait en cliquant sur la petite icône d'histogramme dans le coin supérieur gauche du tableau de données pour activer le graphique d'en-tête, puis en sélectionnant simplement ces géolocalisations. Le graphique d'en-tête est un outil pratique qui affiche un résumé de haut niveau d'une variable en haut de chaque colonne (par exemple, des histogrammes et des valeurs min/max pour les variables continues, un graphique à barres pour les variables catégorielles). La figure 13B montre le résultat lorsque l'outil Lignes>Masquer et exclure est sélectionné. Toute analyse effectuée avec cet état de ligne actif n'inclura pas les emplacements géographiques A et C dans les calculs et n'apparaîtra dans aucun affichage graphique. D'autres options incluent l'utilisation des données sélectionnées dans les calculs mais non affichées dans un graphique (Masquer uniquement) ou l'affichage des données dans un graphique mais non utilisées dans les calculs (Exclure uniquement). Cet état de ligne peut être désactivé en sélectionnant à nouveau Lignes>Masquer et exclure ou Lignes>Effacer les états de ligne.
Figure 13A JMP: Rows selectedFigure 13A JMP : Lignes sélectionnées
Figure 13B JMP: Hide/ExcludeFigure 13B JMP : Masquer/Exclure
Le filtre de données global est un autre outil utile pour définir un sous-ensemble de données. Cet outil est accessible en choisissant Lignes>Fichier de données. La figure 14 montre le filtre de données ouvert avec les GeoLocations B et D sélectionnés. Ici, nous avons activé les cases à cocher Afficher et Inclure, puis sélectionné les géolocalisations que nous voulons utiliser. Le filtre de données peut inclure de nombreuses variables, et des variables catégorielles et continues peuvent être utilisées. Ce filtre de données peut être enregistré dans la table de données, les états de ligne peuvent être effacés puis accessibles à nouveau à tout moment.
Figure 14 JMP: Global Data FilterFigure 14 JMP : filtre de données global
D'autres caractéristiques peuvent être configurées en tant qu'états de ligne. Par exemple, vous pouvez souhaiter que tous les graphiques produits dans une analyse utilisent des couleurs différentes pour les différentes géolocalisations. Cette préférence peut être configurée via Lignes> Couleur ou Marquer par colonne. La figure 15 est le tableau de données résultant avec les couleurs affichées sous forme d'états de ligne. Tout affichage graphique créé avec cet état de ligne actif utilisera ce codage couleur. Cette ligne peut également être enregistrée et accessible à tout moment.
Figure 15 JMP: Color Row StateFigure 15 JMP : État de la ligne de couleur
Le filtre de données local dans JMP offre un autre moyen de travailler avec un sous-ensemble de données. Cette approche fournit un outil interactif permettant de voir les résultats d'analyse changer instantanément à mesure que différents sous-ensembles de données sont choisis. Le filtre de données locales est accessible sous le triangle rouge supérieur dans une fenêtre de rapport d'analyse. La figure 16 montre les résultats d'une analyse de régression utilisant toutes les données (à gauche), puis cette même sortie changeant en fonction de la sélection uniquement de la géolocalisation A dans le filtre de données locales. Notez que les points de données utilisent l'état de ligne de couleur que nous avions configuré dans la figure 15.
Figure 16 JMP: Local Data FilterFigure 16 JMP : Filtre de données local
Statistiques descriptives
Minitab et JMP sont capables de calculer des statistiques récapitulatives décrivant les caractéristiques des données.
Nous allons illustrer certaines de ces analyses à l'aide des Rendement en grains données.
Minitab
Il existe plusieurs façons de générer des statistiques descriptives dans Minitab (par exemple, Afficher les statistiques descriptives, Stocker les statistiques descriptives et Récapitulatif graphique dans le menu Stat). Des statistiques descriptives peuvent également être générées à l'aide de l'outil Tableaux, que nous allons illustrer ici. La figure 17 montre les étapes de calcul de la moyenne de l'échantillon et de l'écart type de l'échantillon pour le rendement pour chaque combinaison géolocalisation/année et le tableau résultant.
Figure 17 Minitab: Descriptive statistics via TableFigure 17 Minitab : Statistiques descriptives via Table
Si des statistiques récapitulatives différentes sont souhaitées, ou si des variables qualitatives et/ou associées différentes sont à utiliser, l'outil Tableaux>Statistiques descriptives est relancé, la boîte de dialogue mise à jour et l'analyse relancé.
JMP
JMP peut également calculer des statistiques descriptives de différentes manières, notamment via la plate-forme de distribution, le générateur de graphiques, la visionneuse de colonnes et les formules de colonne. Semblable à ce qui a été montré avec Minitab, nous illustrons comment calculer des statistiques récapitulatives via la plate-forme Analyser>Tabuler.
Le lancement de la plate-forme Tabulate ouvre la fenêtre illustrée à la figure 18A. Les variables sont simplement placées dans différents rôles pour créer la table. Ces variables peuvent être déplacées pour modifier la façon dont le tableau est affiché. Des variables peuvent être supprimées, ajoutées, de nouvelles statistiques calculées, entre autres fonctionnalités, la table se mettant à jour à l'instant où ces modifications sont apportées. Considérez-le comme une toile vierge sur laquelle vous créez le tableau souhaité.
Figure 18A JMP: Descriptive Statistics via TabulateFigure 18A JMP : Statistiques descriptives via tabulation
La figure 18B montre les étapes pour créer le tableau affichant la moyenne et l'écart type du rendement pour les 6 combinaisons différentes de l'année et de la géolocalisation.
Nous commençons par placer Yield dans la zone de dépôt des cellules résultantes. La valeur par défaut consiste à afficher la somme (la statistique par défaut) de cette variable sous la forme d'une seule cellule (image en haut à gauche de la figure 18B). Remarque : Vous pouvez choisir d'afficher également la moyenne et l'écart type par défaut via les préférences (JMP > Préférences > Plateformes > Tabuler).
Dans ce cas, nous remplacerons la somme par la moyenne et l'écart type en faisant glisser ces deux statistiques de la liste en haut de la cellule où le mot somme est affiché. Le tableau sera mis à jour, en remplaçant la statistique de somme par la moyenne et l'écart type (image en haut à droite sur la figure 18B).
Les variables catégorielles (Year et GeoLocation) sont simplement déposées dans les emplacements souhaités. L'année est placée en tant que lignes (image en bas à gauche dans la figure 18B) et GeoLocation en tant que colonnes (image en bas à droite).
Figure 18B JMP: Descriptive Statistics via TabulateFigure 18B JMP : Statistiques descriptives via tabulation
Ce tableau peut être facilement modifié pour créer différentes vues en déplaçant des variables dans différentes zones de dépôt. La figure 18C montre le tableau résultant lorsque la variable GeoLocation est déplacée pour être une autre variable de ligne à l'intérieur de Year.
Figure 18C JMP: Descriptive Statistics via TabulateFigure 18C JMP : Statistiques descriptives via tabulation
Ce tableau de statistiques récapitulatives peut être transformé en tableau de données JMP pour une analyse plus approfondie en sélectionnant Transformer en tableau de données sous le triangle rouge. La figure 18D montre le tableau de données résultant.
Figure 18D JMP: Descriptive statistics via Tabulate – Creating a Data TableFigure 18D JMP : Statistiques descriptives via Tabuler – Création d'un tableau de données
Graphique
Minitab et JMP ont une approche très différente de la représentation graphique des données ; c'est l'une des différences les plus importantes entre les deux logiciels qu'un nouvel utilisateur de JMP rencontrera.
Nous allons illustrer certaines de ces analyses à l'aide des Rendement en grains données.
Minitab
Pour créer un graphique dans Minitab, vous devez d'abord décider quel graphique est nécessaire, puis le sélectionner dans le menu Graphique. La figure 19 montre une liste des graphiques disponibles dans ce menu.
Figure 19 Minitab: Graph menuFigure 19 Minitab : menu Graphique
Nous allons illustrer le processus de création d'un graphique dans Minitab en créant un nuage de points. Lorsque l'outil nuage de points est lancé, un écran apparaît (image de gauche sur la figure 20A). À ce stade, l'utilisateur doit choisir l'une des options de nuage de points. Dans cet exemple, Simple a été choisi. Une boîte de dialogue apparaît alors pour entrer les variables à tracer sur les axes Y et X (image de droite sur la figure 20A).
Figure 20A Minitab: ScatterplotFigure 20A Minitab : Nuage de points
Les boutons Échelle, Étiquettes, Affichage des données, Graphiques multiples et Options de données offrent des options supplémentaires. La figure 20B montre le graphique résultant si aucune option supplémentaire n'est choisie.
Figure 20B Minitab: ScatterplotFigure 20B Minitab : Nuage de points
Quelques éléments du graphique peuvent être modifiés (par exemple, changer la couleur des points) en lançant l'outil Modifier le graphique sous le menu déroulant en haut à droite.
Pour créer le nuage de points illustré sur la figure 20C qui a une ligne de régression distincte pour chacun des 4 emplacements géographiques, il faudrait créer un graphique entièrement nouveau. Cela serait fait en relançant l'outil Nuage de points et en sélectionnant "Avec régression et groupes" dans la boîte de dialogue illustrée à la figure 20A.
Figure 20C Minitab: ScatterplotFigure 20C Minitab : Nuage de points
Pour créer un type de graphique entièrement différent avec les mêmes données (par exemple, des boîtes à moustaches comparatives, etc.), l'utilisateur reviendrait au menu Graphique, lancerait ces outils graphiques spécifiques et spécifierait les options appropriées. Chaque itération d'exploration graphique des données nécessite généralement cette approche jusqu'à ce que le graphique souhaité soit produit.
JMP
JMP aborde la création de graphiques très différemment de Minitab. Bien qu'il existe des outils pour créer des graphiques sur chaque plate-forme d'analyse dans JMP, nous illustrerons la création de visualisations via la puissante plate-forme Graph Builder. Cet outil a été conçu pour correspondre à la manière habituelle d'explorer et d'analyser les données dans la pratique. Lors du lancement de la plate-forme Graph Builder (Graph > Graph Builder), l'affichage commence par ce qui peut être considéré comme une toile vierge et une palette de graphes (Figure 21A).
Figure 21A JMP: Graph BuilderFigure 21A JMP : Générateur de graphes
Un graphique est créé en plaçant des variables dans différents rôles et en sélectionnant l'affichage graphique souhaité. Par exemple, si la variable Teneur en humidité est déposée dans la zone Y, JMP commencera par afficher un tracé de points (Figure 21B).
Figure 21B JMP: Graph Builder – DotplotFigure 21B JMP : Générateur de graphes – Dotplot
Si au lieu d'un tracé de points, un graphique différent est souhaité (par exemple, une boîte à moustaches), sélectionnez simplement cette option dans la palette de graphiques en haut et le graphique change instantanément. La figure 21C montre un graphique dans lequel à la fois un diagramme en points et un diagramme en boîte ont été sélectionnés.
Figure 21C JMP: Graph Builder – Dotplot and BoxplotFigure 21C JMP : Générateur de graphes – Dotplot et Boxplot
Si une autre variable continue est déposée dans la zone X, JMP transforme automatiquement le graphique en nuage de points. La figure 21D montre un exemple d'un tel graphique avec une ligne de régression incluse.
Figure 21D JMP: Graph Builder – Scatterplot with regression lineFigure 21D JMP : Graph Builder – Nuage de points avec ligne de régression
Pour chaque type de graphique sélectionné, des outils et des options sont affichés à gauche pour modifier ou augmenter encore plus le graphique. Par exemple, l'équation, l'intervalle de confiance à 95 % et la valeur RSquared ont été ajoutés au graphique.
Chacun de ces graphiques créés au cours de ce processus peut être enregistré dans la table de données si vous le souhaitez. Alternativement, l'analyste peut continuer à explorer visuellement les données. La figure 21E montre comment le graphique changerait si la variable GeoLocation était déposée dans la zone de dépôt Wrap.
Figure 21E JMP: Graph Builder – Individual scatterplots with regression linesFigure 21E JMP : Générateur de graphiques – Nuages de points individuels avec lignes de régression
Si GeoLocation a été déplacé de la zone de dépôt Wrap vers la zone de dépôt Overlay, et que l'option d'affichage de l'équation et de RSquared a été désactivée, le graphique changera pour celui illustré à la Figure 21F.
Figure 21F JMP: Graph Builder – Scatterplot with overlaid regression linesFigure 21F JMP : Générateur de graphiques – Nuage de points avec lignes de régression superposées
Flottant le curseur sur l'un des axes, le pointeur se transforme en un symbole de main, permettant un moyen simple de déplacer et/ou de redimensionner les axes. Double-cliquer sur un axe fait apparaître un ensemble d'outils pour modifier encore plus le graphique, comme passer d'une échelle linéaire à une échelle logarithmique par exemple.
Un clic droit sur le graphique fait apparaître un menu d'outils supplémentaires pour modifier l'affichage, comme changer les couleurs et les symboles utilisés.
Ce processus illustre la différence fondamentale dans la façon dont chaque logiciel aborde les analyses graphiques. Dans Minitab, les types de graphique sont choisis et les options sélectionnées sans voir l'effet de ces choix. Dans JMP, vous créez des graphiques de manière interactive en voyant comment chaque choix modifierait et améliorerait le graphique. Cela se traduit par une exploration des données beaucoup plus efficace et plus riche, vous permettant de générer rapidement une myriade de graphiques pour découvrir les caractéristiques des données et créer les visualisations qui communiquent le mieux vos résultats.
Le filtre de données local et le sélecteur de colonne de JMP sont deux outils très puissants qui peuvent considérablement améliorer l'exploration visuelle des données. Illustré de la Expérience publicitaire données.
Avec les données liées dynamiquement de JMP, de nouvelles variables peuvent être commutées et/ou les données filtrées, et le graphique sera instantanément mis à jour pour refléter ces changements. La figure 22 montre un graphique en points comparatif pour la variable WS1 avec des intervalles de confiance à 95 % pour quatre catégories différentes de la variable Style d'annonce. Le sélecteur de colonne, visible en haut à gauche, a été configuré pour que l'analyste puisse simplement sélectionner (ou lire) 9 autres variables de résultat possibles à afficher sur l'axe Y. Le filtre de données locales a également été mis en place à l'aide des facteurs explicatifs Promotion (trois niveaux) et Période (10 niveaux). L'analyste peut sous-ensemble les données par ces variables. Pour chaque sélection, le graphique sera instantanément mis à jour pour afficher la variable sélectionnée pour l'axe Y et pour inclure uniquement les données choisies avec le filtre de données locales. Dans Minitab, un nouveau graphique devrait être créé séparément pour chaque combinaison possible de ces variables.
Figure 22 JMP: Column Switcher and Local Data FilterFigure 22 JMP : sélecteur de colonne et filtre de données local
JMP contient de nombreux outils graphiques actuellement non disponibles dans Minitab. Ceux-ci augmentent considérablement votre capacité à explorer et à présenter des données. Les figures 23A-J montrent certaines de ces visualisations.
Figure 23A JMP: Hover GraphletFigure 23A JMP : Graphlet de survol
Figure 23B JMP: Image LabelsFigure 23B JMP : étiquettes d'image
Figure 23C JMP: Geographic MapsFigure 23C JMP : Cartes géographiques
Figure 23D JMP: Motion Bubble PlotFigure 23D JMP : diagramme à bulles de mouvement
Figure 23E JMP: Correlation Color MapFigure 23E JMP : carte des couleurs de corrélation
Figure 23F JMP: Shape Based Heat MapsFigure 23F JMP : cartes thermiques basées sur la forme
Figure 23G JMP: Density Contour PlotFigure 23G JMP : Tracé de contour de densité
Figure 23H JMP: Word CloudFigure 23H JMP : Nuage de mots
Figure 23I JMP: Comparative HistogramsFigure 23I JMP : histogrammes comparatifs
Figure 23J JMP: Scaled Parallel PlotsFigure 23J JMP : tracés parallèles mis à l'échelle
Figure 23K JMP: Mosaic PlotFigure 23K JMP : diagramme en mosaïque
Figure 23L JMP: Nonlinear Functional FitFigure 23L JMP : Ajustement fonctionnel non linéaire
Analyses univariées
Minitab et JMP exécutent des analyses statistiques très différemment. Nous allons parcourir l'analyse d'une seule variable continue pour chaque logiciel afin de démontrer ces différences.
Nous illustrerons ces analyses à l'aide des Production de yaourt données.
Minitab
Dans Minitab, l'outil Résumé graphique est un moyen utile d'analyser une seule variable. Pour exécuter cette analyse, sélectionnez cet outil dans le menu Stat. Une boîte de dialogue apparaît pour sélectionner la variable sur laquelle effectuer l'analyse. La figure 24A montre les étapes pour exécuter l'analyse et la figure 24B affiche la sortie résultante. La courbe de distribution normale affichée sur le graphique est la seule distribution pouvant être affichée dans cette sortie. L'utilisation d'autres distributions de probabilité nécessiterait un outil différent dans Minitab.
Figure 24A Minitab: Graphical SummaryFigure 24A Minitab : résumé graphique
Figure 24B Minitab: Graphical SummaryFigure 24B Minitab : résumé graphique
Si des statistiques différentes de celles affichées étaient souhaitées, un outil différent devrait être lancé (Stat > Statistiques de base > Afficher les statistiques descriptives) et ces options sélectionnées. Les étapes et la sortie sont maintenant affichées.
Le résumé graphique affiche les résultats du test de normalité d'Anderson-Darling. Si vous vouliez examiner un diagramme de probabilité et/ou un graphique empirique de la fonction de distribution cumulative pour accompagner le test, il faudrait le faire à l'aide de deux outils supplémentaires différents (Stat>Basic Stat>Normality Test and Graph>Empirical CDF). La procédure est similaire à l'exécution de toute autre analyse. Une boîte de dialogue apparaît lors du lancement de l'outil pour que l'utilisateur spécifie la variable sur laquelle exécuter l'analyse et sélectionne les options. La figure 25A montre les étapes pour exécuter l'analyse du test de normalité et la figure 25B montre la sortie résultante.
Figure 25A Minitab: Normality testFigure 25A Minitab : test de normalité
Figure 25B Minitab: Normality testFigure 25B Minitab : test de normalité
Pour créer le tracé CDF, un outil différent (Graph>Empirical CDF) serait lancé et l'analyse serait exécutée (étapes et sortie maintenant affichées).
Si, par exemple, la distribution normale n'était pas un bon modèle à utiliser pour une variable, d'autres distributions peuvent devoir être évaluées. Cette évaluation est effectuée dans un outil différent (Stat>Outils de qualité>Identification de distribution individuelle) (étapes et résultats non affichés).
Supposons que la prochaine étape de l'analyse consiste à effectuer un test d'hypothèse pour la moyenne de la population. Pour ce faire, il faudrait accéder à un autre outil (Stat > Basic Stat > 1-sample t) (étapes et résultats non affichés). Pour effectuer un test d'hypothèse concernant la variance, cette même procédure d'utilisation d'un nouvel outil (Stat > Basic Stat > 1 variance)
Les autres analyses communes à l'analyse d'une seule variable continue sont : le test d'équivalence, l'intervalle de tolérance, l'intervalle de prédiction, l'analyse de capacité, entre autres. Chacun nécessiterait un outil différent dans Minitab et chacun produirait une sortie distincte. À l'heure actuelle, Minitab n'a pas la capacité de produire un intervalle de prévision. Cela nécessiterait donc la création manuelle d'une formule.
JMP
JMP aborde les analyses univariées très différemment et s'aligne davantage sur le flux de travail naturel d'exploration et d'analyse des données. JMP dispose d'une plate-forme unique (Analyze > Distribution) qui peut effectuer toutes les analyses mentionnées dans la section précédente. La plate-forme est accessible en la sélectionnant dans un menu et en remplissant une boîte de dialogue, comme illustré sur la figure 26A. La figure 26B affiche la sortie initiale.
Figure 26A JMP: DistributionFigure 26A JMP : Répartition
Figure 26B JMP: DistributionFigure 26B JMP : Répartition
La sortie initiale fournit à la fois un affichage graphique et numérique des données, y compris un histogramme, une boîte à moustaches, des statistiques récapitulatives et un intervalle de confiance pour la moyenne. Cliquer sur le triangle rouge en haut du tableau des statistiques récapitulatives permet d'accéder à un ensemble d'outils permettant de modifier les statistiques affichées.
Toutes les analyses mentionnées parmi tant d'autres peuvent être effectuées à partir de cette seule fenêtre de rapport. Ceux-ci sont tous accessibles via le triangle rouge à côté du nom de la variable. Ces menus contextuels vous fournissent un ensemble d'analyses qui seraient ensuite à prendre en compte dans votre flux de travail d'analyse. La figure 27 montre ce menu avec l'analyse Ajustement continu>Normal sélectionnée.
Figure 27 JMP: DistributionFigure 27 JMP : Répartition
Les figures 28A à 28K montrent les résultats de l'ajustement continu et de toutes les autres analyses univariées effectuées sur ces données avec chaque nouvel ensemble de sortie ajouté à la fenêtre de rapport permettant une comparaison facile.
Figure 28A JMP: Quantile Plot and Distribution FitFigure 28A JMP : diagramme des quantiles et ajustement de distribution
Figure 28B JMP: Goodness of FitFigure 28B JMP : qualité de l'ajustement
Figure 28C JMP: CDF PlotFigure 28C JMP : Tracé CDF
Figure 28D JMP: Interactive Distribution ProfilerFigure 28D JMP : profileur de distribution interactif
Figure 28E JMP: Interactive Quantile ProfilerFigure 28E JMP : Profileur quantile interactif
Figure 28F JMP: Test MeanFigure 28F JMP : Moyenne du test
Figure 28G JMP: Test Standard DeviationFigure 28G JMP : Écart-type de test
Figure 28H JMP: Prediction IntervalFigure 28H JMP : Intervalle de prédiction
Figure 28I JMP: Tolerance IntervalFigure 28I JMP : Intervalle de tolérance
Figure 28J JMP: Equivalence TestFigure 28J JMP : test d'équivalence
Figure 28K JMP: Capability AnalysisFigure 28K JMP : analyse de capacité
Des outils interactifs supplémentaires sont disponibles, apportant un niveau supplémentaire de capacités d'analyse via des scénarios "what-if". Les figures 29A à 29C en montrent trois (animation de valeur p, animation de puissance et animation de capacité). En plus d'aider à mieux comprendre le processus étudié, ces outils interactifs offrent un excellent moyen de comprendre ou d'enseigner des concepts statistiques.
Figure 29A JMP: p-value AnimationFigure 29A JMP : Animation de la valeur de p
Figure 29B JMP: Power AnimationFigure 29B JMP : animation de puissance
Figure 29C JMP: Interactive Capability PlotFigure 29C JMP : Diagramme de capacité interactif
Le filtre de données local et le sélecteur de colonne sont également disponibles dans ce rapport interactif. La figure 30 montre le sélecteur de colonne configuré pour les 7 lignes de production et le filtre de données local configuré pour le numéro de lot. Vous pouvez maintenant choisir la ligne de production et les lots à inclure dans l'analyse et toutes les sorties numériques et graphiques sont instantanément mises à jour. Avec Minitab, chaque variable de résultat et/ou sous-ensemble de données que l'on souhaite analyser nécessiterait de réexécuter chaque analyse sur tous les différents outils, créant ainsi une quantité substantielle de rapports à gérer.
Figure 30 JMP: Column Switcher and Local Data FilterFigure 30 JMP : sélecteur de colonne et filtre de données local
Enregistrement et partage des résultats
Minitab
Chaque fois qu'une analyse est effectuée dans Minitab, la sortie est placée dans le volet Navigateur en tant qu'élément distinct. L'enregistrement du fichier de projet enregistrera tous ces éléments de sortie ainsi que toutes les feuilles de calcul dans le fichier de projet. Une sortie individuelle peut également être enregistrée sous forme de fichier image (par exemple, .png, .jpg) et placée dans d'autres applications.
JMP
Il existe de nombreuses façons d'enregistrer vos résultats d'analyse dans JMP. Celles-ci incluent l'enregistrement en tant que fichier .html interactif, dans un fichier JMP Journal, en tant que fichier image placé dans d'autres applications, et même publié sur un tableau de bord sécurisé privé via. JMP Live offre la possibilité d'afficher et d'interagir avec des rapports en dehors de JMP. Nous allons illustrer l'enregistrement des rapports sous forme de script dans la table de données, car c'est la manière la plus courante d'enregistrer votre travail d'analyse.
Dans un rapport, choisissez Enregistrer le script > Dans la table de données sous le triangle rouge en haut à gauche de la fenêtre du rapport (Figure 31A).
Figure 31A JMP: Saving a script to data tableFigure 31A JMP : enregistrement d'un script dans une table de données
Les scripts enregistrés apparaîtront dans le volet supérieur gauche de la fenêtre du fichier de données (Figure 31B).
Figure 31B JMP: Saved ScriptsFigure 31B JMP : Scripts enregistrés
Cliquer sur le triangle vert relancera le script enregistré pour effectuer toutes les analyses associées à ce rapport. Cela vous permet de réexécuter un ensemble complet d'analyses sur un ensemble de données modifié (par exemple, suppression/ajout de données, recodage de valeurs, sous-ensemble via le filtre de données global, nouveaux états de ligne). Les scripts peuvent être réorganisés dans le volet ou regroupés pour faciliter la gestion de votre travail d'analyse.
Analyse à un facteur
Minitab et JMP disposent d'outils permettant d'effectuer des analyses à un facteur (par exemple, analyse linéaire simple
régression, régression logistique simple, ANOVA unidirectionnelle et test du chi carré pour
comparaison des proportions). Semblables aux analyses univariées, elles abordent la manière dont
les analyses sont réalisées très différemment.
Nous allons illustrer certaines de ces analyses à l'aide des données de production de tablettes.
Minitab
Lors de l'exécution d'une analyse à un facteur dans Minitab, l'outil approprié est lancé (Stat>Régression>Fitted Line Plot, par exemple). Les variables appropriées sont spécifiées dans la boîte de dialogue et les autres options choisies. La sortie est générée et placée dans la fenêtre de sortie. Considérez lors de l'examen de la sortie d'une régression linéaire simple par exemple, il est souhaitable d'ajouter un intervalle de confiance au graphique, ou d'examiner les tracés résiduels, ou peut-être est-il souhaitable de modifier l'échelle de l'une des variables de linéaire à logarithmique ou peut-être utiliser une réponse différente ou une variable prédictive tous ensemble. L'outil de tracé de ligne d'ajustement devrait être relancé, les options modifiées, puis un nouvel ensemble de sorties créé. Chaque ensemble de résultats dans Minitab est principalement statique et n'autorise que quelques modifications.
Différentes analyses à un facteur (par exemple, régression logistique, ANOVA, test du chi carré) nécessitent l'utilisation d'autres outils.
JMP
Dans JMP, toutes les analyses à un facteur sont effectuées à partir d'une plateforme, Analyse>Ajuster Y par X.La figure 32A montre la boîte de dialogue pour cette plate-forme. Lorsque Y, Variable de réponse et X, Facteur sont choisis, JMP détermine automatiquement l'analyse correcte.
Pour illustrer comment JMP peut effectuer plusieurs analyses simultanément, nous avons choisi deux variables pour le Y, la réponse (Dissolution, une variable continue ; Lot Acceptance, une variable binaire) et deux variables pour le Facteur (API Particle Size, une variable catégorielle avec trois niveaux ; Mill Time, une variable continue).
JMP créera quatre analyses différentes :
- ANOVA unidirectionnelle pour la dissolution par rapport à la taille des particules API.
- Régression linéaire simple pour Dissolution vs Mill Time.
- Analyse du tableau de contingence pour l'acceptation du lot par rapport à la taille des particules API.
- Régression logistique simple pour l'acceptation du lot par rapport au temps d'usine
Figure 32A JMP: Fit Y by XFigure 32A JMP : Ajuster Y par X
Comme dans de nombreuses autres plates-formes de JMP, Fit Y by X permet à l'analyse d'inclure une catégorie By Variable, en exécutant une analyse distincte pour chaque niveau de cette variable. Les modèles peuvent également être ajustés en attribuant des valeurs pondérées aux observations. La plate-forme peut également être utilisée sur des données au format résumé Fréquence/Tableau.
La sortie initiale de ces quatre analyses est illustrée à la figure 32B. Remarque : Les états de ligne ont été configurés de sorte que les lots répondant à la spécification de dissolution ≥ 70 soient de couleur verte et ceux < 70 soient de couleur rouge.
À côté de chaque analyse se trouve un point chaud en forme de triangle rouge qui révèle un menu contextuel avec les outils que JMP recommande comme prochaines étapes possibles de l'analyse globale. Comme il existe quatre techniques d'analyse statistique différentes, il existe quatre ensembles d'outils différents sous chaque menu. La figure 33 montre chacun de ces menus contextuels. Vous êtes maintenant prêt à choisir l'étape suivante du flux de travail d'analyse. Chaque analyse ultérieure produit un autre ensemble de résultats ajoutés au rapport avec un nouveau point chaud en forme de triangle rouge offrant des options supplémentaires.
Figure 32B JMP: Fit Y by X ReportFigure 32B JMP : Rapport Ajuster Y par X
Figure 33 JMP: Fit Y by X Contextual MenusFigure 33 JMP : Ajuster Y par X Menus contextuels
Pour illustrer comment une analyse pourrait se dérouler dans la plate-forme Fit Y by X, l'option Fit Line sous le triangle rouge pour l'ajustement bivarié de la dissolution par Mill Time a été sélectionnée. La figure 34 montre la sortie qui est maintenant ajoutée au rapport en fonction de cette sélection.
Figure 34 JMP: Linear Regression FitFigure 34 JMP : Ajustement par régression linéaire
Notez qu'un nouveau point chaud triangulaire rouge est apparu à côté de l'ajustement linéaire choisi. La Figure 35 montre les options disponibles dans ce menu contextuel. Ici, vous voyez la possibilité d'ajouter des intervalles de confiance ou de prédiction au graphique, de créer des tracés résiduels, d'enregistrer des valeurs dans la table de données, entre autres.
Figure 35 JMP: Linear Fit Contextual MenusFigure 35 JMP : menus contextuels d'ajustement linéaire
Comme illustré dans le menu Ajustement bivarié de la Figure 33, d'autres modèles peuvent être ajustés et comparés. Par exemple : polynômes, splines, densités orthogonales, non paramétriques et régression robuste. Les transformations sont disponibles sous Fit special. La figure 36 montre ces options.
Figure 36 JMP: TransformationIllustration 36 JMP : Transformation
Chaque ajustement de modèle pris en compte peut être ajouté ou supprimé du rapport au fur et à mesure que vous explorez et comparez différents choix de modèles pour trouver celui qui convient le mieux aux données. La figure 37 montre l'affichage avec un ajustement quadratique et une densité non paramétrique ajoutée.
Figure 37 JMP: Comparing ModelsFigure 37 JMP : comparaison de modèles
Le filtre de données local et le sélecteur de colonne sont accessibles si vous souhaitez modifier les variables utilisées ou sélectionner un sous-ensemble de données sur lequel baser les analyses. Tous les résultats seront instantanément mis à jour pour refléter ces choix. Il n'est pas nécessaire de sous-ensembler les données dans un nouveau tableau de données et de réexécuter l'analyse telle qu'elle est avec Minitab.
Comme cet exemple l'illustre à nouveau, l'analyse des données dans JMP est bien plus que la simple exécution d'une technique statistique particulière sur un ensemble de données et l'observation d'une collection statique de résultats. Les plates-formes sont conçues pour suivre un flux de travail d'analyse naturel aligné sur la façon dont vous analyseriez les données dans la pratique. Vous explorez, interagissez avec les données et les résultats, modifiez les variables, filtrez les données, essayez différentes options de modèle, chaque résultat menant à l'étape logique suivante dans une séquence d'étapes d'analyse.
Modèles statistiques multivariables
La construction de modèles statistiques qui impliquent de nombreuses variables est probablement le type d'analyse le plus puissant et le plus fréquemment nécessaire. Il y a généralement quatre objectifs pour construire ces modèles :
- Pour tester des hypothèses spécifiques.
Exemple: Le traitement médicamenteux A réduit-il le taux de guérison d'au moins 15 % chez les hommes de plus de 70 ans par rapport à un placebo ? L'effet est-il le même pour les femmes ?
- Trouver les quelques variables parmi tant d'autres qui sont les plus corrélées avec un résultat.
Exemple: Quelles sont les principales conditions socio-économiques les plus corrélées avec de mauvais résultats de santé pour une communauté ?
- Décrire quantitativement les relations entre les variables.
Exemple : De combien la viscosité d'une solution diminue-t-elle lorsque la température de traitement augmente de 5 0 C et le temps de traitement augmente de 10 minutes ?
- Créer une méthode sur laquelle prédire un résultat.
Exemple: Quelle est la probabilité qu'un client soit intéressé à en savoir plus sur un nouveau programme de refinancement hypothécaire en fonction des caractéristiques du client et de son prêt hypothécaire actuel ?
L'objectif principal d'un modèle peut n'être qu'un seul d'entre eux, certains d'entre eux ou même tous. La technique de modélisation choisie est souvent déterminée par lequel de ces objectifs est le plus important.
Minitab
Minitab v19 propose trois techniques de modélisation multivariable :
· Modèles linéaires généralisés (par exemple, ANOVA, régression linéaire, régression logistique)
· Arbres de classification et de régression
· Analyse discriminante
Semblable à l'exécution d'une analyse à un facteur, la construction d'un modèle statistique multivariable nécessite d'abord de choisir un type de modélisation adapté à la situation (Stat>ANOVA>Modèle linéaire général, par exemple). Dans la boîte de dialogue, l'utilisateur spécifie ensuite les variables à inclure et toute autre option pertinente.
La sortie est générée lors de l'exécution de l'analyse et placée dans la fenêtre de sortie. Dans le processus de construction d'un modèle statistique, un analyste doit généralement ajuster de nombreux modèles différents, chacun comprenant un ensemble différent de variables et de termes de modèle jusqu'à ce qu'un modèle final soit déterminé. S'il est décidé de supprimer une variable ou un terme du modèle, la boîte de dialogue est relancée, des modifications sont apportées et l'analyse est relancée. Chaque modèle possible considéré doit être exécuté séparément, chacun produisant un ensemble différent de résultats. Comme c'est le cas pour la plupart des résultats d'analyse dans Minitab, la sortie numérique et graphique est principalement statique avec seulement quelques options pour apporter des modifications. Si l'on souhaite supprimer certaines observations des données, par exemple, une nouvelle feuille de calcul doit être créée et tous les modèles exécutés à nouveau.
JMP et JMP Pro
JMP et JMP Pro v16 disposent des techniques de modélisation multivariables suivantes, ainsi que de nombreuses variantes au sein de chacune.
· Modèles linéaires généralisés (par exemple, ANOVA, régression linéaire, régression logistique)
· Partition (arbre de décision)
· Réseau neuronal
· Analyse discriminante
· Forêt d'amorçage *
· Arbres boostés *
· K voisins les plus proches *
· Bayes naïf *
· Soutenir les machines vectorielles *
* JMP Pro uniquement
Outre celles-ci, il existe d'autres techniques de modélisation dans JMP et JMP Pro. Ils sont généralement utilisés pour des applications plus spécialisées par rapport à des fins de modélisation générales et ne sont donc pas répertoriés ci-dessus (par exemple, les modèles d'équations structurelles en sciences sociales ; Uplift, Choice et MaxDiff pour la recherche sur les consommateurs ; Functional Data Explorer pour modéliser des données qui sont des fonctions, des signaux , ou série).
Chacune des plates-formes de modélisation de JMP propose également de nombreuses options concernant les méthodes d'estimation et les spécifications d'ajustement du modèle. Ceux-ci offrent la possibilité de générer encore plus de modèles à prendre en compte et permettent de plus grandes capacités dans la gestion de situations complexes (par exemple, les moindres carrés pondérés, la régression pénalisée, les données manquantes informatives, la validation croisée en K pour n'en nommer que quelques-unes).
Nous allons illustrer le processus de création de modèle dans JMP Pro en ajustant un modèle de régression logistique à l'aide de Sensibilisation au refinancement hypothécaire données.
Modèle de régression logistique :
Dans JMP, tous les modèles linéaires sont créés à l'aide de la plate-forme Ajuster le modèle dans le menu Analyser. Cette plate-forme unique vous permet de choisir parmi une variété de formes de modèles et de techniques d'ajustement de modèles en sélectionnant l'option souhaitée dans le menu déroulant Personnalité. La figure 38 montre les options disponibles dans JMP (à gauche) et JMP Pro (à droite).
Figure 38 JMP and JMP Pro: Fit Model – PersonalitiesFigure 38 JMP et JMP Pro : Modèle d'ajustement – Personnalités
La figure 39A montre la boîte de dialogue de la plateforme Fit Model avec la variable de résultat et les termes du modèle ajoutés. Ici, nous ajustons un modèle d'effets principaux uniquement. L'option d'inclure des termes d'interaction, des effets quadratiques, définissant les termes comme : (croisé ou imbriqué) et (fixe ou aléatoire) est disponible. Nous avons également inclus une colonne de validation. Cette colonne a réparti aléatoirement les données en : 75 % de formation et 25 % de validation. JMP n'utilisera que les données d'apprentissage pour ajuster le modèle. Les données de validation seront utilisées pour évaluer la capacité prédictive du modèle ajusté. Cette approche peut aider à éviter le résultat indésirable d'un modèle surajustant les données.
Figure 39A JMP Pro: Fit ModeFigure 39A JMP Pro : mode d'ajustement
Lors de l'exécution de l'analyse, JMP génère le rapport de régression logistique nominale.
Comme dans toutes les sorties d'analyse de JMP, il est préférable de considérer un rapport comme une plate-forme interactive plutôt qu'une sortie statique. Par exemple, les termes du modèle peuvent être supprimés du modèle ajusté sans qu'il soit nécessaire de revenir à la boîte de dialogue Ajuster le modèle, d'apporter les modifications et de relancer l'analyse. La figure 39B montre le tableau récapitulatif des effets du rapport avec la variable Âge choisi.
Figure 39B JMP Pro: Fit Model – Effect Summary for Nominal Logistic RegressionFigure 39B JMP Pro : Ajustement du modèle – Récapitulatif des effets pour la régression logistique nominale
La Figure 40 montre les options disponibles sous le triangle rouge supérieur.
Figure 40 JMP Pro: Fit Model – Contextual Menu in Nominal Logistic Regression reportFigure 40 JMP Pro : Ajuster le modèle – Menu contextuel dans le rapport Régression logistique nominale
Les figures 41A à 41D montrent certains des types de sortie courants qui sont examinés lors de la construction d'un modèle de régression logistique ajouté au rapport.
Figure 41A JMP Pro: Fit Model – Confusion Matrix in Nominal Logistic Regression reportFigure 41A JMP Pro : Modèle d'ajustement - Matrice de confusion dans le rapport de régression logistique nominale
Figure 41B JMP Pro: Fit Model – ROC Curve in Nominal Logistic Regression reportFigure 41B JMP Pro : Ajuster le modèle – Courbe ROC dans le rapport de régression logistique nominale
Figure 41C JMP Pro: Fit Model – Lift Curve in Nominal Logistic Regression reportFigure 41C JMP Pro : Ajuster le modèle – Courbe d'élévation dans le rapport de régression logistique nominale
Figure 41D JMP Pro: Fit Model – Profiler in Nominal Logistic Regression reportFigure 41D JMP Pro : Ajuster le modèle – Profileur dans le rapport de régression logistique nominale
Lorsque l'objectif principal d'un modèle statistique est uniquement la prédiction et qu'il n'est pas nécessaire que l'équation ait une forme simple avec des coefficients interprétables, d'autres modèles plus complexes doivent être explorés. JMP Pro dispose d'une plate-forme très puissante appelée Model Screening qui s'adaptera à de nombreux modèles différents en utilisant diverses techniques présentant le résultat ensemble dans un seul rapport. La figure 42 montre la boîte de dialogue de cette plate-forme avec les variables affectées à leurs rôles et un ensemble de types de modèles sélectionnés.
Figure 42 JMP Pro: Model ScreeningFigure 42 JMP Pro : Sélection du modèle
La figure 43 montre certains des résultats récapitulatifs produits dans le rapport, ce qui vous permet de voir et de comparer facilement les performances du modèle. Notez que le modèle Boosted Neural Network a le taux d'erreur global le plus bas sur les données de validation (16,0 %) avec la régression logistique nominale à 19,2 %.
La figure 44 affiche l'outil Seuil de décision qui peut être important à évaluer lors de la prédiction d'un résultat catégoriel comme nous le faisons ici. Cet outil fournit un moyen interactif d'évaluer la façon dont les taux d'erreur changent pour chaque modèle lorsque vous considérez différentes valeurs de seuil de probabilité.
Chacune des plates-formes modèles peut être lancée à partir de ce rapport, donnant accès à l'ensemble complet d'outils disponibles pour chacune.
Figure 43 JMP Pro: Model Screening – Model SummaryFigure 43 JMP Pro : Sélection du modèle – Résumé du modèle
Figure 44 JMP Pro: Model Screening – Decision ThresholdFigure 44 JMP Pro : Sélection du modèle – Seuil de décision
Conclusion
Minitab et JMP offrent aux utilisateurs un environnement pointer-cliquer facile à utiliser pour analyser les données. Bien qu'ils contiennent tous deux bon nombre des mêmes techniques statistiques, vous y accédez et les utilisez de différentes manières. Par exemple : la plupart des analyses univariées dans JMP sont effectuées au sein de la plate-forme Distribution, tandis que dans Minitab, de nombreux outils différents sont utilisés en fonction du type de données spécifique analysé et de la technique statistique à choisir. Dans JMP, le résultat de chaque analyse univariée peut être ajouté à la même fenêtre de rapport.
Comme illustré dans ce guide de transition, les tableaux de données, les graphiques et les rapports sont liés de manière dynamique dans JMP, ce qui vous offre un environnement plus interactif pour explorer et analyser les données. Cette capacité vous permet d'effectuer un ensemble complet d'analyses sur divers sous-ensembles de données à l'aide d'un seul tableau de données et d'un ensemble de rapports d'analyse. En revanche, une session d'analyse typique dans Minitab vous oblige à gérer de nombreuses feuilles de calcul différentes et un grand nombre de résultats d'analyse.
L'approche de JMP pour explorer visuellement les données via le générateur de graphes est un paradigme très différent de la façon dont Minitab aborde la représentation graphique des données. Comme nous l'avons démontré dans le guide, le générateur de graphiques de JMP vous permet de voir comment chaque option que vous envisagez modifie la visualisation, vous offrant ainsi une manière dynamique de découvrir des fonctionnalités et des modèles dans les données.
Visite jmp.com pour en savoir plus sur les capacités de JMP et pour trouver des ressources d'apprentissage telles que des livres, des webinaires, des livres blancs, des cours, entre autres.
A propos de l'auteur
