Einfach zu bedienende Statistiksoftware ist in fast allen Unternehmen zu einem unverzichtbaren Werkzeug geworden, da immer mehr Unternehmen versuchen, ihre Mitarbeiter Entscheidungen auf der Grundlage von Daten treffen zu lassen. Umfassende statistische Analysen, die Erstellung anspruchsvoller deskriptiver und prädiktiver Modelle sowie das Auswerten von Daten zur Gewinnung von Erkenntnissen werden nicht mehr nur von Statistikern durchgeführt, sondern von Mitarbeitern aus vielen Funktionsbereichen innerhalb einer Organisation. Die Wissenschaft hat einen ähnlichen Bedarf. Die Zahl der Programme und Kurse in einem breiten Spektrum von Disziplinen, die Studenten mit den Werkzeugen und Techniken der statistischen Wissenschaften vertraut machen, hat erheblich zugenommen. Interaktive Point-and-Click-Software kann die Hürde für Schüler erheblich verringern, die erforderlichen Fähigkeiten zu entwickeln und den Datenexplorationsprozess zu genießen, ohne dass Programmieren erforderlich ist.
In diesem Whitepaper werden zwei beliebte Softwarepakete untersucht – Minitab und JMP. Die Unterschiede zwischen den beiden werden erläutert, um erfahrenen Minitab-Benutzern den Übergang zu JMP zu erleichtern. Der Schwerpunkt 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 in diesem Whitepaper vorgestellte Version.
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 nicht programmierenden, 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 hierbei eher um einen Übergangsleitfaden als um eine umfassende Darstellung ihrer individuellen Fähigkeiten handelt, können wir in diesem Whitepaper nicht alle Unterschiede zwischen den beiden behandeln. Besuchen minitab.com Und jmp.com um mehr zu lernen.
Zu den in diesem Dokument 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 Entscheidungen auf der Grundlage von Daten treffen zu lassen. Umfassende statistische Analysen, die Erstellung anspruchsvoller deskriptiver und prädiktiver Modelle sowie das Auswerten von Daten zur Gewinnung von Erkenntnissen werden nicht mehr nur von Statistikern durchgeführt, sondern von Mitarbeitern aus vielen Funktionsbereichen innerhalb einer Organisation. Die Wissenschaft hat einen ähnlichen Bedarf. Die Zahl der Programme und Kurse in einem breiten Spektrum von Disziplinen, die Studenten mit den Werkzeugen und Techniken der statistischen Wissenschaften vertraut machen, hat erheblich zugenommen. Interaktive Point-and-Click-Software kann die Hürde für Schüler erheblich verringern, die erforderlichen Fähigkeiten zu entwickeln und den Datenexplorationsprozess zu genießen, ohne dass Programmieren erforderlich ist.
In diesem Whitepaper werden zwei beliebte Softwarepakete untersucht – Minitab und JMP. Die Unterschiede zwischen den beiden werden erläutert, um erfahrenen Minitab-Benutzern den Übergang zu JMP zu erleichtern. Der Schwerpunkt 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. Mitte bis Ende der 90er Jahre erlangte es in der Industrie große Popularität, als Unternehmen, die sich an Qualitätsinitiativen wie Six Sigma beteiligten, begannen, statistische Techniken einzusetzen, um die Qualität ihrer Prozesse und Produkte zu verbessern. Minitab v19, veröffentlicht im Juni 2020, ist die in diesem Whitepaper vorgestellte Version.
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 nicht programmierenden, 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 hierbei eher um einen Übergangsleitfaden als um eine umfassende Darstellung ihrer individuellen Fähigkeiten handelt, können wir in diesem Whitepaper nicht alle Unterschiede zwischen den beiden behandeln. Besuchen www.minitab.com Und www.jmp.com um mehr zu lernen.
Überblick
Obwohl es einige Ähnlichkeiten zwischen Minitab und JMP gibt, gibt es einige grundlegende Unterschiede, die jemand kennen sollte, der auf JMP umsteigt.
1. Interaktive Analyseausgabe. Bei der Durchführung einer Analyse in JMP wird die Ausgabe in einem interaktiven Fenster angezeigt. 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 Ändern der Rolle einer Variablen und das Unterteilen der Daten können direkt aus der 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 alle Ausgaben können so eingestellt werden, dass sie automatisch aktualisiert werden.
Die Minitab-Ausgabe ist überwiegend statisch und nicht über verschiedene Analysetools hinweg verknüpft. Um beispielsweise eine Variable aus einem Modell zu entfernen, müsste das Analysetool neu gestartet, die entsprechenden Änderungen angegeben und anschließend die Analyse erneut ausgeführt werden. In vielen Minitab-Tools führen Änderungen an den Daten nicht automatisch zu einer Aktualisierung der Analyseergebnisse.
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 Tools führen, die als nächste Schritte im Analyse-Workflow konzipiert sind.
Minitab führt Analysen in einem traditionelleren Batch-Modus aus, wobei der Benutzer oft völlig unabhängig von der Betrachtung von Merkmalen in den Daten entscheiden muss, welche Analyse er durchführen möchte. Wenn ein Werkzeug ausgewählt wird, wird ein Dialogfeld geöffnet. Variablen werden Rollen zugewiesen und Optionen ausgewählt. Das Ausführen der Analyse erzeugt eine Reihe von Ausgaben, die normalerweise statisch sind. Der nächste Schritt in einem typischen Analyse-Workflow erfordert häufig die Einführung eines neuen Tools, das eine weitere Runde der Festlegung 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 Sie beispielsweise eine Analyse einer Teilmenge dieser Daten durchführen möchten, 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 Verwaltung vieler Arbeitsblätter in einer typischen Analysesitzung.
Obwohl man in JMP auch mit mehreren Datentabellen arbeiten kann, kann es oft am einfachsten sein, Datenfilter und Zeilenstatusoperationen zu verwenden, um die Daten zu definieren, auf denen eine bestimmte Analyse basieren soll. Diese Datenfilter und Zeilenzustände können jederzeit gespeichert und abgerufen werden, sodass der Analyst über eine einzige Datentabelle verfügt, anhand derer alle Analysen für verschiedene Teilmengen dieser Daten durchgeführt werden können.
Darüber hinaus ermöglicht das Tool „Lokaler Datenfilter“ in JMP Benutzern, die Daten auch nach der Durchführung einer Analyse zu filtern. Beispielsweise kann ein lineares Regressionsmodell aus allen Daten einer Datentabelle 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 Mehrfachanalyse. Ein wesentliches Merkmal von JMP ist die Fähigkeit, eine große Anzahl von Analysen gleichzeitig durchzuführen. In fast allen Analyseplattformen in JMP ist die Option „Nach Variable“ verfügbar, mit der Analysen für jede Ebene dieser Variablen durchgeführt werden können. Wenn man beispielsweise separate Hypothesentests durchführen möchte, bei denen zwei Mittelwerte für jede der 10 verschiedenen Gruppen einer kategorialen Variablen verglichen werden, muss lediglich „Nach Variable“ angegeben werden. Minitab müsste diese Analyse zehnmal ausführen.
Mit JMP-Plattformen können Sie außerdem eine große Anzahl einzelner Analysen zusammen ausführen, 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 verschiedenen Analysen in einem Schritt durchgeführt werden, einschließlich verschiedener Ein-Faktor-Analysetechniken basierend auf dem Datentyp für 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 würde die separate Ausführung jeder dieser Analysen mit unterschiedlichen Tools erfordern.
JMP verfügt über einzigartige Plattformen, die für die Ausführung einer sehr großen Anzahl von Analysen sowie für die Erstellung benutzerdefinierter Diagramme und Ausgaben entwickelt wurden. Beispielsweise kann eine multivariable Fähigkeitsanalyse für 50 verschiedene Prozessvariablen durchgeführt werden. Zusätzlich zur Ausgabe für 50 verschiedene individuelle Fähigkeitsanalysen werden einzigartige Diagramme und numerische Ausgaben erstellt, die alle einzelnen Ergebnisse standardisieren, um einfache Vergleiche zwischen diesen 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 durchaus üblich, dass es beispielsweise tausend verschiedene Antwortvariablen und einen einzigen erklärenden Faktor gibt. Eine Antwort-Screening-Analyse kann durchgeführt werden, was zu 1.000 separaten einfaktoriellen ANOVAs führt. Die Ergebnisse (statistisch angepasst basierend auf der Anzahl der Analysen) werden zusammen mit einem benutzerdefinierten Satz von Grafiken und Datentabellen angezeigt, die für einfache Vergleiche und Folgeanalysen konzipiert sind.
5. Integration. JMP kann in externe Computerumgebungen wie SAS, MATLAB, R und Python integriert werden. Über JSL (JMPs Skriptsprache) kann ein Analyst die Leistungsfähigkeit dieser Tools nutzen und gleichzeitig in der interaktiven GUI von JMP arbeiten.
Minitab kann derzeit ausschließlich mit Python integriert werden, nicht jedoch mit 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 erstellen, sodass andere Analyseberichte außerhalb von JMP mit interaktiven Tools anzeigen können, um einen tieferen Einblick in die Daten zu erhalten. Ein weiteres Produkt der JMP-Produktsuite ist JMP Live, das zusätzliche Funktionen zur Automatisierung der Erstellung und Weitergabe von Berichten bietet und ein Dashboard aktualisiert, wenn sich Daten und Modelle ändern.
7. Statistische Analysetechniken. Obwohl beide Softwareprogramme viele der gebräuchlicheren statistischen Analysetools enthalten, stehen in JMP und JMP Pro unzählige erweiterte Statistiktechniken und Datenverwaltungstools zur Verfügung, die in Minitab nicht verfügbar sind. JMP verfügt in der Regel auch über mehr Optionen und Fähigkeiten innerhalb einer bestimmten statistischen Analysetechnik. Besuchen www.jmp.com um mehr zu lernen.
Datensätze
In diesem Leitfaden werden verschiedene Datensätze verwendet. Sie finden sie hier .
Datei Format
Ein Unterschied, der einem erfahrenen Minitab-Benutzer möglicherweise zuerst beim Erlernen von JMP auffällt, besteht darin, dass es nicht notwendig ist, innerhalb einer Projektdateistruktur zu arbeiten.
Minitab-Projektdatei
Benutzer von Minitab sind am besten mit Minitab-Projektdateien vertraut, die mit der Erweiterung .mpx gekennzeichnet sind. Innerhalb dieser Projektdatei können mehrere Arbeitsblätter (dh Datentabellen) importiert oder erstellt werden. Abbildung 1 zeigt eine Beispiel-Minitab-Projektdatei mit vier Arbeitsblättern. Die Anzeige ist in drei Bereiche aufgeteilt. Im unteren rechten Bereich wird das aktive Arbeitsblatt (Full 4 Data) zusammen mit den Registerkarten unten für jedes Arbeitsblatt angezeigt. Der linke Bereich, der als Navigator bezeichnet wird, zeigt eine Liste der durchgeführten Analysen und Vorgänge (z. B. grafische Zusammenfassung von Ertrag und Feuchtigkeitsgehalt, …, geteiltes Arbeitsblatt). 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.
Figure 1 Minitab: Project FileAbbildung 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, muss aus dem übergeordneten Arbeitsblatt ein neues Arbeitsblatt erstellt werden. Hier wurde mit dem Befehl „Daten“ > „Arbeitsblatt teilen“ ein Satz Arbeitsblätter erstellt, eines für jeden der vier Geostandorte (A, B, C und D). Um eine Analyse nur für einen der GeoStandorte durchzuführen, muss dieses Arbeitsblatt zunächst ausgewählt werden, um es zum aktiven Arbeitsblatt zu machen, bevor die Analyse ausgeführt wird.
JMP-Datentabellendatei
JMP kann auch innerhalb einer Projektdateistruktur verwendet werden. Schauen wir uns zunächst an, wie JMP-Datentabellendateien funktionieren, da sich viele Benutzer für die Arbeit mit diesem Dateityp entscheiden. JMP-Datentabellendateien werden mit der Erweiterung .jmp gekennzeichnet.
Abbildung 2 zeigt ein Beispiel einer JMP-Datentabellendatei. Die Datei besteht aus vier Bereichen. Die Datentabelle befindet sich auf der rechten Seite, der Zeilenbereich befindet sich 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 Skripts werden in einem späteren Abschnitt gezeigt.
Die roten Dreiecke, die in den verschiedenen Bereichen zu sehen sind, greifen auf verschiedene Tools 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 der Tools und Vorgänge, die auf Spalten ausgeführt werden können, finden Sie im Menü „Spalten“ oder durch Klicken mit der rechten Maustaste auf eine Spalte in der Datentabelle.
Figure 2 JMP: Data TableAbbildung 2 JMP: Datentabelle
JMP verfügt über eine Sammlung von Tools, die wir später veranschaulichen werden und die es Benutzern ermöglichen, Analysen für bestimmte Teilmengen der Daten durchzuführen. In vielen Fällen werden Sie feststellen, dass Sie auf diese Weise mit einer Stammdatentabelle alle gewünschten Analysen durchführen können, ohne mehrere Datentabellen erstellen und verwalten zu müssen, wie es 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 fungieren als Container für viele verschiedene Projektelemente. Es kann Datentabellen, Analyseskripte, JMP-Journale, Berichte sowie Nicht-JMP-Elemente wie Dokumente, Datendateien usw. enthalten (oder darauf verweisen).
Abbildung 3A ist ein Beispiel einer JMP-Projektdatei.
In diesem Beispiel werden links zwei Bereiche angezeigt.
Inhalt: Liste aller in der Projektdatei enthaltenen Dateien 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 sowie einen 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 Arbeitsbereichsbereich aufgeführten Elemente. Hier haben wir eine der Datentabellen als aktives Fenster. Sie sollten dies als die in Abbildung 2 dargestellte JMP-Datentabelle erkennen.
Figure 3A JMP: Project FileAbbildung 3A JMP: Projektdatei
Jeder Bereich, einschließlich aller Registerkarten, kann verschoben werden, um die Anzeige auf die gewünschte Ansicht umzustellen.
Abbildung 3B zeigt ein Beispiel des Projekts, wobei die Registerkarten so angeordnet sind, dass die beiden JMP-Datentabellen und das Journal direkt rechts neben den Bereichen „Arbeitsbereich“ und „Inhalt“ platziert werden und eine davon zur Anzeige ausgewählt ist. Auf der rechten Seite befinden sich zwei übereinander angeordnete Analyseberichte.
Figure 3B JMP: Project FileAbbildung 3B JMP: Projektdatei
Diese konfigurierbare Umgebung mit Registerkarten bietet dem Benutzer die Flexibilität, den Inhalt der Projektdatei auf die für die jeweilige Situation am besten geeignete Weise anzuzeigen, auszublenden und anzuzeigen.
Projektdateien können geteilt werden und alle Inhalte, einschließlich Nicht-JMP-Dateien, werden einbezogen.
Besuchen Sie jmp.com, jmp.com/help oder community.jmp.com und suchen Sie nach „Projekte“, um eine Liste mit Ressourcen anzuzeigen, einschließlich Aufzeichnungen, Tutorials, Dokumentationen und Benutzerdiskussionen, um mehr über die Funktionalität von JMP Projects zu erfahren.
Daten importieren
Oftmals werden Daten in anderen Anwendungen und nicht in Statistiksoftware erzeugt. Beispielsweise kann ein Ingenieur 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 beide sind in der Lage, eine Datenbank über ODBC (Open Database Connectivity) abzufragen.
JMP
JMP kann andere Dateitypen öffnen, die Minitab nicht öffnen kann, z. B. SAS-, R-, MATLAB-, .html- und .pdf-Dateien. JMP kann mithilfe der Internet Open-Funktion auch Tabellen öffnen, die in Webseiten integriert sind.
JMP bietet außerdem den Vorteil, dass mehrere Dateien importiert und in einer Datentabelle kombiniert werden können. Abbildung 4 zeigt einen Ordner, der eine Sammlung verschiedener Textdateien im Zusammenhang mit einer Umfrage sowie den Inhalt einer dieser Dateien enthält.
Figure 4 JMP: Importing Multiple FilesAbbildung 4 JMP: Mehrere Dateien importieren
Wenn Sie „Datei“ > „Mehrere öffnen“ auswählen, wird ein Importassistent gestartet, der Sie durch den Prozess des Imports aller Daten dieser vielen Dateien in eine JMP-Datentabelle führt.
Um Daten, die Sie derzeit in einer Minitab-Datei haben, in JMP zu importieren, speichern Sie das Minitab-Arbeitsblatt am besten zunächst 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 (z. B. die zu importierenden Variablen und Zeilen auswählen, Variablennamen einschließen/ausschließen usw.).
Bereinigen und Formatieren von Daten
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 Minitab-Tools zum Formatieren, Bereinigen und Vorbereiten von Daten finden Sie in den Menüs „Daten“ und „Berechnen“. Abbildung 5 zeigt die Liste der Tools in diesen Menüs.
Figure 5 Minitab: Data and Calc menusAbbildung 5 Minitab: Menüs „Daten“ und „Berechnen“.
Sobald ein Werkzeug ausgewählt ist, erscheint ein Dialogfeld, in dem Variablen in verschiedene Rollen eingeteilt werden können, um den spezifischen Satz auszuführender Vorgänge zu beschreiben.
Abbildung 6 ist ein Beispiel für das Dialogfeld für das Sortierwerkzeug von Minitab. Hier haben wir uns dafür entschieden, alle Daten in alphabetischer aufsteigender Reihenfolge basierend auf der GeoLocation-Variablen zu sortieren und die Daten im selben Arbeitsblatt zu speichern (d. h. „In den Originalspalten“).
Figure 6 Minitab: Sort ToolAbbildung 6 Minitab: Sortierwerkzeug
JMP
Die meisten JMP-Tools zum Formatieren, Bereinigen und Vorbereiten von Daten für die Analyse sind in drei verschiedenen Menüs zu finden: Tabellen, Zeilen und Spalten (dargestellt in Abbildung 7).
Figure 7 JMP: Tables, Rows and Cols MenusAbbildung 7 JMP: Tabellen-, Zeilen- und Spaltenmenüs
Abbildung 8 ist ein Beispiel für das Sortiertool von JMP. Obwohl das Dialogfeld anders aussieht und unterschiedliche Namen für Vorgänge verwendet, ist die allgemeine Vorgehensweise recht ähnlich.
Figure 8 JMP: Sort ToolAbbildung 8 JMP: Sortierwerkzeug
Alle Datenbearbeitungsvorgänge, die Sie in Minitab durchgeführt haben, können auch in JMP ausgeführt werden. Es bedarf nur ein wenig Übung, um zu lernen, wie auf die Werkzeuge zugegriffen wird und wie der gewünschte Vorgang 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.
Figure 9 JMP: Data Table with Missing ValuesAbbildung 9 JMP: Datentabelle mit fehlenden Werten
Das Tool „Muster für fehlende Daten“ im Menü „Tabellen“ fasst das „Fehlen“ in den Daten in einer neuen JMP-Datentabelle zusammen. Abbildung 10 zeigt die resultierende Tabelle zusammen mit dem dazugehörigen Zelldiagramm.
Figure 10 JMP: Missing Data PatternAbbildung 10 JMP: Fehlendes Datenmuster
Diese neue Datentabelle beschreibt das fehlende Datenmuster in den Daten. Insbesondere gibt es 15 Zeilen ohne fehlende Werte; In einer Zeile fehlt ein Wert in der Variablen Y5. In vier Zeilen fehlt ein Wert in der Variablen Y3. In zwei Zeilen fehlt ein Wert für drei Variablen: Y3, Y4 und Y5 usw. Durch das Hervorheben einer Zeile in dieser Tabelle mit fehlenden Datenmustern werden alle Zeilen mit diesem fehlenden Datenmuster in der Originaldatentabelle hervorgehoben. Auf diese Weise können Sie diese Daten aus zukünftigen Analysen ausblenden und/oder ausschließen oder Zeilenzustände generieren, z. B. die Zuweisung eindeutiger Symbole zur Anzeige in Diagrammen. Unter dem Menü „Analysieren“ > „Screening“ gibt es eine verwandte Plattform namens „Fehlende Werte untersuchen“, die zusätzliche Tools für die Arbeit mit fehlenden Daten bietet, darunter statistische Techniken zum Auffinden von Gemeinsamkeiten zwischen den fehlenden Mustern in den Variablen und Zeilen sowie die Möglichkeit, die fehlenden Daten zu imputieren Ersetzen Sie sie durch geschätzte Werte.
Neue Variablen erstellen
Sowohl Minitab als auch JMP ermöglichen die Erstellung neuer Variablen. Diese neuen Variablen können beispielsweise einfache arithmetische Operationen sein, die andere Variablen in der Datentabelle verwenden, oder ein logisches bedingtes Argument.
Minitab
Neue Variablen werden in Minitab über das Rechnertool im Menü „Berechnen“ erstellt. Abbildung 11 zeigt, wie eine neue Textvariable basierend auf dem Wert der Variablen „Feuchtigkeitsgehalt“ erstellt wurde und die Ergebnisse in Spalte C9 gespeichert wurden.
Figure 11 Minitab: CalculatorAbbildung 11 Minitab: Rechner
JMP
Um eine neue Variable in JMP zu erstellen, greifen Sie auf das Formeltool 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 Formeltool 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 sehen können.
Figure 12 JMP: FormulaAbbildung 12 JMP: Formel
Mit dem Formel-Tool von JMP können auch neue Variablen mithilfe einer Mustersequenz, einer Zufallsstichprobe aus anderen Spalten oder einer bestimmten Wahrscheinlichkeitsverteilung erstellt werden. In Minitab müsste auf andere Tools zugegriffen werden, um diese Art von Operationen zu generieren.
Datenfilter und Zeilenzustände
Minitab
Wenn Sie eine Analyse in Minitab durchführen, wird ein Arbeitsblatt mit den Daten für diese Analyse aktiviert. Wenn eine Analyse für eine Teilmenge eines übergeordneten Datensatzes durchgeführt werden soll, muss höchstwahrscheinlich ein neues Arbeitsblatt erstellt werden, das nur diese Teilmenge an 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 üblich, dass innerhalb einer Projektdatei viele Arbeitsblätter verwaltet werden müssen.
JMP
Wie bereits gezeigt, können auch mehrere Datentabellen in einer JMP-Projektdatei eingerichtet werden. Stattdessen können Datenfilter und Zeilenstatusoperationen verwendet werden, um die spezifischen Daten zu definieren, auf denen eine bestimmte Analyse basieren soll, was dazu führt, dass sich viele Benutzer dafür entscheiden, alle ihre Analysen anhand einer Datentabelle durchzuführen. Diese Datenfilter und Zeilenzustände können jederzeit gespeichert und abgerufen werden.
Wir veranschaulichen diese Analysen anhand der Getreideertrag 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 Kopfdiagramm ist ein praktisches Tool, das oben in jeder Spalte eine Zusammenfassung einer Variablen auf hoher Ebene 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 wird. Bei einer Analyse, die mit diesem aktiven Zeilenstatus durchgeführt wird, werden die GeoLocations A und C nicht in die Berechnungen einbezogen und auch nicht in einer grafischen Anzeige angezeigt. Zu den weiteren Optionen gehören die Verwendung ausgewählter Daten in Berechnungen, die jedoch nicht in einem Diagramm angezeigt werden (nur Ausblenden), oder das Anzeigen von Daten in einem Diagramm, die jedoch nicht in Berechnungen verwendet werden (nur Ausschließen). Dieser Zeilenstatus kann durch erneutes Auswählen von Zeilen > Ausblenden und Ausschließen oder Zeilen > Zeilenstatus löschen deaktiviert werden.
Figure 13A JMP: Rows selectedAbbildung 13A JMP: Zeilen ausgewählt
Figure 13B JMP: Hide/ExcludeAbbildung 13B JMP: Ausblenden/Ausschließen
Der globale Datenfilter ist ein weiteres nützliches Werkzeug zum Definieren einer Teilmenge von Daten. Auf dieses Tool können Sie zugreifen, indem Sie „Zeilen“ > „Datendatei“ wählen. Abbildung 14 zeigt den geöffneten Datenfilter mit 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 umfassen und es können sowohl kategoriale als auch kontinuierliche Variablen verwendet werden. Dieser Datenfilter kann in der Datentabelle gespeichert werden, Zeilenzustände können gelöscht und dann jederzeit wieder aufgerufen werden.
Figure 14 JMP: Global Data FilterAbbildung 14 JMP: Globaler Datenfilter
Weitere Merkmale können als Zeilenzustände eingerichtet werden. Beispielsweise möchten Sie möglicherweise, dass alle in einer Analyse erstellten Diagramme unterschiedliche Farben für die verschiedenen Geostandorte verwenden. Diese Einstellung kann über „Zeilen“ > „Farbe“ oder „Nach Spalte markieren“ eingerichtet werden. Abbildung 15 ist die resultierende Datentabelle mit den Farben als Zeilenzustände. Jede grafische Anzeige, die mit diesem aktiven Zeilenstatus erstellt wird, verwendet diese Farbcodierung. Diese Zeile kann auch jederzeit gespeichert und abgerufen werden.
Figure 15 JMP: Color Row StateAbbildung 15 JMP: Farbzeilenstatus
Der lokale Datenfilter in JMP bietet eine weitere Möglichkeit, mit einer Teilmenge der Daten zu arbeiten. Dieser Ansatz bietet ein interaktives Tool, mit dem Sie sehen können, wie sich Analyseergebnisse sofort ändern, wenn verschiedene Teilmengen der Daten ausgewählt werden. Der Zugriff auf den lokalen Datenfilter erfolgt unter dem oberen roten Dreieck in einem Analyseberichtsfenster. Abbildung 16 zeigt die Ergebnisse einer Regressionsanalyse unter Verwendung aller Daten (links), wobei sich dieselbe Ausgabe dann ändert, wenn nur GeoLocation A aus dem lokalen Datenfilter ausgewählt wird. Beachten Sie, dass die Datenpunkte den Farbzeilenstatus verwenden, den wir in Abbildung 15 eingerichtet haben.
Figure 16 JMP: Local Data FilterAbbildung 16 JMP: Lokaler Datenfilter
Beschreibende Statistik
Sowohl Minitab als auch JMP können zusammenfassende Statistiken berechnen, die Merkmale in den Daten beschreiben.
Wir werden einige dieser Analysen anhand der veranschaulichen Getreideertrag Daten.
Minitab
Es gibt verschiedene Möglichkeiten, deskriptive Statistiken in Minitab zu erstellen (z. B. Deskriptive Statistiken anzeigen, Deskriptive Statistiken und grafische Zusammenfassungen im Statistikmenü speichern). Beschreibende Statistiken können auch mit dem Tabellentool erstellt werden, was wir hier veranschaulichen. Abbildung 17 zeigt die Schritte zur Berechnung des Stichprobenmittelwerts und der Stichprobenstandardabweichung für den Ertrag für jede GeoLocation/Year-Kombination und die resultierende Tabelle.
Figure 17 Minitab: Descriptive statistics via TableAbbildung 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 Tool „Tabellen > Beschreibende Statistik“ neu gestartet, das Dialogfeld aktualisiert und die Analyse erneut ausgeführt.
JMP
JMP kann deskriptive Statistiken auch auf verschiedene Weise berechnen, einschließlich der Verteilungsplattform, des Graph Builder, des Column Viewer und über Spaltenformeln. Ähnlich wie bei der Verwendung von Minitab veranschaulichen wir, wie zusammenfassende Statistiken über die Plattform „Analysieren > Tabulieren“ berechnet werden.
Beim Starten der Tabulate-Plattform wird das in Abbildung 18A gezeigte Fenster geöffnet. Variablen werden einfach in verschiedene Rollen eingeteilt, um die Tabelle zu erstellen. Diese Variablen können verschoben werden, um die Art und Weise zu ändern, wie die Tabelle angezeigt wird. Unter anderem können Variablen entfernt und hinzugefügt sowie neue Statistiken berechnet werden, wobei die Tabelle in dem Moment aktualisiert wird, in dem diese Änderungen vorgenommen werden. Betrachten Sie es als eine leere Leinwand, auf der Sie die gewünschte Tabelle erstellen.
Figure 18A JMP: Descriptive Statistics via TabulateAbbildung 18A JMP: Beschreibende Statistik per Tabellarisierung
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 Geostandort anzeigt.
Wir beginnen damit, Yield in die Zone „Resulting Cells Drop“ zu platzieren. Standardmäßig wird die Summe (die Standardstatistik) dieser Variablen als einzelne Zelle angezeigt (Bild oben links in Abbildung 18B). Hinweis: Sie können festlegen, dass auch der Mittelwert und die Standardabweichung standardmäßig über die Einstellungen angezeigt werden (JMP > Einstellungen > Plattformen > Tabellieren).
In diesem Fall ersetzen wir die Summe durch den Mittelwert und die Standardabweichung, indem wir diese beiden Statistiken aus der Liste oben in die Zelle ziehen, in der das Wort „Summe“ angezeigt wird. Die Tabelle wird aktualisiert und die Summenstatistik durch den Mittelwert und die Standardabweichung ersetzt (Bild oben rechts in Abbildung 18B).
Die kategorialen Variablen (Jahr und GeoStandort) werden einfach an den gewünschten Orten abgelegt. „Year“ wird als Zeilen (Bild unten links in Abbildung 18B) und „GeoLocation“ als Spalten (Bild unten rechts) platziert.
Figure 18B JMP: Descriptive Statistics via TabulateAbbildung 18B JMP: Beschreibende Statistik per Tabellarisierung
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“ verschoben wird, um eine andere Zeilenvariable innerhalb von „Year“ zu sein.
Figure 18C JMP: Descriptive Statistics via TabulateAbbildung 18C JMP: Beschreibende Statistik per Tabellierung
Diese Tabelle mit zusammenfassenden Statistiken kann zur weiteren Analyse in eine JMP-Datentabelle umgewandelt werden, indem Sie unter dem roten Dreieck die Option „In Datentabelle umwandeln“ auswählen. Abbildung 18D zeigt die resultierende Datentabelle.
Figure 18D JMP: Descriptive statistics via Tabulate – Creating a Data TableAbbildung 18D JMP: Beschreibende Statistik über Tabulate – Erstellen einer Datentabelle
Grafisch darstellen
Minitab und JMP gehen bei der grafischen Darstellung von Daten sehr unterschiedlich vor. Dies ist einer der bedeutenderen Unterschiede zwischen den beiden Softwareprogrammen, die ein neuer JMP-Benutzer bemerken wird.
Wir werden einige dieser Analysen anhand der veranschaulichen Getreideertrag Daten.
Minitab
Um ein Diagramm in Minitab zu erstellen, muss man zunächst entscheiden, welches Diagramm benötigt wird, und es dann aus dem Menü „Diagramm“ auswählen. Abbildung 19 zeigt eine Liste der in diesem Menü verfügbaren Diagramme.
Figure 19 Minitab: Graph menuAbbildung 19 Minitab: Diagrammmenü
Wir veranschaulichen den Prozess der Erstellung eines Diagramms in Minitab durch die Erstellung eines Streudiagramms. Wenn das Streudiagramm-Tool gestartet wird, erscheint ein Bildschirm (linkes Bild in Abbildung 20A). An diesem Punkt muss der Benutzer eine der Streudiagrammoptionen auswählen. In diesem Beispiel wurde „Einfach“ gewählt. Anschließend erscheint ein Dialogfeld zur Eingabe der Variablen, die auf der Y- und X-Achse dargestellt werden sollen (rechtes Bild in Abbildung 20A).
Figure 20A Minitab: ScatterplotAbbildung 20A Minitab: Streudiagramm
Die Schaltflächen „Skalierung“, „Beschriftungen“, „Datenansicht“, „Mehrere Diagramme“ und „Datenoptionen“ bieten zusätzliche Optionen. Abbildung 20B zeigt das resultierende Diagramm, wenn keine zusätzlichen Optionen ausgewählt werden.
Figure 20B Minitab: ScatterplotAbbildung 20B Minitab: Streudiagramm
Einige Elemente des Diagramms können bearbeitet werden (z. B. 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 für jeden der vier Geostandorte eine separate Regressionslinie aufweist, müsste ein völlig neues Diagramm erstellt werden. Dies würde durch einen Neustart des Streudiagramm-Tools und die Auswahl von „Mit Regression und Gruppen“ aus dem in Abbildung 20A gezeigten Dialogfeld erfolgen.
Figure 20C Minitab: ScatterplotAbbildung 20C Minitab: Streudiagramm
Um einen völlig anderen Diagrammtyp mit denselben Daten zu erstellen (z. B. vergleichende Boxplots usw.), kehrt der Benutzer zum Diagrammmenü zurück, startet die entsprechenden Diagrammwerkzeuge und legt die entsprechenden Optionen fest. Jede Iteration der grafischen Untersuchung der Daten erfordert typischerweise diesen Ansatz, bis das gewünschte Diagramm erstellt ist.
JMP
JMP geht beim Erstellen von Diagrammen ganz anders vor als Minitab. Obwohl es in JMP auf jeder Analyseplattform Tools zum Erstellen von Diagrammen gibt, veranschaulichen wir die Erstellung von Visualisierungen über die leistungsstarke Graph Builder-Plattform. Dieses Tool wurde so konzipiert, dass es der typischen Art und Weise entspricht, wie man Daten in der Praxis untersucht und analysiert. Beim Starten der Graph Builder-Plattform (Graph > Graph Builder) beginnt die Anzeige mit einer scheinbar leeren Leinwand und einer Diagrammpalette (Abbildung 21A).
Figure 21A JMP: Graph BuilderAbbildung 21A JMP: Graph Builder
Ein Diagramm wird erstellt, indem Variablen in verschiedene Rollen eingeteilt und die gewünschte grafische Darstellung ausgewählt wird. Wenn beispielsweise die Variable Feuchtigkeitsgehalt in die Y-Zone eingefügt wird, beginnt JMP mit der Anzeige eines Punktdiagramms (Abbildung 21B).
Figure 21B JMP: Graph Builder – DotplotAbbildung 21B JMP: Graph Builder – Dotplot
Wenn anstelle eines Punktdiagramms ein anderes Diagramm gewünscht wird (z. B. Boxplot), wählen Sie einfach diese Option aus der Diagrammpalette oben aus und das Diagramm ändert sich sofort. Abbildung 21C zeigt ein Diagramm, bei dem sowohl ein Punktdiagramm als auch ein Boxdiagramm ausgewählt wurden.
Figure 21C JMP: Graph Builder – Dotplot and BoxplotAbbildung 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. Abbildung 21D zeigt ein Beispiel eines solchen Diagramms mit einer enthaltenen Regressionslinie.
Figure 21D JMP: Graph Builder – Scatterplot with regression lineAbbildung 21D JMP: Graph Builder – Streudiagramm mit Regressionslinie
Für jeden ausgewählten Diagrammtyp werden auf der linken Seite Werkzeuge und Optionen angezeigt, mit denen Sie das Diagramm noch weiter ändern oder erweitern können. Beispielsweise wurden die Gleichung, das 95 %-Konfidenzintervall und der RSquared-Wert zum Diagramm hinzugefügt.
Jedes dieser während dieses Vorgangs erstellten Diagramme kann bei Bedarf in der Datentabelle gespeichert werden. Alternativ kann der Analyst die Daten weiterhin visuell untersuchen. Abbildung 21E zeigt, wie sich das Diagramm ändern würde, wenn die Variable GeoLocation in die Wrap-Drop-Zone abgelegt würde.
Figure 21E JMP: Graph Builder – Individual scatterplots with regression linesAbbildung 21E JMP: Graph Builder – Einzelne Streudiagramme mit Regressionslinien
Wenn GeoLocation von der Drop-Zone „Wrap“ in die Drop-Zone „Overlay“ verschoben würde und die Option zum Anzeigen der Gleichung und von „RSquared“ deaktiviert wäre, würde sich das Diagramm wie in Abbildung 21F dargestellt ändern.
Figure 21F JMP: Graph Builder – Scatterplot with overlaid regression linesAbbildung 21F JMP: Graph Builder – Streudiagramm mit überlagerten Regressionslinien
Wenn Sie den Cursor über eine der Achsen bewegen, verwandelt sich der Zeiger in ein Handsymbol, sodass Sie die Achsen auf einfache Weise verschieben und/oder neu skalieren können. Wenn Sie auf eine Achse doppelklicken, wird eine Reihe von Werkzeugen angezeigt, mit denen Sie das Diagramm noch weiter verändern können, beispielsweise um von einer linearen Skala zu einer logarithmischen Skala zu wechseln.
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 verdeutlicht 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 Auswahl bewirkt. In JMP erstellen Sie interaktiv Diagramme und sehen, wie jede Auswahl das Diagramm verändert und verbessert. Dies führt zu einer viel effizienteren und umfangreicheren Datenanalyse, sodass Sie schnell unzählige Diagramme erstellen können, um Merkmale in den Daten aufzudecken und die Visualisierungen zu erstellen, die Ihre Ergebnisse am besten kommunizieren.
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 oben links zu sehende Spaltenumschalter wurde so eingerichtet, dass der Analyst einfach neun weitere mögliche Ergebnisvariablen auswählen (oder durchspielen) kann, um sie auf der Y-Achse anzuzeigen. Der lokale Datenfilter wurde ebenfalls anhand der Erklärungsfaktoren Promotion (drei Stufen) und Zeitraum (10 Stufen) aufgebaut. Der Analyst kann die Daten anhand dieser Variablen unterteilen. 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.
Figure 22 JMP: Column Switcher and Local Data FilterAbbildung 22 JMP: Spaltenumschalter und lokaler Datenfilter
JMP enthält viele grafische Tools, die derzeit in Minitab nicht verfügbar sind. Dadurch erweitern Sie Ihre Fähigkeit, Daten zu untersuchen und zu präsentieren, erheblich. Abbildung 23A-J zeigt einige dieser Visualisierungen.
Figure 23A JMP: Hover GraphletAbbildung 23A JMP: Hover Graphlet
Figure 23B JMP: Image LabelsAbbildung 23B JMP: Bildbeschriftungen
Figure 23C JMP: Geographic MapsAbbildung 23C JMP: Geografische Karten
Figure 23D JMP: Motion Bubble PlotAbbildung 23D JMP: Bewegungsblasendiagramm
Figure 23E JMP: Correlation Color MapAbbildung 23E JMP: Korrelationsfarbkarte
Figure 23F JMP: Shape Based Heat MapsAbbildung 23F JMP: Formbasierte Wärmekarten
Figure 23G JMP: Density Contour PlotAbbildung 23G JMP: Dichtekonturdiagramm
Figure 23H JMP: Word CloudAbbildung 23H JMP: Wortwolke
Figure 23I JMP: Comparative HistogramsAbbildung 23I JMP: Vergleichshistogramme
Figure 23J JMP: Scaled Parallel PlotsAbbildung 23J JMP: Skalierte Paralleldiagramme
Figure 23K JMP: Mosaic PlotAbbildung 23K JMP: Mosaikdiagramm
Figure 23L JMP: Nonlinear Functional FitAbbildung 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 Schritt für Schritt durchgehen, um diese Unterschiede zu veranschaulichen.
Wir veranschaulichen diese Analysen anhand der Joghurtproduktion Daten.
Minitab
In Minitab ist das Tool „Grafische Zusammenfassung“ eine nützliche Möglichkeit, eine einzelne Variable zu analysieren. Um diese Analyse auszuführen, wählen Sie dieses Tool im Statistikmenü aus. Es erscheint ein Dialogfeld, in dem Sie die Variable auswählen können, 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 Tool in Minitab erfordern.
Figure 24A Minitab: Graphical SummaryAbbildung 24A Minitab: Grafische Zusammenfassung
Figure 24B Minitab: Graphical SummaryAbbildung 24B Minitab: Grafische Zusammenfassung
Wenn andere als die angezeigten Statistiken gewünscht würden, müsste ein anderes Tool gestartet werden (Statistik > Grundlegende Statistiken > Beschreibende Statistiken anzeigen) und diese Optionen ausgewählt werden. Schritte und Ausgabe werden jetzt angezeigt.
Die grafische Zusammenfassung zeigt die Ergebnisse des Anderson-Darling-Normalitätstests. Wenn Sie ein Wahrscheinlichkeitsdiagramm und/oder ein empirisches Diagramm der kumulativen Verteilungsfunktion begleitend zum Test untersuchen möchten, müsste dies mit zwei verschiedenen zusätzlichen Tools erfolgen (Statistik>Basisstatistik>Normalitätstest und Diagramm>Empirischer CDF). Das Verfahren ähnelt dem Ausführen jeder anderen Analyse. Beim Starten des Tools wird ein Dialogfeld angezeigt, in dem der Benutzer die Variable angeben kann, für die die Analyse ausgeführt werden soll, und Optionen auswählen kann. Abbildung 25A zeigt die Schritte zum Ausführen der Normalitätstestanalyse und 25B zeigt die resultierende Ausgabe.
Figure 25A Minitab: Normality testAbbildung 25A Minitab: Normalitätstest
Figure 25B Minitab: Normality testAbbildung 25B Minitab: Normalitätstest
Um das CDF-Diagramm zu erstellen, würde ein anderes Tool (Graph>Empirical CDF) gestartet und die Analyse ausgeführt werden (Schritte und Ausgabe werden jetzt angezeigt).
Wenn beispielsweise die Normalverteilung kein gutes Modell für die Verwendung einer Variablen darstellt, müssen möglicherweise andere Verteilungen ausgewertet werden. Diese Auswertung wird in einem anderen Tool durchgeführt (Statistik>Qualitätstools>Individuelle Verteilungsidentifikation) (Schritte und Ausgabe nicht gezeigt).
Nehmen wir an, der nächste Schritt der Analyse besteht darin, einen Hypothesentest für den Mittelwert der Grundgesamtheit durchzuführen. Dazu wäre der Zugriff auf ein weiteres Tool erforderlich (Statistik > Basisstatistik > 1-Stichproben-t) (Schritte und Ausgabe nicht gezeigt). Um einen Hypothesentest bezüglich der Varianz durchzuführen, verwenden Sie dasselbe Verfahren wie ein neues Tool (Statistik > Basisstatistik > 1 Varianz).
Andere Analysen, die bei der Analyse einer einzelnen kontinuierlichen Variablen üblich sind, sind unter anderem: Äquivalenztest, Toleranzintervall, Vorhersageintervall, Fähigkeitsanalyse. Für jedes wäre ein anderes Tool in Minitab erforderlich, und jedes würde eine eigene Ausgabe erzeugen. Derzeit ist Minitab nicht in der Lage, ein Vorhersageintervall zu erstellen, sodass hierfür tatsächlich eine manuelle Erstellung einer Formel erforderlich wäre.
JMP
JMP geht bei univariaten Analysen ganz anders vor und orientiert sich eher am natürlichen Arbeitsablauf der Datenerkundung und -analyse. JMP verfügt über eine einzige Plattform (Analysieren > Verteilung), die alle im vorherigen Abschnitt erwähnten Analysen durchführen kann. Der Zugriff auf die Plattform erfolgt durch Auswahl aus einem Menü und Ausfüllen eines Dialogfelds, wie in Abbildung 26A dargestellt. Abbildung 26B zeigt die anfängliche Ausgabe.
Figure 26A JMP: DistributionAbbildung 26A JMP: Verteilung
Figure 26B JMP: DistributionAbbildung 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 zusammenfassenden Statistiktabelle erhalten Sie Zugriff auf eine Reihe von Tools zum Ändern der angezeigten Statistiken.
Alle genannten und viele andere Analysen können in diesem einen Berichtsfenster durchgeführt werden. Der Zugriff auf diese erfolgt alle über das rote Dreieck neben dem Variablennamen. Diese Kontextmenüs stellen Ihnen eine Reihe von Analysen zur Verfügung, die Sie als Nächstes in Ihrem Analyse-Workflow berücksichtigen sollten. Abbildung 27 zeigt dieses Menü zusammen mit der ausgewählten Analyse „Kontinuierliche Anpassung“ > „Normal“.
Figure 27 JMP: DistributionAbbildung 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 einem Berichtsfenster hinzugefügt wurde, um einen einfachen Vergleich zu ermöglichen.
Figure 28A JMP: Quantile Plot and Distribution FitAbbildung 28A JMP: Quantildiagramm und Verteilungsanpassung
Figure 28B JMP: Goodness of FitAbbildung 28B JMP: Anpassungsgüte
Figure 28C JMP: CDF PlotAbbildung 28C JMP: CDF-Diagramm
Figure 28D JMP: Interactive Distribution ProfilerAbbildung 28D JMP: Interaktiver Verteilungsprofiler
Figure 28E JMP: Interactive Quantile ProfilerAbbildung 28E JMP: Interaktiver Quantil-Profiler
Figure 28F JMP: Test MeanAbbildung 28F JMP: Testmittel
Figure 28G JMP: Test Standard DeviationAbbildung 28G JMP: Teststandardabweichung
Figure 28H JMP: Prediction IntervalAbbildung 28H JMP: Vorhersageintervall
Figure 28I JMP: Tolerance IntervalAbbildung 28I JMP: Toleranzintervall
Figure 28J JMP: Equivalence TestAbbildung 28J JMP: Äquivalenztest
Figure 28K JMP: Capability AnalysisAbbildung 28K JMP: Fähigkeitsanalyse
Es stehen zusätzliche interaktive Tools zur Verfügung, die über „Was-wäre-wenn“-Szenarien ein zusätzliches Maß an Analysemöglichkeiten bieten. Die Abbildungen 29A – 29C zeigen drei davon (p-Wert-Animation, Leistungsanimation und Fähigkeitsanimation). Diese interaktiven Tools tragen nicht nur dazu bei, den untersuchten Prozess besser zu verstehen, sondern bieten auch eine hervorragende Möglichkeit, statistische Konzepte zu verstehen oder zu vermitteln.
Figure 29A JMP: p-value AnimationAbbildung 29A JMP: p-Wert-Animation
Figure 29B JMP: Power AnimationAbbildung 29B JMP: Power-Animation
Figure 29C JMP: Interactive Capability PlotAbbildung 29C JMP: Interaktives Fähigkeitsdiagramm
Der lokale Datenfilter und der Spaltenumschalter sind in diesem interaktiven Bericht ebenfalls verfügbar. Abbildung 30 zeigt die Einrichtung des Spaltenumschalters für die 7 Produktionslinien und die Einrichtung des lokalen Datenfilters für die Chargennummer. 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 für jede Ergebnisvariable und/oder Teilmenge der Daten, die analysiert werden soll, jede einzelne Analyse mit allen verschiedenen Tools erneut ausgeführt werden, wodurch eine beträchtliche Menge an zu verwaltenden Berichten entsteht.
Figure 30 JMP: Column Switcher and Local Data FilterAbbildung 30 JMP: Spaltenumschalter und lokaler Datenfilter
Ergebnisse speichern und teilen
Minitab
Jedes Mal, wenn eine Analyse in Minitab durchgeführt wird, wird die Ausgabe als separates Element im Navigatorbereich platziert. Durch das Speichern der Projektdatei werden alle diese Ausgabeelemente zusammen mit allen Arbeitsblättern in der Projektdatei gespeichert. Einzelne Ausgaben können auch als Bilddatei (z. B. .png, .jpg) gespeichert und in andere Anwendungen eingefügt werden.
JMP
Es gibt viele Möglichkeiten, Ihre Analyseergebnisse in JMP zu speichern. Dazu gehört das Speichern als interaktive .html-Datei, in einer JMP-Journal-Datei, als Bilddatei in anderen Anwendungen und sogar die Veröffentlichung in einem privaten sicheren Dashboard über. JMP Live bietet die Möglichkeit, Berichte außerhalb von JMP anzuzeigen und mit ihnen zu interagieren. Wir veranschaulichen das Speichern von Berichten als Skript in der Datentabelle, da dies die häufigste Methode zum Speichern Ihrer Analysearbeit ist.
Wählen Sie in einem Bericht „Skript speichern“ > „In Datentabelle“ unter dem roten Dreieck oben links im Berichtsfenster (Abbildung 31A).
Figure 31A JMP: Saving a script to data tableAbbildung 31A JMP: Speichern eines Skripts in einer Datentabelle
Die gespeicherten Skripte werden im oberen linken Bereich des Datendateifensters angezeigt (Abbildung 31B).
Figure 31B JMP: Saved ScriptsAbbildung 31B JMP: Gespeicherte Skripte
Durch Klicken auf das grüne Dreieck wird das gespeicherte Skript erneut ausgeführt, um alle mit diesem Bericht verbundenen Analysen durchzuführen. Dadurch können Sie einen vollständigen Satz von Analysen für einen geänderten Datensatz erneut ausführen (z. B. Daten entfernen/hinzufügen, Werte neu kodieren, Teilmenge 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 Ein-Faktor-Analysen (z. B. einfache lineare Analysen).
Regression, einfache logistische Regression, einfaktorielle ANOVA und Chi-Quadrat-Test für
Proportionen vergleichen). Ähnlich wie bei univariaten Analysen nähern sie sich der Art und Weise, wie die
Analysen werden sehr unterschiedlich durchgeführt.
Wir werden einige dieser Analysen anhand der Tablet-Produktionsdaten veranschaulichen.
Minitab
Bei der Durchführung einer Ein-Faktor-Analyse in Minitab wird das entsprechende Werkzeug gestartet (z. B. Statistik > Regression > Diagramm der angepassten Linie). Im Dialogfeld werden die entsprechenden Variablen angegeben und weitere Optionen ausgewählt. Die Ausgabe wird generiert und im Ausgabefenster platziert. Bedenken Sie bei der Untersuchung der Ausgabe einer einfachen linearen Regression beispielsweise, dass es gewünscht ist, dem Diagramm ein Konfidenzintervall hinzuzufügen oder Residuendiagramme zu untersuchen, oder vielleicht möchte man den Maßstab einer der Variablen von linear auf log oder ändern Verwenden Sie möglicherweise insgesamt eine andere Antwort- oder Prädiktorvariable. Das Anpassungsliniendiagramm-Tool müsste neu gestartet, die Optionen geändert und dann ein neuer Ausgabesatz erstellt werden. Jeder Ausgabesatz in Minitab ist in erster Linie statisch und lässt nur wenige Änderungen zu.
Verschiedene Ein-Faktor-Analysen (z. B. logistische Regression, ANOVA, Chi-Quadrat-Test) erfordern den Einsatz anderer Tools.
JMP
In JMP werden alle Ein-Faktor-Analysen von einer Plattform aus durchgeführt: Analysieren > Y nach X anpassen.Abbildung 32A zeigt das Dialogfeld für diese Plattform. Wenn Y (Antwortvariable) und X (Faktor) ausgewählt werden, ermittelt JMP automatisch die richtige Analyse.
Um zu veranschaulichen, wie JMP mehrere Analysen gleichzeitig durchführen kann, haben wir zwei Variablen für Y, Reaktion (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:
- Einfaktorielle ANOVA für Auflösung vs. API-Partikelgröße.
- Einfache lineare Regression für Auflösung vs. Mahlzeit.
- Kontingenztabellenanalyse für Chargenakzeptanz vs. API-Partikelgröße.
- Einfache logistische Regression für Losannahme vs. Verarbeitungszeit
Figure 32A JMP: Fit Y by XAbbildung 32A JMP: Y an X anpassen
Wie bei vielen anderen Plattformen in JMP bietet „Fit Y by 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 dieser vier Analysen ist in Abbildung 32B dargestellt. Hinweis: Die Zeilenzustände wurden so eingerichtet, dass Chargen, die die Auflösungsspezifikation ≥70 erfüllen, grün farbcodiert sind und Chargen < 70 rot farbcodiert sind.
Neben jeder Analyse befindet sich ein roter Dreieck-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 Analyse-Workflow auswählen. Jede nachfolgende Analyse erzeugt einen weiteren Ausgabesatz, der dem Bericht hinzugefügt wird, wobei ein neuer roter Dreieck-Hotspot zusätzliche Optionen bietet.
Figure 32B JMP: Fit Y by X ReportAbbildung 32B JMP: Y-nach-X-Bericht anpassen
Figure 33 JMP: Fit Y by X Contextual MenusAbbildung 33 JMP: Kontextmenüs „Y nach X anpassen“.
Um zu veranschaulichen, wie sich eine Analyse in der Plattform „Y nach X anpassen“ entwickeln könnte, wurde die Option „Linie anpassen“ unter dem roten Dreieck für die bivariate Anpassung der Auflösung nach Mühlenzeit ausgewählt. Abbildung 34 zeigt die Ausgabe, die nun basierend auf dieser Auswahl dem Bericht hinzugefügt wird.
Figure 34 JMP: Linear Regression FitAbbildung 34 JMP: Lineare Regressionsanpassung
Beachten Sie, dass neben der ausgewählten linearen Anpassung ein neuer roter Dreieck-Hotspot angezeigt wird. Abbildung 35 zeigt die in diesem Kontextmenü verfügbaren Optionen. Hier sehen Sie unter anderem die Option, dem Diagramm Konfidenz- oder Vorhersageintervalle hinzuzufügen, Residuendiagramme zu erstellen und Werte in der Datentabelle zu speichern.
Figure 35 JMP: Linear Fit Contextual MenusAbbildung 35 JMP: Kontextmenüs für lineare Anpassung
Wie im Menü „Bivariate Anpassung“ in Abbildung 33 dargestellt, können andere Modelle angepasst und verglichen werden. Zum Beispiel: Polynome, Splines, orthogonale, nichtparametrische Dichten und robuste Regression. Transformation sind unter „Fit-Spezial“ verfügbar. Abbildung 36 zeigt diese Optionen.
Figure 36 JMP: TransformationAbbildung 36 JMP: Transformation
Jede berücksichtigte Modellanpassung kann zum Bericht hinzugefügt oder daraus entfernt werden, während Sie verschiedene Modelloptionen untersuchen und vergleichen, um das für die Daten beste Modell zu finden. Abbildung 37 zeigt die Anzeige mit quadratischer Anpassung und hinzugefügter nichtparametrischer Dichte.
Figure 37 JMP: Comparing ModelsAbbildung 37 JMP: Vergleich von Modellen
Auf den lokalen Datenfilter und den Spaltenumschalter kann zugegriffen werden, wenn Sie die verwendeten Variablen ändern oder eine Teilmenge der Daten auswählen möchten, auf der die Analysen basieren sollen. 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 erneut auszuführen, wie es bei Minitab der Fall ist.
Wie dieses Beispiel noch einmal zeigt, ist die Datenanalyse in JMP viel mehr als nur die Durchführung einer bestimmten statistischen Technik an einem Datensatz und die Beobachtung einer statischen Sammlung von Ausgaben. Die Plattformen sind so konzipiert, dass sie einem natürlichen Analyse-Workflow folgen, der darauf abgestimmt ist, wie Sie Daten in der Praxis analysieren würden. Sie erforschen, 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, die viele Variablen umfassen, ist wahrscheinlich die leistungsfähigste und am häufigsten benötigte Art der Analyse. Normalerweise gibt es vier Zwecke für die Erstellung dieser Modelle:
- Zum Testen spezifischer Hypothesen.
Beispiel: Reduziert die medikamentöse Behandlung A die Genesungsrate bei Männern über 70 Jahren im Vergleich zu einem Placebo um mindestens 15 %? Ist der Effekt bei Frauen derselbe?
- Herausfinden der wenigen Variablen aus vielen, die am meisten mit einem Ergebnis korrelieren.
Beispiel: Welches sind die wichtigsten sozioökonomischen Bedingungen, die am stärksten mit schlechten Gesundheitsergebnissen für eine Gemeinschaft korrelieren?
- Quantitative Beschreibung der Beziehungen zwischen Variablen.
Beispiel : Wie stark nimmt die Viskosität einer Lösung ab, wenn die Verarbeitungstemperatur um 5 °C steigt? 0 C und die Bearbeitungszeit erhöht sich um 10 Minuten?
- Erstellen Sie eine Methode zur Vorhersage eines Ergebnisses.
Beispiel: Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde basierend auf den Merkmalen des Kunden und seiner aktuellen Hypothek daran interessiert wäre, etwas über ein neues Programm zur Hypothekenrefinanzierung zu erfahren?
Das Hauptziel eines Modells kann nur eines davon, einige oder sogar alle davon sein. Die gewählte Modellierungstechnik hängt häufig davon ab, welche dieser Ziele am wichtigsten sind.
Minitab
Minitab v19 verfügt über drei multivariable Modellierungstechniken:
· Verallgemeinerte lineare Modelle (z. B. ANOVA, lineare Regression, logistische Regression)
· Klassifizierungs- und Regressionsbäume
· Diskriminanzanalyse
Ähnlich wie bei der Durchführung einer Ein-Faktor-Analyse erfordert die Erstellung eines multivariablen statistischen Modells zunächst die Auswahl eines für die Situation geeigneten Modellierungstyps (z. B. Statistik>ANOVA>Allgemeines lineares Modell). Innerhalb des Dialogfelds gibt der Benutzer dann die einzubeziehenden Variablen und alle anderen relevanten Optionen an.
Die Ausgabe wird beim Ausführen der Analyse generiert und im Ausgabefenster platziert. Beim Aufbau eines statistischen Modells muss ein Analyst in der Regel viele verschiedene Modelle anpassen, wobei jedes einen anderen Satz von Variablen und Modelltermen enthält, bis ein endgültiges Modell festgelegt ist. Wenn entschieden wird, eine Variable oder einen Term aus dem Modell zu entfernen, wird das Dialogfeld neu gestartet, Änderungen vorgenommen und die Analyse erneut ausgeführt. Jedes in Betracht gezogene mögliche Modell muss separat ausgeführt werden und erzeugt jeweils eine andere Ausgabemenge. Wie bei den meisten Analyseergebnissen in Minitab ist die numerische und grafische Ausgabe größtenteils statisch und bietet nur wenige Optionen zum Vornehmen von Änderungen. Möchte man beispielsweise einige Beobachtungen aus den Daten entfernen, muss ein neues Arbeitsblatt erstellt und alle Modelle erneut ausgeführt werden.
JMP und JMP Pro
JMP und JMP Pro v16 verfügen über die folgenden multivariablen Modellierungstechniken sowie jeweils viele Varianten.
· Verallgemeinerte lineare Modelle (z. B. ANOVA, lineare Regression, logistische Regression)
· Partition (Entscheidungsbaum)
· Neurales Netzwerk
· Diskriminanzanalyse
· Bootstrap-Wald *
· Verstärkte Bäume *
· K Nächste Nachbarn *
· Naiver Bayes *
· Support-Vektor-Maschinen *
* Nur JMP Pro
Darüber hinaus gibt es in JMP und JMP Pro noch 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 zur Modellierung von Daten, bei denen es sich um Funktionen und Signale handelt). , oder Serie).
Jede der Modellierungsplattformen von JMP verfügt außerdem über zahlreiche Optionen hinsichtlich Schätzmethoden und Modellanpassungsspezifikationen. Diese bieten die Möglichkeit, noch mehr zu berücksichtigende Modelle zu generieren und ermöglichen größere Fähigkeiten bei der Handhabung komplexer Situationen (z. B. gewichtete kleinste Quadrate, bestrafte Regression, informatives Fehlen, K-Fold-Kreuzvalidierung, um nur einige zu nennen).
Wir veranschaulichen den Modellerstellungsprozess in JMP Pro, indem wir ein logistisches Regressionsmodell mithilfe von anpassen Refinanzierung von Hypotheken 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.
Figure 38 JMP and JMP Pro: Fit Model – PersonalitiesAbbildung 38 JMP und JMP Pro: Modell anpassen – Persönlichkeiten
Abbildung 39A zeigt das Dialogfeld für die Plattform „Modell anpassen“ mit der hinzugefügten Ergebnisvariablen und den Modelltermen. Hier passen wir ein reines Haupteffektmodell an. Es besteht die Möglichkeit, Interaktionsterme und quadratische Effekte einzubeziehen und Begriffe wie (gekreuzt oder verschachtelt) und (fest oder zufällig) zu definieren. Wir haben auch eine Validierungsspalte eingefügt. In dieser Spalte wurden die Daten zufällig 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.
Figure 39A JMP Pro: Fit ModeAbbildung 39A JMP Pro: Anpassungsmodus
Nach der Durchführung der Analyse erstellt JMP den nominalen logistischen Regressionsbericht.
Wie bei allen Analyseausgaben von JMP ist es am besten, sich einen Bericht als interaktive Plattform und nicht als statische 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.
Figure 39B JMP Pro: Fit Model – Effect Summary for Nominal Logistic RegressionAbbildung 39B JMP Pro: Modell anpassen – Effektzusammenfassung für die nominale logistische Regression
Abbildung 40 zeigt Optionen, die unter dem oberen roten Dreieck verfügbar sind.
Figure 40 JMP Pro: Fit Model – Contextual Menu in Nominal Logistic Regression reportAbbildung 40 JMP Pro: Modell anpassen – Kontextmenü im Bericht „Nominale logistische Regression“.
Abbildung 41A – 41D zeigt einige der häufigsten Ausgabetypen, die beim Erstellen eines dem Bericht hinzugefügten logistischen Regressionsmodells untersucht werden.
Figure 41A JMP Pro: Fit Model – Confusion Matrix in Nominal Logistic Regression reportAbbildung 41A JMP Pro: Modell anpassen – Verwirrungsmatrix im Bericht „Nominale logistische Regression“.
Figure 41B JMP Pro: Fit Model – ROC Curve in Nominal Logistic Regression reportAbbildung 41B JMP Pro: Modell anpassen – ROC-Kurve im Bericht „Nominale logistische Regression“.
Figure 41C JMP Pro: Fit Model – Lift Curve in Nominal Logistic Regression reportAbbildung 41C JMP Pro: Modell anpassen – Liftkurve im Bericht „Nominale logistische Regression“.
Figure 41D JMP Pro: Fit Model – Profiler in Nominal Logistic Regression reportAbbildung 41D JMP Pro: Bericht „Modell anpassen – Profiler im 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 mithilfe verschiedener Techniken viele verschiedene Modelle anpassen und die Ergebnisse in einem Bericht zusammenfassen kann. Abbildung 42 zeigt das Dialogfeld für diese Plattform mit den ihren Rollen zugewiesenen Variablen und einer Reihe ausgewählter Modelltypen.
Figure 42 JMP Pro: Model ScreeningAbbildung 42 JMP Pro: Modell-Screening
Abbildung 43 zeigt einige der im Bericht erstellten Zusammenfassungsergebnisse, sodass Sie die Modellleistung leicht erkennen und vergleichen können. Beachten Sie, dass das Boosted Neural Network-Modell die niedrigste Gesamtfehlerrate bei den Validierungsdaten aufweist (16,0 %), wobei die nominelle logistische Regression bei 19,2 % liegt.
Abbildung 44 zeigt das Entscheidungsschwellenwert-Tool, dessen Bewertung bei der Vorhersage eines kategorialen Ergebnisses, wie wir es hier tun, wichtig sein kann. Dieses Tool bietet eine interaktive Möglichkeit, 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 für jede Modellplattform verfügbaren Tools.
Figure 43 JMP Pro: Model Screening – Model SummaryAbbildung 43 JMP Pro: Modellscreening – Modellzusammenfassung
Figure 44 JMP Pro: Model Screening – Decision ThresholdAbbildung 44 JMP Pro: Modellscreening – Entscheidungsschwelle
Abschluss
Sowohl Minitab als auch JMP bieten Benutzern eine benutzerfreundliche Point-and-Click-Umgebung zum Analysieren von Daten. Obwohl sie 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, während in Minitab viele verschiedene Tools verwendet werden, abhängig vom spezifischen Datentyp, der analysiert wird, und der zu wählenden statistischen Technik. In JMP kann die Ausgabe jeder univariaten Analyse demselben Berichtsfenster hinzugefügt werden.
Wie in diesem Übergangsleitfaden dargestellt wurde, sind die Datentabellen, Grafiken und Berichte in JMP dynamisch verknüpft, was Ihnen eine interaktivere Umgebung zum Erkunden und Analysieren von Daten bietet. Mit dieser Funktion können Sie eine ganze Reihe von Analysen verschiedener Teilmengen von Daten mit nur einer Datentabelle und einem Satz Analyseberichten durchführen. Im Gegensatz dazu müssen Sie bei einer typischen Analysesitzung in Minitab 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 Art und Weise, wie Minitab an die grafische Darstellung von Daten herangeht. Wie wir im Leitfaden gezeigt haben, können Sie mit dem Graph Builder von JMP sehen, wie jede von Ihnen in Betracht gezogene Option die Visualisierung verändert, und bietet Ihnen so eine dynamische Möglichkeit, Merkmale und Muster in den Daten zu entdecken.
Besuchen jmp.com um mehr über die Fähigkeiten von JMP zu erfahren und Lernressourcen wie Bücher, Webinare, Whitepapers, Kurse und mehr zu finden.
Über den Autor
