上个月，唐 ( @DonMcCormack ) 带我们深入了解混合方法提取您的退休储蓄。 唐的分析确实表明，如果管理不当，基于通胀的方法可能会产生短缺。 由于目前的经济状况和通货膨胀率高于多年来的水平，基于通货膨胀的方法似乎特别重要。
本月我们将采取更轻松的方法，并展示最糟糕的州在哪些州过上舒适的退休生活。 该数据来自银行利率2021 年的文章，是基于几个因素的组合，包括负担能力、犯罪、文化、健康、天气和我们根据将所有单个类别分数加在一起计算得出的总体总分。 请查看 Bankrate 文章以获取有关他们如何对各州进行评分的更多信息： 2021 年最佳和最差退休州：所有 50 个州，排名
我们将根据这些类别显示图表并给出总分，分数越高表示退休费用越高，生活质量可能越低。
一些结果可能会让您感到惊讶，但最终，您需要做出最适合您情况的居住地的决定。
下面显示的第一个图表是基于上面列出的所有因素的总分。 蓝色越深，排名越低，您退休后可能生活在那里的情况就越差。 当您将比例降低到黄色时，退休后过上更好生活的前景就会改善。请记住，所有事物都是相对的。 对你最好的才是真正最重要的。
以下是查看各州跌幅的可负担性。 为什么任何给定的州比其他州的表现更差并不总是显而易见的，因此这些观点将有助于阐明一些观点并带来更好的见解。 相同颜色的条形属于评级相似的状态集群。 马里兰州在这张图表中脱颖而出，但请记住，颜色基于所有标准，而不仅仅是可负担性。 被认为具有良好负担能力的州位于右侧。
那么，是什么推动了总分呢？ 让我们看几个不同的分析，看看我们能学到什么。 首先是层次聚类。 状态如何根据所有自变量组合在一起？ 层次聚类将显示高度相似性的对象配对，如下面的树状图所示。 如上所示，我们已经使用集群来帮助为几个图表着色。
仅基于提供的数据有五个集群。 我们将集群保存回数据以供将来参考，但集群告诉我们什么？
包含集群的平行图有助于深入挖掘，尤其是在使用本地数据过滤器时。
使用本地数据过滤器，我们可以选择一个集群并比较该集群中的状态，如下例所示。 该图显示了集群 5 中的状态如何相互比较。
第 5 组中的州的负担能力值偏高，而犯罪率偏高，但在文化方面得分相对较高。
多变量分析提供了另一组工具，允许我们一次比较所有变量。 在下面的散点图中，您可以看到许多变量彼此高度相关，但天气似乎完全独立于其他变量。
我们使用普通最小二乘法构建了一个预测模型，以显示哪些因素推动了我们的总分值。 该模型表明，天气是获得更高总分的第一驱动因素，在预测总分时可以忽略可负担性。 另一种思考方式是，一旦考虑了其他因素的主要影响，负担能力对模型没有任何预测能力。 拟合模型摘要显示高 R 2和高 R 2调整后的值，并且这些值更接近表明一个良好的预测模型。 方差概率 > F p 值的分析也非常低，这表明该模型在预测未来数据方面优于平均值。
我们将留给您使用随附的 JMP 表自行进一步调查。 这篇文章中显示的所有图表和模型都保存在数据表中，以便您可以轻松地重新创建它们。 祝您好运找到适合您退休需求的州！
查看我们退休系列中的所有帖子这里.
