上個月，唐 ( @DonMcCormack ) 帶我們深入了解混合方法提取您的退休儲蓄。 唐的分析確實表明，如果管理不當，基於通脹的方法可能會產生短缺。 由於目前的經濟狀況和通脹高於多年來的水平，基於通脹的方法似乎特別相關。
本月，我們將採取更輕鬆的方法，並展示最糟糕的州在哪些州過著舒適的退休生活。 該數據來自銀行利率2021 年的文章，是基於幾個因素的組合，包括負擔能力、犯罪、文化、健康、天氣和我們根據將所有單個類別分數加在一起計算得出的總體總分。 請查看 Bankrate 文章以獲取有關他們如何對各州進行評分的更多信息： 2021 年最佳和最差退休州：所有 50 個州，排名
我們將根據這些類別顯示圖表並給出總分，分數越高表示退休費用越高，生活質量可能越低。
一些結果可能會讓您感到驚訝，但最終，您需要做出最適合您情況的居住地的決定。
下面顯示的第一個圖表是基於上面列出的所有因素的總分。 藍色越深，排名越低，您退休後可能住在那裡的情況就越糟。 當您將比例降低到黃色時，退休後過上更好生活的前景會有所改善。請記住，所有事物都是相對的。 對你最好的才是真正最重要的。
以下是查看各州跌幅的可負擔性。 為什麼任何給定的州比其他州的表現更差並不總是顯而易見的，因此這些觀點將有助於闡明一些觀點並帶來更好的見解。 相同顏色的條形屬於評級相似的狀態集群。 馬里蘭州在這張圖表中脫穎而出，但請記住，顏色基於所有標準，而不僅僅是可負擔性。 被認為具有良好負擔能力的州位於右側。
那麼，是什麼推動了總分呢？ 讓我們看幾個不同的分析，看看我們能學到什麼。 首先是層次聚類。 狀態如何根據所有自變量組合在一起？ 層次聚類將顯示高度相似性的對象配對，如下面的樹狀圖所示。 如上所示，我們已經使用集群來幫助為幾個圖表著色。
僅基於提供的數據有五個集群。 我們將集群保存回數據以供將來參考，但集群告訴我們什麼？
包含集群的平行圖有助於深入挖掘，尤其是在使用本地數據過濾器時。
使用本地數據過濾器，我們可以選擇一個集群並比較該集群中的狀態，如下例所示。 該圖顯示了集群 5 中的狀態如何相互比較。
第 5 組中的州的負擔能力值偏高，而犯罪率偏高，但在文化方面得分相對較高。
多變量分析提供了另一組工具，允許我們一次比較所有變量。 在下面的散點圖中，您可以看到許多變量彼此高度相關，但天氣似乎完全獨立於其他變量。
我們使用普通最小二乘法構建了一個預測模型，以顯示哪些因素推動了我們的總分值。 該模型表明，天氣是獲得更高總分的第一驅動因素，在預測總分時可以忽略可負擔性。 另一種思考方式是，一旦考慮了其他因素的主要影響，負擔能力對模型沒有任何預測能力。 擬合模型摘要顯示高 R 2和高 R 2調整後的值，並且這些值更接近表明一個良好的預測模型。 方差概率 > F p 值的分析也非常低，這表明該模型在預測未來數據方面優於平均值。
我們將留給您使用隨附的 JMP 表自行進一步調查。 這篇文章中顯示的所有圖表和模型都保存在數據表中，以便您可以輕鬆地重新創建它們。 祝您好運找到適合您退休需求的州！
查看我們退休系列中的所有帖子這裡.
