277716_ja-JP

liliconcom

多変量手法を使用したデータの探索

方法を参照してください:

• 多変量手法 (PCA、クラスタリング、K 平均法) を理解して使用する
• 多変量散布図と相関関係を作成して解釈する
• 共通の特性に基づいて、多数の変数を含むレコードを新しい変数の小さなクラスターにグループ化します。
• 多数の変数間で同様の値を共有する行をクラスター化する
• 階層クラスタリングを使用して樹状図を作成します。樹状図は、数千行までの小さなテーブルに対応する動的で応答性の高いツリー グラフです。
• 最大数十万行のテーブルに K-Means クラスタリングを使用する
• 自己組織化マップを使用してクラスターを作成し、2 次元クラスター グリッド上の特定のレイアウトでクラスターを形成します。グリッド内の近接性がクラスターの類似性を示します。
• 連続因子に対して主成分分析 (PCA) を実行します。最初の主成分は、可能な限り最大の分散を持つ標準化された元の変数の線形結合です。後続の各主成分は、可能な限り最大の分散を持ち、以前に定義されたすべての成分と相関のない変数の線形結合です。
• カテゴリカル データの複数の対応関係の分析 (PCA に似ていますが、カテゴリカル データが対象)
• 因子分析を使用して潜在的な因子を特定する

リソース

• 基本的な一変量および多変量統計のための JMP®: 研究者および社会科学者のための方法、第 2 版アン・リーマン、ノーム・オルーク、ラリー・ハッチャー、エドワード・J・ステパンスキー著
• Visual Six Sigma: データ分析を効率化する、第 2 版イアン・コックス著マリー・ゴーダールミア・L・スティーブンス

 

高度な統計モデリング