Un collègue est aux prises avec le problème suivant et j'ai pensé le partager ici. Il dispose de données multivariées avec plusieurs facteurs et plusieurs réponses mesurées pour chaque scénario expérimental. Les réponses diffèrent dans leur importance pour le projet – certaines sont plus importantes que d’autres. Il aimerait trouver un moyen de visualiser les données en utilisant un plus petit nombre de réponses, tout en prenant en compte une sorte de pondération, de préférence ajustable, qu'il attribuerait aux réponses des parents. Quel type d'approche est requis ici, et JMP peut-il vous aider ?
Je trouve que c'est une question intéressante. L'intérêt habituel dans la réduction de dimensionnalité réside dans les prédicteurs - et l'ACP, le filtrage des prédicteurs ou le clustering (tous faciles à réaliser dans JMP) peuvent y être utilisés. Mais dans ces cas-là, la variable de réponse est soit donnée, soit non pertinente. Vous semblez demander de réduire le nombre de variables de réponse potentielles. Je ne pense pas que l'on puisse répondre directement à partir des données - si certaines variables de réponse sont plus importantes que d'autres, cela implique qu'il existe une variable de réponse globale (peut-être non mesurée) à laquelle les multiples variables de réponse dont vous disposez sont liées. Je pense que vous devez préciser comment ces variables contribuent à la réponse globale.
À titre d'exemple, j'ai effectué un certain nombre d'analyses des données du College Scorecard. Parmi les nombreuses variables de réponse potentielles figurent : les revenus X ans après l'obtention du diplôme, la dette totale après l'obtention du diplôme, le remboursement total X ans après l'obtention du diplôme, le total des défauts de paiement X ans après l'obtention du diplôme, etc. (toutes peuvent être ventilées selon divers données démographiques des diplômés). L’élément d’intérêt le plus courant est la façon dont les études collégiales affectent les revenus ou le bien-être financier à vie. Cette variable de réponse ultime n'est pas facile à mesurer, alors que n'importe laquelle des variables de réponse ci-dessus est mesurée. Ce qu’il faut, c’est quelque chose qui relie les variables de réponse mesurées à l’élément d’intérêt ultime non mesuré. Une façon de procéder pourrait consister à élaborer une théorie sur la façon dont les revenus et la dette interagissent au fil du temps pour produire le bien-être financier. Cette théorie fournirait des pondérations des variables de réponse et éventuellement la forme d'un modèle permettant de prédire le bien-être financier.
Je ne pense pas qu'il s'agisse d'une tâche à laquelle on peut répondre à partir des données sans une théorie pour structurer les variables à réponse multiple, contrairement à la tâche de choix/pondération des variables prédictives (à laquelle on peut « répondre » en analysant les données). S’il s’agit d’un processus physique (dans lequel les variables de réponse sont diverses mesures de force, de résilience, de fiabilité, etc.), préciser la théorie reliant les variables de réponse devrait être une tâche plus facile.
