Un collega sta lottando con il seguente problema e ho pensato di condividerlo qui. Dispone di alcuni dati multivariati con più fattori e più risposte misurate per ogni scenario sperimentale. Le risposte differiscono nel loro significato per il progetto: alcune sono più importanti di altre. Vorrebbe un modo per visualizzare i dati utilizzando un numero minore di risposte, tenendo conto di una sorta di ponderazione, preferibilmente regolabile, da assegnare alle risposte dei genitori. Che tipo di approccio è richiesto in questo caso e JMP può essere d'aiuto?
Trovo che questa sia una domanda interessante. L'interesse abituale per la riduzione della dimensionalità è nei predittori e qui è possibile utilizzare PCA, screening dei predittori o clustering (tutti facilmente eseguibili in JMP). Ma in questi casi, la variabile di risposta è data o irrilevante. Sembra che tu stia chiedendo di ridurre il numero di potenziali variabili di risposta. Non penso che a questo si possa rispondere direttamente dai dati: se alcune variabili di risposta sono più importanti di altre, ciò implica che esiste una variabile di risposta generale (forse non misurata) a cui sono correlate le variabili di risposta multipla che hai. Penserei che sia necessario specificare in che modo queste variabili contribuiscono alla risposta complessiva.
Ad esempio, ho effettuato una serie di analisi dei dati del College Scorecard. Tra le molte potenziali variabili di risposta ci sono: guadagni X anni dopo la laurea, debito totale dopo la laurea, rimborso totale X anni dopo la laurea, inadempienze totali X anni dopo la laurea, ecc. (tutto può essere suddiviso in base ai vari dati demografici dei laureati). L’elemento di interesse più comune è il modo in cui l’istruzione universitaria influisce sui guadagni nel corso della vita o sul benessere finanziario. Quella variabile di risposta finale non è facilmente misurabile, mentre viene misurata qualsiasi variabile di risposta di cui sopra. Ciò che serve è qualcosa che colleghi le variabili di risposta misurate all’elemento di interesse finale non misurato. Un modo per procedere potrebbe essere quello di costruire una teoria su come i guadagni e il debito interagiscono nel tempo per produrre benessere finanziario. Questa teoria fornirebbe la ponderazione delle variabili di risposta e possibilmente la forma di un modello per prevedere il benessere finanziario.
Non penso che questo sia un compito a cui si possa rispondere partendo dai dati senza una teoria che fornisca una struttura alle variabili di risposta multipla, a differenza del compito di scegliere/ponderare le variabili predittive (a cui si può "risposta" analizzando i dati). Se si tratta di un processo fisico (dove le variabili di risposta sono varie misurazioni di forza, resilienza, affidabilità, ecc.), specificare la teoria che collega le variabili di risposta dovrebbe essere un compito più semplice.
