동료가 다음 문제로 씨름하고 있는데 여기서 공유해야겠다고 생각했습니다. 그는 각 실험 시나리오에 대해 여러 요인과 여러 측정된 반응을 포함하는 다변량 데이터를 보유하고 있습니다. 응답은 프로젝트에 대한 중요성이 다릅니다. 일부 응답은 다른 응답보다 더 중요합니다. 그는 더 적은 수의 응답을 사용하여 데이터를 시각화하는 방법을 원하며 부모 응답에 할당할 일종의 가중치(가급적 조정 가능)를 고려합니다. 여기에는 어떤 접근 방식이 필요하며, JMP가 도움이 될까요?
나는 이것이 흥미로운 질문이라고 생각합니다. 차원 축소에 대한 일반적인 관심은 예측 변수에 있으며 PCA, 예측 변수 선별 또는 클러스터링(모두 JMP에서 쉽게 수행됨)을 사용할 수 있습니다. 그러나 이러한 경우에는 응답 변수가 제공되거나 관련이 없습니다. 잠재적인 반응 변수의 수를 줄이는 것에 대해 묻는 것 같습니다. 나는 이것이 데이터에서 직접 답변될 수 있다고 생각하지 않습니다. 일부 응답 변수가 다른 응답 변수보다 더 중요한 경우, 이는 여러 응답 변수가 관련되어 있는 일부 중요한 응답 변수(아마도 측정되지 않음)가 있음을 의미합니다. 이러한 변수가 전체 반응에 어떻게 기여하는지 지정해야 한다고 생각합니다.
예를 들어, 저는 College Scorecard 데이터에 대해 여러 가지 분석을 수행했습니다. 많은 잠재적 반응 변수에는 졸업 후 수입 X년, 졸업 시 총 부채, 졸업 후 총 상환 X년, 총 채무 불이행 X년 졸업 등이 있습니다(모두 다양한 대학원 인구 통계에 따라 분류될 수 있음). 가장 일반적인 관심 항목은 대학 교육이 평생 소득이나 재정적 복지에 어떤 영향을 미치는지입니다. 위의 응답 변수 중 하나는 측정되는 반면 최종 응답 변수는 쉽게 측정되지 않습니다. 필요한 것은 측정된 반응 변수를 측정되지 않은 궁극적인 관심 항목에 연결하는 것입니다. 계속 진행하는 방법은 시간이 지남에 따라 소득과 부채가 어떻게 상호 작용하여 재정적 복지를 창출하는지에 대한 이론을 구축하는 것입니다. 그 이론은 반응 변수의 가중치를 제공하고 재정적 안녕을 예측하는 모델의 형태를 제공할 수도 있습니다.
나는 이것이 예측 변수를 선택/가중치하는 작업(데이터를 분석하여 "답변"할 수 있음)과 달리 다중 응답 변수에 구조를 제공하는 이론 없이 데이터에서 응답할 수 있는 작업이라고 생각하지 않습니다. 이것이 물리적 프로세스(반응 변수가 강도, 탄력성, 신뢰성 등의 다양한 측정인 경우)인 경우, 반응 변수를 연결하는 이론을 지정하는 것이 더 쉬운 작업입니다.
