JMP 재팬 사업부에서는, 올해 3월부터 4월에 걸쳐 「JMP 정보국」이라고 하는 세미나를 매주 화요일, 전 8회로 실시했습니다. 이 세미나는, 매회 30분이라는 단시간에 JMP의 다양한 정보를 전하는 것을 목적으로 하고 있어, 상정을 웃도는 많은 분들에게 참가해 주셨습니다.
엔딩에서 받은 많은 반응
본 블로그에서는 4월에 실시한 제5회~제8회에서 실시한 주요 주제에 대해 정리하고 있습니다.
※제1회부터 제4회의 주된 내용은, 이하의 블로그를 참조해 주세요.
1회 30분의 옴니버스 세미나 「JMP 정보국」에서 실시한 것의 정리(제1회~제4회 실시분) - JMP User Community。
목차
제5회(본 방송 4/2, 재방송 4/9) 다시 한번 "일변량의 분포"로 할 수 있는 것을 알
JMP 유저가 잘 이용하고 있는 플랫폼 「일변량의 분포」에 대해서, 다양한 옵션을 소개했습니다.
● 범주형 변수(명의 척도, 순서 척도)에 대한 옵션
JMP의 샘플 데이터 "Employee Taste.jmp"를 열고 [분석] > [일변량 분포] 에서 명의 척도의 열 [TV] ~ [레스토랑]을 [Y, 열]로 지정했을 때
보고서의 열 이름 왼쪽에 있는 빨간색 삼각형 버튼을 클릭하고 옵션을 지정하여 다음과 같은 보고서를 만들 수 있습니다.
이 보고서는 다음 옵션을 순차적으로 적용하여 만들 수 있습니다.
※Ctrl 키를 누른 상태에서 열 이름 왼쪽에 있는 빨간색 삼각형 버튼을 클릭하고 옵션을 선택하면 같은 형식의 보고서에 정리하여 해당 옵션을 적용할 수 있습니다.
● 연속 변수(연속 척도)에 대한 옵션
제4회의 「Taylor Swift의 곡 분석」에서 곡별 인기도 「popularity」를 나타내는 연속 척도의 열을 고찰했습니다.
연속 척도 보고서에 있는 히스토그램은 도구 > 손바닥 도구 를 사용하여 히스토그램의 계단폭, 각도 위치를 변경할 수 있습니다.
다봉 분포가 의심되는 경우 열 이름 왼쪽의 빨간색 삼각형 버튼에서 연속 분포 피팅 > 모든 피팅을 실행하고 분포 비교 보고서를 살펴보겠습니다. .
「분포의 비교」에서는 적합도 통계량인 AICc가 작은(적합도가 좋은) 순서로 늘어놓습니다. 이 예에서는 정규 분포보다 2중 정규 혼합 분포나 3중 정규 혼합 분포의 적용이 좋다는 것을 보여줍니다.
이러한 경우에는 분포를 나누는 층별 변수가 없는지 검토해 보면 좋을 것입니다.
제6회(본 방송 4/9, 재방송 4/11) 「예측 구간과 허용 구간에 대해」
통계로 이용하는 예측 구간과 허용 구간의 대략적인 이미지를 설명해, JMP의 「일변량의 분포」로 실연했습니다. 이번에 사용한 배포 자료와 JMP의 샘플 데이터를 본 블로그에 첨부하고 있습니다.
자료：JMP정보국 제6회 예측 구간과 허용 구간.pdf
JMP의 샘플 데이터：JMP 정보국 제6회 예측 구간과 허용 구간의 설명용 가상 데이터 .jmp
제7회(본 방송 4/16, 재방송 4/18) 「AI의 의식 조사」앙케이트의 분석
본 세미나의 참가자를 대상으로 「AI에 관한 의식 조사」의 앙케이트를 실시해, 그 데이터를 JMP로 분석하는 예를 나타냈습니다.
설문의 예
112명에게 응답했습니다. 앙케이트에는 AI에 관한 설문 이외에도 성별, 연대(40세 이상, 40세 미만)의 설문도 있습니다.
설문조사 분석에서는 특히 "카테고리", "잠재 클래스 분석" 플랫폼을 사용했습니다.
● 「카테고리」 플랫폼
분석 > 소비자 조사 > 범주형을 사용하면 범주형 데이터(명의 척도, 순서 척도)를 효율적으로 분석할 수 있습니다.
이번 앙케이트에서는, AI의 이미지 6개의 항목(a~f)에 대해서, 「맞다」~「맞지 않는다」까지 같은 5단계 평가로 듣고 있습니다. 이러한 질문에서는 아래 그림과 같이 [공통 값을 가진 응답] 으로 설정합니다.
게다가 [X, 그룹화 카테고리]에 「성별」, 「연대」를 지정해, 성별로 나누었을 때의 대답의 비교, 연대에 나누었을 때의 대답의 비교를 합니다.
범주형 보고서입니다. 상위 공유 차트에는 공통 응답에 지정된 각 항목에 대해 남녀로 나누어 공유 차트가 표시됩니다.
왼쪽 상단의 빨간색 삼각형 버튼에서 '응답 동질성에 대한 검정' 을 선택하면 보고서 하단에 '응답 동질성에 대한 검정'이 표시됩니다. 이 예에서는 "남녀간에 응답 비율에 차이가 없다"는 귀무 가설에 대한 카이 제곱 값, p 값이 표시되어 있으며 항목 "생활을 풍부하게한다"만이 중요합니다.
● 「잠재 클래스 분석」플랫폼
분석 > 클러스터 분석 > 잠재 클래스 분석을 사용하면 범주형 응답을 사용하여 응답자를 여러 그룹(클러스터)으로 나눌 수 있습니다.
여기에서는 성별, 연대, 생활을 풍부하게 하는(3범주에 병합한 것), 친숙함을 가지고 있는(3카테고리에 병합한 것)을 이용하여, 잠재 클래스 분석에 의해, 응답자를 2개의 그룹(클러스터) 으로 나누어 보겠습니다.
클러스터 1과 클러스터 2의 소속 분포의 차이로 인해 이러한 클러스터를 해석합니다.
클러스터 1: AI에 대한 긍정적인 그룹
클러스터 2: 40세 이상의 남성이 많으며 AI에 대해 조금 부정적인 그룹
또한, 어느 응답자가 어느 클러스터에 속했는지는, 리포트 「잠재 클래스 분석(클러스터수：2개)」의 왼쪽에 있는 빨간색 삼각 버튼으로부터 [혼합 계산식과 클러스터 계산식의 저장] 보다, 데이터 테이블에 저장할 수 있습니다.
제8회(본 방송 4/23, 재방송 4/25) JMP 초보자에게 추천의 편리한 기능(Tips)
마지막 회에서는 작업을 효율화하기 위해 툴바를 이용하는 방법을 다루었습니다.
툴바는 아래 그림의 빨간색 테두리로 둘러싸인 부분을 나타냅니다. 툴바에 있는 아이콘을 클릭하면 한 번의 클릭으로 플랫폼 시작, 툴 조작 등을 할 수 있습니다.
툴바를 사용하면 작업이 단축되는 몇 가지 예가 있습니다. 예를 들어, 보고서 창에는 아래 그림과 같은 아이콘이 표시됩니다. 이들은 왼쪽에서 순서대로 "로컬 데이터 필터", "컬럼 스위처", "스크립트를 데이터 테이블에 저장" 아이콘입니다. 이를 사용하면 한 번의 클릭으로 필터링, 열 전환, 스크립트로 저장할 수 있습니다.
● 자주 사용하는 플랫폼을 툴바에 표시
JMP에서 Xbar 관리도를 그릴 때 아래 그림과 같이 깊은 계층을 따라 선택해야합니다.
이러한 작업을 여러 번 수행하는 것보다는 툴바에 등록하여 한 번의 클릭으로 시작할 수 있도록 해 둡시다.
보기 > 사용자 지정 > 메뉴 및 툴바를 선택합니다. JMP 메뉴 편집기가 시작되므로 다음과 같이 하십시오.
툴바에서 보려는 카테고리를 마우스 오른쪽 버튼으로 클릭하고 이전 삽입 또는 뒤에 삽입을 선택하여 새 툴바를 만듭니다.
오른쪽 창에서 다음을 수행합니다.
캡션 : 아이콘에 커서를 가까이 올릴 때 표시되는 문자를 입력합니다. (이 예에서는 Xbar 관리도)
내장 명령 : 이 아이콘에 연결할 기능을 선택합니다. (이 예에서는 ANALYZE:QUALITY AND PROCESS:XBAR CONTROL CHART)
내장 아이콘 : 툴바에 표시할 아이콘을 선택합니다.
설정하면 툴바에 설정한 아이콘이 표시됩니다. (이 예에서는 보기 > 도구 모음에서 분석을 선택합니다. )
주의：세미나중 채팅란에, 빌트인 커멘드의 영어 표기와 메뉴와의 대응의 대응표와 같은 것이 있는지의 문의가 있었습니다만, 유감스럽지만 대응표는 없습니다. 그 때, JMP를 영어 표시*로 해 주시면, 메뉴 바가 영어 표시가 되기 때문에, 그러한 영어 표시와 빌트인 커멘드의 영어 표기를 대응시켜 주게 됩니다.
다음은 몇 가지 플롯 양식과 해당하는 내장 명령을 요약한 표입니다.
| 플랫폼 이름 |
ビルトインコマンド |
| 분석 > 예측 모델 > 파티션 |
분석: 예측 모델링 분할 |
| [분석] > [발전 모델] > [곡선 피팅] |
분석: 특수 모델링: 비선형 |
| 분석 > 다변량 > 다변량 상관 |
분석: 다변수 방법:다변수 |
| [분석] > [다변량] > [주성분 분석] |
분석: 다변수 방법:주요 구성요소 |
| 분석 > 클러스터 분석 > 계층적 클러스터 분석 |
분석: 클러스터링: 계층 클러스터 |
| [분석] > [신뢰성/생존시간 분석] > [수명의 일변량] |
분석:신뢰성과 생존:생명 분포 |
| 분석 > 신뢰성/생존 시간 분석 > 생존 시간 분석 |
분석:신뢰성과 생존:생존 |
*영어로 표시하려면 [파일] > [환경 설정]을 선택하고 [Windows만] 카테고리에서 표시 언어를 [일본어(일본어)]로 변경합니다.
by 마스카와 나오히로(JMP Japan)
마스카와 나오히로 - JMP 사용자 커뮤니티
