| Oratore |
Trascrizione |
| Caleb King |
Ciao, mi chiamo Caleb King e sono uno sviluppatore presso il software JMP. In particolare, lavoro nel gruppo di progettazione degli esperimenti, ma oggi parlerò di |
| |
un po' fuori tema e parla di come puoi usare la grafica e alcuni degli altri strumenti di JMP per aiutarti a raccontare visivamente i tuoi dati. |
| |
Ora, il set di dati che ho scelto è...per illustrare, si tratta di dati sui crimini d'odio raccolti dall'FBI, quindi forse un set di dati un po' controverso, ma anche piuttosto rilevante per quello che è successo. |
| |
E il mio obiettivo è di rendere tutto più illustrativo, quindi mostrerò un paio di grafici che ho creato in precedenza |
| |
per questo set di dati. E non vi mostrerò necessariamente come ho creato i grafici, ma lo scopo è in un certo senso illustrarvi come potete usare JMP |
| |
per, come ho detto, la narrazione visiva quindi usa l'interattività per aiutare a guidare le persone che guardano i grafici e interagiscono con essi |
| |
Forse potresti porre altre domande, magari rispondendo ad alcune delle loro, man mano che procedi. Ma in un certo senso, incoraggia l'esplorazione dei dati, che è ciò che ci interessa qui a JMP. |
| |
Detto questo, cominciamo subito. |
| |
Per prima cosa vi darò una breve panoramica del set di dati stesso, quindi scorrerò qui. Ci sono molte informazioni su |
| |
dove si sono verificati gli incidenti. |
| |
Proseguendo, e la data, beh, quando è avvenuto quell'incidente. Hai qualche informazione sui colpevoli. |
| |
e quale reato, tipo di reato è stato commesso. Ancora alcune informazioni di base, quale tipo di pregiudizio è stato presentato nell'incidente. Alcune informazioni sulle vittime. |
| |
E la categoria di discriminazione generale, e poi alcune informazioni aggiuntive che ho fornito su latitudine e longitudine, se disponibili, così come alcune popolazioni per le quali userò altri grafici. Ora, giusto per essere chiari, |
| |
L'FBI, ovvero l'Ufficio Federale Investigativo degli Stati Uniti, definisce un crimine d'odio come qualsiasi |
| |
Un reato commesso motivato da pregiudizi contro un gruppo specifico. Tali pregiudizi possono essere razziali, religiosi, di genere, di identità di genere e così via. |
| |
Quindi, finché un crimine è motivato da un particolare pregiudizio, è considerato un crimine d'odio, e questi dati consistono in tutti gli incidenti che sono stati |
| |
raccolti dall'FBI, a partire dal 1991 fino al 2019. Non ho dati del 2020, per quanto interessanti sarebbero, |
| |
ma questo perché all'FBI piace prendersi il suo tempo e assicurarsi che i dati siano accuratamente puliti e preparati prima di creare effettivamente i loro rapporti. Quindi |
| |
potete stare certi che questi dati sono piuttosto accurati, considerando quanto tempo e impegno hanno dedicato per garantirne l'accuratezza. |
| |
Bene, con questo iniziamo e facciamo un riepilogo visivo di base dei dati. Inizierò eseguendo questo piccolo script di tabella qui sopra. E tutto ciò che fa è sostanzialmente darci |
| |
un conteggio giornaliero, quindi ogni giorno, quanti incidenti si sono verificati, secondo un bias particolare. Da questo creerò un grafico di base, in questo caso un semplice grafico a linee. |
| |
Qui, viene mostrato il numero di incidenti che si verificano ogni giorno nell'intero intervallo. Quindi si ottiene l'intero... si può vedere l'intero intervallo di dati dal 1991 al 2019. |
| |
e quanti incidenti si sono verificati. Ora, questa di per sé sarebbe probabilmente una buona immagine statica, perché in un certo senso si ottiene un senso di |
| |
dove cade il numero di incidenti. In effetti, qui modificherò leggermente le impostazioni degli assi. Vediamo, abbiamo incrementi di 50 secondi, proviamo a farlo di 20 secondi. Ecco fatto. |
| |
Quindi c'è un po' di interattività per voi... interazione. Abbiamo modificato le scale per perfezionarle e avere un senso migliore di |
| |
quanti incidenti ci sono in media? Ho fatto una piccola distribuzione e, in media, circa 20 incidenti al giorno |
| |
che vediamo qui. Ora, naturalmente, vi starete chiedendo perché non ho ancora affrontato i due picchi che vediamo nei dati. |
| |
Quindi sì, ci sono chiaramente due picchi molto alti. E quindi, se questo fosse |
| |
qualsiasi altro tipo di software, potresti dire, ok, mi piacerebbe approfondire la questione. Quindi torni ai dati che provi e, tu |
| |
sapere, isolare dove si trovano quelle date e magari provare a presentare alcuni grafici o fare qualche analisi per mostrare cosa sta succedendo lì. Bene, questo è JMP e abbiamo qualcosa che può |
| |
Aiutatemi, è una cosa che abbiamo introdotto in JMP 15, i graphlet, e funziona così. Mi limiterò a passare il mouse sopra e a fare "boom". |
| |
È apparso un piccolo grafico per aiutare a riassumere ulteriormente cosa sta succedendo in quel momento. Quindi, in questo caso, le informazioni sono molte. |
| |
Notiamo innanzitutto la data, 1 maggio 1992. Quindi, se hai familiarità con la storia americana, potresti sapere cosa sta succedendo qui, ma in caso contrario, |
| |
Puoi ottenere un piccolo indizio aggiuntivo cliccando sul grafico. Ora vedrai che ti sto mostrando |
| |
gli incidenti in base al particolare pregiudizio dell'incidente. Quindi vediamo qui che la maggior parte degli incidenti sono stati contro individui bianchi, poi il gruppo successivo è quello dei neri o degli afroamericani e così via. |
| |
In un certo senso, rivelo la risposta, ovvero che gli incidenti che si sono verificati in quel periodo sono stati le rivolte di Rodney King in California. Rodney King, |
| |
un individuo afroamericano che è stato sfortunatamente ucciso da un agente di polizia e che ha portato a molte reazioni negative e rivolte |
| |
più o meno in questo periodo. Ecco cosa stiamo vedendo catturato in questo particolare punto dati, e se non lo sapeste, avreste almeno queste informazioni per provare a iniziare e andare a cercare lì... cercando online per capire cosa è successo. |
| |
Possiamo fare la stessa cosa qui con un picco molto grande. E di nuovo, userò il grafico hover, quindi passateci sopra con il mouse. Mi fermo per lasciarvi guardare. Quindi osserviamo la data, 12 settembre 2001. Questo è di per sé un indizio molto importante. |
| |
per quanto riguarda ciò che è accaduto. Ma se guardiamo qui alla ripartizione, possiamo vedere che la maggior parte degli incidenti sono stati contro individui di fede musulmana, di |
| |
Etnia araba o qualche altro tipo di etnia o ascendenza simile. In questo caso, possiamo vedere chiaramente |
| |
che, dopo gli sfortunati eventi dell'11 settembre, gli attacchi terroristici che si sono verificati allora, il giorno seguente ci sono state molte reazioni negative contro |
| |
membri che appartenevano alla stessa etnia, alla stessa fede e così via, quindi in quel periodo ci fu una spiacevole reazione negativa. |
| |
Quindi, già con questa sola trama e un po' di interattività, siamo riusciti a raccogliere molte informazioni, molte informazioni di alto livello in aree in cui potreste voler approfondire ulteriormente. |
| |
Ma possiamo continuare. Ora, una novità di JMP 16 è che, poiché abbiamo la data sull'asse X, possiamo effettivamente raggruppare le date in una categoria più ampia, quindi in questo caso raggruppiamole per mese. |
| |
E vediamo che la trama scompare. Quindi ecco cosa farò. Lo rifaccio e vediamo. |
| |
Ecco fatto. |
| |
Non si sa mai cosa può succedere. In questo caso, ecco cosa dovrebbe succedere: non preoccuparti. |
| |
Quindi l'abbiamo suddiviso per mese e abbiamo notato uno schema interessante. Sembra che ci sia una sorta di tendenza stagionale in atto, e usiamo i grafici a passaggio del mouse per aiutarci a identificare cosa potrebbe accadere. Quindi, passerò il mouse sui punti più bassi. Quindi, se lo faccio, |
| |
vediamo bene, gennaio, dicembre, bene. Interessante. Passiamo il mouse su un altro, dicembre. |
| |
E ancora un altro, dicembre. Ah, potrebbe effettivamente esserci una tendenza stagionale in questo caso. Sembra che tocchiamo il fondo durante i mesi invernali. |
| |
E in effetti, se torno alla mia tabella dati, l'ho già visto prima. È qualcosa che ho scoperto esplorando quella tecnica e ho già creato un grafico per affrontarlo. |
| |
Quindi ho creato qualcosa basandomi su questo, tipo, guarda, sai, qual è la variazione nel numero di incidenti nel corso degli anni in questo mese. |
| |
E qui possiamo vedere le tendenze medie, ma vediamo anche molte variazioni, soprattutto qui a settembre a causa di quel picco enorme. |
| |
Forse abbiamo bisogno di qualcosa di un po' più appropriato. Quindi apro il pannello di controllo e, ehi, scegliamo la mediana. È più robusta e magari diamo un'occhiata all'intervallo interquartile, così avremo un risultato un po' più robusto. |
| |
metriche con cui giocare. |
| |
E così, ancora una volta, vediamo che le tendenze stagionali, quindi sembra che ci sia sicuramente un grande calo nei mesi invernali |
| |
a differenza del picco nei mesi primaverili ed estivi. Ora |
| |
questo potrebbe essere un argomento su cui qualcuno potrebbe voler indagare più a fondo e capire perché ciò accade. |
| |
Potresti avere le tue spiegazioni. La mia spiegazione personale è che credo che lo spirito natalizio sia così potente da superare qualsiasi odio o pregiudizio che gli individui possano nutrire a dicembre. |
| |
Di nuovo, questa è solo la mia preferenza personale, probabilmente anche tu hai la tua. Ma ancora una volta, con una sola trama, sono stato in grado di scoprire questa tendenza e |
| |
creare un'altra trama per approfondire ulteriormente la questione. Quindi, ancora una volta, con questa sola trama, ho incoraggiato ulteriori ricerche. E possiamo continuare. |
| |
Quindi vediamo, dividiamolo per anno e, se lo facciamo, possiamo vedere chiaramente questo tipo di tendenza generale. |
| |
Quindi vediamo una sorta di picco tra la fine degli anni '90 e l'inizio degli anni 2000, prima di scendere, sai, in modo quasi lineare, |
| |
fino a raggiungere il suo punto medio intorno alla metà degli anni 2010, prima di ricominciare a salire. Quindi, tenetelo a mente: potreste osservare tendenze simili in altri grafici che mostriamo. Ma ancora una volta, facciamo un passo indietro e rendiamoci conto che in questo grafico abbiamo visto tendenze diverse. |
| |
aspetti dei dati. Abbiamo anche |
| |
Abbiamo risposto ad alcune domande, ma forse ne abbiamo anche sollevate altre. Cosa c'è dietro questa tendenza stagionale? |
| |
E se non sapevi quali fossero quegli eventi di cui ti ho parlato, sai, quali erano quegli eventi in particolare? Ecco, il bello dell'interattività della grafica JMP è che permette all'utente di interagire, esplorare e incoraggiare tutto questo all'interno di un unico mezzo. |
| |
Va bene. |
| |
Continuiamo. Quindi, ho detto che questa è una sorta di narrazione visiva, quindi potete considerarla una sorta di prologo, una sorta di visione d'insieme. Cos'è... cos'è? |
| |
Qual è la situazione generale? Ora diamo un'occhiata agli attori, |
| |
cioè, chi commette questo tipo di reati? Contro chi li commette? Quali informazioni possiamo scoprire a riguardo? Quindi ecco qui |
| |
Ho creato, ancora una volta, un grafico per rispondere a questa domanda. Questo potrebbe essere un buon inizio. Ecco una mappa termica. |
| |
che poi enfatizza i conteggi, in questo caso, in base alla razza del trasgressore rispetto al suo particolare pregiudizio. Quindi vediamo che |
| |
molto di ciò che sta accadendo, in questo caso ho ordinato le colonne in modo che possiamo vedere che c'è molto da fare. La maggior parte è qui in alto |
| |
Angolo sinistro e non succede molto qui sotto, il che credo sia una buona notizia. Ci sono molti pregiudizi in cui non succede molto, la maggior parte delle cose accade qui, in questo angolo. |
| |
Ora, questo potrebbe essere un buon grafico, ma ancora una volta c'è molto spazio libero qui. Quindi forse possiamo giocare con le cose per cercare di enfatizzare ciò che sta succedendo. Un modo per farlo è andare qui sull'asse X e dimensionare in base al conteggio. |
| |
Ora, come potete vedere, avevo nascosto qualcosa dietro le quinte. Avevo addirittura messo un'etichetta, un'etichetta percentuale sopra queste cose. |
| |
Prima succedevano così tante cose che non si riusciva nemmeno a vederle, ma ora possiamo effettivamente vedere alcune di quelle informazioni. Un modo carino per riassumere, invece di fare conteggi. |
| |
Ma anche solo con la visualizzazione, possiamo vedere chiaramente che il maggior numero di pregiudizi è contro i cittadini neri o afroamericani, poi contro gli ebrei e così via, fino a quasi scomparire del tutto. Quindi, solo guardando l'asse X, si ottengono molte informazioni su ciò che sta accadendo. |
| |
Possiamo fare lo stesso con la Y, quindi ancora una volta, la dimensione è in base al conteggio. |
| |
E ancora una volta, ci sono molte informazioni contenute solo nelle dimensioni e nel modo in cui ho regolato gli assi. |
| |
E in questo caso lo includiamo... abbiamo davvero enfatizzato quell'angolo, così possiamo vedere chiaramente chi sono i giocatori migliori. In questo caso, la maggior parte è |
| |
i trasgressori sono di razza bianca o sconosciuta contro gli afroamericani, il prossimo è contro gli ebrei, e poi |
| |
anti-bianco e poi continua a scendere. Quindi qui abbiamo un bel riassunto di cosa sta succedendo. Ora, potreste aver notato che mentre mi muovo, vediamo il nostro piccolo cerchio. Questo è il mio indicatore graphlet, quindi di nuovo ho uno strumento qui. |
| |
Abbiamo interagito un po' e, ancora una volta, questa potrebbe essere un'ottima immagine statica, ma usiamo la potenza di JMP, in particolare quei graphslet, |
| |
per interagire e vedere quali ulteriori informazioni possiamo ricavare. Quindi, in questo caso, mi fermerò qui. |
| |
E proprio qui, un grafico, in questo caso un grafico a barre sovrapposte, per gentile concessione del nostro guru dei grafici Xan Gregg. In questo caso, non solo puoi vedere, sai, |
| |
Quali persone commettono i reati e contro chi? La tua domanda successiva potrebbe essere stata: che tipo di reati vengono commessi? Bene, con un grafico, ho risposto a questa domanda. |
| |
Qui possiamo vedere il tipo di reato più diffuso... l'intimidazione, seguito dall'aggressione semplice e aggravata, e poi il resto di questi, questa è la bellezza del grafico a barre. |
| |
Possiamo vedere tutti gli altri tipi di reati commessi. Se li mettiamo tutti uno sopra l'altro, non sono nemmeno paragonabili. Non superano nemmeno i primi tre. |
| |
Questo la dice lunga sui tipi di...questi tipi di reati, su quanto siano diffusi. |
| |
Ora, un'altra domanda che potresti porti è: ok, abbiamo visto gli attori, abbiamo visto le azioni che stanno intraprendendo, |
| |
Ma c'è un aspetto temporale in tutto questo. Ovviamente questo accade nel tempo, quindi è stato un fenomeno costante? C'è stato un cambiamento nelle tendenze? Beh, |
| |
Non temere. Ancora una volta i grafici vengono in soccorso. In questo caso, posso effettivamente mostrarti queste tendenze. Quindi qui possiamo vedere come è andata |
| |
tipi di...il numero di episodi di intimidazione è cambiato nel tempo? E ancora una volta, vediamo che il modello sembra seguire quella tendenza generale. |
| |
Un picco verso la fine degli anni '90, seguito da un trend ripido... un calo quasi lineare fino a circa la metà degli anni 2010, prima di una nuova ripresa più di recente. |
| |
E ancora una volta possiamo forse osservare questa tendenza e altre. Non voglio ingrandire, ma potete vedere dal grafico qui, le tendenze nelle aggressioni semplici qui e anche nelle aggressioni aggravate, un po' lì. |
| |
E possiamo continuare a esplorare. Quindi diamo un'occhiata all'ignoto rispetto agli afroamericani e vediamo quali differenze potrebbero esserci. In questo caso, possiamo vedere chiaramente |
| |
che ci sono due tipi di reati che realmente prevalgono, in questo caso, la distruzione o il danneggiamento della proprietà (il che, se ci pensi, potrebbe avere senso; se vedi che la tua proprietà è stata danneggiata, c'è una buona probabilità che tu non sappia chi l'ha fatto) |
| |
e l'intimidazione sono le dominanti. E ancora una volta, puoi... la cosa bella è che le etichette che si spostano con il mouse rimangono invariate, quindi puoi di nuovo guardare e vedere quali tendenze si stanno verificando. |
| |
Quindi, in questo caso, vediamo che per quanto riguarda i danni, ci sono in realtà due picchi, uno più o meno a cavallo tra la fine degli anni '90 e l'inizio degli anni 2000, prima di un nuovo calo. E per quanto riguarda le intimidazioni, osserviamo un andamento simile a quello precedente. |
| |
Ancora una volta, all'interno di un solo elemento grafico sono contenute molte informazioni con cui tu, in quanto utente, puoi interagire per cercare di enfatizzare determinate aree chiave, e poi tu, in quanto utente, puoi semplicemente visualizzare... semplicemente guardandolo e interagendo con esso, puoi giocare e raccogliere molte informazioni. |
| |
Va bene. |
| |
E continuiamo. Ora noterete che tra le agenzie di segnalazione, la maggior parte di esse sono a livello di città/contea. |
| |
dipartimenti di polizia e così via, ma ci sono anche alcune università qui. Quindi potrebbe esserci qualcuno là fuori che potrebbe essere interessato a vedere, sai, cosa succede nelle università. |
| |
E così, con questo, ho creato questo simpatico piccolo script di tabella per rispondere a questa domanda. Questa volta, |
| |
Ho appena eseguito gli script della tabella e ho detto che non entrerò troppo nei dettagli, questo è più esemplificativo. |
| |
Qui vi lascerò dare un'occhiata, perché non voglio solo mostrarvi la potenza della grafica, ma anche quella dello script della tabella. Ora, se avete familiarità con JMP, |
| |
potresti sapere, okay, lo script della tabella è bello perché posso salvare le mie analisi, posso salvare i miei report, posso persino usarlo per salvare i grafici come ho fatto nell'ultimo, quindi potresti non aver notato che puoi anche salvare |
| |
Script per aiutare a eseguire tabelle aggiuntive, tabelle di riepilogo e così via. Ora vi mostro cosa succede qui dietro: quando ho eseguito lo script, ho creato due tabelle dati. |
| |
Ne hai visto solo uno, quindi in questo caso ho prima creato la tabella dati che ha selezionato tutte le università e poi da quella tabella dati ho creato un riepilogo e poi ho chiuso quella vecchia. |
| |
E poi ho aggiunto anche un po' di grafica. Quindi non entrerò troppo nei dettagli su come ho impostato tutto questo, perché voglio tenerlo per il prossimo articolo. Vi do un suggerimento. Si basa su una nuova funzionalità di JMP 16 che vi stupirà davvero. |
| |
Bene, torniamo a... scusatemi... incidenti universitari. |
| |
Ed ecco di nuovo salvato lo script della tabella. Questo ci mostrerà un grafico. |
| |
Ecco di nuovo quel grafico a barre, e qui vi mostro quali università hanno avuto il maggior numero di incidenti. Di nuovo, questo di per sé potrebbe essere un grafico standard piuttosto valido. |
| |
Si può vedere, sai, quale università sembra avere il maggior numero di incidenti, e ancora una volta è bello vedere che non ce n'è una che prevale. Si possono comunque riempire le altre università. |
| |
sopra di loro, e nessuno domina l'uno o l'altro. Quindi questa di per sé è una buona notizia, ma ancora una volta c'è un aspetto temporale in tutto questo. Quindi |
| |
Sono stati forse... l'Università del Michigan ad Ann Arbor, hanno avuto problemi per tutto il tempo? Sono... sarebbero sempre rimasti al top? Hanno avuto solo un anno negativo? Di nuovo, i grafici vengono in soccorso. |
| |
In questo caso, |
| |
Qui vedrete una trama interessante. Potreste dire, sapete, cos'è questa cosa? Sembra proprio che appartenga a un museo Art Déco. Cosa... |
| |
Che tipo di trama è questa? Beh, in realtà è una trama che abbiamo già visto. Sto solo usando qualcosa di nuovo uscito con JMP 16, quindi vi darò uno sguardo dietro le quinte. |
| |
E in questo caso, possiamo vedere, questa è in realtà una mappa di calore. Tutto quello che ho fatto |
| |
faccio un trucco che mi piace fare spesso, ovvero enfatizzare le cose in due modi diversi, quindi non solo enfatizzando i conteggi per colore, che è ciò che normalmente si fa in una mappa termica, i bianchi sono le voci mancanti, ora in JMP 16 posso anche enfatizzare per dimensione. |
| |
E quindi penso che questo ci riporti al punto in cui abbiamo dimensionato quegli assi prima. Enfatizza... aiuta a enfatizzare certe aree. Quindi qui possiamo vedere ora che forse c'è un piccolo problema con gli incidenti contro gli afroamericani, |
| |
è stato un andamento piuttosto costante, con un anno particolarmente negativo nel 2017, a quanto pare, rispetto a tutti gli altri incidenti che si sono verificati. |
| |
Ora non ci sono più etichette di passaggio del mouse. |
| |
Tutto quello che farò sarà riassumere i dati, ma va bene così. |
| |
Questo di per sé fornisce molte informazioni, quindi si tratta di una novità introdotta in JMP 16 che può aiutare a mettere in risalto tale aspetto. |
| |
E ancora, possiamo continuare. Possiamo guardare altre università, quindi questo potrebbe essere un esempio di un'università che sembra aver attraversato un periodo piuttosto negativo, |
| |
l'Università del Maryland a College Park, ma poi c'era un'area dove |
| |
le cose andavano davvero bene, e quindi potresti essere interessato a sapere, beh, cosa è successo per rendere questo un periodo così grandioso? |
| |
C'è qualcosa che l'università ha istituito, qualcosa che ha fatto che sembra aver causato un calo significativo del conteggio, del numero di incidenti? Potrebbe valere la pena di indagare. |
| |
E puoi continuare a guardare e vedere se si tratta di un problema sistemico, se, come in questo caso, sembrava che ci fosse stato solo un anno davvero negativo che ha dominato, mentre nel complesso se la cavavano bene. |
| |
Stavano andando piuttosto bene. Di nuovo, questo potrebbe essere un altro caso. All'inizio hanno avuto un periodo davvero brutto, ma ultimamente stanno andando piuttosto bene, |
| |
e così via. Quindi, ancora una volta, evidenziando ancora una volta quell'interattività, |
| |
E in questo caso, con alcune delle nuove funzionalità di JMP 16. Ora, prima di passare all'ultima, ho una confessione da fare. Sono un po' un nerd delle mappe, quindi mi piacciono molto le mappe e qualsiasi tipo di analisi dei dati che, sapete, sia correlata alle mappe. |
| |
Non so perché. Mi piace molto e quindi non vedo l'ora di mostrarvi il prossimo, perché ora esamineremo la geografia degli incidenti. |
| |
Ma sono anche emozionato perché, secondo me, questo mette davvero in luce la potenza sia degli script delle tabelle che della grafica JMP, in particolare dei grafici a comparsa. |
| |
Speriamo che anche voi abbiate apprezzato questo, quindi proviamolo. Questo richiederà un po' di tempo perché in realtà ci sono molte cose da fare con questo script di tabella. Sta creando una nuova tabella. Sta anche eseguendo molte funzioni in quella tabella. |
| |
e calcoliamo un sacco di cose. Quindi qui non abbiamo solo, sai, l'acquisizione di informazioni, ma ci sono anche molte di queste colonne qui verso la fine che sono state calcolate dietro le quinte. |
| |
Ora devo prendermi un momento per parlare di una metrica specifica che userò. Qualche tempo fa, ho scritto un articolo sul blog della community JMP (community.jmp.com) intitolato "Crime Rate Conundrum". |
| |
pubblicità così spudorata, ma in quello che ho detto, sai, di solito quando si segnalano incidenti, soprattutto incidenti criminali, |
| |
di solito sappiamo che non vuoi solo segnalare i conteggi grezzi, perché |
| |
potrebbe esserci una certa area in cui si registra un numero elevato di conteggi, un numero elevato di incidenti, è solo perché... c'è un problema lì? |
| |
O è semplicemente perché c'è molta gente lì? E quindi, ovviamente, ci aspetteremmo molti incidenti perché c'è semplicemente molta gente. Quindi, ovviamente, la gente |
| |
tassi di segnalazione degli incidenti. Ora va bene perché ora tutti sono sullo stesso piano, ma un effetto collaterale è che tende ad aumentare |
| |
Luoghi con una popolazione ridotta. In sostanza, se il denominatore è piccolo, si tenderà ad avere un rapporto più elevato proprio per questo motivo. |
| |
E quindi questo è in un certo senso uno sfortunato effetto collaterale, e quindi parlo di un caso interessante in cui abbiamo un posto con una popolazione davvero piccola che diventa davvero gonfiata. |
| |
E come alcune persone affrontano questa situazione. Un modo in cui ho cercato di affrontare la questione è stato attraverso l'uso di un tasso di incidenti ponderato, in sostanza, l'idea è: |
| |
Prendo il tuo tasso di incidenti, ma poi ti peso in base a, in un certo senso, quale proporzione... |
| |
Scusate... in pratica, un peso in base al numero di persone presenti. In questo caso, ho un peso particolare, in pratica classifico le popolazioni, |
| |
in modo che il luogo più grande avrebbe il rango di quello più piccolo. Tuttavia, in questo caso ci sono 50 stati, quindi lo stato con la popolazione più numerosa avrebbe un |
| |
rango 50 e lo stato più piccolo rango 1. Se prendi questo e lo dividi per il rango massimo, questo è essenzialmente il tuo peso, quindi è un modo per mettere |
| |
un peso corrispondente alla tua popolazione totale e l'idea qui è che, se il tuo tasso di incidenti è tale da superare questa penalità di peso, se vuoi, |
| |
allora significa che potresti essere qualcuno che vale la pena di prendere in considerazione. Quindi cerca di contrastare |
| |
quell'inflazione, dovuta semplicemente a una popolazione ridotta. Se sei ancora relativamente piccolo, ma il tuo tasso di incidenza è sufficientemente alto da superare sostanzialmente il tuo peso, |
| |
Potremmo voler dare un'occhiata a te. Spero che non siano troppe informazioni, ma questa è la metrica che userò principalmente, quindi eseguirò lo script. |
| |
E |
| |
Eccoci qui. Per prima cosa ho un grafico lineare semplice che mostra i tassi di incidenti ponderati nel tempo per tutti gli stati. |
| |
Ora userò una nuova funzionalità. Possiamo vedere che il New Jersey sembra dominare. Ancora una volta, l'interattività: possiamo cliccare per evidenziarlo. |
| |
Ci sono alcune novità che stiamo introducendo, soprattutto in JMP 16. Faccio clic destro qui e aggiungo alcune etichette. Quindi, inseriamo il valore massimo e l'ultimo valore. |
| |
solo per fare un paragone. |
| |
Quindi qui possiamo vedere questo... il picco è stato di circa 11,4 incidenti ogni 1.000 (questo è un tasso di incidenti ponderato) qui all'inizio degli anni '90. |
| |
E poi vediamo una tendenza al ribasso, di nuovo sembra scendere più o meno allo stesso modo di tutto il tasso complessivo di incidenti prima di iniziare a raggiungere di nuovo il picco qui in |
| |
2019. Quindi, ancora una volta, con solo alcuni brevi numeri, questo, di per sé, sarebbe un grafico interessante da osservare, ma come puoi vedere, il mio piccolo indicatore grafico sta andando, quindi c'è di più. |
| |
Ed è qui che entra in gioco la parte relativa alla mappa. Passerò il mouse su un punto specifico. |
| |
In questo caso, non solo |
| |
Puoi vedere il tasso complessivo? Posso suddividerlo per te, in questo caso per contea. Quindi qui ho colorato il |
| |
contee in base al numero totale di incidenti verificatisi in quell'anno. E ancora una volta, c'è l'aspetto temporale, quindi questo mostra un'istantanea di un anno in particolare, in questo caso il 2008. |
| |
Ma forse ti interessa l'andamento generale, quindi un modo per farlo è: "Ehi, questi sono grafici". Potrei tornare indietro, passare il mouse su un altro punto, aprire quel grafico, cliccarci sopra per ingrandire. |
| |
Ripeti se necessario. Puoi fare così oppure usare questo nuovo trucco che ho scoperto mentre preparavo questa presentazione. |
| |
Andiamo a scoprire... notate qui a lato, abbiamo un filtro dati locale. È proprio questo il segreto di questi graphlet. |
| |
Ora torno all'anno e cambierò il suo tipo di modellazione in nominale, anziché continuo, perché ora posso fare qualcosa del genere. Posso effettivamente passare attraverso |
| |
e selezionare singoli anni oppure, ora che è JMP, possiamo fare di meglio. |
| |
Ora vado qui e faccio un'animazione. La farò un po' più velocemente. Faccio clic su "Play" e ora posso semplicemente rilassarmi e guardare JMP fare le cose per me. |
| |
Quindi qui possiamo vederlo scorrere e farci un'idea di cosa sta succedendo. Lascerò che scorra un po'. Vediamo... stiamo già iniziando a vedere alcune cose interessanti che accadono qui. |
| |
Lasciamo che scorra, per avere il quadro completo, sai. Vogliamo il quadro completo, non che io mi stia vantando o cose del genere. |
| |
Bene, abbiamo fatto un giro e abbiamo notato qualcosa. Scendiamo qui, diciamo intorno al 2004, 2005. Da qualche parte qui intorno, abbiamo notato che questa contea in particolare sembra essere evidenziata. |
| |
E infatti, hai visto il mio piccolo indicatore grafico. Quindi, di nuovo, posso passarci sopra con il mouse, ed ecco |
| |
un'altra mappa. Ora capisci perché sono così emozionato. |
| |
Anche in questo caso posso mostrarvelo a livello di contea, quindi a livello di singola contea... |
| |
Scusate, lasciatemi... spostiamoci un po'. Eccoci qui. Qualche piccolo aggiustamento e, di nuovo, potete vedere il mio trucco di enfatizzare le cose in due modi, sia per dimensione che per colore. |
| |
Possiamo vedere una sorta di dispersione all'interno del ???, si tratta di posizioni individuali e poiché c'è di nuovo quell'aspetto temporale, |
| |
lo sappiamo...ora lo sappiamo meglio, non dobbiamo tornare indietro e cliccare per ottenere più grafici, possiamo di nuovo usare i trucchi del filtro dei dati locali. Quindi posso tornare indietro. Lo farò |
| |
l'anno, e quindi in questo caso possiamo di nuovo cliccare. Qui userò semplicemente i tasti freccia sulla mia tastiera per scorrere le voci. |
| |
E per avere un'idea di come le cose cambiano nel tempo. In questo caso, vedi un'area particolare, probabilmente l'hai già vista, a partire dal 2006, 2007 circa. |
| |
C'è quest'area...questa qui. |
| |
Keansburg, che sembra essere evidenziato, e noterete un altro grafico. Quanto lontano volete arrivare? |
| |
Grafcezione, se vogliamo. |
| |
Noi possiamo |
| |
continua a scendere sempre più in profondità. In questo caso, ottengo... lo suddivido in base a quale fosse la distorsione, e di nuovo potrei usare quel trucco se volessi, per scorrere e scorrere per anno. |
| |
Quindi, ancora una volta, tanta potenza in questi grafici. Con questo grafico, sono stato in grado di esplorare la variazione geografica a livello di contea e anche più in basso, e quindi potrebbe essere |
| |
Permettendoti di esplorare diversi aspetti dei dati, consentendoti di generare più domande. Cosa stava succedendo a Keansburg in quel periodo per far sì che emergesse in questo modo? |
| |
Questa è una cosa che forse vorresti sapere. |
| |
Quindi questo è tutto quello che ho per voi oggi, spero di aver stuzzicato la vostra curiosità e di essere riuscito a illustrarvi chiaramente quanto sia potente la visualizzazione JMP nell'esplorazione dei dati. |
| |
Se volete saperne di più, ci sarà una conferenza plenaria sulla visualizzazione dei dati. Vi incoraggio vivamente ad approfondire l'argomento, perché in un certo senso aiuta a comprendere diversi metodi di visualizzazione e come JMP può aiutarvi in questo. |
| |
Ma a un certo punto vi avevo promesso di darvi un'occhiata a come sono riuscito a creare questi fantastici script di tabella e lo farò subito. |
| |
Ora in JMP 16 si chiama registro avanzato. Questa è una delle nuove funzionalità più interessanti di JMP 16. Il registro avanzato ti segue mentre interagisci e ne tiene traccia. Quindi, ogni volta che ho chiuso, in questo caso, una tabella dati, ne ho aperta un'altra, ne ho eseguita un'altra, |
| |
se ho aggiunto una nuova colonna, se ho creato un nuovo grafico, questo viene registrato qui nel registro. |
| |
Questo è un argomento di cui John Sall parlerà nel suo intervento plenario. Si tratta, ancora una volta, di una delle novità più sorprendenti. |
| |
Ed è questa la chiave per creare questi script di tabelle. Posso dire onestamente che se non ci fosse stato, probabilmente non sarei riuscito a creare questi fantastici script di tabelle, perché ci sarebbe stato un sacco di lavoro da fare. |
| |
Quindi, ripeto, questa è una funzionalità davvero interessante disponibile in JMP 16. Spero di essere riuscito a convincervi che JMP è un ottimo strumento per esplorare i dati e creare visualizzazioni straordinarie e interattive. E questo è tutto. Grazie per essere intervenuti. |
