Un collègue est aux prises avec le problème suivant et j'ai pensé que je devais 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 nombre plus petit de réponses, tout en prenant en compte une sorte de pondération, de préférence ajustable, qu'il attribuerait aux réponses parentes. Quel type d'approche est nécessaire ici, et JMP peut-il l'aider ?
Je trouve cette question intéressante. L'intérêt habituel de la réduction de la dimensionnalité réside dans les prédicteurs - et l'ACP, le filtrage des prédicteurs ou le clustering (tous facilement réalisables dans JMP) peuvent être utilisés à cet effet. Mais dans ces cas, la variable de réponse est soit donnée, soit non pertinente. Vous semblez demander comment réduire le nombre de variables de réponse potentielles. Je ne pense pas que l'on puisse répondre directement à cette question 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, on trouve : les revenus X années après l’obtention du diplôme, la dette totale à l’obtention du diplôme, le remboursement total X années après l’obtention du diplôme, le total des défauts de paiement X années après l’obtention du diplôme, etc. (toutes ces variables peuvent être ventilées en fonction de diverses caractéristiques démographiques des diplômés). L’élément d’intérêt le plus courant est la manière dont l’éducation universitaire affecte les revenus à vie ou le bien-être financier. Cette variable de réponse ultime n’est pas facile à mesurer, alors que les variables de réponse ci-dessus le sont. Ce qu’il faut, c’est un moyen de relier les variables de réponse mesurées à l’élément d’intérêt ultime non mesuré. Une façon de procéder pourrait être de construire 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 pour prédire le bien-être financier.
Je ne pense pas que ce soit une tâche à laquelle on puisse répondre à partir des données sans une théorie pour structurer les multiples variables de réponse, 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 (où les variables de réponse sont diverses mesures de résistance, de résilience, de fiabilité, etc.), spécifier la théorie reliant les variables de réponse devrait être une tâche plus facile.
