次元削減の質問同僚が次の問題に取り組んでいるので、ここで共有したいと思います。彼は、各実験シナリオについて複数の要因と複数の測定された応答を含む多変量データを持っています。応答はプロジェクトに対する重要性が異なり、一部は他の応答よりも重要です。彼は、親応答に割り当てる何らかの重み付け (できれば調整可能) を考慮しながら、より少ない数の応答を使用してデータを視覚化する方法を望んでいます。ここではどのようなアプローチが必要で、JMP は役立ちますか?
データの探索と視覚化次元削減に関する質問これは興味深い質問だと思います。次元削減の通常の関心は予測変数にあり、PCA、予測変数スクリーニング、またはクラスタリング（すべてJMPで簡単に実行できます）をそこで使用できます。ただし、これらの場合、応答変数は与えられているか、無関係です。潜在的な応答変数の数を減らすことについて質問しているようです。これはデータから直接答えられるとは思いません。一部の応答変数が他の応答変数よりも重要である場合、それは、複数の応答変数が関連する包括的な応答変数（おそらく測定されていない）があることを意味します。これらの変数が全体的な応答にどのように寄与するかを指定する必要があると思います。
一例として、私は大学スコアカードのデータの分析を数多く行いました。多くの潜在的な応答変数の中には、卒業後 X 年目の収入、卒業後の負債総額、卒業後 X 年目の返済総額、卒業後 X 年目の債務不履行総額などがあります (これらはすべて、さまざまな卒業生の人口統計によって分類できます)。最も一般的な関心事は、大学教育が生涯収入や経済的幸福にどのように影響するかです。この最終的な応答変数は簡単には測定できませんが、上記の応答変数はどれも測定できます。必要なのは、測定された応答変数を、測定されていない最終的な関心事にリンクさせるものです。先に進むには、収入と負債が時間の経過とともにどのように相互作用して経済的幸福を生み出すかについての理論を構築することが考えられます。この理論は、応答変数の重み付けと、おそらく経済的幸福を予測するモデルの形を提供します。
これは、予測変数を選択/重み付けするタスク (データを分析することで「答え」が得られる) とは異なり、複数の応答変数に構造を提供する理論がなければ、データから答えが得られるタスクではないと思います。これが物理的なプロセス (応答変数が強度、回復力、信頼性などのさまざまな測定値である場合) である場合、応答変数をリンクする理論を指定することはより簡単なタスクのはずです。
