한 동료가 다음과 같은 문제에 대해 고민하고 있는데, 여기서 공유하고자 합니다. 그는 각 실험 시나리오에 대해 여러 요인과 여러 측정된 응답이 있는 다변량 데이터를 가지고 있습니다. 응답은 프로젝트에 대한 중요성이 다릅니다. 일부는 다른 응답보다 더 중요합니다. 그는 부모 응답에 할당할 수 있는 어떤 종류의 가중치(가급적 조정 가능)를 고려하면서 더 적은 수의 응답을 사용하여 데이터를 시각화하는 방법을 원합니다. 여기서 어떤 종류의 접근 방식이 필요하며 JMP가 도움이 될 수 있습니까?
흥미로운 질문인 것 같습니다. 차원 감소에 대한 일반적인 관심은 예측 변수에 있으며, PCA, 예측 변수 스크리닝 또는 클러스터링(모두 JMP에서 쉽게 수행 가능)을 사용할 수 있습니다. 그러나 이러한 경우 응답 변수는 제공되거나 관련이 없습니다. 잠재적인 응답 변수의 수를 줄이는 것에 대해 묻는 것 같습니다. 데이터에서 직접 답할 수 있다고 생각하지 않습니다. 일부 응답 변수가 다른 응답 변수보다 더 중요하다면 여러 응답 변수와 관련된 포괄적인 응답 변수(아마도 측정되지 않음)가 있다는 것을 의미합니다. 이러한 변수가 전체 응답에 어떻게 기여하는지 지정해야 한다고 생각합니다.
예를 들어, 저는 College Scorecard 데이터에 대한 여러 가지 분석을 했습니다. 잠재적인 대응 변수 중에는 졸업 후 X년 후의 수입, 졸업 시 총 부채, 졸업 후 X년 후의 총 상환액, 졸업 후 X년 후의 총 채무 불이행 등이 있습니다(모두 다양한 졸업 인구 통계에 따라 분류할 수 있음). 가장 일반적인 관심 항목은 대학 교육이 평생 수입이나 재정적 안녕에 어떤 영향을 미치는가입니다. 그 궁극적인 대응 변수는 쉽게 측정할 수 없지만, 위의 대응 변수는 모두 측정할 수 있습니다. 필요한 것은 측정된 대응 변수를 관심 있는 궁극적인 측정되지 않은 것과 연결하는 것입니다. 진행하는 한 가지 방법은 수입과 부채가 시간이 지남에 따라 어떻게 상호 작용하여 재정적 안녕을 만들어내는지에 대한 이론을 구축하는 것입니다. 그 이론은 대응 변수의 가중치와 재정적 안녕을 예측하는 모델의 형태를 제공할 것입니다.
저는 이 작업이 여러 응답 변수에 구조를 제공하는 이론 없이 데이터에서 답할 수 있는 작업이라고 생각하지 않습니다. 예측 변수를 선택/가중치하는 작업(데이터를 분석하여 "답변"할 수 있음)과 다릅니다. 이것이 물리적 프로세스(응답 변수가 강도, 회복력, 신뢰성 등의 다양한 측정값인 경우)인 경우 응답 변수를 연결하는 이론을 지정하는 것이 더 쉬운 작업이어야 합니다.
