| Lautsprecher |
Transkript |
| Ross Metusalem |
Hallo zusammen und vielen Dank, dass Sie sich die Zeit genommen haben, zu erfahren, wie JMP sein Textmining-Toolkit in JMP Pro 16 erweitert. |
| |
Stimmungsanalyse und Begriffsauswahl. |
| |
Ich bin Ross Metusalem, ein JMP-Systemingenieur im Südosten der USA, und ich werde Ihnen eine Vorschau auf diese beiden neuen Analysen geben, ein wenig über ihre Funktionsweise erklären und einige bewährte Vorgehensweisen für ihre Anwendung vorstellen. |
| |
Beide Analysetechniken sind also im Text Explorer enthalten, der, für diejenigen, die ihn nicht kennen, das Plugin von JMP ist. |
| |
Werkzeug zur Analyse sogenannter freier oder unstrukturierter Texte, also natürlichsprachlicher Texte. |
| |
Und es handelt sich um ein sogenanntes Text-Mining-Tool, also ein Werkzeug zur Gewinnung quantitativer Informationen aus Freitexten, damit wir |
| |
Nutzen Sie andere Arten von statistischen oder analytischen Werkzeugen, um Erkenntnisse aus dem Freitext zu gewinnen, oder verwenden Sie diesen Text vielleicht sogar als Grundlage für andere Analysen. |
| |
Werfen wir also einen Blick auf diese beiden neuen Text-Mining-Techniken, die in JMP Pro 16 mit dem Text Explorer eingeführt werden, und beginnen wir mit der Stimmungsanalyse. |
| |
Die Stimmungsanalyse beantwortet im Kern die Frage, wie emotional positiv oder negativ ein Text ist. |
| |
Und wir werden eine Stimmungsanalyse des Beige Book durchführen, einem regelmäßig erscheinenden Bericht der US-amerikanischen Federal Reserve Bank. |
| |
Ich bitte um Entschuldigung, dass ich bei JMP Discovery Europe ein Beispiel aus den Vereinigten Staaten verwende, aber das Beige Book bietet eine gute Veranschaulichung dessen, worum es bei der Stimmungsanalyse geht. |
| |
Es handelt sich also um eine monatliche Publikation, die einen Bericht auf nationaler Ebene sowie 12 Berichte auf Bezirksebene enthält, welche die wirtschaftlichen Bedingungen in diesen Bezirken zusammenfassen. Alle diese Berichte basieren auf qualitativen Informationen, beispielsweise Interviews und Umfragen. |
| |
Und die US-amerikanischen Entscheidungsträger können die qualitativen Informationen im Beige Book zusammen mit den quantitativen Informationen, also den traditionellen Wirtschaftsindikatoren, nutzen, um die Wirtschaftspolitik zu steuern. |
| |
Man könnte also meinen, dass es hier um Stimmungen und Emotionen geht. Ich erwarte zwar nicht, dass Wirtschaftsberichte viele Emotionen enthalten, aber die Berichte des Beige Book und viele Formulierungen enthalten tatsächlich Wörter, die Emotionen transportieren oder vermitteln können. |
| |
Werfen wir also einen Blick auf einen Auszug aus einem Bericht. Hier ist ein Screenshot direkt von der neuen Plattform für Stimmungsanalyse. |
| |
Sie werden einige hervorgehobene Wörter bemerken, und das sind die sogenannten Stimmungsbegriffe, d.h. |
| |
Formulierungen, die unserer Ansicht nach einen gewissen emotionalen Gehalt haben. Zum Beispiel ganz oben: „Die Computerverkäufe hingegen sind stark zurückgegangen.“ |
| |
Wenn „schwer deprimiert“ lila hervorgehoben ist, bedeutet dies, dass wir es als Ausdruck einer negativen Emotion betrachten. Wenn jemand den Computerabsatz als „schwer deprimiert“ bezeichnet, klingt es so, als ob er uns dazu bringen möchte, dies als etwas sicherlich Schlechtes zu interpretieren. |
| |
Wenn wir nach unten schauen, sehen wir in Orange einige positiv konnotierte Begriffe hervorgehoben, wie zum Beispiel „verbessern“ oder „günstig“. Wir können also nach Wörtern suchen, von denen wir glauben, dass sie positive oder negative emotionale Auswirkungen haben. |
| |
Lila steht für negativ, Orange für positiv, und manche Stimmungsanalysen belassen es bei dieser Ebene, also nur bei einer binären Unterscheidung: ein positiver Text oder ein negativer Text. |
| |
Es gibt weitere Möglichkeiten zur Durchführung von Stimmungsanalysen, insbesondere |
| |
Viele Methoden versuchen, den Grad der Positivität oder Negativität zu quantifizieren, nicht nur, ob etwas positiv oder negativ ist. Betrachten wir also dieses andere Beispiel, und ich lenke unsere Aufmerksamkeit direkt auf den unteren Bereich, wo wir einen Bericht über „schlechte Verkaufszahlen“ sehen. |
| |
Und ich werde das mit der Aussage vergleichen, dass die Computerverkäufe stark zurückgegangen sind. |
| |
Beides sind also negative Aussagen, aber ich denke, wir sind uns alle einig, dass „schwer depressiv“ viel negativer klingt als einfach nur „arm“. |
| |
Wir wollen also nicht nur herausfinden, ob eine geäußerte Stimmung positiv oder negativ ist, sondern auch, wie positiv oder negativ sie ausfällt – und genau das ist die Stimmungsanalyse. |
| |
Text Explorer kann das. Aber wie funktioniert das? Nun, es verwendet eine Technik namens lexikalische Stimmungsanalyse, die auf bestimmten Stimmungsbegriffen und zugehörigen Bewertungen basiert. |
| |
Was wir hier sehen, ist ein Auszug aus einem sogenannten Stimmungslexikon, das die Begriffe und ihre Bewertungen enthält. |
| |
Beispielsweise hat der Begriff „fantastisch“ eine Punktzahl von 90, während der Begriff „düster“ am Ende der Skala eine Punktzahl von -75 aufweist. |
| |
Wir legen also fest, welche Begriffe unserer Meinung nach einen emotionalen Gehalt haben und in welchem Maße sie positiv oder negativ sind, auf einer willkürlichen Skala, hier von -100 bis 100. |
| |
Und dann können wir diese Begriffe in all unseren Dokumenten finden und sie verwenden, um zu bewerten, wie positiv oder negativ diese Dokumente insgesamt sind. |
| |
Wenn Sie an unser Beispiel „schwer depressiv“ zurückdenken, dann verstärkt das Wort „schwer“ das Wort „depressiv“ und das, was wir als „verstärkend“ bezeichnen. |
| |
Es handelt sich um einen Verstärker oder Multiplikator der ausgedrückten Stimmung, daher haben wir auch ein Wörterbuch der Verstärker und ihrer Wirkung auf die durch den Stimmungsbegriff ausgedrückte Stimmung. |
| |
Wenn wir zum Beispiel sagen, dass „unglaublich“ die Aussagekraft um den Faktor 1,4 steigert, während „wenig“ die Aussagekraft um den Faktor 0,3 steigert, schwächt es die ausgedrückte Aussagekraft gewissermaßen etwas ab. |
| |
Nun gibt es schließlich noch eine weitere Wortart, die wir berücksichtigen wollen, nämlich Negationen wie „nein“ und „nicht“, die wir im Grunde als Polaritätsumkehrungen behandeln. |
| |
„Nicht fantastisch“ wäre, als würde man die Punktzahl für „fantastisch“ mit -1 multiplizieren. |
| |
Dies ist also eine gängige Methode der Stimmungsanalyse, die man auch lexikalische Stimmungsanalyse nennt. Dabei multiplizieren wir die gefundenen Stimmungsbegriffe mit allen zugehörigen Verstärkern. |
| |
oder Negatoren und dann, wenn wir für jedes Dokument alle Stimmungsbewertungen für die einzelnen vorkommenden Begriffe haben, bilden wir einfach den Durchschnitt über alle diese Bewertungen, um eine Stimmungsbewertung für dieses Dokument zu erhalten. |
| |
JMP stellt uns diese Ergebnisse auf verschiedene nützliche Arten zur Verfügung. Hier sehen Sie einen Screenshot des Stimmungsanalyse-Tools, das wir gleich verwenden werden. |
| |
Man kann aber unter anderem sehen, dass es uns eine Verteilung der Stimmungsbewertungen über alle unsere Dokumente hinweg liefert. Es gibt uns eine Liste aller Stimmungsbegriffe und ihrer Häufigkeit. |
| |
Und wir haben sogar die Möglichkeit, wie wir sehen werden, die Stimmungsbewertungen zu exportieren, um sie in Diagrammen oder Analysen zu verwenden. |
| |
Ich habe hier also ein paar Grafiken erstellt, um in einem ersten Anhaltspunkt zu prüfen, ob die Stimmungslage in den Beige-Book-Berichten tatsächlich mit den wirtschaftlichen Ereignissen so übereinstimmt, wie wir es erwarten. Haben wir da wirklich etwas Wahres dran? |
| |
Stimmungslage als eine Art Wirtschaftsindikator? Und die Antwort lautet wohl: Ja, wahrscheinlich. |
| |
Hier ist ein Diagramm, das ich im Graph Builder erstellt habe; es zeigt die Stimmungslage im Zeitverlauf, die kleinen grauen Punkte stellen also die einzelnen Berichte dar. |
| |
Der blaue Glättungseffekt zeigt gewissermaßen den Trend der Stimmungslage im Zeitverlauf an, wobei die schwarze Linie bei Null eine neutrale Stimmungslage anzeigt, zumindest gemäß unserem Bewertungsschema. |
| |
Die roten Bereiche sind |
| |
Zeiten der wirtschaftlichen Rezession, wie sie von der Federal Reserve offiziell aufgelistet werden. |
| |
Man könnte also feststellen, dass die Stimmung ihren Tiefpunkt erreicht oder dass es in der Nähe von Rezessionen Tiefpunkte gibt, aber man könnte auch etwas anderes bemerken |
| |
Das Problem ist, dass wir vor jeder Rezession einen Rückgang der Stimmung beobachten, entweder Monate oder in manchen Fällen sogar Jahre im Voraus. Und wir sehen diese starken Stimmungseinbrüche nicht. |
| |
In Situationen, in denen keine Rezession folgte. Daher könnte die Stimmungslage im Beige Book als Frühindikator für eine Rezession durchaus ihre Berechtigung haben. |
| |
Betrachtet man die Daten geografisch, ergeben sich ebenfalls plausible Zusammenhänge. Dies ist nur ein Beispiel aus der Analyse. Wir untersuchen die Stimmungslage in den 12 Gebieten. |
| |
Die Bezirke der Federal Reserve im Zeitverlauf von 1999 bis 2000 und 2001. Dies war die Zeit des sogenannten Dotcom-Crashs. |
| |
Es gab eine große Blase von Technologieunternehmen und Online-Unternehmen, die wie Pilze aus dem Boden schossen, und schließlich gingen viele von ihnen unter, was einige ziemlich schwerwiegende wirtschaftliche Folgen hatte. |
| |
Die Stimmung für die Jahre '99 bis 2000 nimmt zu, ja, sie scheint sogar ziemlich stark zuzunehmen. |
| |
Im Federal-Reserve-Bezirk von San Francisco, wo viele dieser Unternehmen ihren Hauptsitz haben. Und dann, im Jahr 2001 nach dem Platzen der Blase, der größte Einbruch, den wir hier bis hin zur negativen Stimmung (rot) beobachten können, ereignete sich erneut in diesem Bezirk von San Francisco. |
| |
Ein kurzer Blick auf die grafische Darstellung dieser Beige Book-Sentiment-Scores lässt also vermuten, dass sie in Bezug auf ihre Fähigkeit, bestimmte wirtschaftliche Ereignisse abzubilden oder vielleicht sogar vorherzusagen, durchaus Gültigkeit besitzen, wobei wir Letzteres natürlich genauer untersuchen müssen. |
| |
Dies ist jedoch nur ein Beispiel für die möglichen Anwendungsfälle der Stimmungsanalyse, und es gibt noch viele weitere. |
| |
Eines der größten Anwendungsgebiete, in dem es derzeit eingesetzt wird, ist die Konsumforschung, wo man beispielsweise analysiert |
| |
einige Antworten aus Verbraucherumfragen, um herauszufinden, was positive oder negative Meinungen oder Reaktionen auslöst. |
| |
Die Stimmungsanalyse kann aber auch beispielsweise zur Produktverbesserung eingesetzt werden, indem man Produktrezensionen oder Garantieansprüche analysiert, um Produktmerkmale oder Probleme zu finden, die bei den Kunden starke emotionale Reaktionen hervorrufen. |
| |
Nehmen wir beispielsweise den Kundensupport, könnten wir Callcenter- oder Chatprotokolle analysieren. |
| |
Wir untersuchen Supportpraktiken, die zu zufriedenen oder unzufriedenen Kunden führen. Auch im Bereich der öffentlichen Politik analysieren wir öffentliche Kommentare, um die Reaktion der Öffentlichkeit auf vorgeschlagene oder bestehende Maßnahmen zu ermitteln. |
| |
Dies sind nur einige Anwendungsbereiche für die Stimmungsanalyse. Sie ist im Grunde überall dort einsetzbar, wo Texte Emotionen vermitteln und diese Emotionen informativ sein können. |
| |
Das wäre also alles, was ich vorab sagen wollte. Jetzt möchte ich Ihnen kurz erklären, wie es in JMP funktioniert. Kommen wir also zu JMP. |
| |
Hier haben wir die Daten des Beige Book. Ganz unten sehen Sie etwas mehr als 5.000 Berichte und das jeweilige Berichtsdatum. |
| |
Mai 1972 Oktober 2020, aus welchem der 12 Bezirke es stammt, und dann der Text des Berichts. Und Sie können sehen, dass diese Berichte, |
| |
Es handelt sich nicht nur um kurze Aussagen darüber, ob es der Wirtschaft gut oder schlecht geht, sondern sie können auch detaillierter ausfallen. |
| |
Bevor wir uns nun mit diesen Daten befassen, möchte ich mich bei jemandem bedanken, der die Idee zur Analyse des Beige Book hatte und die Daten tatsächlich heruntergeladen und in JMP importiert hat. |
| |
Das Format ist nun bereit zur Analyse. Ein großes Dankeschön geht an Xan Gregg, der, falls Sie ihn nicht kennen, Direktor im JMP-Entwicklungsteam und Entwickler des Graph Builders ist. Vielen Dank, Xan, für deine Hilfe! |
| |
Gut, dann quantifizieren wir jetzt den Grad positiver und negativer Emotionen in all diesen Berichten. Wir verwenden dazu den Text-Explorer im Menü „Analysieren“. |
| |
Hier haben wir unser Startfenster. Ich nehme unsere Textdaten und füge sie der Textspaltenrolle hinzu. Bevor wir loslegen, noch ein paar wichtige Punkte. |
| |
Text Explorer unterstützt mehrere Sprachen, aber im Moment ist die Stimmungsanalyse nur auf Englisch verfügbar. Und noch etwas, worauf ich hinweisen möchte, ist das Stammbaum-Problem. |
| |
Wer sich mit Textanalyse beschäftigt, kennt wahrscheinlich den Begriff Stemming. Für alle anderen: Stemming ist ein Verfahren, bei dem mehrere Wörter zu einem Ganzen zusammengefasst werden... |
| |
Um es mal allgemein zu formulieren: Es handelt sich um mehrere Varianten desselben Wortes. Nehmen wir zum Beispiel „stark“, „stärker“ und „am stärksten“. Das sind also drei Varianten. |
| |
Es gibt verschiedene Versionen des Wortes „stark“, und bei manchen Text-Mining-Techniken würde man diese alle zu einem einzigen Begriff zusammenfassen und einfach sagen: „Ach, sie bedeuten alle ‚stark‘“, weil das konzeptionell so ziemlich dasselbe ist. |
| |
Ich werde das mit dem Stammbau jetzt weglassen, und zwar deshalb, weil... nehmen wir zum Beispiel „stärkste“, das beschreibt, wie stark etwas nur sein kann. |
| |
im Gegensatz zu „stärker“, was bedeutet, dass man weiß, dass es stark ist, aber dass es noch Raum für weitere Verbesserungen gibt. |
| |
Daher sollte „stärkstes“ wahrscheinlich eine höhere Stimmungsbewertung erhalten als „stärker“. Würde ich die Wörter auf ihren Wortstamm reduzieren, ginge die Unterscheidung zwischen ihnen verloren. Da ich diese Unterscheidung beibehalten möchte, vergebe ich ihnen unterschiedliche Stimmungsbewertungen. Deshalb werde ich die Wortstammreduktion fortsetzen. |
| |
Ich klicke also auf OK. |
| |
JMP wird nun unseren Text tokenisieren, ihn also in seine einzelnen Wörter zerlegen und dann zählen, wie oft jedes einzelne vorkommt. |
| |
Hier haben wir eine Liste aller Begriffe und ihrer Häufigkeit. „Verkauf“ kommt über 46.000 Mal vor, und hier befindet sich auch unsere Phrasenliste. Die Phrasen sind also: |
| |
Sequenzen aus zwei oder mehr Wörtern, die häufig vorkommen, und manchmal möchten wir diese tatsächlich als Terme in unserem System zählen. |
| |
Analyse. Und für die Stimmungsanalyse würden Sie Ihre Phrasenliste durchgehen und beispielsweise „Immobilien“ hinzufügen, was zwar aus zwei Wörtern besteht, sich aber eigentlich auf Eigentum bezieht. |
| |
Und das könnte ich noch hinzufügen. Normalerweise würden wir in der Textanalyse auch sogenannte Stoppwörter hinzufügen. |
| |
Das sind Wörter, die im Kontext unserer Analyse keine wirkliche Bedeutung haben und die wir ausschließen möchten. Nehmen wir zum Beispiel „Bezirk“. Das passiert... oder das Beige Book verwendet |
| |
Das Wort „Bezirk“ wird häufig verwendet, man sagt einfach nur „dieser Bericht aus dem Bezirk Richmond“ oder so ähnlich, das ist nicht wirklich aussagekräftig. |
| |
Aber ich werde mich hier tatsächlich nicht mit Stoppwörtern aufhalten, und zwar deshalb, weil, wie Sie sich vielleicht erinnern, |
| |
Zurück zu unseren Folien: Wir haben gesagt, dass alle unsere Stimmungsbewertungen auf einem Wörterbuch basieren, in dem wir Stimmungsbegriffe auswählen und ihnen die entsprechende Punktzahl zuweisen. |
| |
Und wenn wir „Bezirk“ einfach weglassen, erhält es automatisch eine Punktzahl von 0 und hat keinen Einfluss auf unsere Stimmungsbewertung, sodass ich es nicht unbedingt als Stoppwort deklarieren muss. |
| |
Sobald wir so weit sind, würden wir die Text- oder, Entschuldigung, die Stimmungsanalyse unter dem roten Dreieck hier aufrufen. |
| |
Da wir keine Stimmungsbegriffe oder Ähnliches angegeben haben, verwendet JMP aktuell ein integriertes Stimmungslexikon, um alle Dokumente zu bewerten. Hier erhalten wir unsere Ergebnisse. |
| |
Bevor wir diese Ergebnisse genauer betrachten, sollten wir unser Stimmungslexikon anpassen, also die stimmungsrelevanten Wörter und ihre jeweiligen Bewertungen. Denn in verschiedenen Bereichen … |
| |
Da verschiedene Personen den Text verfassen, könnten bestimmte Wörter unterschiedliche Bedeutungsnuancen aufweisen oder in einem Fall eine bestimmte Bedeutung haben und im anderen nicht. Deshalb wollen wir |
| |
Wir erstellen wirklich sehr sorgfältig und gründlich ein Sentimentwörterbuch, das unserer Meinung nach die Stimmung, wie sie durch die Sprache, die wir gerade analysieren, vermittelt wird, genau erfasst. |
| |
JMP verwendet, wie bereits erwähnt, ein eingebautes Wörterbuch, das recht spärlich ist. Man kann es hier sehen, es enthält einige Emoticons, |
| |
So etwas wie diese kleinen Smileys und dergleichen, aber dann gibt es auch ziemlich eindeutige, gefühlsbetonte Ausdrücke, wie zum Beispiel „abgründig“ bei -90. |
| |
Es ist wohl eher unwahrscheinlich, dass jemand das Wort „abgrundtief“ verwendet, ohne es negativ zu meinen, daher sind wir damit recht zufrieden. Allerdings ist die Liste nicht besonders lang, und wir sollten sie eventuell noch um einige Begriffe ergänzen. |
| |
Schauen wir uns also an, wie wir das anstellen. Ich kann Ihnen empfehlen, sich Ihre Daten anzusehen. Lesen Sie einige Ihrer Dokumente und versuchen Sie, Wörter zu finden, die Ihrer Meinung nach auf eine bestimmte Stimmung hindeuten könnten. |
| |
Wir haben hier unten ein Tool, mit dem wir unsere Dokumente durchsuchen und direkt Stimmungsbegriffe daraus hinzufügen können. Hier sehe ich eine Dokumentenliste. Dokument 1 ist hervorgehoben und wird darunter angezeigt. Ich kann verschiedene Dokumente auswählen, um sie anzusehen. |
| |
Wenn wir uns nun Dokument 1 ansehen, fallen uns gleich zu Beginn einige mögliche Stimmungsbegriffe wie „Pessimismus“ und „Optimismus“ auf. |
| |
Sie sehen nun, dass diese nicht hervorgehoben sind. Sie sind tatsächlich nicht im Standard-Sentimentwörterbuch enthalten. |
| |
Und viele Substantive, die Sie finden werden, sind es tatsächlich nicht, und das liegt daran, dass Substantive wie „Pessimismus“ oder „Optimismus“ so beschrieben werden können, dass ihre Anwesenheit oder Abwesenheit im Grunde suggeriert wird. Ich könnte also sagen: „Der Pessimismus nimmt ab“ oder |
| |
„Es herrscht ein deutlicher Mangel an Pessimismus“, „über Pessimismus wird nicht mehr berichtet.“ |
| |
Und in solchen Fällen würden wir nicht sagen, dass „Pessimismus“ etwas Negatives ist. Es ist … deshalb sollte man vorsichtig sein und Wörter im Kontext und in ihrer tatsächlichen Verwendung betrachten, bevor man sie in ein Stimmungslexikon aufnimmt. |
| |
Ich könnte beispielsweise zu unserer Begriffsliste hier zurückkehren. Ich zeige Ihnen einfach den Filter. |
| |
Suchen Sie nach dem Begriff „Pessimismus“ und sehen Sie sich dann den Text an, um zu prüfen, wie er verwendet wird. In diesem ersten Beispiel sehen wir: „Die Stimmung unserer Direktoren schwankt zwischen Pessimismus und Optimismus.“ |
| |
Und der nächste |
| |
„Private Gespräche eine tiefe pessimistische Stimmung.“ Wenn man den Text tatsächlich liest, ist dies die typische Verwendung. Im Beige Book scheint das Wort Pessimismus also nicht so verwendet zu werden, wie ich befürchtet hatte. |
| |
„Der Optimismus nimmt zu.“ |
| |
Ich finde es also in Ordnung, hier „Pessimismus“ hinzuzufügen, also lasst es uns in unser Stimmungslexikon aufnehmen. |
| |
Wenn ich also direkt darüber fahre, |
| |
Sie sehen, dass wir einige Optionen aufzeigen, was damit geschehen kann. Hier könnte ich ihm beispielsweise eine Punktzahl von -60 geben. |
| |
Dieser Eintrag wird nun mit der entsprechenden Punktzahl in unser Wörterbuch aufgenommen und löst eine Aktualisierung der Stimmungsanalyse in JMP aus. Das heißt, JMP sucht jetzt nach dem Wort „Pessimismus“ und passt alle Dokumentbewertungen an, in denen es gefunden wird. |
| |
Schauen wir uns nun unsere Stimmungsbegriffe genauer an. Wenn ich weiter nach unten scrolle, finden Sie „Pessimismus“. |
| |
Hier ist die Punktzahl von -60, die ich gerade vergeben habe. Jetzt sollte ich vielleicht... wie Sie sehen, hat „pessimistisch“ standardmäßig eine Punktzahl von -50, also schreibe ich hier vielleicht einfach -50 ein, um das einheitlich zu gestalten. |
| |
Ich könnte es zwar, werde es aber nicht tun, um kein weiteres Update auszulösen. |
| |
Hier finden Sie außerdem eine Liste möglicher Stimmungsbegriffe. JMP hat diese Begriffe als potenziell stimmungsbezogen identifiziert. Sie können sie sich ansehen und gegebenenfalls in Ihr Wörterbuch aufnehmen. |
| |
Nehmen wir zum Beispiel das Wort „stark“. Wenn man sich einige der Dokumenttexte rechts ansieht, könnte man sagen: „Okay, das ist eindeutig etwas Positives.“ Und wenn man sich viele dieser Beispiele angesehen hat, fällt es wirklich auf, dass |
| |
Die Wörter „stark“ und entsprechend „schwach“ werden von diesen Ökonomen sehr häufig verwendet, um über positive oder negative Aspekte der aktuellen Wirtschaftslage zu sprechen. |
| |
Ich könnte sie also hinzufügen oder hier „stark“ eintragen, indem ich beispielsweise auf die Schaltflächen oben klicke, die positiv 60 lauten. Ich werde das aber jetzt nicht tun, um die Stimmungsanalyse zu beschleunigen. |
| |
Wir könnten also, genau wie bei unseren unten stehenden Texten, unsere Liste der Stimmungsbegriffe hier durchgehen, um einige gute Kandidaten auszuwählen. |
| |
Unterhalb des roten Dreiecks können wir die Stimmungsbegriffe auch direkter verwalten, sodass das Ganze einfach im Vollbild enthalten ist. |
| |
Termverwaltungslisten, die wir als Text Explorer-Benutzer kennen, wie zum Beispiel die Phrasenverwaltung und die Stoppwortverwaltung. |
| |
Sie sehen, dass wir zusätzlich zu unseren integrierten Begriffen einen neuen, für diese spezielle Analyse spezifischen Begriff hinzugefügt haben. Selbstverständlich könnten wir auch Ausnahmen definieren, falls wir einige dieser Begriffe nicht berücksichtigen möchten. |
| |
Und vor allem können Sie Ihr Stimmungslexikon auch importieren und exportieren. Eine weitere Möglichkeit, Stimmungsbegriffe zu definieren, besteht darin, Fachexperten zu konsultieren. Sie wissen schon, |
| |
Ökonomen hätten wahrscheinlich eine ganze Menge zu sagen über die Art von Wörtern, die sie erwarten würden, um klar zu vermitteln |
| |
Die Berichte enthalten positive oder negative Emotionen. Wenn wir mit den Betroffenen sprechen könnten, würden wir gerne ihre Meinung dazu erfahren und könnten vielleicht sogar ein Wörterbuch mit ihren Angaben erstellen, beispielsweise in einer tabulatorgetrennten Datei, und dieses dann hier importieren. |
| |
Und wenn wir dann ein Wörterbuch erstellt haben, mit dem wir zufrieden sind, sollten wir es natürlich exportieren und speichern, damit wir es in Zukunft problemlos wiederverwenden können. |
| |
Das war also ein kleiner Einblick in die konkrete Zusammenstellung Ihres Stimmungslexikons. Es wäre außerdem wichtig, |
| |
Wählen Sie Ihre Verstärkungs- und Negationsterme sorgfältig aus, und auch hier sehen Sie keine Punktzahlen, denn es handelt sich lediglich um Polaritätsumkehrungen. |
| |
Um Ihnen einen besseren Eindruck davon zu vermitteln, wie das konkret aussieht, schauen wir uns doch einmal die Stimmungslage an, um Beispiele zu sehen, in denen… |
| |
JMP hat das Wort „nicht“ vor einigen dieser Stimmungsbegriffe gefunden und die entsprechende Punktzahl zugewiesen. So erhält beispielsweise „nicht akzeptabel“ ganz oben eine Punktzahl von -25. |
| |
Ich zeige Ihnen das also nur, um Ihre Aufmerksamkeit darauf zu lenken, dass diese Negatoren und Verstärker von JMP quasi automatisch angewendet werden. |
| |
Aber nun gut, kommen wir von der Frage, wie man die Analyse aufsetzt, zur eigentlichen Ergebnisbetrachtung. Ich werde also Folgendes ansprechen: |
| |
Eine Version der Analyse, die bereits durchgeführt wurde, d. h. ich habe das Stimmungslexikon bereits zusammengestellt, und wir können nun tatsächlich mit der Interpretation der Ergebnisse beginnen. |
| |
Hier oben haben wir also unsere Übersicht, die zeigt, dass es mehr positive als negative Dokumente gibt. Wie bereits erwähnt, können wir sehen, wie viele Dokumente es jeweils gibt. Tatsächlich sehen Sie unten in der Tabelle links, dass ein Dokument keinerlei Stimmungsäußerung enthält. |
| |
„Stark“ kommt etwa 14.000 Mal vor, „schwach“ etwa 4.500 Mal. |
| |
und indem man diese entweder nach ihrer Anzahl oder nach ihren Punktzahlen betrachtet, wobei man sich die negativsten und positivsten ansieht, |
| |
Schon allein die Betrachtung im Kontext kann sehr aufschlussreich sein. Ich meine, insbesondere in Bereichen wie der Marktforschung, wenn man wissen möchte, wann Menschen positive Gefühle haben oder diese zum Ausdruck bringen. |
| |
Welche Sprache wird im Zusammenhang mit unserer Marke oder unseren Produkten verwendet? Das könnte beispielsweise unsere Marketingstrategie beeinflussen. Diese Liste von Stimmungsbegriffen kann diesbezüglich sehr aufschlussreich sein. |
| |
Herstellung, |
| |
Tourismus, Investitionen. Und manchmal möchten wir uns auf einen dieser Teilbereiche im Besonderen konzentrieren, auf das, was wir ein Merkmal nennen könnten. |
| |
Wenn ich im Bereich „Sentimentanalyse“ auf den Reiter „Features“ gehe und auf „Suchen“ klicke, findet JMP einige Wörter, die häufig in Verbindung mit Stimmungsbegriffen vorkommen, und fragt, ob ich die Stimmungslage in Bezug auf dieses Feature genauer untersuchen möchte. |
| |
Nehmen wir zum Beispiel den Begriff „Umsatz“. Wir sehen dann Formulierungen wie „Der Umsatz wurde als schwach gemeldet“, „Der Umsatz ist rückläufig“, „Der Umsatz soll sich gut halten“ und so weiter. |
| |
Wenn ich also nur dieses ausgewählte Merkmal bewerte, liefert JMP nun Stimmungsbewertungen nur in Bezug auf die Erwähnung von „Verkäufen“ innerhalb dieser größeren Berichte. Dies wird uns helfen, unsere Analyse zu verfeinern oder sie auf einen wirklich klar definierten Teilbereich zu konzentrieren. |
| |
Und das ist besonders wichtig. |
| |
Es könnte sein, dass der Definitionsbereich der Sprache, die wir analysieren, nicht so klar abgegrenzt ist. Nehmen wir zum Beispiel … |
| |
Produktbewertungen. Sie interessieren sich dafür, wie positiv oder negativ die Leute das Produkt bewerten, aber sie sprechen vielleicht auch über beispielsweise den Versand, und es ist Ihnen nicht unbedingt wichtig, ob sie mit dem Versand nicht ganz zufrieden waren, hauptsächlich weil er außerhalb Ihrer Kontrolle liegt. |
| |
Man möchte ja nicht einfach wahllos Rezensionen einbeziehen, die sich auch auf den Versand beziehen. Daher ist es wichtig, den Analysebereich festzulegen und ihn entsprechend einzugrenzen. Die hier verwendete Funktionssuche ist eine Möglichkeit, dies zu tun. |
| |
Sie sehen also jetzt, nachdem ich die Bewertung für „Umsätze“ vorgenommen habe, dass wir eine ganz andere Verteilung positiver und negativer Dokumente haben. Wir haben mehr Dokumente ohne Stimmungsbewertung, weil sie |
| |
Sprechen Sie einfach nicht über Verkäufe oder verwenden Sie keine emotionale Sprache, um darüber zu sprechen, und wir haben jetzt eine andere Liste von Stimmungsbegriffen, die speziell auf Verkäufe ausgerichtet sind. |
| |
Ich werde das entfernen. |
| |
Mir ist aufgefallen, dass ich etwas vergessen hatte zu erwähnen – ich hatte es zwar kurz angesprochen –, aber es geht darum, wie diese Gesamtbewertung der Dokumente, die wir uns angesehen haben, berechnet wird. Ich hatte gesagt, dass sie der Durchschnitt aller Stimmungsbegriffe ist… |
| |
Das geschah in einem bestimmten Dokument. Schauen wir uns also Dokument 1 an. Ich möchte Ihnen nur zeigen, dass |
| |
Falls Sie sich jemals fragen, woher dieser Wert kommt, sagen wir -20, können Sie einfach mit der Maus darüberfahren, und es wird Ihnen eine Liste aller darin vorkommenden Stimmungsbegriffe angezeigt. |
| |
Und wie Sie sehen, haben wir hier 16 davon, einschließlich aller ganz unten, dem „echten Lichtblick“ mit +78 Punkten. Wenn man dann alle diese Punktzahlen addiert und durch 78 teilt… |
| |
Oder man teilt durch 16, Entschuldigung, dann erhält man eine durchschnittliche Stimmung von -20. Dies ist eine von zwei Möglichkeiten, Gesamtbewertungen zu ermitteln. Die andere ist eine Min-Max-Bewertung, also die Differenz zwischen Minimum und Maximum. |
| |
die im Text zum Ausdruck gebrachten Gefühle. |
| |
Allein aus diesem Bericht können wir schon eine Menge Informationen gewinnen, zum Beispiel Stimmungsbewertungen und die am häufigsten verwendeten Begriffe. |
| |
Aber oft möchten wir die Gefühle aufgreifen und sie auf andere Weise verwenden, zum Beispiel |
| |
Betrachten Sie sie grafisch, wie wir es bereits in den Folien getan haben. Wenn Sie also mit diesem Teil Ihrer Analyse beginnen, gehen Sie einfach zum roten Dreieck hier. |
| |
und speichern Sie die Dokumentenbewertungen. Diese Bewertungen werden dann wieder in Ihrer Datentabelle gespeichert, sodass Sie sie für weitere Analysen verwenden oder grafisch darstellen können – ganz nach Ihren Wünschen. |
| |
Das war also eine Vorschau auf die Stimmungsanalyse, die in JMP Pro 16 im Text-Explorer verfügbar sein wird. Die Kernaussage ist, dass die Stimmungsanalyse ein Stimmungswörterbuch verwendet, das |
| |
Sie richten ein System ein, das dem positiven und negativen emotionalen Gehalt jedes Dokuments entsprechende Bewertungen zuweist, und können diese Informationen dann auf jede für Sie informative Weise nutzen. |
| |
Wir lassen die Stimmungsanalyse nun hinter uns und ich werde zu unseren Folien zurückkehren, um über die andere Technik zu sprechen, die demnächst im Text Explorer verfügbar sein wird. |
| |
Und das ist die Termauswahl, bei der eine andere Frage beantwortet wird, nämlich: Welche Terme sind am stärksten mit einer wichtigen Variable oder einer Variable, die mir wichtig ist, assoziiert? |
| |
Wir bleiben beim Beige Book. |
| |
Wir werden untersuchen, welche Wörter statistisch mit Rezessionen in Zusammenhang stehen. In der Grafik sehen wir die prozentuale Veränderung im Zeitverlauf. |
| |
Das Bruttoinlandsprodukt (BIP) wird quartalsweise dargestellt, wobei Blau Wirtschaftswachstum und Rot Wirtschaftsrückgang anzeigt. Und wir könnten uns fragen, was … |
| |
Könnten die im Beige Book aufgeführten Begriffe statistisch mit diesen Phasen des wirtschaftlichen Abschwungs in Zusammenhang stehen? Zum Beispiel einige davon hier. |
| |
Wissen Sie, warum sollten wir bestimmte Begriffe im Beige Book mit Perioden des wirtschaftlichen Abschwungs in Verbindung bringen? |
| |
Nun, es könnte an sich schon aufschlussreich sein, eine Liste von Begriffen zu erhalten. Wissen Sie, vielleicht finde ich da ein paar, nun ja, subtile Begriffe. |
| |
Ursachen oder Auswirkungen von Rezessionen, die mir möglicherweise nicht bewusst sind oder die ich nicht ohne Weiteres in quantitativen Daten erfassen kann. |
| |
Ich könnte auch noch ein paar Worte für eine weitere Analyse finden. Ich könnte...ich könnte welche finden |
| |
Potenzielle Stimmungsbegriffe, einige Begriffe, die verwendet werden, wenn es der Wirtschaft besonders schlecht geht, die ich bei meiner ersten Stimmungsanalyse übersehen habe. |
| |
Oder vielleicht finde ich einige Wörter, die so stark mit Rezessionen in Verbindung gebracht werden, dass ich sie in einem Vorhersagemodell verwenden könnte, um herauszufinden, wann in Zukunft Rezessionen auftreten könnten. |
| |
Es gibt also verschiedene Gründe, warum wir wissen möchten, welche Wörter am stärksten mit Rezessionen in Verbindung gebracht werden. |
| |
Wie funktioniert das also in JMP? Nun, wir erstellen im Grunde ein Regressionsmodell, bei dem die Zielvariable die Variable ist, die uns interessiert, also Rezessionen, und die Eingabevariablen all die verschiedenen Wörter sind. |
| |
Die in das Modell eingegebenen Daten liegen in Form einer Dokument-Term-Matrix vor, wobei jede Zeile einem bestimmten Ereignis entspricht. |
| |
Ein Dokument oder ein Beige-Book-Bericht, und die Spalten erfassen die darin vorkommenden Wörter. Hier ist die Spalte „schwach“ hervorgehoben und trägt die Bezeichnung „binär“, was bedeutet, dass |
| |
Es wird Einsen und Nullen enthalten; eine 1 bedeutet, dass der Bericht das Wort „schwach“ enthielt, und eine 0 bedeutet, dass der Bericht das Wort „schwach“ nicht enthielt. Dies ist nur eine von mehreren Möglichkeiten, die Dokumente zu bewerten, aber wir bleiben vorerst bei diesem Binärsystem. |
| |
Wir nehmen also diese Informationen und geben sie in ein Regressionsmodell ein. So würde der Startvorgang aussehen. |
| |
Wir haben die Rezession als unsere Y-Variable, und das ist im Grunde eine Ja/Nein-Variable, und dann haben wir all diese binären Termprädiktoren als Modelleffekte eingegeben. |
| |
Anschließend werden wir das allgemeine Regressionstool von JMP Pro verwenden. |
| |
Um das Modell zu erstellen, und das liegt daran, dass die generalisierte Regression oder GenReg, wie wir sie nennen, automatische Variablenauswahlverfahren beinhaltet. Wenn Sie also damit vertraut sind |
| |
Regularisierte Regression, wir sprechen hier von Methoden wie Lasso oder Elastic Net. Und falls Ihnen diese Begriffe nichts sagen, ist das völlig in Ordnung. Die Idee ist, dass sie automatisch |
| |
Es ermittelt, welche Begriffe am stärksten mit der Ergebnisvariablen „Rezession“ korrelieren, und setzt dann diejenigen, die seiner Meinung nach nicht damit korrelieren, auf null. |
| |
Und dies erlaubt es uns, die Beziehungen zwischen „Rezession“ und vielleicht Hunderten, Tausenden von möglichen Wörtern zu untersuchen, die damit in Verbindung gebracht werden könnten. |
| |
Was erhalten wir also, wenn wir die Analyse durchführen? |
| |
Wir erhalten ein Modell. Hier haben wir also die Gleichung für dieses Modell. Machen Sie sich keine allzu großen Gedanken darüber. Die Idee ist, dass wir sagen: |
| |
Die Log-Odds einer Rezession, also eine Funktion der Wahrscheinlichkeit, dass wir uns in einer Rezession befinden, und der Zeitpunkt der Veröffentlichung des Beige Book ist eine Funktion von |
| |
alle verschiedenen Wörter, die im Beige Book-Bericht vorkommen könnten. |
| |
Und wie Sie sehen, haben wir den Effekt des Auftretens des Wortes „Pandemie“ mit einem Koeffizienten von 1,94. |
| |
Das bedeutet lediglich, dass die Wahrscheinlichkeit für eine Rezession um das 1,94-Fache steigt, wenn im Beige Book der Begriff „Pandemie“ fällt. Demgegenüber steht ein Wert von minus 1,02 mal „Gewinn“. Das heißt, wenn im Beige Book der Begriff „Gewinn“ fällt, sinkt die Wahrscheinlichkeit für eine Rezession… |
| |
oder die Wahrscheinlichkeit einer Rezession sinkt um 1,02. |
| |
Daraus ergibt sich eine Liste von Begriffen, die stark mit einer Erhöhung der Rezessionswahrscheinlichkeit verbunden sind, Dinge wie „Pandemie“, „Verschiebung“, „Absage“, „Zwangsversteigerungen“. |
| |
Und wir erhalten auch eine Liste von Begriffen, die mit einer sinkenden Wahrscheinlichkeit einer Rezession in Verbindung gebracht werden, wie zum Beispiel „Gewinn“, „Stärkung“ und „Wettbewerb“. |
| |
Wir sehen dort auch die Bezeichnung „Fertigung“, aber sie hat einen relativ kleinen Koeffizienten von etwa -0,2. |
| |
Und wenn wir uns hier eine grafische Darstellung aller in dieser Analyse ausgewählten Begriffe ansehen, werden Sie feststellen, dass es nicht allzu viele spezifische Bereiche wie „Fertigung“ gibt. |
| |
„Tourismus“, „Investitionen“ und all das. Das liegt daran, dass über diese Dinge immer gesprochen wird, ob wir uns in einer Rezession befinden oder nicht. Wir suchen also eigentlich nach Wörtern, die verwendet werden. |
| |
Wissen Sie, wir befinden uns häufiger in einer Rezession, als man zufällig erwarten würde. Wir haben zum Beispiel... folgende: |
| |
Die Pandemie ist der aussagekräftigste Indikator. Das leuchtet ein. Bis vor Kurzem haben wir überhaupt nicht über Pandemien gesprochen, und dann haben wir auch noch die Rezession erlebt, was wir ziemlich deutlich wahrgenommen haben. |
| |
Dann haben wir noch einige andere in dieser, sozusagen, zweiten Kategorie, nämlich „verschoben“, „abgesagt“, „zwangsversteigert“, „verschlechtern“, „pessimistisch“. |
| |
Und es ist schon interessant, dass diese „Verschiebung“ und „Absage“ mit Rezessionen in Verbindung gebracht werden. Das leuchtet ein, man möchte ja schließlich über die Verschiebung von beispielsweise wirtschaftlichen Aktivitäten sprechen. |
| |
Wenn eine Rezession stattfindet, oder zumindest ist das vielleicht ein verlässlicher Trend. Das ist an sich schon eine Erkenntnis. Tatsächlich habe ich |
| |
Das heißt, ich könnte Ihnen nicht sagen, wie die Federal Reserve die Verschiebung oder Absage wirtschaftlicher Aktivitäten erfasst, aber die Tatsache, dass diese Begriffe in dieser Analyse hervorgehoben werden, deutet darauf hin, dass es sich wahrscheinlich lohnt, dies zu verfolgen. |
| |
Okay, das ist also die Begriffsauswahl. Wir erhalten eine Liste mit Begriffen, die mit Rezessionen in Verbindung stehen, und können die relative Stärke des Zusammenhangs erkennen. Schauen wir uns das jetzt kurz in JMP an. |
| |
Ich werde also wieder zu JMP zurückkehren und dort eine etwas andere Datentabelle aufrufen. Es handelt sich zwar immer noch um Daten aus dem Beige Book, aber wir haben jetzt nur noch die nationalen Berichte. |
| |
Und wir haben die Begleitvariable, ob sich die USA zu dem Zeitpunkt in einer Rezession befanden oder nicht. Natürlich besteht in diesen Daten eine gewisse Autokorrelation. Das heißt, wenn wir uns letzten Monat in einer Rezession befanden, ist die Wahrscheinlichkeit höher, dass wir uns auch diesen Monat in einer Rezession befinden, als wenn wir uns nicht in einer befanden. |
| |
Und Sie wissen ja, dass das typischerweise ein Problem bei regressionsbasierten Analysen sein kann, aber hier handelt es sich um eine rein explorative Untersuchung. Wir machen uns deswegen keine allzu großen Sorgen. |
| |
Ich werde also einfach den Text Explorer über ein Tabellenskript aufrufen, da wir ja schon einmal gesehen haben, wie er gestartet wird. |
| |
Beachten Sie jedoch, dass ich, wie schon zuvor, bereits einige Formulierungen vorgenommen habe. Ich habe außerdem einige Stoppwörter hinzugefügt, die hier nicht sichtbar sind, aber Wörter, die von dieser Analyse nicht unbedingt zurückgegeben werden sollen. |
| |
Ich habe außerdem die Wortstammerkennung aktiviert, was die Bedeutung der kleinen Punkte in der Wortliste erklärt. Beispielsweise werden für „increase“ jetzt die Varianten „increases“, „increasing“ und „increasingly“ zusammengefasst. |
| |
Und zwar deshalb, weil ich diese Dinge mittlerweile alle als ein und dasselbe Konzept betrachte und einfach wissen möchte, ob dieses Konzept mit Rezessionen in Zusammenhang steht. |
| |
Um also die Termauswahl aufzurufen, gehen wir einfach zum roten Dreieck und ich wähle es hier aus. |
| |
Zuerst erscheint ein Steuerungsfenster, genauer gesagt ein Abschnitt, in dem wir die relevante Variable auswählen, in diesem Fall Rezessionen. Wir wählen den Zielwert aus; ich möchte die Wahrscheinlichkeit einer Rezession angeben, nicht die Wahrscheinlichkeit, dass keine Rezession eintritt. |
| |
Ich kann einige Modelleinstellungen festlegen. Wenn Sie mit GenReg vertraut sind, wissen Sie, dass Sie auswählen können, ob Sie eine vorzeitige Stoppfunktion wünschen oder ob Sie eine von zwei verschiedenen Optionen bevorzugen. |
| |
Strafen für die Variablenauswahl, die gewünschte Validierungsstatistik. Und falls Ihnen das alles neu ist, keine Sorge. Die Standardeinstellungen sind für den Anfang völlig ausreichend. |
| |
Wir haben unsere Gewichtung; falls Sie sich erinnern, hatten wir in dieser Spalte die Einsen und Nullen für „schwach“, die lediglich angaben, ob das Wort in einem Dokument vorkam oder nicht. Sie können aber auswählen, was Sie möchten. |
| |
Die Häufigkeit gibt beispielsweise nicht an, ob ein „schwaches“ Ereignis aufgetreten ist oder nicht, sondern wie oft es vorkam. Dies beeinflusst die Interpretation der Ergebnisse. Wir bleiben vorerst bei der Binärdarstellung. |
| |
Aber ich möchte mir die 1000 häufigsten Begriffe ansehen, anstatt der standardmäßigen 400. Wie Sie sehen, sind das deutlich mehr als 436, und normalerweise passt kein Modell mit 1000 Xs, aber nur 436. |
| |
Beobachtungen, aber dank der |
| |
Bei der automatischen Variablenauswahl in der generalisierten Regression stellt dies kein Problem dar. Es werden also erneut diejenigen dieser tausend Terme ausgewählt, die am stärksten miteinander korreliert sind – daher der Name Termauswahl. |
| |
Ich lasse das jetzt laufen. Wie Sie sehen, hat JMP die generalisierte Regressionsplattform aufgerufen und diese Ergebnisse zurückgegeben. Hier oben sehen wir einige Informationen zum angepassten Modell. Beispielsweise wurden 37 Terme zurückgegeben. |
| |
Ich verschiebe das mal kurz rüber. Denn hier rechts finden wir wirklich wertvolle Informationen. Das ist die Liste der Begriffe, die am stärksten mit einer Rezession in Verbindung gebracht werden. |
| |
Nun sortiere ich diese nach dem Koeffizienten, um diejenigen zu finden, die am stärksten mit der Wahrscheinlichkeit einer Rezession korrelieren. Das sind also wieder „Pandemie“, „Verschiebung“ und „Absagen“. Und wie Sie vielleicht erwarten, werden diese Vorschauen aktualisiert, wenn ich jetzt auf einen dieser Punkte klicke. |
| |
oder diese Textausschnitte weiter unten, damit wir dieses Wort im Kontext sehen können. |
| |
Diese Liste von Begriffen kann also an sich schon sehr wertvoll sein. Sie könnten etwas über bestimmte Begriffe oder Konzepte lernen, die Ihnen bisher unbekannt waren. Sie können diese Begriffe auch in Vorhersagemodellen verwenden. |
| |
Nun noch ein paar weitere Dinge, die zu beachten sind. |
| |
Wie Sie hier unten sehen, haben wir wieder eine Tabelle für jedes einzelne Dokument, aber anstelle von Stimmungsbewertungen haben wir jetzt im Grunde Bewertungen aus dem Modell. Wir haben für jedes Dokument |
| |
Die... |
| |
Wir nennen dies den positiven Beitrag; dies ist also der Beitrag positiver Koeffizienten, die die Wahrscheinlichkeit einer Rezession vorhersagen. Hier haben wir die negativen Werte. |
| |
Und dann haben wir noch die Rezessionswahrscheinlichkeit aus dem Modell, hier 71,8 %, und das, was wir tatsächlich beobachtet haben. |
| |
Und wir entwickeln hier nicht unbedingt ein Prognosemodell, das heißt, ich werde dieses Modell nicht verwenden, um Rezessionen vorherzusagen. Ich meine, ich habe alle möglichen wirtschaftlichen Indikatorvariablen, die ich verwenden würde. |
| |
Das ist zwar auch möglich, aber es eignet sich gut, um das Modell auf seine Plausibilität zu überprüfen. Scheint es einige seiner Vorhersagen richtig zu treffen? |
| |
Denn wenn das nicht der Fall ist, könnten Sie den zurückgegebenen Bedingungen misstrauen. Ihnen stehen außerdem zahlreiche weitere Informationen zur Verfügung, um diese Beurteilung vorzunehmen. Wir verfügen beispielsweise über einige Anpassungsstatistiken, wie die Fläche unter der Kurve hier oben. |
| |
Oder wir können auch auf die Plattform für generalisierte Regression zurückgreifen, die alle üblichen Optionen zur weiteren Beurteilung Ihres Modells bietet. |
| |
Ich werde jetzt nicht auf die Details eingehen, aber all das steht Ihnen zur Verfügung, damit Sie Ihr Modell beurteilen, es nach Ihren Wünschen anpassen und sicherstellen können, dass Sie eine Liste von Begriffen haben, mit denen Sie zufrieden sind. |
| |
Sie sehen hier, unter der Zusammenfassung, diese Liste der Modelle. Das liegt daran, dass Sie möglicherweise mehrere Modelle gleichzeitig ausführen möchten. Wenn ich also zum Modell zurückgehe … oh, Entschuldigung … wenn wir zu unserem … |
| |
Mit den Einstellungen hier oben könnte ich tatsächlich ein etwas anderes Modell verwenden. Vielleicht weiß ich zum Beispiel, dass das BIC etwas konservativer ist als das AICc und möchte daher weniger Terme zurückgeben. Vielleicht habe ich eine Analyse durchgeführt, die 900 Terme ergab, und das wäre etwas zu viel für Sie. |
| |
Ich klicke also auf „Ausführen“ und erstelle stattdessen ein anderes Modell damit. |
| |
Dieses Modell ist nun unserer Liste hinzugefügt, und ich kann zwischen den Modellen wechseln, um die Ergebnisse für jedes einzelne anzuzeigen. In diesem Fall haben wir nur 14 statt 37 Ergebnisse erhalten, die ich im Folgenden genauer betrachten werde. |
| |
Zwei wichtige Ergebnisse erhält man also: die Liste der Begriffe. Wenn Sie diese speichern möchten – es handelt sich um wichtige Begriffe, die Sie im Blick behalten möchten –, klicken Sie einfach mit der rechten Maustaste und wandeln Sie sie in eine Datentabelle um. Ich habe jetzt eine JMP-Tabelle. |
| |
mit den Termen, ihren Koeffizienten und weiteren Informationen. |
| |
Und |
| |
Wenn Sie die Daten eigentlich in Ihre ursprüngliche Datentabelle zurückschreiben möchten, um die Informationen in einer anderen Art von Analyse oder einem Vorhersagemodell zu verwenden, |
| |
Gehen Sie einfach zur Begriffsauswahl und wählen Sie aus, dass Sie die Begriffsbewertungen als Dokumentbegriffsmatrix speichern möchten. Wenn ich unsere Datentabelle hierher zurückbringe, können Sie sehen, dass ich sie nun in deren Kontext geschrieben habe. |
| |
Für jeden dieser ausgewählten Terme wurden Spalten erstellt. In diesem Fall wurden sie mit ihren Koeffizientenwerten ausgefüllt, und jetzt kann ich sie verwenden. |
| |
quantitative Informationen, wie auch immer ich sie mag. |
| |
Das war also ein kurzer Überblick zur Begriffsauswahl. Der Kernpunkt ist, dass ich eine Liste von Begriffen gefunden habe, die mit einer für mich relevanten Variable zusammenhängen, und dass ich durch deren Koeffizienten sogar Informationen darüber habe, wie stark dieser Zusammenhang sein könnte. |
| |
Dann fassen wir das Ganze doch zusammen. Wir haben zwei Techniken behandelt. Wir haben uns mit der Begriffsauswahl und dem Finden der wichtigsten Wörter beschäftigt. Davor haben wir die Stimmungsanalyse besprochen. |
| |
Die Quantifizierung des Ausmaßes positiver oder negativer Emotionen in einem Text. Dies sind zwei neue Text-Mining-Techniken, die in den Text-Explorer von JMP Pro 16 integriert werden. Wir freuen uns sehr darauf, dass Sie sie ausprobieren können und sind gespannt auf Ihr Feedback. |
