루스 험멜, JMP 학술 홍보대사, SAS
롭 카버, 스톤힐 칼리지/브랜다이스 대학교 명예교수
통계 교육자들은 오랫동안 프로젝트와 사례 연구가 수업 내용을 통합하는 효과적인 방법임을 인식해 왔습니다. 통계적 추론을 처음 접하는 학생들에게든, 분석 기법을 교육하는 직원들에게든, 분석이 예측 가능한 워크플로를 따라야 하는 더 큰 과정의 맥락 속에서 이루어진다는 것을 학생들이 배우는 것은 매우 중요합니다.
이 프레젠테이션에서는 JMP Project 도구를 활용하여 Airbnb 숙소 데이터 분석의 각 단계를 지원하는 방법을 시연합니다. JMP Project 환경 내의 저널, 그래프 작성기, 쿼리 작성기 및 기타 여러 JMP 도구를 사용하여 분석 과정을 문서화하는 방법을 배우게 됩니다. 분석 과정은 다음과 같습니다.
- 질문하세요.
- 데이터 요구 사항과 분석 계획을 명시하십시오.
- 데이터를 가져오세요.
- 데이터를 정리하세요.
- 분석을 하세요.
- 당신의 이야기를 들려주세요.
학생들이 통계적 사고의 논리를 이해하고 좋은 사고 습관을 기를 수 있도록 신뢰할 수 있는 워크플로우를 가르치는 것은 매우 중요한 일입니다. 워크플로우 중심의 교육이 없다면 통계학 수업은 서로 연결되지 않고 동기 부여가 부족한 기법들의 연속처럼 보일 것입니다. 학생들이 프로젝트 워크플로우 관점을 받아들이면 모든 요소들이 흥미롭게 하나로 통합됩니다.
자동 생성된 녹취록...
| 스피커 |
성적 증명서 |
| |
안녕하세요 여러분. 제 이름은… |
| 00 |
07.933 |
| |
3 |
| |
JMP 홍보대사입니다. 저는 현재 |
| |
은퇴한 경영학 교수 |
| 00 |
30.566 |
| |
7 |
| |
학생과 |
| |
프로젝트를 진행 중인 교수님. |
| 00 |
49,700 |
| |
11 |
| |
12 |
| |
학생들의 통계적 참여를 유도합니다 |
| |
추론, 가르치다 |
| 00 |
12.433 |
| |
16 |
| |
이에 대해 현재의 생각은 다음과 같습니다. |
| |
학생들이 배워야 할 것 |
| |
재현 가능한 워크플로에 관하여, |
| 00 |
36.266 |
| |
21 |
| |
기초 데이터 관리. 그리고, |
| |
다시 말해, 통계를 다음과 같이 보는 것 |
| 00 |
58,800 |
| |
25 |
| |
26 |
| |
오늘 이 자리에 함께하고 싶었습니다. |
| |
화상 통화였습니다. 참여해 주셔서 감사합니다. |
| 00 |
20,600 |
| |
30 |
| |
특히 맨해튼에서는, |
| |
그리고 당신은 우리에게 그렇게 물었잖아요 |
| 00 |
36.433 |
| |
34 |
| |
그리고 우리는 에어비앤비를 선택했어요. |
| |
임차인의 관점입니다. 그래서 저희는 |
| 00 |
51.733 |
| |
38 |
| |
값비싼. |
| |
그래서 우리는 |
| |
작성을 시작했어요...당신이 우리에게 주셨어요 |
| 00 |
09.166 |
| |
43 |
| |
44 |
| |
주요 문제와는 별개의 문제입니다. |
| |
자리를 찾는 데 집중 |
| 00 |
36.066 |
| |
49 |
| |
만약 당신이 통과한다면... 당신은 얻게 될 겁니다. |
| |
첫 세 질문은, 당신은 |
| 00 |
54.100 |
| |
53 |
| |
알고 있는데, 그 일부가 있나요? |
| |
맨해튼에 관심 있으세요? |
| 00 |
11.133 |
| |
58 |
| |
당신이 우리에게 보내준 저장소입니다. |
| |
그리고 우리는 정말로 다운로드했습니다 |
| 00 |
26.433 |
| |
32.866 |
| |
63 |
| |
우리가 발견한 것은, 마치... |
| |
이 데이터 세트에는 네 개의 열이 있습니다. |
| 00 |
46.766 |
| |
67 |
| |
그래서 알아냈어요, 이게 바로 그거였어요. |
| |
첫째, 개최지 주변 지역입니다. |
| 00 |
58.100 |
| |
71 |
| |
72 |
| |
처음 두 개를 알아냈습니다 |
| |
아주 작고 귀여운 것들을 많이 가지면 돼요. |
| 00 |
13,300 |
| |
76 |
| |
맨해튼. 그래서 우리는 선택했습니다. |
| |
맨해튼. 그리고 나서 우리가 가졌을 때 |
| 00 |
29,700 |
| |
80 |
| |
그렇게 해서 우리가 얻게 된 겁니다. |
| |
맨해튼 매물 목록입니다. |
| 00 |
44.033 |
| |
84 |
| |
데이터는 당신이 이러한 상황에 직면하게 된다는 것을 보여줍니다. |
| |
왜 네 개가 있는지와 같은 문제 |
| 00 |
03.300 |
| |
88 |
| |
맨해튼으로 제한하겠습니다. |
| |
돌아가서 좀 정리하세요 |
| 00 |
18.033 |
| |
92 |
| |
데이터는 우리가 가진 모든 것을 설명할 것입니다. |
| |
데이터를 얻기 위해 어떤 노력을 했는지 이야기해 보죠. |
| 00 |
28,400 |
| |
33,200 |
| |
97 |
| |
내가 합쳐야 한다는 걸 알아 |
| |
우편번호를 기준으로 그들을 분류합니다. |
| 00 |
47.166 |
| |
101 |
| |
102 |
| |
107개 열, |
| |
찾기가 정말 어려워요 |
| 00 |
09.366 |
| |
106 |
| |
그래서 우리는 그들을 청소해야 한다는 것을 알았습니다. |
| |
그거 올려. 좋아, 우리도 있었어. |
| 00 |
27.366 |
| |
111 |
| |
노트 일지. ~하기 위해 |
| |
이것을 정리하고, 우리는 recode를 사용합니다. |
| 00 |
45,500 |
| |
115 |
| |
맞아요. 멋지네요. |
| |
네, 그래서 저희는 청소를 마쳤습니다. |
| 00 |
02.200 |
| |
119 |
| |
맨해튼 세금 자료에는 이 우편번호가 있습니다. |
| |
코드요. 제게는 이 우편번호가 있어요. |
| 00 |
19,300 |
| |
123 |
| |
수업 날, 우리가 이야기했을 때 |
| |
~에 대한 |
| |
데이터 유형입니다. 그리고 다음 사항을 참고하세요. |
| 00 |
42,300 |
| |
128 |
| |
...분포를 분석하다 |
| |
저 칼럼, 재밌을 거예요 |
| 00 |
03.200 |
| |
133 |
| |
맨해튼은 사실 아무것도 말해주지 않아 |
| |
너는 어떤 존재야. |
| |
하지만 우편번호는 깨끗한 데이터를 제공합니다. |
| 00 |
18.466 |
| |
23.266 |
| |
139 |
| |
단순한 라벨, 식별자일 뿐입니다. |
| |
더 정확히 말하자면, |
| |
참여하거나 병합하려는 경우 |
| 00 |
41.833 |
| |
48.766 |
| |
145 |
| |
중요합니다. 단순히 하나의 요소가 아닙니다. |
| |
추상적인 개념입니다. 병합할 수 없습니다. |
| 00 |
03.166 |
| |
11.266 |
| |
150 |
| |
명목형이 모델링 유형이었습니다. |
| |
우리는 확실히 확인했을 뿐입니다. |
| 00 |
26.200 |
| |
31.033 |
| |
155 |
| |
메인 테이블에 대한 내용은 다음과 같습니다. |
| |
목록들을 유지하고 싶어요. |
| 00 |
45.533 |
| |
159 |
| |
맨해튼 세금과 결합하기 위해 |
| |
데이터. |
| |
네. 그럼 그다음은요? 그럼 우리는 해야 할 일이 있어요. |
| 00 |
03.266 |
| |
164 |
| |
그 열의 이름이 무엇인지 알려주세요 |
| |
지퍼로 깨끗하게 청소하세요. |
| |
우편번호 정리... |
| |
거의 다 됐어. 됐어. |
| |
그리고 zip이라고 불리는 열은... |
| 00 |
33,200 |
| |
171 |
| |
172 |
| |
에어비앤비 숙소 목록 |
| |
그리고 그것을 어떤 것과도 짝지어 보세요. |
| 00 |
57.033 |
| |
177 |
| |
178 |
| |
그것들을 표의 모든 행에 넣으세요, |
| |
다른 것과 일치하거나 |
| 00 |
13.233 |
| |
182 |
| |
메인 테이블, 그리고 그 다음에는 항목만 |
| |
두 번째와 겹치는 부분 |
| 00 |
29,600 |
| |
186 |
| |
에어비앤비 IRS와 같은 다른 이름 |
| |
아니면 뭐 그런 거? 응, 많네 |
| 00 |
50.966 |
| |
190 |
| |
한 가지만 더 하세요 |
| |
제가 알아차렸기 때문에 이것들은 단지 |
| |
데이터 테이블이 여기저기 흩어져 있습니다. |
| 00 |
06.666 |
| |
195 |
| |
실행 중. 좋아요. 그럼 이걸 저장할게요. |
| |
데이터 테이블. 이제 어떻게 해야 할까요? |
| |
그리고 실제로 이것이 바로 데이터입니다. |
| 00 |
19.833 |
| |
22.033 |
| |
26.266 |
| |
35.466 |
| |
203 |
| |
우리가 잃기 전에 다른 건 뭐든지 |
| |
우리가 어디에 있는지 추적해 보자, |
| 00 |
49.733 |
| |
58,800 |
| |
01.833 |
| |
209 |
| |
아니면 오크 팀? |
| |
그런 다음 |
| |
프로젝트 아이디어의 일부 |
| 00 |
23,700 |
| |
214 |
| |
일. 그러니까 만약 당신이 |
| |
잡다, 내 생각엔 가져가다라고 말하고 싶네요. |
| 00 |
50.100 |
| |
218 |
| |
219 |
| |
220 |
| |
두 개의 원본 데이터 세트가 있고, 그 다음 |
| |
최종 병합 완료. 좋아요. |
| 00 |
16.200 |
| |
225 |
| |
그것들을 탭으로 사용하세요. |
| |
그래프를 생성할 때 |
| 00 |
36.566 |
| |
229 |
| |
230 |
| |
231 |
| |
내가 이것을 가지고 있을 때조차도 |
| |
탭이요? 오, 그거 정말 멋지네요. |
| 00 |
58.833 |
| |
02.500 |
| |
236 |
| |
좋아, 오크 팀 파이팅! |
| |
안녕하세요, 카버 박사님. 감사합니다. |
| 00 |
19.233 |
| |
240 |
| |
당신은 그중 일부를 훑어볼 것입니다. |
| |
이런 것들을 알려주시고, 괜찮으면 말씀해 주세요. |
| 00 |
32,300 |
| |
244 |
| |
우리는 Graph Builder를 사용하여 살펴보았습니다. |
| |
동네별 가격. 그리고 |
| 00 |
45,400 |
| |
248 |
| |
조금 더 쉽게 만들어 줄 수 있도록 도와주세요 |
| |
둘을 비교해 보세요. 그래서 우리는... |
| 00 |
01.000 |
| |
252 |
| |
경험이 많습니다 |
| |
뉴욕시. 그래서 우리는 계획을 세웠습니다. |
| 00 |
18.166 |
| |
256 |
| |
유엔 앞에 서서 |
| |
모두와 함께 사진을 찍으세요 |
| 00 |
31.733 |
| |
260 |
| |
그래머시 파크에서 말하다 또는 |
| |
머레이 힐. |
| |
우리가 과거를 되돌아보면 |
| 00 |
46.566 |
| |
265 |
| |
우리는 우리의 범위를 넓혀야 한다고 생각했습니다. |
| |
그 동네를 넘어 더 넓은 지역을 검색해 보세요. |
| 00 |
58.766 |
| |
269 |
| |
270 |
| |
평균값을 그래프로 나타낸 것뿐입니다. |
| |
그것들은 동네 주민들을 위한 것이었지만 |
| 00 |
14.533 |
| |
274 |
| |
모델링, 그리고 모델링하기 위해 |
| |
예측입니다. 그래서 만약 우리가 제시할 수 있다면, |
| 00 |
30.766 |
| |
279 |
| |
예상 가격. 우리는 시작했습니다. |
| |
모델 구축 및 우리가 가진 것 |
| 00 |
42,800 |
| |
283 |
| |
요인들입니다. 그래서 우리가 넣으면 |
| |
그러한 요소들을 단지 하나로 묶어서 |
| 00 |
58.833 |
| |
287 |
| |
또한, 적합도 통계 중 일부는 다음과 같습니다. |
| |
수업 시간에 우리에게 이야기해 주셨잖아요. |
| 00 |
15.466 |
| |
292 |
| |
하지만 대부분은 구름이 둘러싸고 있는 것 같아요. |
| |
그 잔여 0선 말입니다. 그래서 |
| 00 |
30.766 |
| |
296 |
| |
그것은 그 어떤 것보다 훨씬 컸다 |
| |
저희의 다른 모델들입니다. 그래서 저희는 알고 있습니다. |
| 00 |
45,800 |
| |
300 |
| |
실제 데이터를 사용하는 이유. |
| |
때로는 이것이 현실입니다. |
| 00 |
58.266 |
| |
304 |
| |
찾고 계신가요? |
| |
이것이 바로 잔여값입니다. |
| 00 |
19.266 |
| |
309 |
| |
좋네요. 아, 멋지네요. |
| |
좋아요. 그럼 제가 찾아볼게요. |
| 00 |
34.966 |
| |
313 |
| |
그게 바로 우리가 답변하는 방식입니다. |
| |
우리의 몇 가지 중요한 질문입니다. 그리고 |
| 00 |
47,300 |
| |
317 |
| |
청소하기가 정말 어려웠어요 |
| |
데이터를 가져와서 결합합니다. |
| 00 |
57.866 |
| |
03.500 |
| |
322 |
| |
JMP가 어떻게 작동하는지 보여주고 싶었습니다. |
| |
현실 세계와 결합하여 |
| 00 |
28,700 |
| |
327 |
| |
실제 프로젝트에서 1위, |
| |
범위 설정은 중요합니다. 우리는 다음을 원합니다. |
| 00 |
47,600 |
| |
331 |
| |
~에게 가져다주고 싶습니다 |
| |
그룹에 대한 두 번째 함정은 다음과 같습니다. |
| |
탐구하는 것이 매우 중요합니다 |
| 00 |
08.033 |
| |
336 |
| |
데이터 연결 영역 |
| |
여러 곳에서 데이터를 결합 |
| 00 |
27,800 |
| |
341 |
| |
녹화 |
| |
그리고 링크가 가능한지 확인합니다. |
| 00 |
45.100 |
| |
345 |
| |
346 |
| |
재현 가능한 연구는 매우 중요합니다. |
| |
특히 팀 환경에서, |
| |
특히 다음과 같은 프로젝트의 경우 |
| 00 |
05.966 |
| |
351 |
| |
보장하는 습관 |
| |
재현성. 그리고 마지막으로, |
| |
이러한 점들을 알아차리시길 바랍니다. |
| 00 |
32.633 |
| |
356 |
| |
계산에 관하여 그리고 |
| |
해석은 ~에 달려 있습니다 |
| 00 |
51,900 |
| |
360 |
