Niveau : Intermédiaire
Laura Castro-Schilo, statisticienne de recherche associée principale JMP, développeur, SAS
L'analyse de données multivariées est devenue une compétence essentielle face à l'explosion du volume de données et à l'importance croissante des données dans la prise de décision des entreprises. Cette session présente JMP et son approche visuelle et interactive unique de l'analyse de données multivariées, qui s'appuie sur diverses approches s'appuyant sur des données continues, catégorielles et multisources. Nous commencerons par une discussion fondamentale sur l'essence même de l'analyse multivariée : l'idée que l'information contenue dans un grand nombre de variables peut souvent être efficacement représentée par un nombre plus restreint de variables. Nous présenterons ensuite les outils généraux d'analyse de données multivariées dans JMP. Nous utiliserons des données issues de l'analyse sensorielle et des études de consommation pour expliquer et démontrer l'utilisation de méthodes multivariées non supervisées classiques, telles que l'analyse en composantes principales (ACP), l'analyse des correspondances multiples (ACM) et une nouvelle technique de JMP 14, l'analyse factorielle multiple (AFM). Nous fournirons des indications claires sur le moment opportun pour chaque technique d'analyse et mettrons en avant les options logicielles les plus importantes et les plus utiles.
JMP propose une variété de techniques multivariées. Leur point commun est l'identification de la structure fondamentale de la matrice de données à laquelle elles sont appliquées. Certaines techniques s'appuient sur cette structure fondamentale pour réduire la dimensionnalité des données et faciliter leur compréhension. La décomposition en valeurs singulières (DSV) est un outil permettant d'identifier la structure fondamentale d'une matrice. La DVS produit des vecteurs représentant les dimensions des lignes et des colonnes de la matrice, ainsi que des valeurs singulières, qui représentent l'importance de chaque dimension. Les techniques multivariées décrites dans cette session reposent sur l'utilisation de la DVS sur des matrices transformées et l'application de pondérations aux lignes, aux colonnes, ou aux deux. Nous décrirons chacune de ces techniques (ACP, ACM et AFM) en soulignant leurs similitudes. Notre objectif est d'améliorer l'utilisation et la compréhension de ces techniques en utilisant un cadre commun pour les décrire. Associée à des démonstrations et des exemples, cette session prépare le public à l'exploration des données multivariées continues, catégorielles et multisources.
