Niveau: Mittelstufe
Laura Castro-Schilo, JMP Senior Associate Research Statistician Developer, SAS
Die multivariate Datenanalyse ist zu einer unverzichtbaren Fähigkeit geworden, da die Datenmenge rasant zugenommen hat und Unternehmen ihre Entscheidungen zunehmend datengesteuert treffen. In dieser Sitzung präsentieren wir JMP und seinen einzigartigen visuellen und interaktiven Ansatz zur multivariaten Datenanalyse mithilfe einer Vielzahl von Ansätzen, die auf kontinuierlichen, kategorialen und Daten aus mehreren Quellen basieren. Wir beginnen mit einer grundlegenden Diskussion des Wesens der multivariaten Analyse: der Idee, dass Informationen, die in einer großen Anzahl von Variablen enthalten sind, oft effizient mit einer kleineren Anzahl von Variablen dargestellt werden können. Anschließend geben wir einen Überblick über allgemeine Tools zur Analyse multivariater Daten in JMP. Wir verwenden Daten aus der sensorischen Analyse und der Verbraucherforschung, um klassische unüberwachte multivariate Methoden wie die Hauptkomponentenanalyse (PCA), die multiple Korrespondenzanalyse (MCA) und eine neue Technik in JMP 14, die multiple Faktorenanalyse (MFA), zu motivieren und zu demonstrieren. Wir geben im Laufe der Sitzung klare Richtlinien, wann welche Analysetechnik angemessen ist, und heben die wichtigsten und nützlichsten Softwareoptionen hervor.
JMP bietet verschiedene Varianten multivariater Techniken. Allen gemeinsam ist die Identifizierung der Grundstruktur der Datenmatrix, auf die sie angewendet werden. Einige Techniken nutzen diese Grundstruktur, um die Dimensionalität der vorliegenden Daten zu reduzieren und ihr Verständnis zu erleichtern. Ein Werkzeug, mit dem wir die Grundstruktur einer Matrix ermitteln können, ist die Singulärwertzerlegung (SVD). Die SVD erzeugt Vektoren, die die Dimensionen der Zeilen und Spalten der Matrix darstellen. Sie erzeugt außerdem Singulärwerte, die die Bedeutung der einzelnen Dimensionen darstellen. Die in dieser Sitzung beschriebenen multivariaten Techniken basieren auf der Anwendung der SVD auf transformierten Matrizen und der Anwendung von Gewichtungen auf Zeilen, Spalten oder beides. Wir werden die einzelnen Techniken (PCA, MCA und MFA) beschreiben und dabei ihre Ähnlichkeiten hervorheben. Unser Ziel ist es, die Anwendung und das Verständnis dieser Techniken durch die Verwendung eines gemeinsamen Rahmens zu ihrer Beschreibung zu verbessern. Zusammen mit Demos und Beispielen bereitet diese Sitzung die Teilnehmer auf die Erforschung multivariater kontinuierlicher, kategorialer und multisourcer Daten vor.
