Livello: Intermedio
Laura Castro-Schilo, JMP Senior Associate Research Statistician Developer, SAS
L'analisi dei dati multivariati è diventata una competenza essenziale, poiché la quantità di dati è aumentata vertiginosamente e le aziende stanno diventando sempre più basate sui dati nei loro processi decisionali. In questa sessione, presenteremo JMP e il suo esclusivo approccio visivo e interattivo all'analisi dei dati multivariati, utilizzando una varietà di approcci che si basano su dati continui, categoriali e da più fonti. Inizieremo con una discussione fondamentale sull'essenza dell'analisi multivariata: l'idea che le informazioni contenute in un gran numero di variabili possano spesso essere rappresentate in modo efficiente con un numero inferiore di variabili. Forniremo quindi una panoramica degli strumenti generali per l'analisi dei dati multivariati in JMP. Utilizzeremo i dati provenienti dall'analisi sensoriale e dalla ricerca sui consumatori per motivare e dimostrare i classici metodi multivariati non supervisionati, come l'analisi delle componenti principali (PCA), l'analisi delle corrispondenze multiple (MCA) e una nuova tecnica in JMP 14, l'analisi fattoriale multipla (MFA). Nel corso della sessione, forniremo linee guida chiare su quando ciascuna tecnica analitica è appropriata e metteremo in evidenza le opzioni software più importanti e utili.
JMP offre diverse tipologie di tecniche multivariate. Una caratteristica comune è che mirano tutte a identificare la struttura di base della matrice dati a cui vengono applicate. Alcune tecniche si basano su questa struttura di base per ridurre la dimensionalità dei dati in esame e facilitarne la comprensione. Uno strumento che consente di individuare la struttura di base di una matrice è la decomposizione a valori singolari (SVD). La SVD produce vettori, che rappresentano le dimensioni di righe e colonne della matrice. Produce anche valori singolari, che rappresentano l'importanza di ciascuna dimensione. Le tecniche multivariate descritte in questa sessione si basano sull'utilizzo della SVD su matrici trasformate e sull'applicazione di pesi a righe, colonne o entrambe. Descriveremo ciascuna delle tecniche (PCA, MCA e MFA) sottolineandone le somiglianze. Il nostro obiettivo è migliorare l'uso e la comprensione di queste tecniche utilizzando un framework comune per descriverle. Abbinata a demo ed esempi, questa sessione prepara il pubblico all'esplorazione di dati multivariati continui, categoriali e provenienti da più fonti.
