레벨: 중급
Laura Castro-Schilo, JMP 수석 연구 통계 개발자, SAS
데이터 양이 급증하고 기업의 의사 결정이 데이터 중심으로 전환됨에 따라 다변량 데이터 분석은 필수적인 기술이 되었습니다. 이 세션에서는 JMP와 연속형, 범주형, 다중 소스 데이터를 기반으로 하는 다양한 접근 방식을 사용하는 다변량 데이터 분석에 대한 JMP만의 시각적, 상호작용적 접근 방식을 소개합니다. 먼저 다변량 분석의 본질, 즉 많은 변수에 포함된 정보를 적은 수의 변수로도 효율적으로 표현할 수 있다는 개념에 대한 기본적인 논의를 시작합니다. 그런 다음 JMP에서 다변량 데이터를 분석하는 데 사용되는 일반적인 도구들을 간략하게 살펴봅니다. 감각 분석 및 소비자 조사 데이터를 활용하여 주성분 분석(PCA), 다중 대응 분석(MCA), 그리고 JMP 14에 새롭게 추가된 다중 요인 분석(MFA)과 같은 고전적인 비지도 다변량 분석 방법을 설명하고 시연합니다. 세션 전반에 걸쳐 각 분석 기법의 적절한 시점에 대한 명확한 지침을 제공하고 가장 중요하고 유용한 소프트웨어 옵션을 강조합니다.
JMP는 다양한 다변량 기법을 제공합니다. 이러한 기법의 공통점은 적용되는 데이터 행렬의 기본 구조를 파악하는 것입니다. 일부 기법은 이러한 기본 구조를 활용하여 데이터의 차원을 축소하고 이해를 돕습니다. 행렬의 기본 구조를 파악하는 데 도움이 되는 도구 중 하나가 특이값 분해(SVD)입니다. SVD는 행렬의 행과 열의 차원을 나타내는 벡터를 생성합니다. 또한 각 차원의 중요도를 나타내는 특이값도 생성합니다. 이 세션에서 설명하는 다변량 기법은 변환된 행렬에 SVD를 적용하고 행, 열 또는 둘 다에 가중치를 적용하는 방식을 기반으로 합니다. 각 기법(PCA, MCA, MFA)의 유사점을 중심으로 설명하겠습니다. 공통 프레임워크를 사용하여 이러한 기법의 활용과 이해를 향상시키는 것이 목표입니다. 데모 및 예제를 통해 이 세션은 청중이 다변량 연속형, 범주형 및 다중 소스 데이터를 탐색할 수 있도록 준비시킵니다.
