级别：中级Laura Castro-Schilo，JMP高级助理研究员、统计开发师、SAS随着数据量的激增以及企业决策越来越依赖数据，多元数据分析已成为一项必备技能。在本次会议中，我们将展示JMP及其独特的可视化交互式多元数据分析方法，该方法基于多种依赖连续数据、分类数据和多源数据的方法。我们将首先探讨多元分析的本质：大量变量中包含的信息通常可以用较少数量的变量有效地表示。然后，我们将概述JMP中用于分析多元数据的常用工具。我们将使用感官分析和消费者研究中的数据来阐述和演示经典的非监督多元分析方法，例如主成分分析 (PCA)、多重对应分析 (MCA) 以及JMP 14中的一项新技术——多因子分析 (MFA)。在整个过程中，我们将提供清晰的指导，说明每种分析技术的适用情况，并重点介绍最重要和最实用的软件选项。
JMP 提供多种多元分析技术。它们的共同点在于，它们都旨在识别所应用数据矩阵的基本结构。一些技术依赖于这种基本结构来降低现有数据的维数，从而促进理解。奇异值分解 (SVD) 是一种能够帮助我们找到矩阵基本结构的工具。SVD 生成的向量表示矩阵行和列的维度，它还会产生奇异值，表示每个维度的重要性。本课程中介绍的多元分析技术基于对变换后的矩阵使用 SVD，并对行、列或两者施加权重。我们将通过强调它们的相似性来描述每种技术（PCA、MCA 和 MFA）。我们的目标是通过使用通用框架来描述这些技术，从而提高对这些技术的使用和理解。本课程结合演示和示例，帮助听众探索多元连续数据、分类数据和多源数据。
