Nivel: Intermedio
Laura Castro-Schilo, JMP Asociada Sénior de Investigación Estadística Desarrolladora, SAS
El análisis de datos multivariados se ha convertido en una habilidad esencial a medida que la cantidad de datos se ha disparado y las empresas se basan cada vez más en datos para su toma de decisiones. En esta sesión, presentamos JMP y su singular enfoque visual e interactivo para el análisis de datos multivariados, utilizando diversos enfoques basados en datos continuos, categóricos y de múltiples fuentes. Comenzaremos con una discusión fundamental sobre la esencia del análisis multivariado: la idea de que la información contenida en un gran número de variables a menudo puede representarse eficientemente con un número menor de variables. A continuación, ofreceremos una visión general de las herramientas generales para analizar datos multivariados en JMP. Utilizaremos datos de análisis sensorial e investigación de consumidores para motivar y demostrar métodos multivariados clásicos no supervisados, como el análisis de componentes principales (ACP), el análisis de correspondencias múltiples (ACM) y una nueva técnica en JMP 14, el análisis factorial múltiple (AFM). A lo largo de la sesión, ofreceremos directrices claras sobre cuándo es apropiada cada técnica analítica y destacaremos las opciones de software más importantes y útiles.
JMP ofrece diversas técnicas multivariadas. Todas ellas tienen en común su objetivo de identificar la estructura básica de la matriz de datos a la que se aplican. Algunas técnicas se basan en esta estructura básica para reducir la dimensionalidad de los datos y facilitar su comprensión. Una herramienta que permite determinar la estructura básica de una matriz es la descomposición en valores singulares (DVS). La DVS genera vectores que representan las dimensiones de las filas y columnas de la matriz. También genera valores singulares que representan la importancia de cada dimensión. Las técnicas multivariadas descritas en esta sesión se basan en el uso de la DVS en matrices transformadas y la aplicación de ponderaciones a filas, columnas o ambas. Describiremos cada una de las técnicas (ACP, ACM y AMF) destacando sus similitudes. Nuestro objetivo es mejorar el uso y la comprensión de estas técnicas mediante un marco común para describirlas. Junto con demostraciones y ejemplos, esta sesión prepara al público para explorar datos multivariados continuos, categóricos y de múltiples fuentes.
