Niveau : Intermédiaire
Laura Castro-Schilo, JMP Senior Associate Research Statistician Developer, SAS
L'analyse de données multivariées est devenue une compétence essentielle alors que la quantité de données a explosé et que les entreprises sont de plus en plus axées sur les données dans leur prise de décision. Dans cette session, nous présentons JMP et son approche visuelle et interactive unique de l'analyse de données multivariées à l'aide d'une variété d'approches qui reposent sur des données continues, catégorielles et à sources multiples. Nous commencerons par une discussion fondamentale de l'essence de l'analyse multivariée : l'idée que l'information contenue dans un grand nombre de variables peut souvent être représentée efficacement avec un plus petit nombre de variables. Nous donnons ensuite un aperçu des outils généraux d'analyse de données multivariées dans JMP. Nous utiliserons des données d'analyse sensorielle et d'études de consommation pour motiver et démontrer des méthodes multivariées classiques non supervisées telles que l'analyse en composantes principales (ACP), l'analyse des correspondances multiples (MCA) et une nouvelle technique du JMP 14, l'analyse factorielle multiple (AMF). Tout au long, nous donnerons des directives claires quant au moment où chaque technique analytique est appropriée et mettrons en évidence les options logicielles les plus importantes et les plus utiles.
JMP a une variété de saveurs de techniques multivariées. Une chose qu'ils ont tous en commun est qu'ils visent à identifier la structure de base de la matrice de données à laquelle ils sont appliqués. Certaines techniques s'appuient sur cette structure de base pour réduire la dimensionnalité des données disponibles et faciliter leur compréhension. Un outil qui nous permet de trouver la structure de base d'une matrice est la décomposition en valeurs singulières (SVD). Le SVD produit des vecteurs, qui représentent les dimensions des lignes et des colonnes de la matrice. Il produit également des valeurs singulières, qui représentent l'importance de chacune des dimensions. Les techniques multivariées décrites dans cette session sont basées sur l'utilisation de la SVD sur des matrices transformées et sur l'application de pondérations aux lignes, aux colonnes ou aux deux. Nous décrirons chacune des techniques (PCA, MCA et MFA) en insistant sur leurs similitudes. Notre objectif est d'améliorer l'utilisation et la compréhension de ces techniques en utilisant un cadre commun pour les décrire. Associée à des démonstrations et à des exemples, cette session prépare le public à explorer des données multivariées continues, catégorielles et à sources multiples.
