Niveau: Mittelstufe
Laura Castro-Schilo, JMP Senior Associate Research Statistician Developer, SAS
Die multivariate Datenanalyse ist zu einer unverzichtbaren Fähigkeit geworden, da die Datenmenge sprunghaft angestiegen ist und Unternehmen ihre Entscheidungen zunehmend datengesteuert treffen. In dieser Sitzung stellen wir JMP und seinen einzigartigen visuellen und interaktiven Ansatz zur multivariaten Datenanalyse unter Verwendung verschiedener Ansätze vor, die auf kontinuierlichen, kategorialen und aus mehreren Quellen stammenden Daten basieren. Wir beginnen mit einer grundlegenden Diskussion des Wesens der multivariaten Analyse: der Idee, dass Informationen, die in einer großen Anzahl von Variablen enthalten sind, häufig mit einer kleineren Anzahl von Variablen effizient dargestellt werden können. Anschließend geben wir einen Überblick über allgemeine Tools zur Analyse multivariater Daten in JMP. Wir werden Daten aus sensorischer Analyse und Verbraucherforschung verwenden, um klassische unbeaufsichtigte multivariate Methoden wie die Hauptkomponentenanalyse (PCA), die multiple Korrespondenzanalyse (MCA) und eine neue Technik in JMP 14, die multiple Faktoranalyse (MFA), zu motivieren und zu demonstrieren. Im gesamten Verlauf geben wir klare Richtlinien dazu, wann die einzelnen Analysetechniken geeignet sind, und heben die wichtigsten und nützlichsten Softwareoptionen hervor.
JMP verfügt über eine Vielzahl multivariater Techniken. Allen gemeinsam ist, dass sie darauf abzielen, die Grundstruktur der Datenmatrix zu identifizieren, auf die sie angewendet werden. Einige Techniken basieren auf dieser Grundstruktur, um die Dimensionalität der vorliegenden Daten zu reduzieren und ihr Verständnis zu erleichtern. Ein Werkzeug, mit dem wir die Grundstruktur einer Matrix ermitteln können, ist die Singularwertzerlegung (SVD). Die SVD erzeugt Vektoren, die die Abmessungen von Zeilen und Spalten der Matrix darstellen. Es werden auch singuläre Werte erzeugt, die die Bedeutung der einzelnen Dimensionen darstellen. Die in dieser Sitzung beschriebenen multivariaten Techniken basieren auf der Verwendung der SVD auf transformierte Matrizen und der Anwendung von Gewichten auf Zeilen, Spalten oder beides. Wir werden jede der Techniken (PCA, MCA und MFA) beschreiben, indem wir ihre Ähnlichkeiten hervorheben. Unser Ziel ist es, die Verwendung und das Verständnis dieser Techniken zu verbessern, indem wir einen gemeinsamen Rahmen zu ihrer Beschreibung verwenden. In Kombination mit Demos und Beispielen bereitet diese Sitzung das Publikum darauf vor, multivariate kontinuierliche, kategoriale und aus mehreren Quellen stammende Daten zu erkunden.
