Livello: intermedio
Laura Castro-Schilo, Senior Associate Research Statistician Developer, SAS
L'analisi multivariata dei dati è diventata una competenza essenziale in quanto la quantità di dati è salito alle stelle e le aziende sono diventate più guidate dai dati nel loro processo decisionale. In questa sessione, presentiamo JMP e il suo approccio visivo e interattivo unico all'analisi di dati multivariati utilizzando una varietà di approcci che si basano su dati continui, categoriali e con più origini. Inizieremo con una discussione fondamentale sull'essenza dell'analisi multivariata: l'idea che le informazioni contenute in un gran numero di variabili possano essere rappresentate in modo efficiente con un numero minore di variabili. Diamo quindi una panoramica degli strumenti generali per l'analisi dei dati multivariati in JMP. Utilizzeremo i dati dell'analisi sensoriale e della ricerca dei consumatori per motivare e dimostrare metodi classici multivariati non supervisionati come l'analisi delle componenti principali (PCA), l'analisi di corrispondenza multipla (MCA) e una nuova tecnica in JMP 14, l'analisi di fattori multipli (MFA). In tutto, daremo chiare indicazioni su quando ogni tecnica analitica è appropriata e mettere in evidenza le opzioni software più importanti e utili.
JMP ha una varietà di sapori di tecniche multivariate. Una cosa che tutti hanno in comune è che mirano a identificare la struttura di base della matrice di dati a cui sono applicati. Alcune tecniche si basano su questa struttura di base per ridurre la dimensionalità dei dati a portata di mano e facilitare la loro comprensione. Uno strumento che ci permette di trovare la struttura di base di una matrice è la decomposizione del valore singolare (SVD). SVD produce vettori, che rappresentano le dimensioni di righe e colonne della matrice. Produce anche valori singolari, che rappresentano l'importanza di ciascuna dimensione. Le tecniche multivariate descritte in questa sessione si basano sull'utilizzo di SVD su matrici trasformate e sull'applicazione di pesi a righe, colonne o entrambi. Descriveremo ciascuna delle tecniche (PCA, MCA e MFA) sottolineando le loro somiglianze. Il nostro obiettivo è migliorare l'uso e la comprensione di queste tecniche utilizzando una struttura comune per descriverle. Accoppiato con demo ed esempi, questa sessione prepara il pubblico ad esplorare dati multivariati continui, categoriali e con più origini.
