レベル：中級
Laura Castro-Schilo、JMPシニアアソシエイトリサーチ統計担当開発者、SAS
データ量が急増し、企業が意思決定においてデータ主導型になるにつれて、多変量データ分析が不可欠なスキルになりました。このセッションでは、JMPと、連続的、カテゴリカル、および複数ソースのデータに依存するさまざまなアプローチを使用した、多変量データ分析に対する独自の視覚的および対話的アプローチを紹介します。多変量解析の本質についての基本的な議論から始めます。つまり、多数の変数に含まれる情報は、少数の変数で効率的に表すことができるという考えです。次に、JMPで多変量データを分析するための一般的なツールの概要を説明します。主成分分析（PCA）、多重対応分析（MCA）、JMP 14の新しい手法、多重因子分析（MFA）などの従来の教師なし多変量法を動機付けし実証するために、官能分析と消費者調査のデータを使用します。全体を通して、各分析手法がいつ適切であるかについて明確なガイドラインを示し、最も重要で有用なソフトウェアオプションを強調します。
JMPにはさまざまな種類の多変量手法があります。それらがすべて共通していることの一つは、それらが適用されるデータ行列の基本構造を識別することを目的としていることです。当面のデータの次元を減らし、それらの理解を容易にするために、いくつかの技法はこの基本構造に依存しています。行列の基本構造を見つけることができるツールは、特異値分解（SVD）です。SVDは行列の行と列の次元を表すベクトルを生成します。また、各次元の重要性を表す特異値も生成されます。このセッションで説明されている多変量手法は、変換行列でSVDを使用し、行、列、またはその両方に重みを適用することに基づいています。私たちはそれらの類似点を強調することによってそれぞれのテクニック（PCA、MCA、およびMFA）を説明します。私たちの目標は、それらを記述するために共通のフレームワークを使用することによってこれらの技術の使用と理解を改善することです。デモと例を組み合わせて、このセッションでは、多変量連続データ、カテゴリカルデータ、および複数ソースデータを探求する準備をします。
