레벨 : 중급
Laura Castro-Schilo, JMP 수석 연구원 Statistician Developer, SAS
다변량 데이터 분석은 데이터 양이 급증하고 기업이 의사 결정에서보다 데이터 중심적으로 변함에 따라 필수 기술이되었습니다. 이 세션에서는 JMP와 연속적이고 범주 형 및 다중 소스 데이터에 의존하는 다양한 접근법을 사용하여 다 변수 데이터 분석에 대한 고유 한 시각적 및 상호 작용 방식을 소개합니다. 우리는 다 변수 분석의 본질에 대한 근본적인 논의부터 시작할 것입니다 : 많은 변수에 포함 된 정보가 종종 더 적은 수의 변수로 효과적으로 표현 될 수 있다는 생각. 그런 다음 JMP에서 다 변수 데이터를 분석하기위한 일반적인 도구에 대한 개요를 제공합니다. 우리는 감각 분석 및 소비자 조사의 데이터를 사용하여 주성분 분석 (PCA), 다중 일치 분석 (MCA) 및 JMP 14의 새로운 기술, 다중 요인 분석 (MFA)과 같은 고전적인 감독되지 않은 다 변수 방법을 동기 부여하고 시연합니다. 전반적으로 각 분석 기법이 적절한시기에 대한 명확한 지침을 제공하고 가장 중요하고 유용한 소프트웨어 옵션을 강조합니다.
JMP에는 다변량 기법의 다양한 맛이 있습니다. 그들 모두가 공통적으로 가지고있는 한 가지는 그들이 적용된 데이터 매트릭스의 기본 구조를 확인하는 것입니다. 일부 기술은이 기본 구조에 의지하여 데이터의 차원을 줄이고 이해를 돕습니다. 행렬의 기본 구조를 찾을 수있게 해주는 도구는 특이 값 분해 (singular value decomposition, SVD)입니다. SVD는 행렬의 행과 열의 차원을 나타내는 벡터를 생성합니다. 또한 각 차원의 중요성을 나타내는 단일 값을 생성합니다. 이 세션에서 설명한 다 변수 기술은 변환 된 행렬에 SVD를 사용하고 행, 열 또는 둘 다에 가중치를 적용하는 것에 기반합니다. 유사점을 강조하여 각 기법 (PCA, MCA 및 MFA)을 설명합니다. 우리의 목표는 공통된 프레임 워크를 사용하여 이러한 기술의 사용과 이해를 향상시키는 것입니다. 데모 및 예제와 함께이 세션에서는 잠재 고객이 다변량 연속, 범주 형 및 다중 소스 데이터를 탐색 할 수 있도록 준비합니다.
