Nivel: Intermedio
Laura Castro-Schilo, JMP Senior Associate Research Statistician Developer, SAS
El análisis de datos multivariado se ha convertido en una habilidad esencial a medida que la cantidad de datos se ha disparado y las empresas se vuelven más impulsadas por los datos en su toma de decisiones. En esta sesión, mostramos JMP y su exclusivo enfoque visual e interactivo para el análisis de datos multivariado utilizando una variedad de enfoques que se basan en datos continuos, categóricos y de múltiples fuentes. Comenzaremos con una discusión fundacional de la esencia del análisis multivariado: la idea de que la información contenida en un gran número de variables a menudo se puede representar de manera eficiente con un número menor de variables. A continuación, ofrecemos una descripción general de las herramientas generales para analizar datos multivariados en JMP. Utilizaremos los datos del análisis sensorial y la investigación del consumidor para motivar y demostrar los métodos multivariados clásicos no supervisados, como el análisis de componentes principales (PCA), el análisis de correspondencia múltiple (MCA) y una nueva técnica en JMP 14, el análisis de factor múltiple (MFA). En todo momento, daremos pautas claras sobre cuándo es apropiada cada técnica analítica y destacaremos las opciones de software más importantes y útiles.
JMP tiene una variedad de sabores de técnicas multivariadas. Una cosa que todos tienen en común es su objetivo de identificar la estructura básica de la matriz de datos a la que se aplican. Algunas técnicas se basan en esta estructura básica para reducir la dimensionalidad de los datos disponibles y facilitar su comprensión. Una herramienta que nos permite encontrar la estructura básica de una matriz es la descomposición del valor singular (SVD). La SVD produce vectores, que representan las dimensiones de las filas y columnas de la matriz. También produce valores singulares, que representan la importancia de cada una de las dimensiones. Las técnicas multivariables descritas en esta sesión se basan en el uso de la SVD en matrices transformadas y en la aplicación de ponderaciones a filas, columnas o ambas. Describiremos cada una de las técnicas (PCA, MCA y MFA) enfatizando sus similitudes. Nuestro objetivo es mejorar el uso y la comprensión de estas técnicas mediante el uso de un marco común para describirlas. Combinada con demostraciones y ejemplos, esta sesión prepara a la audiencia para explorar datos multivariados continuos, categóricos y de múltiples fuentes.
