Chère communauté JMP,
J'ai essayé de trouver un article similaire mais jusqu'à présent aucun ne répond à la question que je me pose.
J'ai également joint ici des données factices.
Je fais de l'exploration de données pour profiler et quantifier l'effet des facteurs par rapport aux réponses.
Pour faire simple, j'ai 2 facteurs (catégoriels avec 2 niveaux) et 1 réponse (perte de rendement) qui est un pourcentage.
Nous enregistrons la perte de rendement de chaque jour par rapport au niveau des 2 facteurs que nous utilisons ce jour-là.
Pour chaque jour, notre quantité produite est différente.
La technique de modélisation que j'utilise est la partition.
La partition calcule directement le pourcentage moyen comme indiqué dans la sortie ci-dessous.
Comme chaque jour la quantité que nous produisons est différente, il n'est pas exact que Partition calcule simplement la moyenne du pourcentage de perte de rendement.
Ma question est :
1. Comment calculer le pourcentage moyen pondéré dans ce cas avec Partition ? Je vois une option « Poids » dans la plateforme de partitionnement, mais je ne sais pas comment l'utiliser.
2. Existe-t-il une fonctionnalité dans Partition qui nous permettrait d'utiliser la médiane au lieu de la moyenne ? (étant donné que la distribution des pertes de rendement est généralement asymétrique).
Merci pour vos conseils,
Zappy
Salut @Zappy ,
Vous pourriez peut-être ajouter une colonne avec le nombre de lots/quantité par jour, et utiliser cette information comme information de fréquence lors du lancement de la plateforme de partition : https://www.jmp.com/support/help/en/18.2/#page/jmp/launch-the-partition-platform.shtml#ww1276002
L'arbre de décision ne crée pas de divisions directement basées sur les valeurs moyennes. Pour plus d'informations, consultez https://www.jmp.com/support/help/en/18.2/#page/jmp/statistical-details-for-the-splitting-criterion.shtml#ww1277127 . Je pense donc que vous pouvez toujours obtenir des informations précieuses en utilisant directement la plateforme.
Sinon, vous pourriez peut-être essayer de transformer vos données, peut-être en classant d'abord vos données brutes en classes de valeurs ou en transformant logarithmiquement vos données brutes (si la distribution est approximativement log-normale), avant de les partitionner avec l'arbre de décision ?
J'espère que cette réponse vous aidera,
