SAS를 일하기 좋은 직장으로 만드는 데에는 여러 가지가 있습니다. 저에게 SAS에서 일하면서 가장 좋아하는 것을 고르는 것은 매우 쉽습니다. 바로 현장 보육입니다. 저는 현장 탁아소와 유치원에 다니는 두 명의 자녀가 있으며 교사와 시설은 정말 훌륭했습니다. 또한, 그들이 하루 종일 근처에 있다는 것을 아는 것만으로도 굉장합니다(출퇴근길에 가끔 붕괴되는 것을 무시하십시오). 큰 딸이 이제 막 학교를 다니기 시작하면서 나는 캠퍼스에서 아이들과 함께 하는 것이 얼마나 즐거웠는지 반성할 기회가 많았습니다.
작년에 제 딸의 유치원 교사 중 한 명이 반의 각 아이들을 위해 보드 게임을 만들었습니다. 이 게임은 어린이가 보드 게임을 배우도록 돕는 데 적합합니다. 매 턴마다 누군가가 결승선에 도달할 때까지 주사위를 굴리고 보드를 따라 이동합니다. 물론 보드에는 인기 애니메이션 캐릭터의 스티커가 장식되어 있어 미취학 아동의 시선을 사로잡을 수 있습니다. 단 한 가지 문제가 있습니다. 저는 항상 지는 것 같습니다. 사용해도 되나요 JMP 무슨 일인지 알아내기 위해? 더 나은 아직, 나는 일부를 사용할 수 있습니다 JMP 14의 새로운 기능 ?
I always lose playing this homemade board game. My daughter's hippo has a big early lead on my dolphin here.I always lose playing this homemade board game. My daughter's hippo has a big early lead on my dolphin here.I always lose playing this homemade board game. My daughter's hippo has a big early lead on my dolphin here.I always lose playing this homemade board game. My daughter's hippo has a big early lead on my dolphin here. 나는 항상 이 집에서 만든 보드 게임을 하면 진다. 내 딸의 하마는 여기 내 돌고래에 큰 초기 리드를 가지고 있습니다.
자료
나는 왜 계속 지는 걸까? 내 딸이 주사위 던지기를 더 잘할 수 있을까? 그리고 그녀가 바람을 피우지 않기를 바랍니다. 이 문제의 핵심에 도달하는 것은 쉬워야 합니다. 우리는 몇 가지 게임을 할 것이고, 저는 제 딸과 저를 위해 모든 턴의 결과를 기록할 것입니다. 데이터 세트의 각 행은 누가 무엇을 굴렸는지(1,2,..., 6). 내 데이터를 사용하여 모델을 만들고 플레이어가 상당한 영향을 미친다면 뭔가 문제가 있다는 것을 알게 될 것입니다.
A snapshot of the data.A snapshot of the data.A snapshot of the data.A snapshot of the data.데이터의 스냅샷입니다. 수집된 데이터(각자 약 60턴)를 사용하여 "Player"의 기능으로 "Roll"에 대한 모델을 구축하기만 하면 됩니다. Roll은 6개의 개별 값만 취하기 때문에(각각 동일한 확률로...희망) 응답이 정규 분포를 따른다고 가정하는 기존 ANOVA를 수행하지 않아야 합니다. 대신 응답에 자연스러운 순서가 있기 때문에 순서형 로지스틱 회귀 모델을 구축할 수 있습니다. 운 좋게도 JMP가 우리를 보호해 줍니다. JMP Fit Model에는 Ordinal Logistic 특성이 있고 Genreg(Generalized Regression) 플랫폼에는 JMP 프로 버전 14에서 순서형 로지스틱 회귀에 대한 지원이 추가되었습니다. 이 게시물의 목적을 위해 Genreg는 몇 가지 강력한 기능을 제공하므로 집중할 것입니다(이에 대해서는 후속 게시물에서 살펴보겠습니다).
Genreg에서 순서형 로지스틱 모델을 구축하는 것은 쉽습니다. Fit Model 대화 상자에서 Roll을 응답으로 지정하고 Player를 유일한 모델 효과로 지정합니다. 그런 다음 Personality 드롭다운 메뉴에서 "Generalized Regression"을 선택합니다. Roll 열에는 Ordinal 모델링 유형이 있으므로 모델 대화 상자는 기본적으로 분포를 Ordinal Logistic으로 만드는 것을 알고 있습니다. 응답 열에 서수 유형이 없었다면 서수 물류를 선택할 수 없었을 것입니다.
Launch Genreg from the Fit Model dialog in JMP Pro.Launch Genreg from the Fit Model dialog in JMP Pro.Launch Genreg from the Fit Model dialog in JMP Pro.Launch Genreg from the Fit Model dialog in JMP Pro.JMP Pro의 Fit Model 대화 상자에서 Genreg를 시작합니다.
결과
결과는 어떻게 생겼습니까? 서수 회귀는 JMP에 새로운 것이 아니므로 우리가 적합시킨 모델에 대해 너무 자세히 설명하지 않겠습니다. 대신, 당신은 볼 수 있습니다 JMP 문서 또는 UCLA 디지털 연구 및 교육 연구소 자세한 내용은 사이트를 참조하십시오. 우리는 무엇을 찾고 있습니까? 내 딸의 계수가 음수이고 0과 크게 다른 경우 문제가 있다는 것을 알고 있습니다. 그것은 내 딸이 나보다 더 많은 숫자를 굴릴 가능성이 있음을 시사합니다. 모델 출력을 보면 음의 계수(-.458)가 있지만 p-값(.31)은 합리적인 테스트 수준에서 중요하지 않습니다. 즉, 그녀는 내가 기록한 게임에서 나보다 더 나은 숫자를 구하는 경향이 있었지만 예상한 것 이상은 아닙니다. Prediction Profiler는 우리 모델이 우리에게 말하는 것을 볼 수 있는 좋은 방법입니다. 가난한 늙은 아빠가 1, 2 또는 3과 같은 더 낮은 숫자를 굴릴 가능성이 약간 더 높기 때문에 확률 선은 대각선입니다.
Ordinal Logistic ResultsOrdinal Logistic ResultsOrdinal Logistic ResultsOrdinal Logistic Results순서 물류 결과
우리의 응답에는 분명한 순서가 있습니다. 둘은 하나보다 낫고, 셋은 둘보다 낫습니다. 그러나 우리는 해당 정보를 무시하고 응답이 명목 모델링 유형인 것처럼 처리할 수 있습니다. Genreg는 버전 14에 대한 다항 분포에 대한 지원을 추가했기 때문에 이제 이 경우도 처리할 수 있습니다. 플레이어 효과를 포함하여 순서 모델을 맞출 때 모델에 단일 매개변수만 기여했습니다. 다항식에서 플레이어 효과는 모델에 5개의 매개변수를 제공합니다. 마지막을 제외한 응답의 각 수준에 대해 하나의 매개변수입니다. 이것은 다항식 모델을 서수 모델보다 훨씬 유연하게 만들지만 모델에 너무 많은 효과를 추가하기 시작하면 모델이 빠르게 불안정해질 수 있습니다. 그리고 모델 출력에서 볼 수 있듯이 다항식 모델은 중요한 플레이어 효과가 있음을 시사하지 않습니다.
Multinomial results - still no evidence that my daughter is better with the die.Multinomial results - still no evidence that my daughter is better with the die.Multinomial results - still no evidence that my daughter is better with the die.Multinomial results - still no evidence that my daughter is better with the die. 다항식 결과 - 내 딸이 주사위를 사용하는 것이 더 낫다는 증거는 아직 없습니다.
그녀가 바람을 피우고 있지 않다면 왜 나는 계속 지는 걸까요?
어느 모델도 내 딸이 주사위를 굴리는 데 상당한 이점이 있다고 제안하지 않습니다. 그런데 왜 나는 항상 지는 걸까요? 우리 집에는 게임을 할 때 규칙이 있습니다. 막내 선수가 먼저 갑니다. 그리고 게임판에 22칸밖에 없기 때문에 먼저 가는 사람이 먼저 목표를 달성하는 데 상당한 이점이 있습니다. 이러한 간단한 게임의 경우 게임을 시뮬레이션하고 첫 번째 플레이어가 이길 가능성을 추정하는 JSL 프로그램을 작성하는 것은 쉬웠습니다. 우리 게임의 경우 첫 번째 플레이어가 이길 확률이 약 62%인 것처럼 보입니다. 그래서 나는 우리가 하는 게임의 약 3분의 2를 잃게 될 것입니다. 그 말이 맞는 것 같습니다. 호기심에 나는 보드의 100칸까지 갔고 첫 번째 플레이어는 여전히 약 55%의 상당한 이점을 가지고 있습니다.
Simulated probability that the player who goes first will winSimulated probability that the player who goes first will winSimulated probability that the player who goes first will winSimulated probability that the player who goes first will win 먼저 가는 플레이어가 이길 확률을 시뮬레이션합니다.
직접 해보고 싶으세요?
가져오기 데이터 테이블 여기에는 내 결과를 재현하기 위한 스크립트와 승리 확률 시뮬레이션을 실행할 시뮬레이션 스크립트가 포함됩니다.
후속작을 찾아라!
우리는 새로운 기능을 사용했습니다 JMP 프로 여기에서 꽤 중요한 문제를 해결하기 위해: 내 딸의 보드 게임에서 내가 지는 이유의 미스터리. 그렇다면 왜 Genreg를 사용하여 이러한 데이터를 분석했을까요? 당신은 체크 아웃해야합니다 내 다음 게시물 알아내기 위해. 그러나 여기에 힌트가 있습니다. 더 큰 문제의 경우 이러한 모델은 특히 과적합되기 쉽기 때문에 대화형 변수 선택 도구 Genreg에서 특히 유용합니다.
