Estoy muy emocionado de tener mi primer libro impreso, Bioestadística utilizando JMP.Parte del trabajo de desarrollo del libro fue explorar y explicar muchos métodos que he utilizado para análisis avanzado. Para la extracción de datos y la búsqueda de significado en los datos, la agrupación en clústeres ha sido muy beneficiosa para mí en mis proyectos.
En JMP , hay dos enfoques de agrupación disponibles: agrupación jerárquica y k-medias. La agrupación jerárquica compara las distancias entre cada punto y agrupa los puntos en función de su similitud (o diferencia). K-means opera de manera diferente y tiene como objetivo encontrar k centroides que sean apropiados para los datos, pero debe especificar k como el número de agrupaciones a encontrar.
Ejemplo sencillo
El conjunto de datos JMP integrado “Subconjunto de nacimiento y muerte” es un ejemplo de un conjunto de datos que no es demasiado grande, pero que muestra el uso de agrupación. Allí tenemos dos variables, las tasas brutas de natalidad y mortalidad, y observaciones de 33 países. Sin embargo, es difícil encontrar una interpretación significativa con sólo mirar los datos. Si trazamos las dos variables juntas, vemos que la mayoría de los países están agrupados en la parte inferior izquierda del gráfico con una relación general negativa entre las tasas de natalidad y mortalidad. Pero la relación subyacente no es tan fuerte y un modelo de regresión para estos datos no es estadísticamente significativo y explica poca varianza. Entonces, ¿qué podemos hacer con esto?
Raw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataDiagrama de dispersión de datos sin procesar
Si abordamos estos datos mediante agrupación, podemos comenzar a ver interpretaciones más significativas. Para realizar un análisis de conglomerados sobre estos datos, podemos seguir el proceso que se encuentra en el Capítulo 11 de mi libro. Bioestadística utilizando JMP: una guía práctica . Brevemente, en JMP 13, querrás seleccionar Analizar ► Agrupación ► K significa agrupación .
Ahora debes especificar el número de clusters a buscar. Si bien es subjetivo cuántos grupos desea buscar, tenga en cuenta que muy pocos darán agrupaciones aproximadas y demasiados lo dejarán en la misma situación en la que comenzó. Para este análisis, buscaremos tres grupos. Hacer clic Ir y se le presentarán muchos resultados (que no muestro aquí).
Para analizar rápidamente estos resultados, podemos hacer algunas cosas:
- Guarde los colores asociados con los grupos en la tabla de datos.
- Vuelva a trazar los datos tanto con los grupos como con los colores.
Ambas opciones están disponibles haciendo clic en el triángulo rojo al lado de K significa NCluster = 3. Asegúrese de guardar los colores primero para obtener resultados más impactantes.
Con los grupos como elipses ligeramente sombreadas y los puntos codificados por colores para cada grupo, ahora podemos ver algunas agrupaciones interesantes en los datos:
- El verde claro se asocia con países que tienen bajas tasas de natalidad, pero mucha variabilidad en las tasas de mortalidad (por cierto, en su mayoría desarrollado países).
- El azul claro se asocia con bajas tasas de mortalidad, pero con mucha variabilidad en las tasas de natalidad (por cierto, en su mayoría desarrollando países).
- El rojo está asociado con dos países que tienen altas tasas de natalidad y mortalidad (Afganistán y Zaire).
Aunque esto no era evidente cuando abrimos el conjunto de datos por primera vez, ahora tenemos una historia convincente. Con una combinación de datos, interpretación y visualización, ahora se podría contar fácilmente esta historia a una audiencia más amplia.
Same data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataLos mismos datos, pero con colores para los grupos, lo que ahora proporciona una interpretación significativa de los datos.
