Scagnostics, diagnostica dello scatterplot , è stato scoperto da John e Paul Tukey e successivamente reso popolare da Leland Wilkinson in Scagnostico teorico-grafico (2005). Queste analisi sono state ridefinite in Analisi visiva ad alta dimensione: esplorazione interattiva guidata da viste a coppie di distribuzioni di punti (2006).
La bellezza della scagnostica è la capacità di esplorare visivamente un set di dati. JMP ha la caratteristica intrinseca chiamata Scatterplot Matrix (SPLOM), che consente all'utente di confrontare simultaneamente la relazione tra molte coppie di variabili.
Tuttavia, gli SPLOM perdono la loro efficacia quando il numero di variabili diventa troppo grande. La figura 1 mostra una parte del report SPLOM.
Figura 1. SPLOM per Drosophila Aging Data
Analizziamo i dati di invecchiamento della Drosophila (in Dati campione JMP), che ha 48 osservazioni e 100 variabili numeriche. Si noti nella Figura 1 il numero sostanziale di variabili in questo set di dati. Questo può essere travolgente e la nostra capacità di osservare visivamente i dati è imperfetta. Nella Figura 1, viene mostrato solo circa il 15 percento della SPLOM effettiva. In un mondo in cui i set di dati stanno crescendo ogni giorno, dobbiamo essere in grado di estrarre informazioni significative dalle relazioni tra le nostre variabili. È qui che entra in gioco la scagnostica! La scagnostica valuta cinque aspetti degli scatterplot: valori anomali , forma , tendenza , densità e coerenza .
Questa estate, ho scritto un add-in per JMP (che puoi scaricare da File Exchange se si dispone di un profilo SAS gratuito) che consente di esplorare in modo interattivo i dati utilizzando nove misure teoriche del grafico. Il componente aggiuntivo combina tre funzioni correnti di JMP: Distribuzione, Grafico a dispersione e Generatore di grafici. Ogni punto nel grafico a dispersione rappresenta un grafico a dispersione 2D. Quando si seleziona un punto nella matrice scatterplot in basso a sinistra, Graph Builder mostra il rispettivo grafico a dispersione per le due variabili in basso a destra.
Ad esempio, un punto è già stato selezionato in SPLOM in Figura 2. Le variabili corrispondenti sono log2in_Tsp42Ej e log2in_CG6372. Per questa coppia di variabili, ci sono due gruppi di dati distinguibili. Questo è notato in un alto valore Clumpy.
Figura 2. Scagnostici per dati sull'invecchiamento della drosofila - Clumpy Example
La figura 3 sotto mostra che se selezioniamo un punto con un valore monotonico alto, possiamo osservare un'associazione chiara e una forte relazione lineare tra le variabili, log2in_alpha_Cat e log2in_CG3430der.
Figura 3. Scagnotics for Drosophila Ageing Data - Monotonic Example
Un altro aspetto chiave della Scagnostics è rilevamento anomalo . Esaminare il grafico di Graph Builder nella Figura 4 di seguito. Quando ispezioniamo le due variabili log2in_CG18178 e log2in_BcDNA_GH04120, vediamo due punti dati che sembrano visivamente anomali. I risultati con un notevole valore periferico, oltre a un valore distorto relativamente elevato, supportano la nozione che questa coppia di variabili abbia nel complesso valori anomali maggiori.
Figura 4. Scagnotics for Drosophila Aging Data - Outlying Example
Confrontando il report SPLOM originale nella Figura 1 con i report SPLOM e Graph Builder ricorsivi nelle Figure 2, 3 e 4, scopriremo molte più analisi informative e illuminanti.
Ora è il momento di scaricare il Add-in di Scagnostics e inizia la tua esplorazione!
John Wass ha scritto:
Bel lavoro Adam. Ci sono voluti 30 secondi per solo 6 variabili, ma il generatore grafico ha mostrato una bella relazione tra 2 geni nel mio set di dati genomici ridotto. Anche gli istogrammi di splom e discovery fanno luce su altre relazioni. Il tuo componente aggiuntivo è stato facilmente scaricato e integrato in JMP.
