Scagnostics, Diagnóstico de dispersión , fue descubierto por John y Paul Tukey y más tarde popularizado por Leland Wilkinson en Los gráficos y la teoría de la ciencia (2005). Estos análisis fueron redefinidos en Analítica visual de alta dimensión: exploración interactiva guiada por vistas en pares de distribuciones de puntos (2006).
La belleza de los scagnostics es la capacidad de explorar visualmente un conjunto de datos. JMP tiene la característica inherente llamada Matriz de Diagrama de Dispersión (SPLOM), que le permite al usuario comparar simultáneamente la relación entre muchos pares de variables.
Sin embargo, los SPLOM pierden su efectividad cuando el número de variables es demasiado grande. La figura 1 muestra una parte del informe SPLOM.
Figura 1. SPLOM para datos de envejecimiento de Drosophila
Exploremos los datos de Drosophila Aging (en JMP Sample Data), que tiene 48 observaciones y 100 variables numéricas. Observe en la Figura 1 el número sustancial de variables en este conjunto de datos. Esto puede ser abrumador, y nuestra capacidad para observar visualmente los datos es defectuosa. En la Figura 1, solo se muestra alrededor del 15 por ciento del SPLOM real. En un mundo donde los conjuntos de datos crecen cada día, necesitamos poder extraer información significativa de las relaciones entre nuestras variables. ¡Ahí es donde entran los escatósticos! Scagnostics evalúa cinco aspectos de los diagramas de dispersión: valores atípicos , forma , tendencia , densidad y coherencia .
Este verano, escribí un complemento JMP (que puedes descargar desde el intercambio de archivos si tiene un perfil SAS gratuito) que le permite explorar datos de forma interactiva utilizando nueve medidas de teoría de grafos. El complemento combina tres características actuales de JMP: Distribución, Matriz de diagrama de dispersión y Generador de gráficos. Cada punto en el diagrama de dispersión representa un diagrama de dispersión 2D. Cuando selecciona un punto en la matriz de dispersión en la parte inferior izquierda, Graph Builder muestra la gráfica de dispersión respectiva para las dos variables en la parte inferior derecha.
Como ejemplo, ya se ha seleccionado un punto en el SPLOM en la Figura 2. Las variables correspondientes son log2in_Tsp42Ej y log2in_CG6372. Para este par de variables, hay dos grupos de datos discernibles. Esto se nota en un alto valor Clumpy.
Figura 2. Scagnostics para Drosophila Envejecimiento de datos - Ejemplo Clumpy
La Figura 3 a continuación nos muestra que si seleccionamos un punto con un alto valor monotónico, podemos observar una asociación clara y una fuerte relación lineal entre las variables, log2in_alpha_Cat y log2in_CG3430der.
Figura 3. Scagnostics para Drosophila Envejecimiento de datos - Ejemplo monotónico
Otro aspecto clave de Scagnostics es detección de valores atípicos . Revise el diagrama de Graph Builder en la Figura 4 a continuación. Cuando inspeccionamos las dos variables log2in_CG18178 y log2in_BcDNA_GH04120, vemos dos puntos de datos que visualmente parecen ser valores atípicos. Los resultados con un valor externo sustancial, así como un valor sesgado relativamente alto, apoyan la noción de que este par de variables tiene valores atípicos importantes en general.
Figura 4. Scagnostics para Drosophila Envejecimiento de datos - Ejemplo periférico
Al comparar el informe SPLOM original en la Figura 1 con los informes recursivos SPLOM y Graph Builder en las Figuras 2, 3 y 4, descubrimos análisis mucho más informativos y esclarecedores.
Ahora es el momento de descargar el Complemento de Scagnostics y comienza tu propia exploración!
John Wass escribió:
Buen trabajo Adam. Tomó 30 segundos para solo 6 variables, pero el generador de gráficos mostró una buena relación entre 2 genes en mi conjunto de datos de genómica reducida. También los histogramas de splom y de descubrimiento arrojan un poco de luz sobre otras relaciones. Su complemento fue fácilmente descargado e integrado en JMP.
