Auf der nächstes Analytisch sprechen , wir werden von Xan Gregg hören JMP R & D-Direktor und Ersteller des Graph Builder zum Ziehen und Ablegen. Hier ist eine Vorschau auf das, was er besprechen wird. Am Mittwoch, 16. März, um 13.00 Uhr ET, hören Sie den Rest.
F: Erzählen Sie uns etwas über die Bedeutung von Diagrammen und der Visualisierung von Daten.
A: Früher in meiner Karriere konnte ich sehen, wie wertvoll es ist Datenvisualisierung war, verstand aber nicht wirklich warum, bis ich anfing, Wahrnehmung zu studieren und wie der Geist funktioniert. Es gibt einen großen Teil des Geistes, der sich ausschließlich der visuellen Verarbeitung widmet und so einen sehr effizienten Weg darstellt, Informationen in unseren Kopf zu bekommen.
Es gibt ein berühmtes Beispiel, Anscombes Quartett. Es gibt vier verschiedene Datensätze. Wenn Sie nur Zahlen in einer Tabelle betrachten, sehen sie gleich aus. Und wenn Sie sich die zusammenfassenden Statistiken ansehen, sind sie gleich. Wenn Sie jedoch die Punkte selbst im Streudiagramm sehen, können Sie sofort sehen, dass sie alle unterschiedlich sind.
Anscombes Quartett: Wenn Sie die Punkte selbst im Streudiagramm sehen, können Sie sofort erkennen, dass die vier Datensätze alle unterschiedlich sind.
Das ist die Kraft der Visualisierung, nur in diesem einfachen Beispiel. Es erstreckt sich auch auf die aufwändigeren Grafiken, die wir heute haben.
F: Wie sehen Sie die unterschiedliche Terminologie für die Datenvisualisierung?
A: Die Terminologie ist manchmal unscharf. Zum Beispiel "Datenvisualisierung" im Vergleich zu "Informationsvisualisierung" oder "deskriptiv" im Gegensatz zu "analytisch" hängt von Ihrem Standpunkt ab. Ich denke jedoch, dass die Begriffe auf ein Spektrum von Datenvisualisierungszwecken hinweisen. Manchmal betrachten wir die Rohdaten, vor allem, weil wir JMP für die Erkundung und Entdeckung verwenden. Wir möchten nur sehen, was in den Daten enthalten ist, und eine Beschreibung davon erhalten. Aber zu anderen Zeiten, wenn wir etwas gefunden haben und etwas sagen wollen; Dann verwenden wir eine Informationsvisualisierung, um die Analyseergebnisse zu kommunizieren.
Und selbst bei den gleichen Daten haben Sie die Wahl, wie Sie sie visualisieren und die Informationen ändern. Wenn Sie eine Reihe von Datenpunkten haben und diese als Balken betrachten, besteht die Information, dass Sie kommunizieren, darin, dass es sich um diskrete Werte handelt. Wenn Sie es jedoch als Verbindungslinie betrachten, teilen Sie mit, dass dies eine Sequenz ist, und konzentrieren sich auf die Änderung. Wenn Sie stattdessen einen glatteren Sensor verwenden, konzentrieren Sie sich auf den langfristigen Trend.
Selbst mit den gleichen Daten besteht also die Möglichkeit, unterschiedliche Informationen zu kommunizieren, je nachdem, wie Sie sie visualisieren. Wir haben die Wahl zwischen Visualisierungen. Es ist nicht zu sagen, dass man Recht hat und man ist falsch. Sie kommunizieren jeweils eine andere Nachricht.
F: Warum sind einige Grafiken weniger nützlich als andere?
A: Sie können weniger nützlich sein, weil wir zu viele Dinge in das Diagramm einfügen können. Wir fügen zusätzliche Beschriftungen, Häkchen, Farben, Bemaßungen hinzu, die möglicherweise nicht in den Daten enthalten sind. Oder selbst wenn sie sich in den Daten befinden, lenken sie manchmal von den tatsächlichen Informationen ab, die wir kommunizieren möchten.
Und die andere Möglichkeit, dass sie weniger nützlich sind, ist, nicht mit unseren Sinnen übereinzustimmen. Es gibt einige Dinge, die wir genauer wahrnehmen können als andere. Es gibt einige Dinge, die wir kategorisch und nicht kontinuierlich wahrnehmen. Wir müssen also sicherstellen, dass wir die kategoriale visuelle Wahrnehmung mit den kategorialen Daten und mit der gleichen für kontinuierliche ausrichten.
Jessica schrieb:
Vielen Dank für Ihren Kommentar. Die Korrelationskoeffizienten betragen alle etwa 0,816. Das Bild zeigt den RSquare-Wert, der das Quadrat des Korrelationskoeffizienten ist, für die beiden oberen Datensätze. Hoffentlich hilft das!
Michael Clayton schrieb:
Kürzere Version meines Vorbringens: Die Fallstudien und Blogs sollten mehr Beispiele für Variabilitätsdiagramme enthalten, die meiner Meinung nach KEINE Studien sind. Ramirez ist gut. Benötigen Sie viel mehr und vergleichen Sie sie mit multivariaten Methoden. Multi-Vari ist immer noch OFAT, aber optisch verschachtelt oder gekreuzt und nicht wirklich multivariate.
Aber sehr nützlich als erster Blick auf Rohdaten mit vielen Faktoren meiner Meinung nach.
Michael Clayton schrieb:
JMP hat die Leistungsfähigkeit des Multi-Vari- oder Variability-Diagramms nur bei Gage-Studien verschwendet.
Ich würde einen GRAPH BUILDER lieben, der 4 oder 5 Faktoren in der gleichen grafischen Art und Weise verschachteln oder überkreuzen kann wie das bekannte Variabllity-Diagramm, das in der Halbleiterindustrie für die SITE WITHIN WAFER INNERHALB DES PRODUKTS INNERHALB DES PRODUKTES IN DER GIESSEREI ... ETC verwendet wird.
Und wir lieben die neueren Varianten der Variance-Komponenten, die REML und BAYES sowie alte, unausgeglichene Anova-Berechnungen enthalten.
Entsperren Sie die Kraft dieses Multi-Vari-Graphen.
Es ist die erste Wahl, um die DOE-Ergebnisdaten zu überprüfen, bevor Regressionen ausgeführt werden.
Es wird auch für die EDA bei Werkzeug- und Rezepturauswirkungen auf Mess- oder Testdaten ausgewählt.
Schauen Sie sich zuerst GRR an, bevor Sie EMP verwenden.
Ich liebe die neueren Profiler ... und Simulatoren.
Noch nicht sicher, ob JMP PRO für die meisten Werksarbeiten benötigt wird.
Könnte einige Fabrikbeispiele verwenden, bei denen JMP Pro die höheren Kosten wert ist.
Sie möchten auch mehr Möglichkeiten, Profiler für Nicht-JMP-Manager nach Excel usw. zu verschieben.
Ed schrieb:
Es wäre interessant, die Korrelationskoeffizienten zu sehen, die dem Anscombe-Quartett entsprechen
