Bewältigung großer, komplexer und unstrukturierter statistischer Probleme
Roger W. Hoerl, Manager, Labor für angewandte Statistik, GE Global Research
Ronald D. Snee, Präsident von Snee Associates
In dieser Sitzung wird erläutert, wie große, komplexe, unstrukturierte statistische Probleme angegangen werden. Es basiert auf der zweiten Ausgabe des Buches Statistisches Denken: Verbesserung der Geschäftsleistung (Hoerl and Snee 2012), vor kurzem als Teil der Wiley und SAS Business Series veröffentlicht. Es besteht ein erhebliches Interesse daran zu bestimmen, wie komplexe statistische Probleme angegangen werden sollen, dh solche, "die keinem erkennbaren Schulbuchkapitel entsprechen" (Meng 2009). Die meisten Probleme mit Lehrbüchern sowie auf Konferenzen und in Publikationen diskutierte Probleme sind in der Regel eng definiert und erfordern eine "richtige" statistische Methode, um sie zu lösen. Im Gegensatz dazu sind große, komplexe Probleme in der Regel breit gefächert und erfordern einige Vorarbeiten, um Struktur zu schaffen. Sie erfordern im Gegensatz zur statischen Populationsansicht eine dynamische Prozessansicht, um mehrere Datenquellen richtig zu verstehen und zu interpretieren. Darüber hinaus erfordern diese Probleme fast immer eine effektive Integration mehrerer statistischer Methoden in einen Gesamtansatz wissenschaftlicher Untersuchungen, nicht nur die Identifizierung eines einzigen "richtigen" statistischen Instruments. Kurz gesagt, sie erfordern kreatives und innovatives Denkstatistik-Denken zusätzlich zu den Werkzeugkenntnissen. Die Autoren haben mit dem Begriff statistisches Engineering die Integration mehrerer statistischer Methoden und Werkzeuge zur Lösung komplexer Probleme bezeichnet (Hoerl und Snee 2010). JMP kann Praktikern, die mit solchen Problemen konfrontiert sind, wichtige Erkenntnisse liefern. Zwar gibt es keine einfache Methode für große, komplexe Probleme, aber die Autoren geben Richtlinien vor, um darüber nachzudenken und sie anzugreifen.
