지앙 펑 딩 (Jianfeng Ding jianfeng.ding0 ), JMP 수석 연구 통계 개발자 SAS
LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-ZhdG40ODE60q7caDnX4DM0eaMT8lAjOfw400h300r816', 'ZhdG40ODE60q7caDnX4DM0eaMT8lAjOf', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"400px","height":"300px"});
(내 비디오에서보기)
다 변수 분석에서 소수의 요인으로 차원을 축소하는 것은 많은 변수 중에서 가변성을 포착하는 가장 중요한 단계입니다. JMP에서는 연속 변수에 대한 치수 축소를 수행하는 주성분 (PC) 플랫폼을 사용합니다. 그러나 범주 변수가있을 때 우리는 PC 플랫폼을 사용하여 모델을 작성할 수 없습니다. JMP 12에서는 여러 카테고리 변수를 입력 변수로 사용하고 이러한 변수의 수준 간 연관성을 확인하는 MCA (Multiple Correspondence Analysis) 플랫폼을 추가했습니다. 유럽 및 일본에서 널리 사용되는 데이터 분석 기술인 MCA는 이제 이미 다각화 된 다 변수 도구 상자에 추가되었습니다. 이 프레젠테이션에서는 LeRoux 등의 Taste 데이터 세트와 JMP 부서 직원이 수집 한 설문 데이터를 결합하여 MCA 플랫폼을 사용하여 데이터 준비, 통계 분석, 그래픽 표현 및 해석을 탐색합니다. 범주 분석, 개인 구름, 거리, 차원, 공헌 및 분석을 지원하는 데 도움이되는 보조 요소와 같은 MCA의 다양한 주제에 대해서도 논의 할 것입니다.
