JMP® Pro

Ausgereifte Techniken für erweiterte Analysemöglichkeiten

JMP Pro ist die erweiterte JMP-Version für erfahrene Anwender, die moderne Modellierungsverfahren benötigen, um zukünftige Entwicklungen besser abschätzen und präziser für morgen planen zu können. JMP Pro wurde in erster Linie für Wissenschaftler und Ingenieure entwickelt. Diese Software von SAS zur statistischen Datenanalyse verfügt über alle Funktionen für interaktive Visualisierung, Erforschung, Analyse und Präsentation, die zu den Markenzeichen von JMP gehören.

Außerdem stellt JMP Pro eine Vielzahl hervorragender Analyseverfahren bereit: Vorhersagemodelle mit Validierung nach einer Reihe unterschiedlicher Methoden, moderne Modellierungsverfahren, Modellvergleich und Mittelwertfunktionen, erweiterte multivariate Techniken, Zuverlässigkeitsblockdiagramme, abdeckende Arrays, gemischte Modelle, Uplift-Modelle und erweiterte statistische Berechnungsmethoden.

Die umfassenden erweiterten Techniken in JMP Pro räumen Hindernisse für Ihre statistische Datenanalyse aus dem Weg und ermöglichen Ihnen, wichtige Hinweise in Ihren Daten zu erkennen. Sie erzielen Ergebnisse schneller und können somit proaktiv werden und zukünftige Entwicklungen besser steuern.

Sammlung von JMP Pro-Screenshots

Hauptfunktionen

JMP Pro verblüfft mich immer wieder aufs Neue. Es gibt immer wieder neue Modellierungstechniken und Tools, die mein Leben als Analytiker einfacher machen. Die Plattform der generalisierten Regression ist einfach zu verwenden und schnell. Und die Möglichkeit, Test-/Validierungsvariablen zu erstellen, ist einfach großartig.
Dick De Veaux
Dick De Veaux

C. Carlisle und Margaret Tippit, Professor für Statistik, Williams College

Vorhersagemodelle

Im Zentrum des Data Mining stehen die erweiterten Tools zur Anpassung großer Modelle, die gut auf neue Daten übertragen werden können. JMP Pro umfasst eine Vielzahl von Algorithmen zum Erstellen besserer Modelle Ihrer Daten. Zwei der nützlichsten Techniken für die Vorhersagemodellierung sind Entscheidungsbäume und neuronale Netzwerke.

Die Partition-Plattform in JMP Pro automatisiert den Prozess der Baumerstellung mit modernen Methoden. Bootstrap Forest, eine Random-Forest-Technik, erstellt Dutzende von Entscheidungsbäumen mit zufällig ausgewählten Teilmengen der verfügbaren Daten und Kandidatenvariablen und berechnet dann Mittelwerte dieser Bäume. Die Technik des Boosted Tree erstellt einfache Entscheidungsbäume und passt wiederholt Restvarianzen von einem Baum auf den nächsten an. Die Plattform „Partition“ in JMP Pro passt auch Vorhersagemodelle für K nächste Nachbarn (K-NN) an. Mit diesen Methoden können Sie Modelle erstellen, die häufig bessere Vorhersagen als einfache Entscheidungsbaummodelle liefern.

Die erweiterte Plattform „Neuronal“ in JMP Pro ermöglicht Ihnen die Erstellung neuronaler Netze mit einer oder zwei Schichten, für die Sie eine von drei Aktivierungsfunktionen wählen können, sowie die automatische Modellerstellung mit Gradient-Boosting. Diese Plattform verarbeitet automatisch fehlende Werte von kontinuierlichen X-Werten, wodurch Zeit und Aufwand gespart werden. Außerdem bietet sie robuste Anpassungsoptionen.

Sowohl die Plattform „Partition“ als auch die Plattform „Neuronal“ in JMP Pro nutzen Validierungsverfahren ein. Die Vorteile der Validierung werden im nächsten Abschnitt beschrieben. Außerdem unterstützen die schrittweise Regression, die logistische Regression (sowohl nominal als auch ordinal) und die Diskriminanzanalyse in JMP Pro die Verwendung einer Validierungsspalte.

Kreuzvalidierung

Um aussagekräftige Vorhersagemodelle erstellen zu können, müssen Sie mit geeigneten Methoden arbeiten, um Ihr Modell zu validieren. Wenn das Modell größer wird, kann es leicht zu einer Überanpassung kommen. Große Modelle sollten immer validiert werden und JMP Pro führt diesen Vorgang durch die Datenpartitionierung oder Holdback durch. Das Aufteilen der Daten in Trainings-, Validierungs- und Testdatensätze wird schon länger verwendet, um Überanpassung zu vermeiden. Damit soll sichergestellt werden, dass die erstellten Modelle nicht auf die Eigenschaften der Stichprobe ausgerichtet sind, die für ihre Erstellung benutzt wurde.

Der allgemeine Ansatz bei der Validierung in JMP Pro ist die Verwendung einer Validierungsspalte. Mithilfe der Validierungsspalte können Sie einfach Ihre Daten in verschiedene Gruppen unterteilen (entweder mit einer einfachen zufälligen oder einer stratifizierten zufälligen Stichprobe). Zum Erstellen der Modelle wird der Trainingssatz verwendet. Der Validierungssatz wird bei der Modellerstellung eingesetzt, um festzulegen, wie komplex das Modell sein soll. Der Testsatz wird vollständig aus dem Modellbildungsprozess fern gehalten und dazu verwendet, die Qualität der Modelle zu bewerten. Für kleinere Datensätze kann in einigen Plattformen auch die k-fache Kreuzvalidierung verwendet werden.

Die Validierung hilft Ihnen bei der Erstellung von Modellen, die – über neue Kunden, neue Prozesse oder neue Risiken – gut auf die Daten von morgen übertragen werden können. Somit können Sie datengestützte Inferenzen für die Zukunft vornehmen.

Modellvergleich

In der Praxis passen manche Modelltypen in bestimmten Situationen gut, in anderen wiederum gar nicht. JMP Pro bietet mehrere unterschiedliche Wege für die Modellierung und Sie müssen herausfinden, welcher in einer bestimmten Situation am besten geeignet ist. Ein typischer Ansatz für die Modellerstellung ist das Ausprobieren vieler verschiedener Modelle: mehr oder weniger komplexe Modelle, Modelle mit bestimmten Faktoren/Prädiktoren, Modelle, die mit unterschiedlichen Modellierungsmethoden erstellt wurden, oder sogar Mittelwerte mehrerer Modelle (Ensemble-Modelle).

Alle diese Modelle verfügen über gemeinsame Maßnahmen zur Qualitätskontrolle: R2, Fehlklassifikationsrate, ROC-Kurven, AUC, Lift-Kurven usw.

Mit dem Modellvergleich in JMP Pro können Sie alle Prognoseformeln aus verschiedenen Anpassungen speichern und die beste Kombination aus Anpassung, Einfachheit, Sparsamkeit und Kreuzvalidierung heranziehen. JMP Pro nimmt diesen Vergleich automatisch vor. Gleichzeitig können Sie mit den visuellen Analysediagrammen für die Modelle interaktiv ermitteln, welche Faktoren jedes Modell als wichtig einstuft. Der Modellvergleich in JMP Pro macht es einfach, mehrere Modelle auf einmal zu vergleichen und auch ggf. eine simple Modellmittelung durchzuführen.

Moderne Modellierung

Die verallgemeinerte Regression ist eine Klasse neuer Modellierungstechniken, die gut für die Erstellung besserer Modelle geeignet sind, selbst wenn die Datenlage nicht einfach ist. Sie passt lineare Modelle mit regelbasierten oder pönalisierten Regressionsmethoden an.

Bei stark korrelierten Prädiktoren oder mehr Prädiktoren als Beobachtungen können Standardschätzungstechniken scheitern. Auch bei der Arbeit mit vielen korrelierten Prädiktoren (häufig bei Beobachtungsdaten) können schrittweise Regression oder andere Standardtechniken unbefriedigende Ergebnisse erzielen. Solche Modelle sind häufig überangepasst und können nur schwer für neue Daten generalisiert werden. Aber wie entscheiden Sie, welche Variablen vor der Modellierung entfernt werden sollen oder – schlimmer – wie viel Zeit Sie für die manuelle Vorverarbeitung von Tabellen für die Modellierung opfern müssen?

Die verallgemeinerte Regression ist ein vollständiger Modellierungsrahmen. Sie leitet Sie von der Variablenauswahl über die Modelldiagnose bis zu KQ-Mittelwertvergleichen, inverser Vorhersage und Profiling. Das bietet nur JMP Pro.

Die innerhalb der Funktion der verallgemeinerten Regression verfügbaren Regularisierungstechniken umfassen Ridge, Lasso, adaptives Lasso, elastisches Netz und das adaptive elastische Netz, um X-Variablen mit Erklärungskraft besser identifizieren zu können. Die Nutzung dieser Techniken ist ebenso einfach wie die aller anderen Modellierungsfunktionen in der Modellanpassung – Sie identifizieren einfach Ihre Kenngrößen, konstruieren Modelleffekte und wählen die gewünschte Schätzung und Validierungsmethode aus. JMP passt Ihr Modell automatisch an, führt ggf. eine Variablenauswahl durch und erstellt ein Vorhersagemodell, das auf neue Daten angewendet werden kann. Sie können auch eine Schritt-vorwärts-Technik verwenden, die Quantilregression oder eine einfache Anpassung mithilfe des Maximum-Likelihood-Modellen durchführen.

Die generalisierte Regression stellt Ihnen außerdem Optionen bereit, mit denen Sie die geeignete Verteilung für die Zielgröße auswählen können, die Sie modellieren. So können Sie unterschiedlichste Zielgrößen modellieren, wie etwa Zähldaten, Daten mit vielen Ausreißern oder schiefe Daten.


Erweiterte multivariate Techniken

JMP Pro verfügt über eine Reihe erweiterter Techniken zur Erstellung besserer Modelle, wenn Datenprobleme vorliegen, die multivariate Anpassungsmethoden erfordern.

Partielle kleinste Quadrate. Versuchen Sie, Daten zu modellieren, die sehr breit, aber nicht sehr hoch sind? Herkömmliche Techniken funktionieren hier nicht – dies ist ein Einsatzbereich für die partiellen kleinsten Quadrate (partial least squares, PLS). Die PLS sind eine leistungsstarke Modellierungstechnik in Ihrer Toolbox, vor allem, wenn Sie mehr X-Variablen als Beobachtungen, hochgradig korrelierte X-Variablen, eine große Zahl von X-Variablen oder mehrere Y-Variablen und viele X-Variablen haben. In allen diesen Situationen würde die normale Analyse der kleinsten Quadrate unbefriedigende Ergebnisse liefern.

Die PLS-Modellierung passt lineare Modelle basierend auf Faktoren an, genauer gesagt, auf linearen Kombinationen von erklärenden Variablen (den X-Variablen). Bei der Ermittlung der Faktoren wird versucht, die Kovarianz zwischen den X-Variablen und der bzw. den Zielgrößen (Y-Variablen) zu maximieren. In JMP Pro können Sie PLS-Modelle mit stetigen oder kategorialen Zielwerten (PLS-DA) erstellen, Krümmungswerte oder Wechselwirkungen festlegen und die Imputation fehlender Werte durchführen.

Clustern von Variablen. Wenn Sie eine große Zahl von Variablen für die Vorhersage eines Ergebnisses haben, sollten Sie die Variablenzahl möglichst reduzieren, um die Vorhersage zu vereinfachen. Eine mögliche Reduktionstechnik ist die bekannte Methode der Hauptkomponentenanalyse (Principal Component Analysis, PCA). Die aus der Hauptkomponentenanalyse gewonnenen Variablen können jedoch schwierig zu interpretieren sein.

Eine alternative Strategie ist die Verwendung des Variablen-Clustering in JMP Pro. Es hilft Ihnen zu verstehen, ob Ihre Zielgrößen in Cluster gruppiert sind, und zu bestimmen, wie viele Cluster die Zielgrößen enthalten. Wenn Sie einen Cluster innerhalb des Berichts auswählen, wird automatisch die repräsentativste Spalte des Clusters in der Datentabelle ausgewählt. Dadurch geht es wesentlich schneller und einfacher, Modellbegriffe festzulegen bzw. die Dimensionsreduktion durchzuführen.


Zuverlässigkeitsblockdiagramm

Häufig muss die Zuverlässigkeit eines komplexen Systems analysiert werden – zum Beispiel ein RAID-Speicher-Array mit mehreren Festplatten oder ein Flugzeug mit vier Motoren. JMP stellt Ihnen eine Reihe von Tools zur Verfügung, mit denen Sie die Zuverlässigkeit einzelner Komponenten innerhalb dieser Systeme analysieren können. In JMP Pro können Sie die Zuverlässigkeit einzelner Komponenten als Ausgangspunkt heranziehen, ein komplexes System mehrerer Komponenten erstellen und die Zuverlässigkeit des gesamten Systems mit der Plattform „Zuverlässigkeitblockdiagramm“ analysieren.

Diese Plattform ermöglicht es, die Zuverlässigkeit des Gesamtsystems besser vorherzusagen und die erwartete Leistung basierend auf der aktuellen Leistung einzelner Komponenten zu bestimmen. Sie können einfach Was-wäre-Wenn-Analysen durchführen, indem Sie verschiedene Designs untersuchen und Diagramme mehrerer Systemdesigns vergleichen. Sie können auch die besten Positionen bestimmen, an denen Sie die Redundanz erhöhen und die Wahrscheinlichkeit eines Systemausfalls verringern möchten. Mithilfe des Zuverlässigkeitsblockdiagramms können Sie einfach Schwachstellen in Ihrem System lokalisieren und beheben – und Sie sind besser informiert, um zukünftige Systemausfälle zu vermeiden.

Abdeckende Arrays

Abdeckende Arrays werden in Testanwendungen verwendet, bei denen Interaktionen von Faktoren zu Fehlern führen können. Jeder einzelne Versuch kann teuer sein. Sie müssen daher einen Versuch entwerfen, bei dem die Wahrscheinlichkeit, Fehler zu finden, möglichst groß und die Kosten und der Aufwand möglichst gering sind. Abdeckende Arrays bieten Ihnen genau diese Möglichkeit. Mit JMP Pro können Sie einen Versuch entwerfen, um deterministische Systeme zu testen und alle möglichen Kombinationen von Faktoren bis zu einem bestimmten Grad abzudecken.

Und wenn Kombinationen von Faktoren vorliegen, die zu unplausiblen Bedingungen führen, können Sie mit dem interaktiven Filter für unzulässige Kombinationen diese Kombinationen der Faktoreinstellungen aus dem Design ausschließen.

Einer der größten Vorteile abdeckender Arrays in JMP Pro besteht darin, dass JMP Pro ein statistisches Analysetool ist und nicht nur ein Tool für den Entwurf abdeckender Arrays. Sie können in JMP Pro eine große Vielzahl von statistischen Analysen durchführen. Es gibt beispielsweise keine andere Software für den Entwurf abdeckender Arrays, mit der Sie Ihre Daten mithilfe der generalisierten Regression analysieren können.

Sie können in JMP Pro alle abdeckenden – von einer beliebigen Software generierten – Arrays importieren, weiter optimieren und die Ergebnisse analysieren. Sie können die Arrays selbst erstellen, ohne beim Entwurf der Versuche auf die Hilfe anderer angewiesen zu sein. In JMP Pro können Sie intelligentere Tests mit abdeckenden Arrays durchführen.

Gemischte Modelle

Mit gemischten Modellen können Sie Daten analysieren, die sowohl die Zeit als auch den Raum berücksichtigen. Sie können zum Beispiel gemischte Modelle in einem Studiendesign verwenden, in dem im Rahmen einer Medikamentenstudie bei mehreren Probanden mehrmals täglich bestimmte Werte gemessen werden, oder in Crossover-Studien in der Pharma-, Fertigungs- oder Chemieindustrie.

Sie können in JMP Pro gemischte Modelle an Ihre Daten anpassen, indem Sie feste, zufallsbedingte und wiederholte Effekte angeben, Variablengruppen zuordnen und Subjekte und stetige Effekte einrichten – alles mit einer intuitiven Benutzeroberfläche, die per Mausklick zu bedienen ist.

Außerdem können Sie nun die Kovarianzparameter für eine große Zahl von Korrelationsstrukturen berechnen, zum Beispiel Fälle, in denen Versuchseinheiten in Cluster gruppiert werden können, und die Daten aus einem gemeinsamen Cluster korreliert werden. Oder wenn wiederholte Messungen derselben Versuchseinheit durchgeführt werden und diese wiederholten Messungen korreliert werden oder eine sich ändernde Variabilität aufweisen.

Es ist auch einfach, visuell zu bestimmen, ob eine räumliche Kovarianzstruktur für die Verwendung in Ihrer Modellspezifizierung geeignet ist, wenn gemischte Modelle in JMP Pro erstellt werden.

Uplift-Modelle

Sie möchten möglicherweise den maximalen Nutzen aus Ihrem begrenzten Marketing-Budget ziehen, indem Sie gezielt nur an Personen Angebote senden, die aller Erwartung nach positiv darauf reagieren werden. Die Lösung dieser Aufgabe kann schwierig sein, insbesondere dann, wenn Sie große Tabellen und viele mögliche demografische und Verhaltensprädiktoren haben. Mit JMP Pro können Sie jedoch Uplift-Modelle für diese Vorhersage nutzen. Diese Methode, die auch als inkrementelle, True-Lift- oder Netzmodellierung bezeichnet wird, wurde entwickelt, um Marketingentscheidungen zu optimieren, personalisierte medizinische Protokolle zu definieren oder ganz allgemein Merkmale von Personen zu identifizieren, die auf eine bestimmte Aktion wahrscheinlich positiv reagieren werden.

Die Uplift-Modellierung in JMP Pro passt Entscheidungsbäume an, die Teilungen ermitteln, die einen Behandlungsunterschied maximieren. Die Modelle helfen dabei, Personengruppen zu identifizieren, die wahrscheinlich positiv auf eine Aktion reagieren. Sie tragen zur effizienten und gezielten Entscheidungsfindung bei, die die Ressourcenverteilung und die Wirkung auf den Einzelnen optimiert.

Erweiterte statistische Berechnungsmethoden

JMP Pro verfügt über exakte statistische Tests für Kontingenztabellen und exakte nichtparametrische statistische Tests für einfaktorielle ANOVA. JMP Pro stellt außerdem eine allgemeine Methode für Bootstrapping für Statistiken in den meisten JMP-Berichten bereit.

Bootstrapping führt eine Näherung der Stichprobenverteilung einer Statistik durch. JMP Pro ist die einzige Statistiksoftware, mit der Sie ein Statistik-Bootstrapping vornehmen können, ohne eine einzige Programmzeile schreiben zu müssen. Es erfordert nur einen Klick auf eine beliebige Statistik in einem Bericht, und die Bootstrap Verteilung wird berechnet.

Diese Technik ist nützlich, wenn Lehrbuchannahmen in Frage gestellt werden oder fehlen. Beispiel: Versuchen Sie die Anwendung von Bootstrapping-Techniken auf nichtlineare Modellergebnisse, die für Vorhersagen verwendet werden oder Deckungsintervalle um Quantile bestimmen. Sie können das Bootstrapping auch als Alternative verwenden, um die Unsicherheit in Ihren Vorhersagemodellen zu messen. Mit dem Bootstrapping können Sie die Konfidenz Ihrer Schätzungen mit weniger Annahmen ermitteln – und das Bootstrapping mit einem einzigen Klick in JMP Pro macht es einfach.

Verbindung mit dem großen Funktionsumfang von SAS®

JMP Pro gehört zur Serie der SAS-Angebote für prädiktive Analyse und Data-Mining. Es lässt sich daher leicht an SAS anbinden. Sie erweitern damit die Optionen und erhalten Zugriff auf die außergewöhnliche Tiefe von SAS Analytics und die Datenintegration. Mit oder ohne aktive Anbindung an SAS kann JMP Pro SAS-Code ausgeben, um für neue Daten mit den in JMP erstellten Modellen rasch Scores zu erstellen.

Weitergeben und Kommunizieren von Ergebnissen

DOW Flags

Dow Chemical hat JMP Pro für seine Mitarbeiter gewählt, da die Entscheidungsträger das beste Tool wollten, um die Daten in ihren großen Tabellen zu analysieren und möglichst viele Informationen aus ihnen zu extrahieren.

Bericht lesen

JMP stand schon immer für statistische Entdeckungen und die beste Möglichkeit zur Weitergabe Ihrer Ergebnisse innerhalb des gesamten Unternehmens. JMP Pro enthält alle visuellen und interaktiven Funktionen von JMP und vermittelt völlig neue Einblicke in Ihre Daten. Durch dynamisch verknüpfte Daten, Grafiken und Statistiken erweckt JMP Pro Ihre Forschungsergebnisse in einer 3-D-Darstellung oder einer animierten Grafik zum Leben. Sie sehen die Veränderungen im Zeitverlauf und erhalten wertvolle neue Einblicke für Ihre Modellerstellung und Präsentation.

Ausschließlich in JMP® Pro angebotene Hauptfunktionen

JMP Pro enthält alle Funktionen von JMP sowie zusätzliche Funktionen für die erweiterte Datenanalyse, die in der folgenden Tabelle aufgelistet sind.


Vorhersagemodelle

Klassifikation und Entscheidungsbäume (Partitionsmodellierung)*
  • Bootstrap-Forest, eine Random-Forest-Technik
  • Boosted Trees
  • K-NN-Vorhersage für K nächste Nachbarn
  • Unterstützung für Validierungsspalte
Modellierung neuronaler Netze*Automatischer Umgang mit fehlenden Daten
  • Automatische Auswahl der Anzahl von versteckten Einheiten durch Gradienten-Boosting
  • Anpassung von neuronalen Netzen mit einer oder zwei Schichten
  • Automatische Umwandlung von Eingabevariablen
  • Drei Aktivierungsfunktionen (Tangens hyperbolicus, linear, Gauss)
  • Speichern von zufällig generierten Validierungsspalten
  • Speichern von transformierten Kovariablen
  • Unterstützung für Validierungsspalte
Schrittweise Regression
  • Unterstützung für Validierungsspalte
Logistische Regression (nominal und ordinal)
  • Unterstützung für Validierungsspalte
Diskriminanzanalyse
  • Unterstützung für Validierungsspalte
Gewöhnliche kleinste Quadrate
  • Unterstützung für Validierungsspalte

Validierung

Allgemeiner Ansatz mit der Validierungsspalte und Validierungsrolle in Dialogfeldern beim Start der Modellierungs-Plattform
Validierungsspalte
  • Automatische Partitionierung von Daten in Training, Validierung und Test; Erstellung von Validierungsspalten
  • Methoden einer einfachen zufälligen oder stratifizierten zufälligen Stichprobe zur Erstellung von Holdback-Daten
  • Erstellung der Validierungsspalte bei Plattformstart durch Klicken auf die Spaltenrolle

Modellvergleich

  • Automatischer Vergleich von Modellen mit JMP Pro
  • Profildiagramm
  • Anpassen von Statistiken (r2, Fehlklassifikationsraten, ROC-Kurven, AUC, Lift-Kurven)
  • Modellmittelung

Moderne Modellierung

Verallgemeinerte Regression
  • Regularisierungstechniken: Ridge, Lasso, adaptives Lasso, elastisches Netz, adaptives elastisches Netz
  • Vorwärtsauswahl
  • Quantilsregression
  • Normal-, Cauchy-, Exponential-, Gamma-, Beta-, Binomial-, Beta-Binomial-, Poisson-, Negativ-Binomial-VerteilungZero-inflated Binomial-, Beta-Binomial, Poisson-, Negativ-Binomial-, Gamma-Verteilung
  • Wahl der Validierungstechniken: Validierungsspalte, KFold, Holdback, Leave-One-Out, BIC, AICc

Erweiterte multivariate Techniken

Partielle kleinste Quadrate (PLS)
  • PLS-Typ in „Modell anpassen“ unterstützt stetige und kategoriale Zielwerte, stetige oder kategoriale Faktoren, Interaktionen und Polynome.­
  • Imputation fehlender Werte mit dem NIPALS-Algorithmus
  • Speichern von zufällig generierten Validierungsspalten
  • Eine Standardize X-Option zentriert und skaliert die einzelne Variablen, die in einem polynomialen Effekt enthalten sind, vor der Anwendung der Zentrierungs- und Skalierungsoptionen.
  • Wahl der Validierungstechniken: Validierungsspalte, KFold, Holdback, Leave-One-Out
Hauptkomponentenanalyse (Principal Component Analysis, PCA)
  • Variablen-Clusterbildung in PCA

Zuverlässigkeitsblockdiagramme

  • Erstellung von Modellen zur Zuverlässigkeit komplexer Systeme
  • Verwendung elementarer, serieller, paralleler, verknüpfter und K von N Knoten zur Erstellung von Systemen
  • Erstellung von geschachtelten Designs mit Elementen aus der Designbibliothek

Abdeckende Arrays

  • Abdeckende Arrays planen und analysieren
  • Designs nach ihrer Erstellung optimieren, um die Zahl der Versuche zu reduzieren
  • Verwenden von Filtern für unzulässige Kombinationen, um nicht ausführbare Testregionen festzulegen
  • Importieren von abdeckenden Arrays, die mit anderer Software erstellt wurden; Analysieren der Abdeckung und optionale weitere Optimierung

Gemischte Modelle

  • Angabe fester, zufallsbedingter und wiederholter Effekte
  • Zuordnung von Variablengruppen, Einrichten von Subjekten und stetigen Effekten
  • Auswahl von wiederholter Kovarianzstruktur
  • Variogramme dienen als visuelle Diagnose, um zu ermitteln, welche räumliche Korrelationsstruktur am besten geeignet ist.

Uplift-Modelle

  • Entscheidungsbaum-Methoden zur Identifikation der Kundensegmente, die am wahrscheinlichsten positiv auf ein Angebot oder eine Behandlung reagieren
  • Inkrementelle, True-Lift-, Netzmodellierungstechnik
  • Unterstützung für Validierungsspalte

Erweiterte statistische Berechnungsmethoden

Einfaktorielle Analyse
  • Nichtparametrische exakte Tests
Kontingenzanalyse
  • Exakte Maßzahlen für Zusammenhang
Allgemeines Bootstrapping
  • Bootstrap-Statistiken in den meisten Berichten mit einem einfachen Mausklick

*Generiert SAS-Code für den SAS Model Manager


Systemanforderungen

JMP läuft unter Microsoft Windows und Mac OS. Sowohl 32-Bit- als auch 64-Bit-Systeme werden unterstützt.


Back to Top