Nouveautés de JMP® Pro 11

Des techniques évoluées pour des analyses sophistiquées

Avec la version 11 de JMP Pro, les scientifiques, ingénieurs et spécialistes des études de marché peuvent effectuer de nouvelles découvertes statistiques et prédire l'avenir de leur entreprise. Grâce à de nouvelles méthodes de modélisation statistique de pointe – régression généralisée, modélisation uplift, analyse du modèle mixte ou diagrammes de fiabilité – JMP Pro offre aux professionnels chargés d'analyser les données de votre entreprise les outils nécessaires pour conférer une nouvelle dimension aux statistiques.

Découvrez les nouveautés de JMP® Pro version 11

Modèles mixtes

Les modèles mixtes permettent d'analyser les données de temps et d'espace. Vous pouvez notamment vous en servir dans les plans d'étude mesurant plusieurs sujets à différents stades d'un essai pharmaceutique, ou dans les plans d'étude croisés de l'industrie pharmaceutique ou chimique ou du secteur industriel.

Grâce à la nouvelle méthode Modèle mixte de la plate-forme Modèle linéaire de JMP Pro 11, vous pouvez à présent ajuster des modèles à facteurs mixtes en fonction de vos données. Vous pouvez ainsi spécifier des effets fixes, aléatoires et répétés, corréler des groupes de variables et configurer des sujets et des effets continus dans une seule et même interface intuitive de type « glisser-déposer ».

Par ailleurs, il est désormais possible de calculer les paramètres de covariance d'un plus grand nombre de structures de corrélation :

  • Lorsque les unités expérimentales dont vous mesurez les données peuvent être regroupées en clusters et que les données d'un cluster commun sont corrélées.
  • Lorsque vous relevez des mesures répétées dans une unité expérimentale et que ces mesures sont corrélées ou mettent en évidence des fluctuations de la variabilité.
Modèles mixtes dans JMP

Créez et ajustez des modèles mixtes pour analyser les données de temps et d'espace.

Retour au début

Régression généralisée

Régression généralisée dans JMP

Utilisez la fonction de régression généralisée de JMP Pro pour créer de meilleurs modèles prédictifs, quelle que soit la complexité des données.

La régression généralisée est un ensemble de nouvelles techniques de modélisation permettant de créer de meilleurs modèles prédictifs, même avec des données complexes. Elle ajuste les modèles linéaires généralisés selon des techniques de régression régularisée ou avec pénalité.

En présence de régresseurs étroitement corrélés ou d'un nombre de régresseurs supérieur au nombre d'observations, les techniques d'estimation standard échouent. Lorsque les régresseurs corrélés sont nombreux (ce qui est souvent le cas dans les données d'observation), les résultats de la régression pas à pas ou des autres techniques standard sont parfois décevants. Ces modèles sont souvent surajustés et ne se généralisent pas très bien. Mais comment choisir les variables à éliminer avant la modélisation ? Et combien de temps perdez-vous à pré-traiter manuellement les données ?

L'outil de régression généralisée de JMP Pro est la solution idéale pour créer des modèles prédictifs à partir de jeux de données volumineux et désordonnés. Il est incontournable pour sélectionner des variables ou bâtir des modèles de data mining sur un très grand nombre de régresseurs. La régression généralisée vous permet d'aborder la multicolinéarité de vos variables explicatives de manière très naturelle – et d'éviter le surajustement en imposant des pénalités aux fluctuations importantes des paramètres estimés.

Les techniques de régularisation disponibles dans le cadre de la régression généralisée – pseudo-orthogonale, Lasso, Lasso adaptatif, Elastic Net et adaptive Elastic Net – facilitent l'identification des X à caractère explicatif. Ces techniques sont aussi simples que les autres méthodes de modélisation de la plate-forme Modèle linéaire ; il suffit d'identifier la réponse, de choisir les effets du modèle et de sélectionner la méthode d'estimation et de validation souhaitée. JMP ajuste automatiquement les données, sélectionne les variables (le cas échéant) et crée un modèle prédictif pouvant être généralisé.

La méthode Régression généralisée permet de choisir la distribution la mieux adaptée à la réponse modélisée. Outre les distributions normales et binomiales standard, plusieurs options s'offrent à vous :

  • Poisson – si vous devez modéliser la distribution de dénombrements.
  • Poisson modifiée en zéro – si vos données de dénombrement comportent plus de zéros que prévu.
  • Binomiale négative – pour les distributions binomiales surdispersées.
  • Binomiale négative à inflation nulle – en présence de deux sources d'hyperdispersion dont l'une est inhérente à la variabilité des dénombrements non nuls et l'autre correspond aux données de dénombrement contenant plus de zéros que prévu.
  • Gamma – si vos résultats comportent des entiers évalués comme positifs et que vous devez en estimer le degré d'asymétrie.

En utilisant la technique de régression généralisée pseudo-orthogonale, vous pouvez aisément créer des ensembles de modèles de vos prévisions. Il suffit d'utiliser les colonnes de prévision en entrée et votre réponse comme facteur Y. La stratégie consiste à créer un modèle agrégé aux capacités prévisionnelles accrues et réduisant l'effet de multicolinéarité des régresseurs.

Retour au début

Modélisation uplift

Pour améliorer l'impact d'un budget marketing limité, vous envisagez peut-être d'envoyer des offres aux personnes les plus susceptibles d'y répondre favorablement. Mais cette tâche peut sembler décourageante, surtout en présence de vastes jeux de données et de nombreux régresseurs comportementaux ou démographiques possibles. Les modèles uplift de JMP Pro vous aideront à réaliser ce type de prévision. Cette méthode – également appelée modélisation incrémentielle, true-lift ou modélisation en réseau – a été développée pour optimiser les décisions marketing, définir des protocoles médicaux personnalisés ou, plus généralement, identifier les caractéristiques de sujets sensibles à certaines actions.

Dans JMP Pro, la modélisation uplift :
Ajuste les modèles de partition identifiant des divisions pour optimiser une différence due au traitement.
Permet d'identifier les groupes d'individus les plus enclins à répondre favorablement à une action.
Contribue à la prise de décisions efficaces et ciblées qui améliorent l'allocation des ressources et l'impact individuel.
Utilise une méthodologie d'apprentissage, validation et test comparable aux autres méthodes de data mining de JMP Pro, qui évite tout ajustement excessif et favorise la généralisation du modèle.
Modélisation uplift dans JMP Pro

Les modèles uplift permettent d'identifier les segments de consommateurs les plus sensibles à une offre ou un traitement.

Retour au début

Diagramme de fiabilité

Diagramme de fiabilité dans JMP

Utilisez la fonction Diagramme de fiabilité pour concevoir des systèmes complexes et en identifier et résoudre les points faibles.

Vous devez souvent analyser la fiabilité d'un système analytique complexe – une baie de stockage RAID comportant plusieurs disques durs ou un quadriréacteur, par exemple. JMP met à votre disposition de nombreux outils pour analyser la fiabilité des différents composants de ce type de système. Avec la nouvelle plate-forme Diagramme de fiabilité de JMP Pro, vous pouvez en outre évaluer la fiabilité de composants isolés, créer un système complexe avec de multiples composants et analyser la fiabilité d'un système tout entier.

Cette plate-forme vous permet de mieux prévoir la fiabilité globale du système et d'en pronostiquer les performances d'après celles de chaque composant. Réalisez facilement des analyses de simulation en étudiant différentes conceptions et en comparant les graphiques de plusieurs plans. Déterminez les points les plus adaptés à l'ajout de redondance afin de réduire la probabilité de défaillance d'un système. Grâce à la fonction Diagramme de fiabilité, vous pouvez aisément concevoir un système, en combler les lacunes et mieux anticiper les dysfonctionnements à venir.

Avec la plate-forme Diagramme de fiabilité, vous pouvez :
Créer un diagramme de flux et enregistrer vos plans dans une bibliothèque.
Utiliser des éléments de plans simples, en série, en parallèle, knot ou de type K sur N.
Créer des plans à facteurs imbriqués en reliant plusieurs éléments de la bibliothèque.
Utiliser la fonction de répartition et la superposition de la vie résiduelle de tous les modèles, et déterminer le plan le plus fiable sur une période donnée.
Effectuer des recherches dans les diagrammes de risque de différentes architectures système.

Retour au début

Moindres carrés partiels

Avez-vous déjà essayé de modéliser des données comportant davantage de colonnes que de lignes ? Les techniques classiques sont inefficaces, contrairement à celle des moindres carrés partiels. Cette puissante technique de modélisation est indispensable dans de nombreux cas : nombre de variables X supérieur à celui d'observations, variables X étroitement corrélées, nombre élevé de variables X, ou rares variables Y et nombreuses variables X. Autant de situations où la technique des moindres carrés ordinaire ne produit que des résultats décevants.

La modélisation des moindres carrés partiels ajuste les modèles linéaires en fonction des facteurs, à savoir les combinaisons linéaires de variables explicatives (X). Les facteurs sont obtenus de manière à optimiser la covariance entre les X et la(es) réponse(s) (Y). Au fil des développements, la modélisation des moindres carrés partiels est devenue une technique réellement universelle, véritable boîte à outils de modélisation statistique, de sélection de variables et d'analyse prédictive.

En la matière, les perfectionnements apportés dans JMP Pro sont les suivants :
Traitement de valeurs manquantes de type NIPALS.
Prise en charge des variables d'entrée catégorielles.
Sélection de variables à l'aide du graphique d'importance des variables. Vous pouvez sélectionner les régresseurs significatifs et les charger dans un modèle de partition ou de neurones. Laissez la plate-forme Moindres carrés partiels sélectionner automatiquement les variables, puis créez des modèles plus restreints dans vos autres plates-formes de modélisation préférées.
Centrage et mise à l'échelle automatiques des données.
L'option Standardize X permet de centrer et d'adapter les variables individuelles incluses dans un effet polynomial avant d'appliquer les options de centrage et de mise à l'échelle.
Possibilité d'ajuster un modèle de surface de réponse selon la méthode des moindres carrés partiels de la plate-forme Modèle linéaire.
Moindres carrés partiels dans JMP

Utilisez la fonction de modélisation des moindres carrés partiels de JMP Pro pour la modélisation statistique, la sélection des variables et l'analyse prédictive.

Retour au début

Classification des variables

Classification des variables dans JMP

La classification des variables est une méthode simple et rapide de réduction de la dimension, qui facilite la résolution des problèmes de prévision.

Face à une multitude de variables, le premier réflexe d'un utilisateur chargé de prévoir des résultats est d'en réduire le nombre pour résoudre plus rapidement son problème de prévision. La fameuse méthode d'analyse en composantes principales (PCA) est l'une des techniques de réduction de la dimension possibles. Toutefois, elle produit souvent des variables difficiles à interpréter. Une autre stratégie consiste à utiliser la fonction de classification des variables de JMP Pro, qui permet de déterminer si les réponses sont regroupées en classes, et le nombre de classes contenus dans les réponses. Dans la version 11 de JMP Pro, lorsque vous sélectionnez une classe au sein d'un rapport, la colonne la plus représentative de la classe est automatiquement sélectionnée dans la table de données, ce qui accélère et facilite la définition de termes de modèle ou la réduction de la dimension.

Back to Top

Documentation

Téléchargez ce document pour découvrir les nouvelles fonctionnalités de JMP et JMP Pro et n’hésitez pas à parcourir notre documentation en-ligne.

Retour au début