Vorhersagemodelle und Validierung

Die Beschreibung der im Vorjahr erzielten Ergebnisse ist kein besonders schwieriges Unterfangen. Aber ohne die richtigen Tools und die modernsten Techniken ist die Erstellung eines Modells, das den Erfolg bei neuen Kunden, neue Prozesse oder neue Risiken beschreibt, denkbar schwer. JMP Pro umfasst eine Vielzahl von Algorithmen zum Erstellen besserer Modelle Ihrer Daten. Einige der nützlichsten Techniken für die Vorhersagemodellierung sind Entscheidungsbäume, Bootstrap Forests, naiver Bayes und neuronale Netzwerke.

Die Partition-Plattform in JMP Pro automatisiert den Prozess der Baumerstellung mit modernen Methoden. Diese Plattform passt auch Vorhersagemodelle für K nächste Nachbarn (K-NN) an.

Die Bootstrap Forest-Plattform, die eine Random-Forest-Technik nutzt, erstellt Dutzende von Entscheidungsbäumen mit zufällig ausgewählten Untergruppen der Daten und mittelt den berechneten Einfluss jedes Faktors in diesen Bäumen. Die Technik des Boosted Tree erstellt einfache Entscheidungsbäume und passt wiederholt Restvarianzen von einem Baum auf den nächsten an.

Die Naiver-Bayes-Plattform verwendet die Prinzipien des Bayes-Theorems, sodass Sie eine kategoriale Zielgröße vorhersagen können. Die Plattform gestattet sogar Vorhersagen für Kombinationen von Prädiktoren, die nicht in Ihren Daten enthalten sind.

Die erweiterte Plattform „Neuronal“ 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. Die Plattform verarbeitet automatisch fehlende Werte von kontinuierlichen X-Werten, wodurch Sie Zeit und Aufwand sparen, und stellt robuste Anpassungsoptionen bereit.

Jede dieser Plattformen in JMP Pro verwendet Validierung und damit eine Möglichkeit, Ihr Modell zu prüfen und auf spätere Daten zu übertragen. 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. Die Kreuzvalidierungstechnik hilft Ihnen bei der Erstellung von Modellen über neue Kunden, neue Prozesse oder neue Risiken, die gut auf die Daten von morgen übertragen werden können. Somit können Sie datengestützte Inferenzen für die Zukunft vornehmen.

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 geschichteten 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 auch die k-fache Kreuzvalidierung verwendet werden. Dieser Prozess unterstützt Sie bei der Erstellung von Modellen, die erfolgreich auf neue Daten übertragen werden können.

Dabei muss beachtet werden, dass ¬Beobachtungsdaten nur beschränkte Aussagekraft haben. Um Ursachen und Wirkungen in vollem Umfang zu verstehen, empfiehlt sich häufig der Einsatz der Versuchsplanung (Design of Experiment, DOE). JMP stellt erstklassige und gleichzeitig einfach zu verwendende Tools für die optimale Versuchsplanung bereit.

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 Maße zur Qualitätskontrolle: r2, Fehlklassifikationsraten, 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.

Formeldepot und Generieren von Scorecode

Die Verwaltung Ihrer Modelle muss nicht mühsam sein – das Formeldepot in JMP Pro organisiert Ihre Arbeit, wenn Sie mit vielen Modellen arbeiten. Sie können mit diesem zentralen Repository JMP Modelle speichern, profilieren, vergleichen und selektiv in C, SQL, SAS oder anderen Sprachen bereitstellen.

Wenn Sie mehrere Modelle erstellen, werden Ihre Datentabellen nun nicht länger durch zahlreiche zusätzliche Spalten für Vorhersageformeln belastet, die Sie für den Modellvergleich brauchen. Der Scorecode kann im Formeldepot gespeichert und auf die neuen Daten angewendet werden. Das Ergebnis ist ein zentrales Modellierungsdatenkreuz, das den einfachen Zugriff auf Ihre Modelle und die problemlose Bereitstellung auf anderen Systemen erlaubt.

Verbindung mit dem großen Funktionsangebot 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.

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 Funktion „Verallgemeinerte Regression“ in „Modell anpassen“ ist ein integrativer Ansatz für die Durchführung der Regression. Sie ist ein vollständiger Modellierungsrahmen – 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 von 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. Und wie bei allen erweiterten Modellierungsplattformen in JMP Pro können Sie zwischen verschiedenen Validierungstechniken wählen.

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 analysieren. Mithilfe des Zuverlässigkeitsblockdiagramms können Sie einfach Schwachstellen in Ihrem System lokalisieren und beheben – und Sie sind besser informiert, um zukünftige Systemausfälle zu vermeiden.

Sie können mit der Plattform 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.

Simulation reparierbarer Systeme

Einige Systeme oder Komponenten komplexer Systeme können aus Kostengründen nicht einfach vom Netz genommen werden. Zur Bewahrung der Integrität dieser Systeme müssen Sie Wartungsarbeiten für Systemkomponenten einplanen oder auch ungeplante Ausfälle nutzen, um zusätzliche Reparaturarbeiten durchzuführen, während das System nicht verfügbar ist. Sie können in JMP Pro mithilfe der Simulation reparierbarer Systeme ermitteln, wie lange ein System nicht verfügbar sein wird, und wichtige Fragen beantworten, zum Beispiel, wie viele Reparaturereignisse in einem bestimmten Zeitraum zu erwarten sind und wie viel einzelne Reparaturereignisse kosten werden.

Abdeckende Arrays

Abdeckende Arrays werden in Testanwendungen verwendet, bei denen Interaktionen von Faktoren zu Fehlern führen können und jeder einzelne Testlauf teuer sein kann. Sie müssen daher einen Versuch planen, 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 Interaktionsgrad 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. Dies ist ein erheblicher Vorteil von JMP Pro gegenüber anderen Werkzeugen für Überdeckende-Arrays-Design.

JMP Pro ist nicht einfach nur ein Design-Tool. Sie können in JMP Pro alle abdeckenden Arrays – gleichgültig von welcher Software sie generiert wurden – 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

Gemischte Modelle enthalten sowohl feste als auch zufällige Effekte für die Analyse. Mit diesen 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, deren Daten gemessen werden, in Cluster gruppiert werden können, und die Daten aus einem gemeinsamen Cluster korreliert werden. Oder wenn wiederholte Messungen an 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. Hier können Uplift-Modelle nützlich sein. Uplift-Modelle, die auch als inkrementelle, True-Lift- oder Netzmodellierung bezeichnet werden, wurden 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.

Mithilfe der Uplift-Modellierung in JMP Pro können Sie diese Vorhersagen ermitteln. 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 in den meisten JMP-Berichten eine allgemeine Methode für Bootstrapping für Statistiken 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 auch das Bootstrapping 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.

Weitergeben und Kommunizieren von Ergebnissen

Dow Chemical hat JMP Pro für seine Mitarbeiter gewählt

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 3D-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 Schlüsselfunktionen

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


Vorhersagemodelle

Modellierung neuronaler Netze
  • Automatischer Umgang mit fehlenden Daten.
  • Automatische Auswahl der Zahl von verborgenen Ebenen 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.
Rekursive Partitionsmodellierung
  • Verfügbare Methoden: Entscheidungsbäume, Bootstrap Forests (eine Random Forest-Methode), Boosted Tree, K nächste Nachbarn, naiver Bayes.
  • Zufälligen Startwert setzen, Multithreading unterdrücken, Design-Tabelle zur Optimierung verwenden, stochastisches Gradientenverfahren in Boosted Trees und Bootstrap Forests.
  • Unterstützung für Validierungsspalte.
  • Dedizierte Modell-Startoptionen für: Bootstrap Forests, Boosted Tree, K nächste Nachbarn und naiver Bayes.
Modellvergleich
  • Vergleich von in JMP Pro erstellten Modellen.
  • Analysediagramm.
  • Anpassungsstatistiken (r2, Fehlklassifikationsraten, ROC-Kurven, AUC, Lift-Kurven).
  • Modellmittelung.
Validierungsspalte erzeugen
  • Automatische Partitionierung von Daten in Training, Validierung und Test; Erstellung von Validierungsspalten.
  • Methoden einer formel-basiert, fest, stratifiziert oder gruppiert zufallsbedingten oder einer Cutpoint-Stichprobe zur Erstellung von Holdback-Daten
  • Erstellung der Validierungsspalte bei Plattformstart durch Klicken auf die Spaltenrolle (nur formel-basiert zufällig).
Formeldepot
  • Speichern und Verwalten von Formelspalten-Skripten.
  • Veröffentlichen von Befehlen für Diskriminanz, Kleinste-Quadrate-Anpassung (7 Befehle), logistische Anpassung (nominal und ordinal), Entscheidungsbaum, Bootstrap Forest, Boosted Trees, Uplift, K nächste Nachbarn, naiver Bayes, neuronal, latente Klassenanalyse, Hauptkomponenten (breite und dünnbesetzte), verallgemeinerte Regression, PKQ, Gauß-Prozess.
  • Scorecode generieren: SAS (DS2), C, Python, JavaScript, SQL (verschiedene Syntaxoptionen für unterschiedliche Ziele).
  • Direkter Vergleich von Modellen im Formeldepot mithilfe von „Modellvergleich“.
  • Analysediagramm.
  • Anzeigen und Kopieren von Skripten, Kopieren von Formeln in Spalten, Ausführen von Skripten zum Generieren von Formelspalten in der Datentabelle.
  • Hinzufügen von Formeln aus Datentabellenspalten.

Text Explorer-Analysen

  • Latente Klassenanalyse.
  • Latente Semantikanalyse (SWZ mit schwach besetzter Matrix).
  • Themenanalyse (rotierte SWZ).
  • Clustern von Begriffen und Dokumenten
  • SWZ- und Themen-Streudiagramm-Matrix.
  • Speichern von Spalten: Singulär- und Themenvektoren für Dokumente, gestapelte DTM für Zuweisung.
  • Speichern von Formeln: Singulärvektor, Themenvektor.
  • Speichern von Vektoren: Begriff und Thema.

Zuverlässigkeits- und Lebensdauermodelle

Zuverlässigkeitsblockdiagramm
  • 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.
Simulation reparierbarer Systeme
  • Auf diskreter Ereignissimulation basierte Engine.
  • Unterstützung für herkömmliche Wartung: Instandsetzungen und vorbeugende Wartung als serienmäßige Bausteine.
  • Einführung einer schematischen Darstellung des Wartungsplans neben einem Zuverlässigkeitsblockdiagramm in einem einzigen Arbeitsbereich.
  • Schematische Verknüpfungen zwischen Ereignis- und Aktionselementen für alle Komponenten zum Vermitteln der Idee von gruppierten Wartungsaufgaben und Wartungsabhängigkeiten.
Parametrische Lebensdauer
  • Unterstützung der Variablenauswahl durch eine Verbindung mit der verallgemeinerten Regression in „Modell anpassen“.
Verallgemeinerte Regression
  • Verarbeitet zensierte Daten für eine Variablenauswahl bei Lebensdauer-/Zuverlässigkeitsdaten.
  • Unterstützung des Cox-Modells für Proportional Hazards.
  • Unterstützt Weibull, Lognormal, Exponentiell, Gamma, Normalverteilt und Gruppe der ZI-Verteilungen.

Modell anpassen

Verallgemeinerte Regression
  • Regularisierungstechniken: Ridge, Lasso, adaptives Lasso, Doppel-Lasso, elastisches Netz, adaptives elastisches Netz.
  • Vorwärtsauswahl und zweistufige Vorwärtsauswahl.
  • Quantilsregression.
  • Verarbeitet zensierte Daten für eine Variablenauswahl bei Lebensdauer-/Zuverlässigkeitsdaten.
  • Cox-Modell für Proportional Hazards.
  • Speichern der Simulationsformel für die allgemeine Simulationsplattform.
  • Normal-, Lognormal-, Weibull-, Cauchy-, Exponential-, Gamma-, Beta-, Binomial-, Beta-Binomial-, Poisson-, Negativ-Binomial-Verteilung.
  • Zero-inflated Binomial-, Beta-Binomial, Poisson-, Negativ-Binomial-, Gamma-Verteilung.
  • Verfügbare Validierungsmethoden: Validierungsspalte, K-fach, Holdback, Leave-One-Out, BIC, AICc, ERIC.
Schrittweise Regression
  • Unterstützung für Validierungsspalte.
Logistische Regression (nominal und ordinal)
  • Unterstützung für Validierungsspalte.
Gewöhnliche kleinste Quadrate
  • Unterstützung für Validierungsspalte.
Partielle kleinste Quadrate (PLS)
  • PLS-Typ in „Modell anpassen“ unterstützt stetige und kategoriale Zielwerte, stetige und kategoriale Faktoren, Interaktionen und Polynome.
  • Ersetzen fehlender Werte mit dem NIPALS-Algorithmus.
  • Speichern von zufällig generierten Validierungsspalten.
  • Eine Standardisierungsoption zentriert und skaliert die einzelnen X Variablen, die in einem polynomialen Effekt enthalten sind, vor der Anwendung der Zentrierungs- und Skalierungsoptionen.
  • Verfügbare Validierungsmethoden: Validierungsspalte, K-fach, Holdback, Leave-One-Out.
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 zur Ermittlung der am besten geeigneten räumlichen Korrelationsstruktur.

Abdeckende Arrays

  • Abdeckende Arrays planen und analysieren.
  • Designs nach ihrer Erstellung zur Reduktion der Versuchsanzahl optimieren.
  • Verwenden von Filtern für unzulässige Kombinationen zur Festlegung nicht ausführbarer Testregionen.
  • Importieren von abdeckenden Arrays, die mit anderer Software erstellt wurden; Analysieren der Abdeckung und optionale weitere Optimierung.

Multivariate Methoden

Diskriminanzanalyse
  • Unterstützung für Validierungsspalte.

Spezielle Modelle

Gauß-Prozess
  • Fähigkeit, Modelle mit Tausenden von Zeilen über schnelles GASP anzupassen.
  • Hinzufügen kategorialer Variablen zu Gauß-Prozess-Modellen.

Marktforschung

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.
Choice-Modelle
  • Unterstützung für hierarchischen Bayes in Choice-Modellen.
  • Speichern von Objektschätzungen und Bayes-Kette.
Zusammenhangsanalyse
  • Unterstützung für Warenkorbanalyse.
  • Analyse gestapelter Dokument-Begriffsmatrizen, die von der Text Explorer-Plattform generiert warden.

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.
Allgemeine Simulationsfunktionen
  • Simulationsstatistiken in den meisten Berichten über einen einfachen Mausklick.
  • Power-Berechnungen zu fast allen Elementen.
  • Unterstützung für parametrisches Bootstrapping.
  • Randomisierungstests.

Systemanforderungen

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

Back to Top