Capitolo gratuitamente

Esplorare i minimi quadrati parziali con JMP®


I minimi quadrati parziali (PLS) sono una tecnica statistica flessibile applicabile a dati di qualsiasi forma. Permettono di modellizzare le relazioni tra input e output anche quando gli input sono correlati e presentano rumori, in presenza di output multipli e di un numero maggiore di input rispetto alle osservazioni.

Il libro ed e-book Discovering Partial Least Squares with JMP® (Esplorare i minimi quadrati parziali con JMP) di Ian Cox e Marie Gaudard utilizza JMP per esplorare i PLS e inserirli nel contesto di una modellizzazione statistica e di un'analisi multivariata.

Il libro, pur essendo estremamente utile e istruttivo per chi utilizza già JMP, non richiede alcuna conoscenza di JMP e poche o nessuna competenza di base in campo statistico. Attraverso i capitoli introduttivi e lo studio di casi reali, il lettore impara a comprendere i minimi quadrati parziali e a utilizzare JMP per eseguire analisi PLS in situazioni reali.

Commentando il libro, il prof. Ron S. Kenett, CEO di KPA, ha affermato che " . . la combinazione tra queste basi teoriche e applicazioni pratiche permette di ottenere una panoramica privilegiata; ciò fa di questo testo un contributo importante alla letteratura nel campo della statistica".

Capitolo esempio

I nuovi farmaci vengono sviluppati da sostanze chimiche biologicamente attive; in ragione dei costi elevati dei test sull'attività biologica di un composto, può essere utile cercare di formulare previsioni ricorrendo ad altre misurazioni chimiche più economiche. In questo esempio si prende in esame la relazione tra dimensioni, idrofobicità e polarità di gruppi chimici chiave in varie posizioni su una molecola, nonché l'attività del composto.

Scaricate liberamente il capitolo di esempio "Predicting Biological Activity" (Prevedere l'attività biologica), uno dei quattro case study presentati nel libro.

I minimi quadrati parziali (PLS) sono una tecnica statistica flessibile applicabile a dati di qualsiasi forma. Permettono di modellizzare le relazioni tra input e output anche quando gli input sono correlati e presentano rumori, in presenza di output multipli e di un numero maggiore di input rispetto alle osservazioni.

Il libro ed e-book Discovering Partial Least Squares with JMP® (Esplorare i minimi quadrati parziali con JMP) di Ian Cox e Marie Gaudard utilizza JMP per esplorare i PLS e inserirli nel contesto di una modellizzazione statistica e di un'analisi multivariata.

Il libro, pur essendo estremamente utile e istruttivo per chi utilizza già JMP, non richiede alcuna conoscenza di JMP e poche o nessuna competenza di base in campo statistico. Attraverso i capitoli introduttivi e lo studio di casi reali, il lettore impara a comprendere i minimi quadrati parziali e a utilizzare JMP per eseguire analisi PLS in situazioni reali.

Commentando il libro, il prof. Ron S. Kenett, CEO di KPA, ha affermato che " . . la combinazione tra queste basi teoriche e applicazioni pratiche permette di ottenere una panoramica privilegiata; ciò fa di questo testo un contributo importante alla letteratura nel campo della statistica".

Capitolo esempio

I nuovi farmaci vengono sviluppati da sostanze chimiche biologicamente attive; in ragione dei costi elevati dei test sull'attività biologica di un composto, può essere utile cercare di formulare previsioni ricorrendo ad altre misurazioni chimiche più economiche. In questo esempio si prende in esame la relazione tra dimensioni, idrofobicità e polarità di gruppi chimici chiave in varie posizioni su una molecola, nonché l'attività del composto.

Scaricate liberamente il capitolo di esempio "Predicting Biological Activity" (Prevedere l'attività biologica), uno dei quattro case study presentati nel libro.

*
*
*
  Per favore iscrivetemi a JMP Newswire, la newsletter mensile per gli utenti JMP.
  Sì, potete inviarmi email occasionalmente su prodotti e servizi JMP.

JMP è una divisione di SAS Institute Inc. e le informazioni dell'utente verranno gestite in conformità con l'Informativa sulla privacy SAS.