shinikju의 등록된 링크

 shinikju로 등록된 네이버 블로그 포스트 수는 62건입니다.

JMP17 New : Generalized Linear Mixed Model [내부링크]

Update : 2022년 10월 28일(JMP17.0) JMP17 Version에 새롭게 추가된 Generalized Linear Mixed Model에 대한 소개입니다 일반적으로 1) 반응치의 분포가 정규 분포가 아닐 경우에는 GLM(Generalized Linear Mixed Model, 일반화 선형 모델)을 사용하고 2) 반응치가 normal error를 가지는 연속형일 경우에는 LMM(Linear Mixed Model, 선형 혼합 모델)을 사용합니다 JMP17에 새롭게 추가된 GLMM(일반 선형 혼합 모델, Generalized Linear Mixed Model)을 이 둘을 함친 개념으로 혼합 효과(mixed effect)를 가지는 일반화 선형 모델이라고 할 수 있습니다. GLMM(일반 선형 혼합 모델, Generalized Linear Mixed Model)은 JMP17에서 다음의 두 가지 적합을 할 수 있습니다. 1) 혼합 효과(mixed effect)를 가지는 이항(B

JMP17 New : 최소 제곱법에서의 외삽제어(Extrapolation Control in Least Squares) [내부링크]

Update : 2022년 10월 31일(JMP17.0) 2021년 3월에 출시된 JMP16(JMP Pro Only)에서 JMP의 Profiler 기능을 사용할 때 원래 Data의 범위를 너무 벗어나지 않도록 컨트롤할 수 있는 외삽 제어(Extrapolation Control) 기능이 새롭게 추가되었었는 데, JMP17 Version에서 외삽 제어(Extrapolation Control) 기능이 일반 JMP에서도 활용할 수 있게 되었습니다. 외삽 제어(Extrapolation Control) 기능에 대해서는 아래 링크 참조하시고, https://blog.naver.com/shinikju/222653243307 JMP16 Pro 새로운 기능 : Profiler Extrapolation Control(외삽 제어) Update : 2022년 2월 22일(JMP16.2) Profiler Extrapolation Control(외삽 제어) 기능은 JMP의 ... blog.naver.com 여

JMP17 : Graph Builder에서 다중 반응치(Multiple Response)의 표현 [내부링크]

Update : 2022년 11월 1일(JMP17.0) JMP17 Version에 새롭게 추가된 기능 중 Graph Builder에서 다중 반응치(Multiple Response)의 표현에 대한 소개입니다. 여덟 명의 사람에게 네 가지 과일의 선호도(복수 응답 가능)를 조사하였다고 가정하겠습니다. 여덟 명 모두가 두 가지 또는 세 가지로 복수 응답하였고, 복수 응답 기준 동일한 응답은 '배, 딸기' 2명 및 '사과, 수박' 2명입니다. '과일 1' Column과 '과일 2' Column은 동일한 값이지만 Modeling Type이 차이가 납니다. '과일 1'은 명목형(nominal)이지만 '과일 2'는 Multiple Response(다중 반응)로 지정되어 있습니다 첨부파일 multiple response in graph builder.jmp 파일 다운로드 '과일 1' 변수를 가지고 Graph Builder에서 Bar Chart를 그리면 아래와 같습니다. 반면 '과일 2' 변수를 가

JMP17 New : Tabulate 기능 업데이트 사항 [내부링크]

Update : 2022년 11월 1일(JMP17.0) JMP를 잘 사용하시는 분들은 요약 통계량 표를 만들 때 Excel이 아닌 JMP의 Tabulate(Analyze / tabulate) 기능을 많이 활용합니다. JMP17 Version에서 Tabulate 기능 중 크게 업데이트된 두 가지 기능을 살펴보겠습니다. 첨부 데이터를 활용하였습니다 첨부파일 Sales data-tabulate.jmp 파일 다운로드 업데이트 사항 1 : 분석 Column 합치기(Pack Analysis) 만약, 영업 직원별 판매량과 판매 금액의 평균에 대한 표를 만든다면 JMP16 Version까지는 이렇게 만들었습니다. JMP17 Version의 개선 사항은 다음과 같습니다 1) 먼저 Mean을 선택, drag하여 판매량 위 부분으로 drop합니다. 그런 다음 판매량, 판매금액을 모두 선택한 뒤 우측 마우스 클릭, Pack Columns / Pack을 클릭하면 2) 아래와 같이 분석할 통계량이 합쳐진 형

JMP17 Version이 출시되었습니다. [내부링크]

Update : 2022년 10월 31일(JMP17.0) JMP17 Version 출시(2022년 10월 18일) JMP는 매 18개월마다 새로운 Version이 출시되는 데요, 지난 10월 18일에 드디어 JMP17 Version이 출시되었습니다. JMP17 출시에 맞추어서 JMP17의 새로운 기능에 대해 Blog에 계속 올리고 있으니 참조하세요 JMP17 Version으로의 Update와 관련해서는 기존에 연락하고 있는 JMP Korea 직원에게 문의하시면 상세히 안내해 드릴 것입니다 JMP17 Version의 새로운 기능에 대해서는 1. Blog 내용을 확인하시거나 2. JMP Korea 홈페이지에서 확인하면 되겠습니다 JMP 17의 새로운 기능 JMP 17에는 분석을 자동화하고, 확장하며, 결과를 신속하게 제공하기 위해 개선된 옵션을 통해 발견을 향상시킬 새로운 기능이 있습니다. www.jmp.com - 3. 또한 JMP17을 새롭게 설치하면 JMP17 New Features

JMP17 : OSI Soft PI Server Import [내부링크]

Update : 2022년 10월 24일(JMP17.0) JMP17 Version(2022년 10월 18일 출시)부터 OSI Soft 회사의 PI Server 데이터를 JMP에서 불러오기가 가능해 졌는 데, 살펴보겠습니다 1. OSI Soft PI Server 개요 1) PI Server 데이터는 Sensor Stream data가 있는 경우에 많이 사용하며, 아주 짧은 시간 간격으로 측정됩니다 2) 아래 표는 예시인 데, 센서 수는 10개로 같지만, 단위 시간 및 단위 시간당 측정되는 데이터의 개수가 다를 때 일, 월, 년 단위 데이터 개수를 간략화한 것 입니다. 2. 해당 데이터를 불러오기 위해서는 File / Database / Import from OSI Soft PI Server에 들어갑니다. PI Server URL을 입력하고 User Name 및 Password가 필요할 경우 입력합니다 3. Server 및 database 등을 선택합니다. 관심 속성에 따라 Raw, p

JMP17 : SVEM(Self-Validated Ensemble Models) - JMP Pro [내부링크]

Update : 2022년 10월 24일((JMP17.0) JJMP17 Version(2022년 10월 18일 출시)에 새로운 추정 방법인 SVEM(Self-Validated Ensemble Models)이 추가되어 살펴보겠습니다. SVEM에 대해서는 요약하면 다음과 같습니다 1) SVEM의 일반화 회귀(GenReg, Generalized Regression)의 새로운 추정 방법으로 2) SVEM forward Selection과 SVEM Lasso 두 가지 방법을 사용할 수 있으며, DOE 결과에 검증된 모델을 적합시키는 용도로 활용됩니다 3) DOE에서 모델링을 할 때 교차 검정(Cross-Validation, 예:K Fold 등)을 사용하지 않습니다. Training에서 하나의 Row만 제외해도 제대로 된 효과 추정이 안 될 가능성이 있습니다 4) SVEM 방법은 DOE 전체 Run을 Training 및 Valiation 으로 활용합니다. 각 Row(행)에 Training 및

JMP17 : Interactive HTML with Data 기능 개선 사항 [내부링크]

Update : 2022년 10월 25일(JMP17.0) Web(Internet)을 통해 JMP의 interactive한 기능을 JMP가 없는 사람과도 JMP 분석 결과를 공유할 수 있는 기능이 'interactive HTML with Data' 기능입니다. 'interactive HTML with Data' 기능은 분석 결과에서 File / export 또는 File / save as에서 활용 가능합니다. Web(Internet)을 통해 JMP가 없는 사람에게 JMP 분석 결과를 공유하는 방법(1) : Interactive HTML with Data 이번에는 JMP 분석 결과를 외부로 공유하는 방법에 대해 설명드리고자 합니다. 외부로 공유하는 방법은 ... blog.naver.com 'interactive HTML with Data' 기능에서 JMP의 모든 interactive한 기능이 구현되는 것은 아니지만 JMP17 Version에서 아래와 같이 몇 가지 Interactive한

JMP17 : Design Explorer(실험 디자인 탐색기) [내부링크]

Update : 2022년 10월 26일(JMP17.0) DOE 실행 전에 디자인 가능한 모든 경우의 실험을 비교, 분석 실험 계획(Design of Experiment)을 실제 적용하는 데 있어서 어려움 중의 하나는 실험 회수, 중심점 실험 여부, 반복 실험 여부 등에 따라 실험 결과의 신뢰도가 어떻게 달라지는 지를 미리 예상해 보는 것입니다. 이를 위해 JMP에서는 DOE Platform 아래에 Design Diagnostics / Evaluate Design 또는 Compare Designs 기능을 통해 실험의 신뢰도를 미리 예측해 볼 수 있습니다. 다만 이 기능들은 특정한 실험 설계(보통 한 가지에서 세 가지)를 하고 난 뒤 설계한 실험들을 비교하는 것으로, 해당 상황에서 디자인가능한 모든 경우의 실험을 비교하는 것은 아니었습니다. JMP17에서 특정한 상황에서 디자인 가능한 모든 경우의 실험을 비교하는 기능이 Design Explorer라는 기능으로 추가되었습니다. 이 기능

JMP17 : Model Screening Improvement(JMP Pro) [내부링크]

Update : 2022년 10월 27일(JMP17.0) Model Screening (해당 Data에 대해 가장 적합한 모델링 방법을 선택) Model Screening 기능은 2021년 봄에 출시된 JMP16 Version에 추가된 기능입니다. Model Screening 기능은 최적의 모델링 방법을 찾아준다는 측면에서 흔히 이야기하는 Auto Machine Learning, Auto Modeling 방법이라 할 수 있는 데, JMP17 Version 에서의 Model Screening 기능 업데이트 사항에 대해 알아 보겠습니다. Modeling Screening 긴의 일반적인 내용에 대해서는 아래 링크 참조하세요. JMP 16 소개 : Model Screening(적합한 모델링 방법의 선별) Update : 2021년 4월(JMP16.0) JMP 16 Version의 새로운 기능 중 'Model Screening' ... blog.naver.com 주요 기능 보완 사항은 다음과

20 여년전 JMP의 Icon과 실행 방법 [내부링크]

Update : 2022년 10월 24일 며칠 전에 JMP17 Version이 출시되었는 데요, JMP를 아주 오랫동안(1994년부터) 사용해 오신 분의 요청으로 JMP 3 Version(1999년)의 실행 화면의 모습을 확인하게 되었습니다. 사람 모양의 Logo가 점프하는 모습에서 JMP를 '점프'라고 부르게 된 계기가 되었다고 합니다. JMP의 역사와 JMP 사용자의 JMP에 대한 애정을 다시 한 번 느끼게 되었습니다. 한 번 보시죠 ~~. ------------------ 감사합니다.

로지스틱 회귀(Logistic Regression) (3) : Analyze / Fit Model [내부링크]

Update : 2022년 10월 26일(JMP16.2) 아래 두 편의 블로그 내용에서 로지스틱 회귀(Logistic Regression)에 대한 개념과 Analyze / Fit Y by X에서의 활용 사례에 대한 살펴보았습니다. https://blog.naver.com/shinikju/222903241430 로지스틱 회귀(Logistic Regression) (1) : 기초적인 개념 Update : 2022년 10월 18일(JMP16.2) 반응치 Y가 연속형이 아니면 일반적인 선형 회귀 분석을 사용할 ... blog.naver.com https://blog.naver.com/shinikju/222903242035 로지스틱 회귀(Logistic Regression) (2) : Analyze / Fit Y by X Update : 2022년 10월 25일(JMP16.2) 아래의 링크에서 로지스틱 회귀(Logistic Regression)의 개념에... blog.naver.com 이번에

JMP17 : Data Table을 열지 않고 일부 Data를 선별하는 Script [내부링크]

Update : 2022년 10월 21일(JMP17.0) Data Table을 열지 않고 일부 Data를 선별하기 JMP17 Version에서는 Data Table을 열지 않고 Row 기준으로 일부 Data를 선별하는 Script가 새롭게 추가되었습니다. JMP로 불러와야 할 Data Set의 크기가 매우 클 경우 Script를 이용하여 일부 Data만 선별하여 불러오는 기능에 대한 사용자 요구 사항이 반영된 결과인 것 같습니다 1) 이 기능은 (내용적으로는) 전체 Data Set을 열고, 일부 데이터를 선택하여 Subset을 만들고, 다시 전체 Data set을 닫는 기능입니다 2) 다만, 원래의 전체 Data set가 메모리로 로드되지는 않습니다. 이 기능은 Data Table의 크기가 클수록 보다 유용하겠지만 설명의 가시성을 높이기 위해 아주 간단한 데이터를 가정하겠습니다. Data Table을 불러올 때 보통 아래와 같이 open 기능을 이용합니다 dt = Open( "/C:

JMP17 : Process Screening 기능 업데이트 사항 [내부링크]

Update : 2022년 10월 20일(JMP17.0) 많은 변수들을 대상으로 변수의 안정성, 공정 능력 등을 쉽고, 빠르게 분석하고자 할 때 많이 활용되는 기능이 Process Screening 기능입니다. JMP17 Version의 Process Screening 기능 업데이트 사항에 대해 살펴보겠습니다. JMP16 Version의 Process Screening 기능에 대해서는 아래 링크 참조하세요 많은 변수(복잡한 프로세스)에 대한 진단과 공정 능력 분석을 한꺼번에(Process Screening) Update : 2022년 1월 19일(JMP 16.2) JMP에는 Big Data 분석에 활용될 수 있는 다양한 기능이 있... blog.naver.com JMP 내의 Sample Data를 활용해 보겠습니다 Help / Sample Data Library / Semiconductor Capability (Lot 별, Wafer 별 128개의 공정 변수에 대한 측정 결과입니다)

JMP17 New : Easy DOE(DOE를 간편하게) [내부링크]

Update : 2022년 10월 19일(JMP17.0) JMP17 Version에 새롭게 추가된 Easy DOE는 실험 설계, 분석, DOE 결과 보고서까지를 하나의 Platform에서 구현할 수 있는 획기적인 기능입니다. Easy DOE는 DOE 전체 과정과 결과를 *.jmdoe 파일로 저장할 수 있고, DOE 결과 보고서를 pdf 파일 등으로 저장, 공유할 수 있습니다. DOE / Easy DOE에 들어가 보겠습니다. Guided Mode가 있고 Flexible Mode가 있는 데, 기본은 Guided Model 입니다 Define 탭에서 factor의 modeling type에 대한 가이드를 참고하여 factor에 대한 정보를 입력합니다. 여기서는 3개의 연속형, 1개의 범주형 인자 예시입니다 상단에서 반응치에 대한 정보를 입력합니다. Navigation Controls 버턴을 클릭하여 Model 탭으로 이동합니다. Model에 반영하는 Effect에 따른 실험 회수 등을 확

JMP17 : 환경 설정(File / preferences) 변경 사항 [내부링크]

Update : 2022년 10월 20일(JMP17.0) JMP17 Version의 환경 설정(File / preferences) 변경 사항에 대한 안내입니다 JMP16 Version 대비해서 Value Order, Workflow Builder 그룹이 추가되어 총 27개의 그룹이 되었고, 유사한 성격의 그룹별로 그룹핑이 되어 있습니다. 또한, 각 Version 별로 새롭게 추가된 부분에 대한 확인이 가능해졌습니다. 17 Version에 새롭게 추가된 내용을 보고자 한다면, 상단 Version에서 아래와 같이 선택하면, JMP17 Version에 새롭게 추가된 내용이 있는 그룹만 보여집니다. 그런 다음, 세부 내용을 확인해 보면 17 Version에 새롭게 추가된 내용을 쉽게 파악할 수 있게 되었습니다. Scripting Index 에서도 환경 설정과 마찬가지로 각 Version별로 새롭게 추가된 Script를 확인할 수 있습니다 참고로, 분석 결과에서 변경한 내용을 환경 설정에 바

로지스틱 회귀(Logistic Regression) (1) : 기초적인 개념 [내부링크]

Update : 2022년 10월 18일(JMP16.2) 반응치 Y가 연속형이 아니면 일반적인 선형 회귀 분석을 사용할 수 없습니다. 반응치가 범주형일 때는 로지스틱 회귀(Logistic Regression) 분석을 하게 되는 데, 이 때 범주형은 양품/불량과 같은 이항(binary)일 수도 있고, 다항(multi-nomial)이거나 순서형(ordinal)일 수 있습니다. 로지스틱 회귀(Logistic Regression)의 이해를 위해서는 상대적 가능성(실패 확률 대비 성공 확률의 상대적 비율)을 나타내는 Odds Ratio(승산비) 및 Odds Ratio(승산비)를 로그 변환(Logit Transformation)하여 분석하는 로지스틱 회귀(Logistic Regression)의 알고리즘을 이해해야 하는 데, 살펴보겠습니다. 첨부 데이터는 X(Temp) 값의 변화에 따라 Y 값이 양품, 불량으로 표현된 데이터입니다. 첨부파일 Binary_Logistic.jmp 파일 다운로드 그래

로지스틱 회귀(Logistic Regression) (2) : Analyze / Fit Y by X [내부링크]

Update : 2022년 10월 25일(JMP16.2) 아래의 링크에서 로지스틱 회귀(Logistic Regression)의 개념에 대해 간단히 살펴보았습니다 https://blog.naver.com/shinikju/222903241430 로지스틱 회귀(Logistic Regression) (1) : 기초적인 개념 Update : 2022년 10월 18일(JMP16.2) 반응치 Y가 연속형이 아니면 일반적인 선형 회귀 분석을 사용할 ... blog.naver.com 여기서는 앞에서 설명한 로지스틱 회귀(Logistic Regression)에 대한 JMP 분석 결과에 대한 설명입니다. 여기서는 하나의 X 인자이므로 Analyze / Fit Y by X 실행한 결과입니다. 먼저 Logistice Fit 결과입니다. 각 점의 가로 위치는 연속형 X 인자의 값에 따라 결정됩니다. 각 점의 세로 위치(Y 축)는 반응 범주의 값에 해당하는 곡선 사이에 오도록 무작위로 선택됩니다(즉, Y축에

JMP Model Screening과 RapidMiner Auto Model [내부링크]

Update : 2022년 10월 4일(JMP16.2) 우연한 기회에 독일의 데이터 분석 SW인 RapidMiner를 접하게 되었습니다. RapidMiner의 Auto Model 기능과 JMP(JMP Pro)의 Model Screening 기능에 대해 살펴보았습니다. JMP와 다른 SW를 비교하는 것이라 공개적으로 표현하기가 조심스러워 그냥 화면 캡쳐 결과만 살펴보겠습니다 Sample Data는 diabetes 를 활용하였으며, 반응치가 연속형 Y인 경우와 범주형 Binary Y인 경우로 나누어 살펴보겠습니다(분석 결과 모두가 아닌 일부만을 캡쳐하여 비교한 내용입니다) 첨부파일 Diabetes.xlsx 파일 다운로드 먼저 반응치가 연속형 Y인 경우입니다 1, 실행화면(분석 가능한 모델링 방법) 1) JMP 2) Rapidminer 2. 초기 분석 결과 1) JMP 2) RapidMiner 3. 개별 분석 결과(예 : Decision Tree) 1) JMP 2) RapidMiner 범

Wafer Defect에 대한 군집 분석(계층적 군집) [내부링크]

Update : 2022년 10월 5일(JMP16.2) 아래 블로그에서 군집 분석의 대표적인 방법 중의 하나인 Hierarchical Clustering(계층적 또는 위계적 군집)에 대해 살펴본 바 있는 데, 이 번에는 Wafer Defect와 같은 공간 측정(Spatial meature) 데이터에 대한 군집 분석(계층적 군집)에 대해 살펴보겠습니다 https://blog.naver.com/shinikju/221937469985 군집 분석(Cluster Analysis) : 위계적(Hieararchical) 방법 Update : 2020년 4월 30일(JMP15.1) 군집 분석이란 변수 간의 분류(Classification)를 목적으로 일련... blog.naver.com Sample data는 JMP에 있는 wafer stacked.jmp를 활용하였습니다 5개 Lot, 25개 wafer, 총 177,875 개의 데이터가 있고, 이 중 11,818는 defect가 있고 나머지는 de

Outlier 효과를 줄이기 위한 Robust(Huber) Estimation [내부링크]

Update : 2022년 10월 5일(JMP16.2) JMP에서 Huber Estimation 기능이 있느냐는 질문이 있었습니다. Huber Estimation(또는 Huber M Estimation, Robust Estimation 등으로 불림)은 회귀 분석에서 이상치(outlier)의 영향을 줄이기 위해 이에 대해 Penalty를 부여합니다. Penalty를 부여하기 위한 Huber Loss Function은 아래와 같습니다. JMP에서는 선형 회귀(Analyze / Fit Y by X)의 Fit Robust 옵션에서 이 기능을 사용하는 데 이 때 K는 2입니다. JMP 내 Sample data인 'weight measurements.jmp' 에서 두 변수에 대해 그래프를 그려보면 이상치로 의심해 볼만한 데이터가 몇 개 있습니다. Analyze / Fit Y by X 에서 Fit Line과 Robust / Fit Robust 를 모두 실행한 결과입니다. Fit Line(일반적인

공분산, 상관 계수(피어슨 상관 계수, 편상관 등) [내부링크]

Update : 2022년 10월 11일(JMP16.2) 공분산(Covariance) 및 (우리가 일반적으로 사용하는) 피어슨 상관 계수, 편상관 등의 상관 계수에 대해 살펴 보겠습니다 먼저 공분산(Covariance)부터 알아 보겠습니다. 공분산은 공통된 분산이라는 뜻이고, 분산(Variance)은 우리가 흔히 아는 표준 편차의 제곱을 말하며 샘플의 분산은 다음과 같이 나타냅니다. 분산 개념의 핵심은 '평균과의 차이'입니다. 만약 두 변수들의 분산(평균과의 차이)의 방향이 같으면, 그 곱은 양수가 되고, 다르다면 음수가 될 것입니다. 즉, 두 변수 각각의 '평균과의 차이'를 곱한 것을 공분산(Covariance)이라고 합니다. 아래 공분산 공식을 보면 한 변수의 '평균과의 차이'를 제곱하는 대신 두 변수의 '평균과의 차이'를 곱한다는 점만 빼고는 분산의 공식과 같다는 것을 알수 있습니다. 공분산이 양수라는 것은 한 변수가 평균에서 이틸할 때, 다른 변수도 같은 방향으로 이탈한다는

비모수적 상관 계수 : Spearman's ρ, Kendall's τ [내부링크]

Update : 2022년 10월 11일(JMP16.2) 아래에서 피어슨 상관 계수와 편상관 등에 대해 살펴보았습니다. 공분산, 상관 계수(피어슨 상관 계수, 편상관 등) Update : 2022년 10월 11일(JMP16.2) 공분산(Covariance) 및 (우리가 일반적으로 사용하는) 피어슨 상... blog.naver.com 피어슨 상관 계수를 활용하기 위해서는 분석 대상이 되는 데이터가 정규 분포이어야 한다는 전제가 필요한 데, 예를 들어 첨부 데이터 중 복습, 시험 점수, 불안의 세 변수에 대해 정규성 검정을 실행하면 Anderson Darling Test 결과 모두 정규 분포한다고 볼 수 없는 것으로 판정됩니다. 첨부파일 공분산 상관 계수 편상관.jmp 파일 다운로드 이와 같이 정규 분포한다는 전제를 확보할 수 없을 경우 변수간 상관성을 확인하는 방법은 크게 두 가지가 있습니다. 하나는 비모수적 추정 방법을 사용하는 것이고 다른 하나는 Bootstrap을 이용하여 상관

항목 신뢰도(Item Reliability) : Cronbach's α(크론바흐 알파) [내부링크]

Update : 2022년 10월 18일(JMP16.2) 항목 신뢰도(Item Reliability)는 측정 일관성을 파악하는 개념으로 측정 장비의 신뢰성, 설문 문항의 신뢰성 등을 파악하는 데 주로 활용하는 되는 데. Cronbach's α(크론바흐 알파)가 대표적입니다. Cronbach's α(크론바흐 알파)는 1) 측정 척도(measurement scale)에서 항목간 평균 상관 관계를 기반으로 계산되며 2) 데이터 테이블의 모든 반분할 상관 관계의 평균(average of all split-half correlations)을 계산한 것과 같고 3) 개별 항목의 영향도를 파악하기 위해 해당 항목을 계산에서 제외할 때의 Cronbach's α 값의 영향(변화)를 파악하면 됩니다. 항목(변수)를 제외할 때 Cronbach's α 값이 증가하면 다른 항목과 상관 관계가 없고, Cronbach's α 값이 감소하면 다른 항목과 상관 관계가 있다고 결론을 내릴 수 있습니다 4) 물론,

JMP17 New : Design Space Profiler [내부링크]

Update : 2022년 10월 00일(JMP17.0) JMP17에 새롭게 추가된 Design Space Profiler에 대한 소개입니다. Design Space Profiler 는 반응치에 대한 Spec을 설정하는 유용한 기능으로 반응치의 In-spec Rate에 대한 X 인자들의 limit를 탐색하는 기능입니다. 이를 위해 factor space 내에 수천개의 data를 simulation(uniform distribution)합니다. 이 기능은 제약 분야의 QbD(Quality by Design)에서 요구하는 Design Space 설정 뿐만 아니라 다른 산업 분야에서도 Spec 설정과 관련하여 유용하게 활용하게 활용될 수 있습니다 아래 Data를 가지고 살펴보겠습니다(이 data는 JMP의 sample data인 tiretread.jmp를 단순화한 data입니다) 2개의 반응치와 3개의 X인자가 있고, Y1(LSL:1200), Y2(350~500)에는 Column Prop

JMP17 : 동등성 검정(Equivalence Test) 개선 사항(1) : 평균에 대한 동등성 검정 [내부링크]

Update : 2022년 9월 27일(JMP17.0) 평균에 대한 동등성 검정(Equivalence Test) 아래의 블로그 내용에서 JMP15 및 JMP16 Version 기준으로 동등성 검정(Equivalence Test)에 대해 설명드린 바 있는 데, JMP17 Version에서 이에 대한 내용이 대폭 개선되어 전반적으로 다시 정리해 보겠습니다. 동등성 검정(Equivalence Test) (1):1 Sample Update : 2022년 1월 4일(JMP16.1) 보통 실무에서는 가설 검정 또는 유의성 검정에 대해 유의차 검정이... blog.naver.com 동등성 검정(Equivalence Test) (2) : 2 Sample 아래 링크된 블로그에서 1 Sample의 경우를 가정하여 동등성 검정에 대해 설명하였습니다. https://blog.n... blog.naver.com 동등성 검정(Equivalence Test) (3) : 3개 이상의 Sample Update :

JMP17 : 동등성 검정(Equivalence Test) 개선 사항(3) : 비율 검정 [내부링크]

Update : 2022년 9월 29일(JMP17.0) 비율(Proportion)에 대한 동등성 검정(Equivalence Test) JMP17 Version 기준 동등성 검정(Equivalence Test)에 대해 세 가지의 경우로 나누어서 살펴보고 있습니다. 1) 평균에 대한 동등성 검정 2) 산포(표준 편차)에 대한 동등성 검정 3) 비율(Proportion)에 대한 동등성 검정 이번에는 비율(Proportion)에 대한 동등성 검정입니다. 장비 A, B 별로 합격 여부에 대한 데이터가 있습니다. 첨부파일 Equivalence test(proportion).jmp 파일 다운로드 장비별 불량율을 비교해 보면 약 3% 정도의 차이가 납니다. Analyze / Fit Y by X에서 다음과 같이 입력, 선택합니다 4% 의 Margin을 가지고 동등성 검정을 하고자 한다면 Contingency ~ / Equivalence Tests / Risk Difference 에 들어가서 아래와

JMP17 : 동등성 검정(Equivalence Test) 개선 사항(2) : 산포(표준편차)에 대한 동등성 검정 [내부링크]

Update : 2022년 9월 28일(JMP17.0) 산포(표준편차)에 대한 동등성 검정(Equivalence Test) JMP17 Version 기준 동등성 검정(Equivalence Test)에 대해 세 가지의 경우로 나누어서 살펴보고 있습니다. 1) 평균에 대한 동등성 검정 2) 산포(표준 편차)에 대한 동등성 검정 3) 비율(Proportion)에 대한 동등성 검정 이번에는 산포(표준 편차)에 대한 동등성 검정입니다. 첨부파일 Equivalence test(Std Dev).jmp 파일 다운로드 위의 Data를 가지고 관리도 메뉴(Analyze / Quality and Process / Control Chart Builder)에서 I-MR 관리도를 그리고 Phase 변수를 Phase Zone에 drop하면 결과는 아래와 같습니다. Phase 마다 관리선이 변경되었으므로 산포(표준편차)가 달라졌음을 알 수 있습니다. JMP17 Version에서 산포(표준편차)에 대한 동등성 검

JMP17 : Table 메뉴 미리 보기(Preview) 기능 [내부링크]

Update : 2022년 9월 30일(JMP17.0) Table 메뉴 미리 보기(Preview) 기능 Data 전처리를 위해 많이 활용하는 Tables 메뉴에 대하여 JMP17 Version에서는 미리 보기(Preveiw) 기능이 추가되어 전처리의 결과를 사전에 확인할 수 있게 되었습니다. 미리 보기(Preview) 기능은 Tables 메뉴 중 Summary부터 Concatenate 기능까지 활용할 수 있습니다 Tables 메뉴에서 Preview 기능은 큰 Data일 때 보다 유용하겠지만, 가시적인 설명을 위해 아래와 같이 작은 데이터를 가지고 알아보겠습니다. 첨부파일 Tables Menu Preview.jmp 파일 다운로드 여기서는 아래 다섯 가지 경우에 대해서 살펴보겠습니다 Tables / subset Tables / stack Tables / split Tables / sort Tables / transpose 1. Tables / subset 1) 아래와 같이 Data ta

JMP17 : MSA Design(측정 시스템 분석 디자인) 업데이트 사항 [내부링크]

Update : 2022년 9월 27일(JMP17.0) 측정 시스템 분석(MSA : Measurement System Analysis)를 하기 위해서는 일종의 MSA 계획표, MSA Sheet가 필요한 데 이러한 것을 쉽게 만들고, 거기에서 바로 측정 시스템 분석을 할 수 있는 MSA Design 기능이 2021년 봄에 출시된 JMP16 Version에 새롭게 추가되었었는 데, JMP17 Version에서 그 기능이 대폭 개선되어 소개드립니다 아래는 JMP16 Version 기준 MSA Design에 대한 소개 내용입니다 JMP16 새로운 기능 : MSA(측정 시스템 분석) Design Update : 2021년 4월(JMP16.0) JMP16 Version의 새로운 기능 중 'MSA Design' 기능... blog.naver.com JMP17 Version의 'MSA Design' 기능 업데이트 사항입니다. MSA Design은 DOE / Special purpose / MSA

무료 E-Learning 과정 소개 : JMP Script [내부링크]

2022년 9월 27일(JMP16.2) Introduction to the JMP Scripting Language JMP 본사에서는 운영중인 정규 교육 프로그램을 공개하는 계획을 가지고 있고 이번에 그 첫번째로 JMP Script 과정을 공개하였기에 알려드립니다. 1. 과정명 : Introduction to the JMP Scripting Language 2. 공개 내용 : 강의 동영상, 강의 자료(JMP Journal and Sample data), 영어 3. 링크(접속 방법 : 그냥 아래 링크를 바로 클릭하면 됩니다) Introduction to the JMP Scripting Language **This is the first free e-learning course we have been able to offer in the JMP User Community. We are so excited! If you find any errors or have any comments,

GD&T(기하 공차) 데이터에 대한 Overlaid Line Graph [내부링크]

Update : 2022년 9월 16일(JMP16.2) GD&T(Geometric Dimensioning and Tolerancing, 기하공차) Profile Data를 그래프를 그리는 방법 GD&T(Geometric Dimensioning and Tolerancing, 기하공차) Profile Data를 그래프를 그리는 방법에 대한 질문이 있었습니다. 아래와 같은 데이터가 있을 경우 다음과 같은 그래프(Overlaid Line Graph)를 그리고자 합니다. 위의 그래프를 쉽게 그릴려면 Data를 Stack하는 게 좋습니다. Tables / stack에 들어가서 아래와 같이 선택하면, X와 X-Nominal, Y와 Y-Nominal 을 함께 stack하기 위해서 Multiple series stack을 선택하고 Number of series에 2를 입력하면 됩니다. 만약 여기서 Contiguous까지 선택하면 바로 인접한 X와 Y 및 X-nominal과 Y-nominal을 sta

Python 분석 결과(list)를 JMP Table로 불러오기 [내부링크]

Update : 2022년 9월 19일(JMP16.2) Python 공부를 좀 하다가(^^) Python 분석 결과(list)를 JMP Table로 불러오는 방법에 대해 공금증을 가지게 되어서 아는 분의 도움(!)을 받아 한 번 해 보았습니다. JMP에서 Python을 실행하는 기본적인 방법은 아래 링크 참조하세요 JMP에서 Python Code 실행하는 간단한 예시(Lotto 번호 추출) Update : 2022년 6월 29일(JMP16.2) 아래는 제가 아는 몇 안되는 Python Code 중의 하나입니다. Lot... blog.naver.com 사례 1 아래와 같은 간단한 csv data를 Python에서 열어서 Python code인 describe를 사용하여 몇 가지 통계량을 구한 다음, 그 결과를 JMP Data Table로 가져오고자 합니다. 아래의 Script를 실행하면 Names Default To Here( 1 ); Python Init(); Python Submi

Bar Chart(막대 그래프), Line Chart(선 그래프)에서 Error Interval의 표현 [내부링크]

Update : 2022년 9월 20일(JMP16.2) JMP Graph Builder를 이용하여 Bar Chart(막대 그래프), Line Chart(선 그래프) 등을 이용하여 표현하는 통계량은 일반적으로 평균입니다. 그래서 평균 외에 데이터의 산포를 함께 표한하고자 할 때 Error Interval 옵션을 활용할 수 있는 데, 이에 대해 살펴보겠습니다 Error Interval의 옵션에는 다음과 같은 것들이 있습니다 첨부파일 error interval in graph.jmp 파일 다운로드 1. Range 범위(Range, Max - Min) 값으로 Error Interval을 표현합니다 2. Interquartile Range 4분위수 값(25%, 75%) 값으로 Error Interval을 표현합니다 3. Standard Error 평균 +/- 1*표준오차 값으로 Error Interval을 표현합니다 4. Standard Deviation 평균 +/- 1*표준 편차 값으로 E

Script를 이용하여 분석 결과를 다른 파일 형식으로 저장하기 [내부링크]

Update : 2022년 9월 21일(JMP16.2) 아래의 링크에서 분석 결과를 Powerpoint로 바로 저장하는 방법에 대해 살펴본 적이 있는 데요. PPT를 포함하여 Script를 이용하여 분석 결과를 다른 파일 형식으로 저장하는 몇 가지 Case에 대해 살펴보겠습니다 분석 결과를 파워포인트로 바로 저장하기 Update : 2022년 6월 28일(JMP16.2) 분석 결과를 파워포인트로 바로 저장하는 Script에 대해 살펴보겠... blog.naver.com 아래의 Script를 실행하면 그래프 분석 결과가 하나 디스플레이됩니다(그래프 빌더를 이용하여 그래프를 하나 그리고 이를 A 로 지정한 결과입니다) dt = Open( "$SAMPLE_DATA/Big Class.jmp" ); A = Graph Builder( Size( 411, 341 ), Show Control Panel( 0 ), Variables( X( :Gender ), Y( :height ), Color( :

정규성 검정(Normality Test) : Anderson-Darling Test [내부링크]

Update : 2022년 9월 22일(JMP16.2) 아래 링크에서 JMP에서 정규성 검정을 하는 방법에 대해 알아보았는 데, 이번에는 정규성 검정 방법 중의 하나인 Anderson Darling Test에 대해 좀 더 자세하게 살펴보겠습니다. JMP에서의 정규성 검정(Normality Test) Update : 2022년 6월 3일(JMP 15.2) 통계 분석에서 많이 활용되는 개념 중의 하나가 정규성 검정(Norm... blog.naver.com 먼저 Anderson Darling Test의 결과인 A2 값에 대해 살펴보겠습니다. 첨부 Data의 A 변수에 대해 정규성 검정을 하면 아래와 같은 결과가 표시됩니다. 첨부파일 Anderson darling AD calculation.jmp 파일 다운로드 위의 A2 값은 아래와 같은 공식에 의해 계산됩니다 SAS Help Center SAS Help Center Customer Support SAS Documentation Feedb

선문대 특강 : JMP 활용 데이터 분석 경진대회 [내부링크]

Update : 2022년 9월 15일(JMP16.2) 천안에 소재한 선문대 산업경영공학과에서 'JMP 활용 데이터 분석 경진대회' 를 개최합니다. 경진대회에 참여하는 학생들에게 도움을 주고자 JMP 활용에 대한 특강을 하였습니다 JMP에 대한 소개와 더불어 Data 분석 Process에 준해 JMP 활용법에 대해 설명을 하였습니다. 강의 자료를 첨부합니다. 첨부파일 JMP Seminar(선문대)-20220914.jrn 파일 다운로드 첨부파일 import file.zip 파일 다운로드 아래는 녹화 동영상입니다 특강 사진입니다^^ ---------------------------------------- 감사합니다

데이터 분석 길잡이(Data Analysis Director) Add-in 소개 [내부링크]

Update : 2022년 9월 21일(JMP16.2) JMP는 디폴트로 내장된 기능외에 사용 편리성, 맞춤형 분석 및 추가적인 분석 등의 목적으로 JMP Staff, Power user 분들이 add-in을 만들어 많이 분들이 공유하여 사용하고 있습니다. 얼마 전 JMP Staff 중의 한 사람이 아주 좋은 add-in 개발, 공유하여 소개하고자 합니다. 이름은 Data Analysis Director, 우리말로 하면 데이터 분석 길잡이(길라잡이) 정도가 되겠네요 이 add-in 은 아래의 링크에서 다운로드하여 설치(그냥 더블 클릭만 하면 됩니다)하여 바로 사용할 수 있습니다. (JMP16 Version 이상에서만 사용 가능합니다) Data Analysis Director This is designed to help new users become comfortable with running different analyses in JMP. The add-in will ask the

Learn JMP : JMP의 학습 자료가 모두 모인 곳 [내부링크]

Update : 2022년 9월 26일(JMP16.2) JMP에서는 JMP를 활용한 Data 분석 생태계를 구축하기 위한 일환으로 on-Line User Community를 전면적으로 개편중에 있습니다. 그 중에서 JMP의 학습 자료(영어)가 모두 모인 곳인 'Learn JMP'를 소개하고자 합니다. Learn JMP Learning Resources for JMP Software community.jmp.com 2022년 9월 말 현재 Learn JMP는 크게 다섯 가지 내용으로 구성되어 있습니다. 간단히 소개하면 Step 1 ; Learn the Basics JMP를 처음 접하는 분들을 위한 아주 기초적인 내용으로 몇 분짜리 동영상 및 설명 자료가 있습니다. Learn the Basics of JMP Short videos with guides to help new users learn the basics of JMP data analysis software. www.jmp.co

Spectral Density, FFT(Fast Fourier Transformation) [내부링크]

Update : 2022년 9월 5일(JMP16.2) JMP에서 스펙트럼 밀도(Spectral Density), 고속 푸리에 변환(FFT, Fast Fourier Transformation)이 가능한 지에 대한 질문이 있었습니다. 이번 기회에 JMP 본사 직원의 도움을 받아 저도 새롭게 공부했는 데요. 이론적인 부분은 제외하고 JMP 활용적인 측면만 간략히 알려드겠습니다 아래와 같은 데이터가 있다고 가정하겠습니다. 두 가지 시간단위로 측정된 Voltage 값이 있습니다. 첨부파일 Time Series-spectral density.jmp 파일 다운로드 먼저, 그래프 빌더에서도 Time Series 그래프를 그릴 수 있다는 것을 알려드립니다. 그래프 빌더에서 Time Series 그래프를 그리는 방법에 대해서는 아래 링크 참조하세요 Graph Builder에서 시계열(Time Series) 그래프 그리기 Update : 2022년 1월 14일(JMP16.2) JMP에서 시계열 분석(T

JMP17 : Workflow Builder - 분석 과정(Workflow) 전체에 대한 관리, 저장, 공유 [내부링크]

Update : 2022년 9월 6일(JMP 17.0) JMP17에 추가된 Workflow Builder에 대한 소개입니다 Workflow Builder는 Scripting을 하지 않고 데이터 준비 및 분석 과정을 캡쳐, 관리, 저장 및 공유 가능한 기능입니다. 간단한 예시를 가지고 살펴보겠습니다. 아래 첨부된 1) Excel data를 불러오고 2) 아래와 같은 몇 가지 분석을 한다고 가정하겠습니다. - 칼로리 변수에 대해 Analyze / Distribution 실행 - Brand별 트랜스 지방을 Box Plot으로 표현 - 칼로리 ~ Weight 까지의 7개 변수의 관련성을 Scatterplot Matrix로 표현 첨부파일 Sandwiches.xlsx 파일 다운로드 1. 위의 분석을 하기 위해 File / New / Workflow를 열어 Workflow Builder 화면을 열어서 상단 붉은 색 Recording 버턴을 클릭합니다. 2. 위에서 설명한 대로 Excel Impo

JMP17 : 감지 한계(Detection Limit)가 있을 경우, 공정 능력 분석 [내부링크]

Update : 2022년 9월 8일(JMP17.0) JMP16(Pro Only)에서 감지 한계(Detection Limit, Limit of Detection)를 설정하는 기능이 추가되었었는 데, https://blog.naver.com/shinikju/222653242826 JMP16 Pro 새로운 기능 : Limit of Detection(감지 ,검출 한계) 분석 Update : 2022년 2월 21일(JMP16.2) Limit of Detection(감지 ,검출 한계) 기능은 JMP16 Pro에 ... blog.naver.com JMP17 Version에서 감지 한계가 있을 경우 공정 능력 분석에 대한 기능이 추가되어 살펴봅니다. 아래와 같은 데이터가 있습니다. 첨부파일 Impurity-detection limit.jmp 파일 다운로드 첫 번째 변수는 일반적인 데이터이고, 나머지 세 개 변수는 각각 감지 한계로 1.0, 1.5, 2.0 의 값이 설정되어 있습니다. Analyz

비모수 추정(Nonparamater Estimates) : Kaplan-Meire 추정 [내부링크]

Update : 2022년 9월 7일(JMP16.2) 이번에는 신뢰성 수명을 확인할 때의 비모수 추정(Nonparamater Estimates) 중 Kaplan-Meire 추정과 Midpoint(중간점) 추정에 대해 알아보겠습니다. 신뢰성 수명 확인을 위한 JMP Menu는 Analyze / Reliability and Survival / Life Distribution 입니다. 아래 완쪽과 같은 Data에 대해 해당 메뉴에서 분석을 실행하면 첨부파일 Kaplan Meier Nonprameter estimates.jmp 파일 다운로드 아래와 같이 JMP에서는 디폴트로 비모수 추정 결과를 보여줍니다. 그리고 조금 아래 Statistics의 Nonparametric Estimate를 보면 아래와 같은 분석 결과가 있는 데, 이게 무슨 의미이고 어떻게 계산되는 지 알아보겠습니다. 먼저 비모수 추정치의 가장 대표적인 Kaplan-Meire 추정치를 확인해 보겠습니다 이를 위해서는 아래와 같

Legend(범례)가 없는 그래프에 Legend 추가하기 [내부링크]

Update : 2022년 9월 14일(JMP16.2) Graph Builder 등을 이용하여 그래프를 그릴 경우에는 자동적으로 그래프의 오른쪽에 Legend(범례)가 만들어지지만, 디폴트 상태에서 Legend(범례)가 없는 경우도 종종 있습니다. 아래 왼쪽은 Graph Builder를 활용한 예시이고, 오른쪽은 Analyze / Fit Y by X 의 결과입니다. Analyze / Fit Y by X 에서 Legend를 추가하는 방법에 대해서 살펴보겠습니다 Script를 사용하는 방법, Menu를 이용하는 방법(이게 훨씬 간단합니다)을 모두 살펴보겠습니다 1. Script를 이용하는 방법 1) 먼저 Script를 이용하여 JMP 내의 Sample data인 big class.jmp를 불러옵니다. 불러오면서 weight를 y축에 height를 X 축에 drop하여 실행하는 Script는 다음과 같습니다 Names Default To Here( 1 ); Open( "$SAMPLE_DA

범주형 변수의 그룹화 : Supercategory, Recode, Data Filter, Column Switcher [내부링크]

Update : 2022년 9월 15일(JMP16.2) 아래와 같이 Gender별 5점 척도에 대한 설문 응답 결과가 있을 때, 이 응답 결과를 3점 척도화하여 분석하는 방법에 대한 문의가 있었습니다 첨부파일 Consumer Research-Super Category.jmp 파일 다운로드 1. 가장 쉽게 할 수 있는 방법은 Recode(Cols / Recode) 기능을 활용하는 방법입니다. 아래와 같이 Recode 기능에서 Group화하여 새로운 Column을 만들 수 있습니다 그러면 아래와 같이 5점 척도를 3점 척도화한 새로운 Column이 생성됩니다. 그런 다음 원래의 5점 척도로 된 범주형 변수와 Recode화하여 만든 3점 척도를 함께 사용하면서 분석하면 됩니다. 2. 경우에 따라서는 두 개의 변수에 대해 Column Switching 기능을 적용하거나 또는 Local Data Filter 기능을 활용하여 5점 척도에서 두 가지 이상의 척도를 묶는 등의 방법으로 그룹화하여

학술 논문에 실린 실험 결과를 JMP로 해석해 보기 [내부링크]

Update : 2022년 8월 26일(JMP16.2) JMP 사용자 중의 한 분이 학술 논문에 실린 실험 결과를 JMP로 다시 해석해 보고 싶은 데, 어떻게 하면 되냐고 질문을 주셨습니다. 논문을 살펴 보니 해당 논문은 PDF 파일로 되어 있었고, 마침 JMP로 불러올 수 있는 상황이었습니다 PDF 파일을 JMP로 불러오는 방법은 아래 링크 참조하세요 JMP에서 PDF Data 불러오기(PDF Import) Update : 2020년 12월 18일(JMP 15.2) JMP 15 Version부터는 PDF 문서안에 있는 Data Table을... blog.naver.com 불러온 결과는 다음과 같습니다. 해당 실험의 목적과 방법에 대해 상세히 알 수는 없지만, 추정해보면 -수율에 대한 NaOH와 Precipication이라는 두 가지 예측 변수의 영향을 파악하기 위한 목적인 것 같고 -두 예측변수는 각각 4 수준, 5 수준이지만 실험이 DOE 등에 준해 균형잡히게 디자인된 것 같지는

JMP17 : JMP Search(검색) 기능 소개 [내부링크]

Update : 2022년 8월 29일(JMP 17.0) JMP17 Version에 JMP Search(검색) 기능이 추가되어 소개드립니다. 기능의 위치는 도움말이 있는 Help / JMP Help 바로 아래에 Help / Search JMP 입니다. 특정한 Sample data 또한 검색할 수 있습니다. 예를 들어 big ~ 이라는 이름의 data table을 검색하고자 한다면, 아래와 같이 검색되고, 검색된 부분을 선택하여 더블 클릭하거나, 선택 후 오른쪽 하단의 Open 버턴을 클릭하면 해당 data table이 열립니다. 그런 다음, 특정한 Cell과 matching되는 Cell을 찾기 위해 matching 이라고 입력하면, 아래와 같이 검색됩니다. 검색된 부분을 선택하여 클릭하거나, 선택 후 오른쪽 하단의 Show me 버턴을 클릭하면 해당 메뉴를 탐색하여 실행할 수 있습니다 성별로 키(height)의 차이에 대한 분산 분석(ANOVA)을 하고 싶다면 아래와 같이 ANOVA

내삽(Intrapolation)과 외삽(Extrapolation) [내부링크]

Update : 2022년 8월 30일(JMP16.2) JMP 사용자 한 분이 내삽과 외삽의 의미에 대해 질문을 주셨습니다. 의미 자체는 아주 간단합니다. 내삽(Intrapolation)은 데이터의 범위 내에서 모델링, 예측하는 것을 말하고 외삽(Extraploation)은 데이터의 범위 바깥(즉, 측정 구간 범위 이외의 구간)에 대해서 모델링 결과를 적용하여 예측하는 것을 말합니다. 외삽의 경우에 모델링, 예측하는 것의 위험성을 말하고자 할 때 내삽, 외삽이라는 말을 많이 활용합니다. 외삽 구간에서의 모델링, 예측 결과는 신뢰하기 어렵다는 뜻입니다 JMP 분석 결과에서 내삽 및 외삽을 그림으로 표헌하면 다음과 같습니다. Analyze / Fit Y by X 결과입니다 아래는 JMP16 Pro부터 추가된 Profiler Extrapolation Control(외삽 제어)에 대한 내용입니다 JMP16 Pro 새로운 기능 : Profiler Extrapolation Control(외삽

JMP에서 Formula(계산식) 활용하는 방법 소개 [내부링크]

Update : 2022년 8월 25일(JMP16.2) JMP에도 Excel처럼 함수 사용하여 데이터를 계산할 수 있느냐는 다소 충격적인(!) 질문을 받았습니다. 충격적이라는 말의 의미는 JMP 직원인 저에게는 당연한 것처럼 느껴지는 것이 JMP를 처음 접하는 사람에게는 그렇지 않을 수도 있겠다는 뜻입니다. 익숙함은 장점도 많지만 단점도 있는 것 같습니다 아무튼 JMP에서 Formula(계산식) 활용하는 것에 대해 살펴보겠습니다 JMP의 최대 장점 중의 하나는 Data Table에 변수에 대한 여러 가지 정보(Column info), 속성(Column Property)를 저장할 수 있다는 것인 데, Formula 또는 같은 개념입니다. Formula(계산식)는 1) Column info(열 정보)의 일부로 Data Table에 저장됩니다 2) Formula Editor를 통해 언제든지 검토, 변경이 가능합니다 3) 다른 Column(변수)의 값에 연결되어 있을 경우, 그 Column

JMP17 : 분석 결과에서 변경한 내용을 환경 설정에 반영하기 [내부링크]

Update : 2022년 9월 3일(JMP17.0) JMP17에서 분석 결과에서 변경한 내용을 환경 설정에 바로 반영하는 기능이 추가되었습니다. 어떤 분석을 실행(여기서는 Analyze / Distribution) 한 후 를 클릭하면 아래와 같이 Platform Preferences 기능이 추가되었습니다. 여기서 Platform Preferences / Go to 를 선택하면 환경 설정의 해당 화면(File / preference, Platform)으로 이동합니다. 반면 Platform Preferences / Save Changes to 를 클릭하면, 해당 분석 기능에서 옵션을 변경한 내용이 아래와 같이 표시됩니다, 이 중에서 환경 설정을 변경할 항목을 선택한 다음 OK를 클릭하면 그 결과가 환경설정에 바로 반영됩니다. 17 Version에서 Preference의 내용과 형식이 많이 바뀌었으니 한 번 살펴보시길 바랍니다 예를 들면 아래와 같이, 상단 Version에서 범위를 선택

중심 극한 정리(CLT : Central Limit Theorem) [내부링크]

Update : 2022년 8월 8일(JMP16.2) 중심 극한 정리란 표본의 크기가 크면 원래 분포의 모양에 관계없이 표본의 평균이 정규 분포할 가능성이 매우 높다는 이론입니다. 또한 우리는 보통 (여러 사유로) 표본의 크기가 30개 이상일 때 그러한 경향이 더 높다고 판단합니다. https://blog.naver.com/shinikju/221874672201 Sample Size 30 ? Cpk의 신뢰구간(CI:Confidence Interval) 간혹, Cpk 등의 공정 능력 분석을 위한 최소의 Sample Size 는 얼마냐 ? 꼭 30 개가 되어야 하는가 ? 라... blog.naver.com 표준 편차(Standard Deviation)부터 설명하면, 표준 편차는 평균으로부터 얼마나 떨어져 있는 지를 나타내는 통계량 중의 하나로, 표준 편차가 작으면 다수의 데이터가 평균 근처에 있다는 뜻입니다 여러 번 샘플링하면 여러 개의 표본 평균을 구할 수 있고, 당연히 평균들의 표준

JMP에서 Combo Chart 그리기 [내부링크]

Update : 2022년 8월 9일(JMP16.2) JMP에서 Combo Chart 를 어떻게 그리느냐에 대한 질문이 있었습니다. 혹시나 하고 Combo Chart라는 Chart의 종류가 있는 지 찾아봤지만 그런 것은 아니고, 1) Line Chart, Bar Chart 등 두 개 이상의 Chart가 혼합된 Chart를 뜻하고 2) 변수가 다를 경우에는 두 개의 Y 축을 활용하거나 3) 보다 넓게는 하나의 윈도우에 두 개 이상의 Chart 를 표현하는 것을 뜻하는 것 같습니다. Combo Chart는 혼합 차트, 다중축 차트 등으로 불리기도 합니다. 단순하게는 아래와 같이 두 개의 변수를 분리하여 별도의 Graph로 표현할 수도 있고 하나의 변수에 대해 두 가지 이상의 Chart로도 나타낼 수 있으며, 두 개의 변수에 대해 두 개의 축, 두 가지의 Chart로 표현할 수도 있습니다. 아래는 Combo Chart의 전형적인 형태 중의 하나입니다. age 라는 변수의 범주에 따라 he

JMP에서 분포별 확률값(확률 분포표에서의 확률값) 계산 [내부링크]

Update : 2022년 8월 16일(JMP16.2) 예전에는 거의 모든 통계학 책 뒤에 보면 분포표(또는 확률 분포표)가 부록으로 포함되어 있어서 분포별로 Parameter 값에 따른 확률값을 이 표로 보고 찾았습니다만 최근에는 JMP를 비롯하여 대부분의 통계 소프트웨어들이 이를 계산하는 데 필요한 기능이 잘 만들어져 있어서 분포표를 확인하는 경우는 많이 줄었습니다. 이번에는 JMP에서 분포별 확률값(확률 분포표에서의 확률값) 계산하는 방법에 대해 살펴보겠습니다 Help / Sample data / Teaching resources 에 있는 Distribution Calculator 기능을 활용하면 됩니다. 자주 사용되는 몇 가지 분포를 기준으로 한 번 살펴보겠습니다 1. (표준) 정규 분포 1) 값을 입력하고 확률값을 구하는 경우 만약 평균이 10, 표준편차 2인 정규 분포에서 13 이하(이는 표준 정규 분포에서 Z 1.5에 해당하는 값입니다)의 확률을 구하고자 한다면, 아래와

몬테 카를로 시뮬레이션을 이용한 원주율(π)의 계산 [내부링크]

Update : 2022년 8월 22일(JMP16.2) 어떤 사용자분이 질문을 주셨는 데, 좀 특이한 질문이었습니다. 인터넷이나 Youtube에 보면 몬테 카를로 시뮬레이션(Monte Carlo Simulation)을 설명할 때 원주율(π)을 계산하는 예시를 많이 활용하는 데, JMP에서도 이를 구현할 수 있냐는 것이었습니다. 몬테 카를로 시뮬레이션(Monte Carlo Simulation)은 난수(Random Number)를 활용하여 정적분의 근사값을 구하는 방법으로 몬테 카를로 적분(Integration)이라고도 합니다. JMP에서는 모델링을 하기 위해 Prediction Profiler 기능을 이용할 때 Simulator라는 기능이 있는 데, 이 기능이 Monte Carlo Simulation입니다. Monte Carlo Simuation 몬테 카를로 시뮬레이션(Monte Carlo Simulation)을 설명할 때 원주율(π) 예시의 내용은 아래와 같습니다. 아래 그림을 참조

JMP 환경 설정(Preference)에 대한 관리 [내부링크]

Update : 2022년 8월 23일(JMP16.2) File / Preference에서 JMP의 환경 설정을 사용자 임의대로 변경할 수 있습니다. 특히, 분석 결과(Report)를 사용자가 원하는 내용과 원하는 방식으로 표시하는 데 많이 활용하는 것 같습니다. (저는 아직 이런 경험이 없지만) 경우에 따라서는, 특정한 분석을 실행할 때 환경 설정의 변경 내용을 적용하지 않거나, 환경 설정 결과를 Import, Export하는 경우도 있는 것 같습니다. 활용 가능한 JMP 환경 설정(Preference)에 대한 관리 방법에 대한 설명입니다. 첫 번째는 Preference Manager Add-in을 활용하는 방법입니다. 개인 사용자가 여러 개의 Preference profile을 만들고, 특정한 Preference profile을 선택하거나 import, export할 수 있는 add-in 입니다 세부적인 내용은 아래 링크 참조하세요 Preferences Manager (with

그래프에서 축(Axis)을 분할, 절단하여 표현하기 [내부링크]

Update : 2022년 8월 25일(JMP16.2) JMP 직원들만 볼 수 있는 내부망에 있는 올라온 글인 데, JMP 사용자분들에게도 유용할 듯 하여 공유합니다. 최종적인 이미지는 아래와 같습니다. 단위가 다른 시간 데이터를 X 축에 두고 어떤 데이터(Y)를 표현할 때 아래와 같이 X 축을 분할하여 표시하는 것입니다. 아래와 같은 데이터가 있습니다. Week 및 Year 단위로 구분된 데이터가 있습니다. 첨부파일 Broken Time Axis.jmp 파일 다운로드 1. 우선 Weeks와 Years를 X 축에 Drop 및 Y 축에 Counts를 Drop, Group을 Overlay Zone에 Drop하면 아래와 같습니다 2. 그런 다음 X 축에 Drop된 Weeks와 Years 변수의 축 부분을 더블 클릭하여 표현하고자 하는 축의 범위를 조정합니다. 3. Week 부분과 Year 부분을 구분하는 선이 아주 작습니다. 이를 조정하기 위해서는 그래프 빌더 옆의 붉은 삼각형 클릭 후

2022년 JMP Discovery Summit(11/2) 발표자 모집 [내부링크]

Update : 2022년 8월 7일 JMP Korea는 JMP 사용자와 Data 분석 전문가들이 함께 모여 Data를 탐색하고 분석 경험과 분석 Insight를 함께 공유하는 Conference를 'Discovery Summit' 이라는 이름으로 2020년부터 개최해 오고 있습니다. 'Discovery Summit Korea 2022' 을 행사를 11/2(온라인) 개최할 예정입니다. 'Discovery Summit Korea 2022'의 발표자와 발표 주제를 모집하고 있습니다 Data 분석에 대한 여러분들의 경험과 지혜와 통찰력을 공유해 주시면 감사하겠습니다 발표를 희망하시는 분은 아래 링크에서 발표 주제와 내용을 간략히 정리하여 등록하여 주시거나 저에게 메일([email protected])로 송부해 주시면 감사하겠습니다. 그 외 발표 주제, 발표 방법 등 궁금한 점에 대해서도 메일 주시면 됩니다. 많은 관심과 참여를 부탁드립니다. 보다 자세한 내용은 아래 링크 참조하세요 Dis

Expression Handing(1) : Expr(), Eval(), Eval Expr() [내부링크]

Update : 2022년 7월 25일(JMP16.2) Expr(), Eval(), Eval Expr() 등의 Expression에 대해 살펴보겠습니다 Expression은 1) Evaluate될 수 있는 것은 어떤 것입니다. 이 때 evaluate는 거의 계산(calculate)의 뜻으로 해석하면 됩니다 2) 변수, 상수 뿐만 아니라 연산자(Operator)로 이어진 Scripting command 등이 대상이 될 수 있습니다 3) Evaluate를 기다리거나 Evaluate 시간을 제어하는 데 활용될 수 있습니다. 먼저 Expr()에 대해 살펴보겠습니다. Expr()은 그냥 표현식으로 인용(quote) 용도로 사용됩니다. 이를 실행하면 argument 그대로 결과를 보여줍니다. 예를 들어 아래 네 가지 Expr() 을 각각 실행하면, () 안의 argument가 그대로 표시됩니다. Expr( 5 + 1 ); /*: 5 + 1 //:*/ Expr( y = m * x + b ); /

Graph, Chart, Plot, Map, Gram의 차이점 [내부링크]

Update : 2022년 7월 25일(JMP16.2) 몇 번 질문받은 기억이 나서 다시 자료를 찾아봤습니다. 데이터를 시각적으로 표현할 때 그래프라는 말을 가장 많이 사용하는 것 같지만, 다른 표현도 많이 있습니다. 예를 들면 Graph, Chart, Plot, Map, Gram 등이 있습니다. 이러한 것들의 차이가 뭔지가 궁금합니다. JMP에서 사용하는 단어를 대략 정리하면 다음과 같습니다 -Graph : Graph builder -Plot : Bubble, Scatter, Parallel, Cell, Contour, Ternary, Surface, Overlay, Mosaic, Box -Map : Heatmap, Tree map -Chart : Pie, Bar, Variability, Control -Gram : Histogram, Diagram, Instagram(?) Plot이라는 단어를 가장 많이 사용하는 것 같지만 Plot과 Chart, Graph와의 차이가 무엇인 지,

통계학 책 추천 : 앤디 필드의 유쾌한 R 통계학 [내부링크]

Update : 2022년 7월 27일(JMP16.2) 통계학 책 추천입니다 아주 특이하고 제미있는 책입니다. 저자는 통계학과 교수가 아니라 정신 병리학과 교수입니다. 이 책은 아주 유명한 책인 『Discovering Statistics Using SPSS』의 R Version입니다. R 을 기반으로 통계를 설명하고 있지만, R을 모르셔도, R과 무관하게 통계를 배우고자 하는 분들에게도 추천드릴 수 있는 책입니다. 책은 매우 뚜껍습니다. 1,252 페이지 하지만, 참 재미있습니다. 책을 정말로 재미있게 저술하였습니다 아래는 책 소개 부문의 내용입니다 통계 분야의 초베스트셀러로 자리매김한 『Discovering Statistics Using SPSS』의 저자이자 영국의 괴짜 심리학 교수(겸 통계학자) 앤디 필드의 또 다른 야심작입니다. 많은 마니아를 만들어 낸 전작처럼 이 책에서도 그의 ‘변함없는’ 필력을 확인할 수 있습니다. 때로는 유쾌하며 때로는 짓궂은 그의 유머 코드와 함께, 독

JMP Korea 직원 모집(ISR : Inside Sales Representative) [내부링크]

Update : 2022년 7월 25일 기한 : 채용 시까지 안녕하세요. JMP에서 함께 일할 분을 찾고 있습니다. 관심 있는 분들의 많은 참여 기대합니다. 문의 및 연락처 : JMP Korea 신익주([email protected]), 010-5585-3470 모집 분야 : ISR(Inside Sales Representative) 1) 주로 하는 일 : 전화 및 이메일 등을 통해 JMP를 판매 -주문 접수, 관련된 질문 대응, 고객과의 협력 및 판매 증진을 위한 Outbound 활동 -이를 위한 내부 업무 Processing(SalesForce 등) 등 2) 우선시되는 요건 -대졸 이상, 관련 분야(IT/SW/통계 등) 경력 3년 이상, SalesForce 등 경험 -일정 수준 이상의 영어, 고객 응대 및 업무 Loyalty 등 참고 1. JMP 제품에 대한 이해는 JMP Korea 홈페이지 참조 통계 소프트웨어 매킨토시 및 윈도우즈용 통계 및 실험계획법 (DOE) 소프트웨어 입

난수 발생(Random Number Generating), 난수 시드(Random Seed) [내부링크]

Update : 2022년 8월 1일(JMP16.2) 난수 발생(Random Number Generating) 및 난수 시드(Random Seed)에 대해 알아 보겠습니다. 난수(Random Number)는 말 그대로 무작위하게 만들어진 숫자를 말합니다. 하지만 입력 값에 따라 난수가 발생되기 때문에 엄밀한 의미에서는 무작위가 아닐 수 있습니다. 그렇게 때문에 이런 경우를 유사 난수(Pseudo Random Number)라고 말합니다 (최근에는 양자 난수 발생기 등을 이용하여 완전한 의미의 무작위로 난수를 발생한다고 합니다) 난수 발생을 위해서는 미리 만들어 놓은 난수표를 사용하는 데, Random Seed는 난수표의 번호 또는 난수표를 선택하는 행위라는 뜻을 가집니다. 동일한 Seed 값을 넣으면 동일한 결과 값이 디스플레이됩니다. Seed 값을 사용하지 않는 경우에는 보통 현재 시간(1000 분의 1초)를 기준으로 난수를 발생합니다 난수 발생 방법에는 다양한 방식이 있는 것 같고