探索性数据分析.doc

.分布的概念一个变量的分布是该变量的取值的具体表现形式，它不仅描述了该变量的不同取值，同时也描述了其每个值的可能性。一、变量类型及其分布1、 首先我们打开life expectancy这个数据表。本例中的每个国家都有13年的年度观察数据，并且每个国家的13年数据都是以年份为序依次排序。JMP将这种编排方式称为堆叠数据。区分四类变量：定类变量（定名型、定序型），定量变量（定距型、定比型）二、定类变量的分布2、 选择菜单-分析。将region作为Y，列变量。点击确定，得到如下结果。JMP构造出了一个简单的矩形条形图，列出了六个大陆地区，并用直方条显示出相应区域在数据中出现的次数。虽然不能在图表中准确的获悉每个区域中国家的数目，却能清晰的得知south Asia国家数目最少，Europe&Central Asia国家数目最多。图形下方的频数分布表提供了一个更加详细的变量概要。3、 菜单选择图形-图表。图表对话框如下图，可生成很多其他格式的图表。默认设置是竖直方向的条形图。4、选择列框中点击Region，并点击按钮统计量，选择数量。结果得到一张可以显示每个区域观察对象数量的条形图。可以通过点击图表右侧的红色三角形按钮进行更改和自定义图形。5.JMP自动按照字母顺序对定类数据进行结果输出。我们也可以修改输出结果。6.在数据表格中或者在列框中右击Region，选择列信息。7.点击列属性，选择值排序。8.选择一个变量值名，使用按钮上移和下移，最后确定。9.需要点击图表标题右侧的红色三角形按钮，选择脚本重新运行分析。最后才得到我们需要的顺序的图形。三、定量变量的分布1、 选择数据表的一部分某些时候我们需要从数据表中选择某一些特定的行进行分析。JMP为我们提供了在分析包含和剔除行的多种方法。菜单选择行行选择选择符合条件的行。如下图所示，选择那些year等于2010的行，点击添加条件，最后点击确定。菜单选择表-子集。在子集对话框中要确保做出的选择是选定行选项，并点击确定。窗口中会显示出第二张打开的数据表。该表中有与第一张表相同的四个变量，但仅有195行。在每个案例中，观察年份都是2010年，并且每个国家只有一行数据。2、 连续型数据直方图的构建l 菜单选择分析分布。将LifeExp选入Y，列框中。l 当分布窗口打开时，点击LifeExp左侧的红色三角形按钮，选择直方图选项垂直。该操作会清空垂直选项前的复选框，将直方图变成更加符合传统的水平方向。、上面的直方图是世界各国预期寿命分布的一种表示方法，它给我们提供了关于寿命预期是如何变动的视图，直方图上方是一个箱线图。寿命预期在4045岁的国家很少，相对的，许多国家预期寿命在7075岁之间。形状：涉及以下两个方面：直方图的对称性和图形中峰值的数目。显然图中可以看出，是一个非对称图形，图形左侧尾部的观察值很少，而右侧聚集了大量的观察值。我们称具有该形状的图形是左偏分布。峰值在7075岁。中心：分布的中心有多种定义，包括统计意义上的均值、中位数、众数。从视觉上看，我们可以将直方图的中心定义为横轴的中心值（中位数该例接近6065岁），或有最大频数的区间（众数，该例为7075岁），或视觉上的均衡点（均值，该例中接近6570岁）或其他方式的定义。离散程度：中心的概念注重于变量取值的代表性，离散程度的概念则注重于对代表性取值的偏离程度。1、 返回至原始的Life Expectancy数据表。2、 菜单选择行数据过滤器。添加Year作为过滤器列。3、 数据过滤器能帮助我们确定所需行。4、 同时选择如上所示复选框中的包括；默认设置是选择。5、 从主菜单栏中，选择分析分布。6、 如下图所示，选择LifeExp作为Y,列。7、 由于我们想要对各个年份分别进行分析，因此选择Year作为依据，并点击确定。上述操作将会产生两个垂直方向的直方图。观察可知，第一个分布的数轴变化在25岁75岁，而第二个则是从40岁85岁。8、 在分布的输出中，按住Ctrl键的同时点击分布左侧的红色三角形标志便选择统一尺度。9、 再次点击红色三角形，选择堆叠。此时显示的图形如上图所示。与2010年的分布相比，1950年的分布的形状有哪些不同？造成这两个分布形状上的差异是什么？从两个直方图可以看出，人们现在比1950年时生存时间更长。2010年寿命的预期分布的位置远比1950年的偏右。我们可以得知1950年的预期分布比2010年更加分散。以上分析可以揭示过去60年间寿命预期发生了什么变化。精选word范本！