À l`aide de l`ajustement Y par X, vous pouvez tester et modéliser les dépendances entre une entrée unique et un résultat. JMP unifie ce qui est normalement considéré comme un ensemble disparate d`approches statistiques dans un ensemble cohérent et compréhensible et fournit une sortie graphique afin que vous puissiez comprendre les résultats facilement. 3) auto-défaite d`un algorithme: après qu`un algorithme devienne un standard de mesure accepté, il peut être profité par des personnes qui comprennent l`algorithme et ont l`incitation à tromper ou à manipuler le résultat. C`est ce qui est arrivé à la notation CDO décrite ci-dessus. Les concessionnaires CDO ont activement rempli les commentaires des agences de notation pour atteindre un AAA ou Super-AAA sur le CDO qu`ils émettaient, en manipulant intelligemment des variables qui étaient «inconnues» aux modèles «sophistiqués» des agences de notation. La modélisation prédictive est souvent associée à la météorologie et aux prévisions météorologiques, mais elle a de nombreuses applications dans les affaires. La plate-forme PLS de JMP fournit des fonctionnalités de base, mais avec JMP Pro, il existe également une personnalité PLS dans la plate-forme fit Model qui vous permet d`adapter des modèles plus complexes impliquant des pouvoirs et des termes d`interaction. Avec JMP Pro, vous pouvez également imputer des valeurs manquantes et créer des modèles PLS en utilisant un choix de méthodes de validation. Une fois que le modèle a été estimé, nous serions intéressés de savoir si les variables prédictives appartiennent au modèle, c`est-à-dire que l`estimation de la contribution de chaque variable est-elle fiable? Pour ce faire, nous pouvons vérifier l`importance statistique des coefficients du modèle qui peuvent être mesurés à l`aide de la statistique t. Cela revient à tester si le coefficient est significativement différent de zéro.
La façon dont le modèle prédit la variable dépendante en fonction de la valeur des variables indépendantes peut être évaluée à l`aide de la statistique R ². Il mesure la puissance prédictive du modèle, c`est-à-dire la proportion de la variation totale de la variable dépendante qui est «expliquée» (comptabilisée) par la variation des variables indépendantes. Bien qu`il puisse être tentant de penser que les mégadonnées rendent les modèles prédictifs plus précis, les théorms statistiques montrent que, après un certain point, l`alimentation de plus de données dans un modèle d`analyse prédictive n`améliore pas la précision. L`analyse des portions représentatives des informations disponibles–échantillonnage–peut aider à accélérer le temps de développement sur les modèles et leur permettre d`être déployés plus rapidement. Les modèles de série temporelle sont utilisés pour prédire ou prévoir le comportement futur des variables. Ces modèles expliquent le fait que les points de données pris au fil du temps peuvent avoir une structure interne (comme l`autocorrélation, la tendance ou la variation saisonnière) qui devrait être comptabilisée.