L'expérience conçue nous a permis de préparer du thé glacé qui plairait à la foule. (Photos courtoisie de Caroll Co)
Dans mon post précédent J'ai décrit une expérience que ma femme et moi avons menée pour trouver une méthode permettant de préparer un délicieux thé glacé avec du jus. Les facteurs que nous avons examinés étaient les suivants:
Type de thé: thé noir ou oolong Méthode raide: eau chaude vs eau froide Temps raide: court (5 minutes chaud / 4 heures froid) ou long (10 minutes chaud / 8 heures froid) Quantité de thé: 2 c. À thé par tasse ou 3 c. À thé par tasse Jus: canneberge ou pomme Proportion de jus: 25% ou 50% Sucre ajouté: 1 c. À thé ou 2 c. À thé par tasse de liquideAlors, avons-nous pu faire du thé glacé au bon goût? Heureusement oui.
Cependant, en faisant l’analyse, j’ai réalisé que j’aurais dû faire plus attention lors de la mise en place de la conception. Pour ceux qui ne se soucient pas de lire tous les détails ci-dessous, je vais vous dire ce que notre expérience suggérait qui fonctionnait le mieux: un jus de pomme avec du thé oolong était la meilleure combinaison, la méthode du froid froid étant potentiellement meilleure.
Effectuer l'expérience
Bien que la cuisine soit devenue un peu encombrée, nous avons pu mener à bien l'expérience. J'ai randomisé les chiffres sur les tasses afin que ma femme ne puisse pas facilement associer des lots de thé, et l'utilisation du ruban à mesurer pour la réponse était efficace.
L'analyse
Si vous vous rappelez la configuration, je n’ai spécifié qu’un modèle d’effets principal dans le concepteur personnalisé. En regardant la carte des couleurs sur les corrélations, la conception est orthogonale pour les effets principaux, donc je peux les estimer indépendamment… mais j'ai un pseudonyme complet entre les effets principaux de la parcelle et les interactions à deux facteurs de la parcelle.
Celui qui m'a le plus préoccupé est type de thé être confondu avec méthode raide * temps raide . La période abrupte n’est en réalité qu’un paramètre fictif qui dépend de la méthode. Par conséquent, avec le recul, j’aurais inclus cette interaction dans le modèle. Je suppose que c’est le but de l’expérimentation de suivi, même si je n’ai pas eu ce luxe cette fois-ci.
Selon le modèle d’effets principal, je constate que le jus de pomme et l’utilisation accrue de celui-ci sont significatifs. J'ai aussi remarqué que le thé oolong et la trempe à froid ont des effets plus importants.
Après avoir exploré quelques modèles, je constate qu’un modèle beaucoup plus simple consiste à utiliser une proportion de thé, de jus et de jus:
Il est intéressant de noter le jus * proportion de jus interaction, car il était partiellement aliasé avec la méthode raide dans la conception d'origine. Avec l'interaction dans le modèle, l'effet de la méthode raide devient plutôt faible. Nous étudierons toujours la méthode raide si / lorsque nous ferons quelques expériences supplémentaires, mais le fait que les deux effets principaux de l'interaction soient significatifs suggère que l'effet le plus important dans le modèle des effets principaux était principalement dû à l'interaction.
Dernières pensées
J'aurais été plus prudent avec la conception si nous avions eu plus de temps. Mais nous avons quand même eu des résultats utiles.
Si je n'avais pas eu besoin de temps, j'aurais été plus prudent avec le concept que nous avions utilisé, soit en ajustant le nombre de parcelles complètes, soit en veillant à ce que la confusion se produise entre les interactions à deux facteurs. Cependant, cela valait mieux que pas d'expérience du tout, puisque nous n'avions aucune idée si nous serions même en mesure de proposer un thé glacé à envisager de servir, les résultats ont donc été agréablement surprenants.
Nous avons fait du thé oolong froid et froid pendant la nuit, puis nous avons utilisé la proportion de jus de pomme à 50%. D'après les résultats, nous avons également utilisé moins de thé et de sucre que nous n'aurions pu le faire autrement, car ils n'ont pas eu d'effet important. Nous sommes passés par 2 gallons pour 10 personnes, avec d'autres options de boisson (y compris le jus de pomme tout seul), donc ça n'a pas dû être si mauvais.
Des expériences de cuisine futures que vous voudriez voir? Laissez un commentaire ci-dessous et laissez-moi savoir. Merci d'avoir lu!
Dwight Fisher a écrit:
Bien que cela nécessite une conception différente, la mise à l'échelle multidimensionnelle a une histoire avec ce type de questions et peut fournir des informations supplémentaires lorsque vous essayez de comprendre la base des préférences.
Cesar Sertzen a écrit:
Article amusant Ryan! J'ai vraiment aimé lire ces deux articles. La première chose qui me vient à l’esprit est la cuisson (levure, sucre, farine, ...) - et vous pourriez avoir de très bons facteurs de réponse - dureté, hauteur, rebond, goût général ...
Gâteaux! Trouvez la recette de gâteau optimale
Ryan Lekivetz a écrit:
Quelques idées très intéressantes, merci. J'ai réfléchi aux moyens d'impliquer une partie de l'équipe JMP, en particulier avec de telles réponses subjectives. J'espère que j'aurai l'occasion d'explorer davantage cette question si je peux trouver le temps (et les ressources)!
Michael Clayton a écrit:
Les interactions en général sont ce qui permet aux aliments de goûter à un monde aussi désordonné mais merveilleux.
Pensez à tous les "experts du goût" et "gourous gourmets", certains qui travaillent pour les grands fabricants d'aliments emballés, d'autres qui jugent les restaurants ou les bons ou les mauvais vins.
Cela nous amène à une "étude gage" sur les facteurs humains comme une idée pour une étude plus approfondie, peut-être ou juste. Les études sur les machines sont belles et simples, mais les facteurs humains sont vraiment désordonnés ... comme les prévisions économiques ou même les modèles économiques dans les études EDA. Si vous ajoutez des voisins au lieu de simplement votre femme qui aime le thé, que se passe-t-il? Cela pourrait vous donner la vue "commerciale" et vous pouvez vendre la marque qui en résulte ??
Les grands gourous des données qui ont gagné sur les problèmes de facteurs humains semblent être ceux qui combinent les résultats de nombreux autres travailleurs pour obtenir un consensus sur les prévisions, comme Nate Silver sur le baseball et les élections.
