在過去的一個假期中，我和我的家人認為品嚐葡萄酒可能會很有趣。一些成員想要打開不同的葡萄酒瓶，談論我們喜歡的東西，同時趕上並享受輕鬆的周六。但我建議這是進行更正式實驗的好機會。有點不情願，我的家人同意了。
接下來，我確定了一些數據收集方法，這些方法可以為我提供最可靠的葡萄酒質量測量方法，同時測量噪音的可能性最小。
基本的想法是運行一個重複測量實驗 。我想要做的是隨機出現的受試者與未知葡萄酒的樣本，讓他們按1-7的等級評定質量。 為了從我們大部分未經過培訓的葡萄酒品嚐主題中獲得更穩定的質量評估，我決定隨機提供每種葡萄酒的三個樣品，然後平均得分。
我們指定一名家庭成員作為測試管理員，他將每瓶葡萄酒放入紙袋中，使得受試者無法看到他們的玻璃杯中倒入了什麼酒。測試管理員還將每次重複的試驗的呈現順序隨機化，使得每個試驗塊中的葡萄酒的順序在不同的塊中是不同的。
實驗程序如下：
測試管理員倒入大約1盎司。將葡萄酒加入每個受試者的玻璃杯中。受試者品嚐葡萄酒並在響應卡上輸入1-7的質量分數。然後受試者通過吃幾個餅乾並聞到一杯研磨咖啡來清潔他或她的味覺。對於四個試驗的三個塊中的每一個重複該過程（總共12個口味和每個受試者的評級）。
實驗完成後，我能夠將他們的回答輸入JMP數據表。對於這個實驗，我有一個簡單的研究問題：
一些葡萄酒的評級是否明顯高於或低於其他葡萄酒？
為了回答這個問題，我在JMP（Analyze> Fit Model）中使用了Fit Model平台。因為我正在分析重複測量實驗，所以我使用了混合模型個性，這是新的 JMP Pro 11 。
我有一個隨機效果的主題，我想在我的身體中考慮，混合模型的個性讓我輕鬆地做到這一點。
在擬合模型之前，通常最好在Graph Builder中可視化您的數據，以查看是否可以發現可能影響後續統計分析的任何模式，異常值或其他問題。
在上圖中，您可以看到每個葡萄酒樣本的每個主題的平均分數。在葡萄酒和質量得分之間發現任何清晰的模式並不容易。似乎總的來說，葡萄酒2和葡萄酒3似乎被評為更高，但是一些主題似乎對同一種葡萄酒的評級大不相同。在運行這些類型的行為/主觀研究時，您將不可避免地遇到這種情況。混合模型分析將讓我們考慮這些主題 - 主題之間的差異，並分析我們的固定效果（葡萄酒樣本）是否有任何重要意義。
這是Fit Model中的模型規範。我選擇了混合模特的個性。我們的Y是Avg。質量得分。我模型中唯一固定的效果是Wine。而我模型中的隨機效應是主題。
以下是Fit Mixed模型輸出。
JMP為我提供了許多自定義報告以及擬合統計，隨機效應協方差參數估計以及固定效果測試的選項。效果測試是我真正感興趣的幫助回答我的研究問題。看起來葡萄酒對這組受試者的質量有顯著影響。但遺憾的是，這並沒有告訴我哪些葡萄酒與其他葡萄酒有顯著差異。
為此，我將在JMP 11中使用另一個新工具：Multiple Comparisons。您將在紅色三角形菜單中找到適合混合輸出的多重比較小部件。要對我的固定效果進行事後測試，我將從Multiple Comparisons選項中選擇All Pairwise Comparisons - Tukey HSD。
JMP中多重比較的一個很好的特性是與統計數據相關的信息圖形，這使得成對差異的可視化變得容易。
我已經確定了兩個重要差異的標籤。所有顯著差異均為紅色，所有非顯著的成對差異均為藍色。對於我來說，這比查看統計輸出表更容易（儘管該表仍然在報告中;我在這篇文章中省略了它）。
Wine 2和Wine 3的評級明顯高於Wine 1。所有其他比較都沒有達到顯著性。可能的情況是，我沒有足夠的統計能力可靠地測量差異 - 下次可能獲得大樣本量（邀請鄰居參加我們的聚會）可能是個好主意。但至少對於這組科目，如果我們想要快樂的葡萄酒飲用者，我們應該再次購買Wine 2和Wine 3瓶，並避免葡萄酒1。
我的方法遠非完美，可能還有其他因素會影響我在簡單模型中沒有考慮到的響應。但是，使用JMP 11和JMP Pro 11中的一些重要新功能，在JMP中運行快速實驗並進行有效分析是一種有趣的方式。
丹尼爾瓦倫特中寫道：
嗨肖恩 -
感謝您的評論。使用變量圖表作為查看原始數據的方法是一個很好的主意。
肖恩S. 中寫道：
擔，
開始此分析的一個很好的圖表是一個可變性圖表，其中包含評級與葡萄酒和品酒師。它將向我們展示每個Rater的測量誤差以及整個葡萄酒的評級總體變化。我的許多座右銘之一總是從顯示原始數據開始。
