In der vergangenen Ferienzeit während einer Versammlung dachten meine Familie und ich, dass es Spaß machen könnte, eine Weinprobe zu machen. Einige Mitglieder wollten einfach verschiedene Flaschen Wein öffnen und über diejenigen sprechen, die uns am Samstag gefallen und einen entspannten Samstag gefunden haben. Ich schlug jedoch vor, dass dies eine großartige Gelegenheit wäre, ein formelleres Experiment durchzuführen. Etwas widerwillig stimmte meine Familie zu.
Als Nächstes habe ich einige Methoden zur Datenerfassung festgelegt, die mir die zuverlässigste Messung der Weinqualität mit der geringsten Lärmwahrscheinlichkeit in der Messung ermöglichen.
Die Grundidee besteht darin, eine Experiment mit wiederholten Messungen . Was ich tun möchte, ist die zufällige Präsentation von Probanden mit einer Probe unbekannten Weins und die Bewertung der Qualität auf einer Skala von 1 bis 7. Um eine etwas stabilere Qualitätsschätzung unserer weitgehend ungeschulten Weinproben zu erhalten, habe ich beschlossen, drei Proben jedes Weins zufällig zu präsentieren und dann die Bewertungen zu mitteln.
Wir benannten ein Familienmitglied als Testverwalter, der jede Flasche Wein in eine Papiertüte stellte, sodass die Probanden nicht sehen konnten, welcher Wein in ihr Glas gegossen wurde. Der Testadministrator randomisierte auch die Reihenfolge der Versuche pro Wiederholung, so dass die Reihenfolge der Weine in den einzelnen Testblöcken nicht über die Blöcke hinweg gleich war.
Das experimentelle Verfahren war wie folgt:
Der Testadministrator gießt ungefähr 1 oz. Wein in das Glas jedes Probanden.Die Testperson probiert den Wein und gibt auf einer Antwortkarte eine Qualitätsbewertung von 1-7 ein.Das Subjekt reinigt dann seinen oder ihren Gaumen, indem es mehrere Cracker isst und einen Behälter mit gemahlenem Kaffee riecht.Dieses Verfahren wurde für jeden der drei Blöcke von vier Versuchen wiederholt (12 Geschmacksrichtungen und Bewertungen insgesamt).
Nachdem das Experiment abgeschlossen war, konnte ich ihre Antworten in eine JMP-Datentabelle eingeben. Für dieses Experiment hatte ich eine einfache Forschungsfrage:
Sind einige Weine wesentlich höher oder niedriger bewertet als andere Weine?
Um diese Frage zu beantworten, habe ich die Plattform Fit Model in JMP (Analyze> Fit Model) verwendet. Da ich ein Experiment mit wiederholten Messungen analysiere, habe ich die Mixed Model-Persönlichkeit verwendet, die neu ist JMP Pro 11 .
Ich habe einen zufälligen Effekt von Subject, den ich in meiner Passform berücksichtigen möchte, und die Mixed-Model-Persönlichkeit lässt mich dies leicht tun.
Bevor Sie das Modell anpassen, ist es oft eine gute Idee, Ihre Daten in Graph Builder zu visualisieren, um festzustellen, ob Sie Muster, Ausreißer oder andere Probleme erkennen können, die sich auf Ihre spätere statistische Analyse auswirken können.
In der Abbildung oben sehen Sie die durchschnittliche Punktzahl für jedes meiner Motive für jede Weinprobe. Es ist nicht leicht, klare Muster zwischen den Wein- und Qualitätsbewertungen zu erkennen. Es scheint, als würden Wein 2 und Wein 3 generell höher bewertet werden, aber einige Probanden scheinen sehr unterschiedliche Bewertungen für denselben Wein zu haben. Dies ist etwas, dem Sie immer begegnen werden, wenn Sie diese Art von Verhaltens- / subjektiven Studien durchführen. Die gemischte Modellanalyse ermöglicht es uns, diese Unterschiede von Subjekt zu Subjekt zu berücksichtigen und zu analysieren, ob unser fixer Effekt (Weinprobe) von Bedeutung ist.
Hier ist die Modellspezifikation in Fit Model. Ich habe die Mixed Model-Persönlichkeit ausgewählt. Die Antwort, unser Y, ist der Avg. Qualitätsfaktor Der einzige feste Effekt, den ich in meinem Modell habe, ist der Wein. Und der zufällige Effekt in meinem Modell ist Subject.
Unten sehen Sie die Ausgabe des Fit-Mischmodells.
JMP bietet viele Optionen zum Anpassen des Berichts sowie Anpassungsstatistiken, Schätzwerte für die Kovarianzparameter für Zufallseffekte sowie die Tests für feste Effekte. Die Effects-Tests sind das, was mich wirklich interessiert, um meine Forschungsfrage zu beantworten. Und es sieht so aus, als ob Wein für diese Gruppe von Themen einen erheblichen Einfluss auf die Qualität hat. Aber das sagt mir leider nicht aus, welche Weine sich deutlich von den anderen unterscheiden.
Dafür verwende ich in JMP 11 ein weiteres neues Werkzeug: Multiple Comparisons. Sie finden das Widget "Mehrere Vergleiche" im roten Dreiecksmenü für die gemischte Ausgabe. Um einen Post-hoc-Test für meinen festen Effekt durchzuführen, wähle ich die All Pairwise Comparisons - Tukey-HSD aus den Optionen für Multiple Comparisons.
Eine der schönen Funktionen von Multiple Comparisons in JMP ist die informative Grafik, die zu den Statistiken gehört. Dies macht es einfacher, paarweise Unterschiede zu visualisieren.
Ich habe die Bezeichnungen der beiden paarweisen signifikanten Unterschiede fixiert. Alle signifikanten Unterschiede sind rot und alle nicht signifikanten paarweisen Unterschiede blau. Dies ist für mich viel einfacher als der Blick auf eine Tabelle mit statistischen Ausgaben (obwohl diese Tabelle noch im Bericht enthalten ist; ich habe sie gerade in diesem Beitrag weggelassen).
Wein 2 und Wein 3 werden deutlich höher bewertet als Wein 1. Alle anderen Vergleiche erreichten keine Bedeutung. Möglicherweise hatte ich nicht genügend statistische Fähigkeiten, um einen Unterschied zuverlässig zu messen. Vielleicht ist es eine gute Idee, beim nächsten Mal eine große Stichprobengröße zu erhalten (die Nachbarn zu unserem Treffen einzuladen). Aber zumindest für diese Gruppe von Probanden sollten wir, wenn wir glückliche Weintrinker wollen, wieder Flaschen Wein 2 und Wein 3 kaufen und Wein 1 meiden.
Meine Methoden sind alles andere als perfekt und es könnte andere Faktoren geben, die die Reaktionen beeinflussen, die ich in meinem einfachen Modell nicht berücksichtigt habe. Es war jedoch eine unterhaltsame Art, ein schnelles Experiment durchzuführen und es effektiv in JMP zu analysieren, indem einige großartige neue Funktionen in JMP 11 und JMP Pro 11 verwendet wurden.
