Au cours de la dernière saison de vacances, lors d'une réunion, ma famille et moi-même avons pensé qu'il serait amusant de faire une dégustation de vin. Certains membres voulaient simplement ouvrir différentes bouteilles de vin et parler de celles que nous aimions tout en nous rattrapant et en nous relaxant le samedi. Mais j'ai suggéré que ce serait une excellente occasion de mener une expérience plus formelle. Un peu à contrecœur, ma famille a accepté.
Ensuite, j'ai déterminé des méthodes de collecte de données qui me permettraient de mesurer de la manière la plus fiable possible la qualité d'un vin tout en minimisant les risques de bruit.
L'idée de base est de lancer un expérience de mesures répétées . Ce que je veux faire, c'est présenter au hasard des sujets avec un échantillon de vin inconnu et leur demander d'évaluer la qualité sur une échelle de 1 à 7. Pour obtenir une estimation un peu plus stable de la qualité de nos sujets de dégustation de vin en grande partie non entraînés, j'ai décidé de présenter trois échantillons de chaque vin au hasard, puis de faire la moyenne des scores.
Nous avons désigné un membre de la famille comme administrateur du test, qui a placé chaque bouteille de vin dans un sac en papier de sorte que les sujets ne puissent pas voir quel vin était versé dans leur verre. L’administrateur du test a également randomisé l’ordre de présentation des essais par répétition, de sorte que l’ordre des vins dans chaque bloc d’essais n’était pas le même, d’un bloc à l’autre.
La procédure expérimentale était la suivante:
L’administrateur du test verse environ 1 oz. de vin dans le verre de chaque sujet.Le sujet goûte le vin et inscrit une note de qualité de 1 à 7 sur une fiche de réponse.Le sujet nettoie ensuite son palais en mangeant plusieurs craquelins et en sentant un récipient de café moulu.Cette procédure a été répétée pour chacun des trois blocs de quatre essais (12 goûts et notes par sujet au total).
Une fois l'expérience terminée, j'ai pu saisir leurs réponses dans un tableau de données JMP. Pour cette expérience, j'avais une simple question de recherche:
Certains vins sont-ils notés nettement plus haut ou plus bas que d'autres vins?
Pour répondre à cette question, j'ai utilisé la plate-forme Fit Model dans JMP (Analyse> Fit Model). En analysant une expérience de mesures répétées, j’ai utilisé la personnalité du modèle mixte, qui est nouvelle dans JMP Pro 11 .
J'ai un effet aléatoire de Subject que je veux prendre en compte dans mon ajustement, et la personnalité du Modèle mixte me permet de le faire facilement.
Avant d’ajuster le modèle, il est souvent judicieux de visualiser vos données dans Graph Builder pour voir si vous pouvez repérer des modèles, des points aberrants ou d’autres problèmes susceptibles d’affecter votre analyse statistique ultérieure.
Dans la figure ci-dessus, vous pouvez voir le score moyen de chacun de mes sujets pour chacun des échantillons de vin. Il n’est pas facile de déceler des tendances claires entre le vin et les notes de qualité. Il semble qu'en général, Wine 2 et Wine 3 semblent être mieux notés, mais certains sujets semblent avoir des notations très différentes pour le même vin. C’est quelque chose que vous rencontrerez invariablement en exécutant ce type d’études comportementales / subjectives. L'analyse de modèle mixte nous permettra de prendre en compte ces différences de sujet à sujet et d'analyser s'il y a quelque chose de significatif dans notre effet fixe (échantillon de vin).
Voici les spécifications du modèle dans Fit Model. J'ai sélectionné la personnalité du modèle mixte. La réponse, notre Y, est la moyenne. Score de qualité. Le seul effet fixe que j'ai dans mon modèle est le vin. Et l'effet aléatoire dans mon modèle est Subject.
Vous trouverez ci-dessous la sortie du modèle Fit Mixed.
JMP me donne de nombreuses options pour personnaliser le rapport ainsi que les statistiques d'ajustement, les estimations de paramètres de covariance des effets aléatoires ainsi que les tests des effets fixes. Ce qui m’intéresse vraiment, c’est les tests d’effets qui me permettent de répondre à ma question de recherche. Et il semble que le vin ait un effet significatif sur la qualité de ce groupe de sujets. Mais malheureusement, cela ne me dit pas quels vins sont significativement différents des autres.
Pour cela, je vais utiliser un autre nouvel outil dans JMP 11: Comparaisons multiples. Vous trouverez le widget Comparaisons multiples dans le menu du triangle rouge pour la sortie Fit Mixed. Pour effectuer un test post-hoc sur mon effet fixe, je sélectionnerai l'option Toutes les comparaisons paires par paire - Tukey HSD parmi les comparaisons multiples.
L'une des fonctionnalités intéressantes des comparaisons multiples dans JMP est le graphique informatif qui accompagne les statistiques, ce qui facilite la visualisation des différences par paires.
J'ai épinglé les étiquettes des deux différences par paires qui sont significatives. Toutes les différences significatives sont colorées en rouge et toutes les différences non significatives par paires sont colorées en bleu. C’est beaucoup plus facile pour moi que de regarder un tableau de résultats statistiques (bien que ce tableau soit toujours présent dans le rapport; je l’ai simplement oublié dans cet article).
Wine 2 et Wine 3 sont notés nettement plus élevés que Wine 1. Toutes les autres comparaisons n’ont pas été significatives. Il se peut que je n’aie pas assez de puissance statistique pour mesurer une différence de manière fiable. Peut-être qu’il serait peut-être judicieux d’obtenir un grand échantillon la prochaine fois (inviter les voisins à notre réunion). Mais au moins pour ce groupe de sujets, si nous voulons des buveurs de vin heureux, nous devrions acheter à nouveau des bouteilles de vin 2 et de vin 3 et éviter le vin 1.
Mes méthodes sont loin d’être parfaites et d’autres facteurs pourraient influer sur les réponses que je n’ai pas prises en compte dans mon modèle simple. Mais c’était une façon amusante d’exécuter une expérience rapide et de l’analyser efficacement dans JMP à l’aide de nouvelles fonctionnalités intéressantes, telles que JMP 11 et JMP Pro 11.
Daniel Valente a écrit:
Salut Sean -
Merci pour le commentaire. L'utilisation d'un graphique variable pour examiner les données brutes est une excellente idée.
Sean S a écrit:
Dan,
Un bon graphique pour commencer cette analyse aurait été un tableau de variabilité avec classement vs vin et dégustateur. Cela nous montrerait l'erreur de mesure pour chaque évaluateur et la variation globale de la notation entre les vins. Une de mes nombreuses devises est toujours de commencer par montrer les données brutes.
