Durante esta pasada temporada de vacaciones en una reunión, mi familia y yo pensamos que podría ser divertido hacer una cata de vinos. Algunos miembros solo querían abrir diferentes botellas de vinos y hablar sobre los que nos gustaban cuando nos poníamos al día y teníamos un sábado relajante. Pero sugerí que esta sería una gran oportunidad para realizar un experimento más formal. Un poco de mala gana, mi familia estuvo de acuerdo.
A continuación, determiné algunos métodos para la recopilación de datos que me darían la medida más confiable de la calidad del vino con la menor posibilidad de ruido en la medición.
La idea básica es ejecutar un experimento de medidas repetidas . Lo que quiero hacer es presentar a los sujetos al azar con una muestra de vino desconocido y hacer que califiquen la calidad en una escala del 1-7. Para obtener una estimación de calidad un poco más estable de nuestros sujetos de cata de vinos, en gran parte sin entrenamiento, decidí presentar tres muestras de cada vino al azar y luego promediar las puntuaciones.
Designamos a un miembro de la familia como administrador de la prueba, quien colocó cada botella de vino en una bolsa de papel de tal manera que los sujetos no pudieran ver qué vino se estaba vertiendo en su copa. El administrador de la prueba también asignó al azar el orden de presentación de las pruebas por repetición, de manera que la orden de los vinos dentro de cada bloque de prueba no fue la misma en todos los bloques.
El procedimiento experimental se realizó de la siguiente forma:
El administrador de la prueba vierte aproximadamente 1 oz. de vino en la copa de cada sujeto.El sujeto prueba el vino e ingresa un puntaje de calidad de 1 a 7 en una tarjeta de respuesta.El sujeto luego limpia su paladar al comer varias galletas y oler un recipiente de café molido.Este procedimiento se repitió para cada uno de los tres bloques de cuatro ensayos (12 gustos y calificaciones por materia en total).
Una vez que se completó el experimento, pude ingresar sus respuestas en una tabla de datos JMP. Para este experimento, tenía una pregunta de investigación simple:
¿Son algunos vinos clasificados significativamente más altos o más bajos que otros vinos?
Para responder a esta pregunta, utilicé la plataforma Fit Model en JMP (Analyze> Fit Model). Como estoy analizando un experimento de medidas repetidas, utilicé la personalidad de modelo mixto, que es nueva en JMP Pro 11 .
Tengo un efecto aleatorio de Asunto que quiero explicar en mi ajuste, y la personalidad del Modelo Mixto me permite hacerlo fácilmente.
Antes de ajustar el modelo, a menudo es una buena idea visualizar sus datos en Graph Builder para ver si puede detectar patrones, valores atípicos u otros problemas que puedan afectar su posterior análisis estadístico.
En la figura de arriba, puede ver el puntaje promedio de cada uno de mis temas para cada una de las muestras de vino. No es fácil detectar patrones claros entre el vino y las puntuaciones de calidad. Parece que en general, Wine 2 y Wine 3 parecen tener una calificación más alta, pero algunos temas parecen tener calificaciones muy diferentes para el mismo vino. Esto es algo que invariablemente encontrará al ejecutar estos tipos de estudios de comportamiento / subjetivos. El análisis del modelo mixto nos permitirá explicar estas diferencias entre sujetos y analizar si hay algo significativo en nuestro efecto fijo (muestra de vino).
Aquí está la especificación del modelo en Fit Model. He seleccionado la personalidad de modelo mixto. La respuesta, nuestra Y, es la media. Puntaje de calidad. El único efecto fijo que tengo en mi modelo es el vino. Y el efecto aleatorio en mi modelo es Sujeto.
A continuación se muestra la salida del modelo Fit Mixed.
JMP me ofrece muchas opciones para personalizar el informe, así como las estadísticas de ajuste, las estimaciones de los parámetros de covarianza de los efectos aleatorios y las pruebas de efectos fijos. Las Pruebas de efectos son lo que realmente me interesa para ayudar a responder mi pregunta de investigación. Y parece que hay un efecto significativo del vino en la calidad de este grupo de sujetos. Pero desafortunadamente, por sí solo, esto no me dice qué vinos son significativamente diferentes a los otros.
Para eso, voy a usar otra herramienta nueva en JMP 11: Comparaciones múltiples. Encontrará el widget de Comparaciones múltiples en el menú del triángulo rojo para la salida Ajustar mixta. Para realizar una prueba post hoc en mi efecto fijo, seleccionaré Todas las comparaciones por pares - Tukey HSD de las opciones de Comparaciones múltiples.
Una de las características interesantes de Múltiples comparaciones en JMP es el gráfico informativo que acompaña a las estadísticas, lo que facilita la visualización de las diferencias por pares.
He fijado las etiquetas de las dos diferencias de pares que son significativas. Todas las diferencias significativas están coloreadas en rojo y todas las diferencias no significativas en pares son coloreadas en azul. Esto es mucho más fácil para mí que mirar una tabla de resultados estadísticos (aunque esa tabla todavía está en el informe; la he omitido en esta publicación).
Wine 2 y Wine 3 tienen una calificación significativamente más alta que Wine 1. Todas las otras comparaciones fallaron en alcanzar significación. Puede darse el caso de que no tuviera suficiente poder estadístico para medir de manera confiable una diferencia; tal vez obtener una muestra de gran tamaño la próxima vez (invitar a los vecinos a nuestra reunión) puede ser una buena idea. Pero al menos para este grupo de temas, si queremos bebedores de vino felices, deberíamos comprar botellas de vino 2 y vino 3 nuevamente, y evitar el vino 1.
Mis métodos están lejos de ser perfectos, y podría haber otros factores que afecten las respuestas que no he explicado en mi modelo simple. Pero fue una forma divertida de realizar un experimento rápido y analizarlo de manera efectiva en JMP usando algunas características nuevas y excelentes en JMP 11 y JMP Pro 11.
Daniel Valente escribió:
Hola Sean -
Gracias por el comentario. Usar una gráfica de variables como una forma de ver los datos en bruto es una excelente idea.
Sean S escribió:
Dan,
Un gran gráfico para comenzar este análisis habría sido un gráfico de Variabilidad con Calificación frente a Vino y Catador. Nos mostraría el error de medición para cada evaluador y la variación general en la calificación de los vinos. Uno de mis muchos lemas es comenzar mostrando los datos en bruto.
