Cet article est le deuxième d'une série qui montrera comment nous avons mené une étude d'observation sur les températures dans les bureaux, de la conception à l'exécution, en passant par l'analyse et la visualisation. Pour le premier post, voir Partie I .
Dans le post précédent, nous avons discuté des facteurs susceptibles d’affecter la température dans les bureaux. Nous avons utilisé la plate-forme de conception d’expériences de JMP pour concevoir une étude d’observation permettant de déterminer si ces facteurs sont de puissants prédicteurs. Aujourd'hui, nous examinerons le processus selon lequel nous avons collecté les données et comment celles-ci ont été rassemblées pour analyse.
Nous avions neuf thermomètres numériques pour prendre des mesures de température, illustrés à gauche. Ils étaient petits, faciles à transporter d'un bureau à l'autre. Le capteur de métal au bout du fil était la partie à laquelle chaque volontaire devait faire attention. Les capteurs étaient très sensibles aux changements de température, mais souvent lents à changer et à se stabiliser. Par exemple, si vous touchiez accidentellement le capteur avec votre main, la température relevée augmenterait rapidement, mais il faudrait plusieurs minutes pour revenir à la température ambiante.
Nous avons appelé à un nouvel ensemble d'assistants à chaque fois que nous avons pris une mesure et avons eu beaucoup de volontaires différents à chaque fois. Certaines personnes se sont portées volontaires pour la plupart ou la totalité des sessions, tandis que d'autres ne pouvaient aider que pour une ou deux personnes. Chaque volontaire a reçu un thermomètre et une mission pour un secteur. Rappelez-vous qu’un secteur compte 10 bureaux. Chaque bureau a ses caractéristiques, qu'il s'agisse du côté est ou du côté ouest du bâtiment et du type d'espace dont il s'agit. Les volontaires ont rempli leur feuille de travail et l'ont rendue. Chaque formulaire ressemblait à ceci:
Chaque volontaire a été affecté à 10 bureaux. À l'intérieur d'un bureau, ils tenaient le thermomètre au centre de la pièce et attendaient quelques minutes que le thermomètre se stabilise. Les volontaires ont également pris note du temps qu'il fait à l'extérieur (pluvieux, ensoleillé, etc.) et beaucoup ont pris des notes concernant les conditions rencontrées à l'intérieur du bureau. Par exemple, certains bureaux étaient vacants avec les lumières éteintes, tandis que d'autres avaient de nombreuses lampes et plusieurs ordinateurs dans la pièce. Une pièce avait même un radiateur. Un commentaire fréquent était que les pièces vides et sombres semblaient être systématiquement plus fraîches que celles occupées. Ces types d'observations ne sont pas des facteurs que nous pensions inclure dans le modèle, mais c'est l'une des raisons pour lesquelles on appelle cela un étude observationnelle . Si une expérience plus rigoureuse et mieux contrôlée devait être réalisée dans le futur, nous saurions maintenant contrôler également des choses comme si les lumières étaient allumées.
Une fois les données collectées pour les six périodes d'enregistrement, un volontaire chanceux s'est vu confier la tâche de saisir des données dans JMP. Ensuite, nous avons utilisé Tables-> Concatenate pour assembler les données de tous les 54 «exécutions» dans une grande table. Une fois cette opération terminée, quelques tâches de maintenance devaient être effectuées sur les données.
1. Créer une nouvelle colonne nommée Fahrenheit qui utilise une formule pour modifier Y. Nos mesures ont été prises en degrés Celsius, mais personnellement, je suis beaucoup plus familier avec l’échelle Fahrenheit, je vais donc utiliser une colonne Fahrenheit dans mes analyses.
2 Ajoutez la propriété de colonne Value Ordering à moment de la journée . L'ordre par défaut dans JMP est alphabétique, et "après-midi" viendra avant "matin" par défaut. Je voudrais changer cela pour que dans toute visualisation que nous créons, le «matin» soit répertorié avant «après-midi».
3 Exécutez une distribution sur Fahrenheit pour vérifier l'intégrité des données lors de la saisie des données. Nous voyons que les données de la première image semblent faussées par une valeur aberrante. En revérifiant les données, je constate qu'il y a eu une faute de frappe lors de la saisie des données. 242 a été entré au lieu de 24.2. Après correction, nous voyons une distribution qui ressemble beaucoup plus à ce que nous nous attendons à voir.
Maintenant, je pense que nous sommes prêts à exécuter notre modèle et à explorer les données visuellement à l'aide des outils JMP. Selon vous, quels facteurs seront importants dans le modèle? Dans le prochain article, recherchez un aperçu des nouvelles fonctionnalités de Graph Builder dans JMP 9.
Que pensez-vous de notre processus de collecte et de nettoyage des données? Que ferais-tu différemment?
Quels facteurs affectent la température du bureau? Exploration de ce qui est important - JMP Blog a écrit:
[...] sur les températures de bureau, de la conception à l'exécution en passant par l'analyse et la visualisation. Voir partie I, partie II et partie [...]
