Dieser Beitrag ist der zweite in einer Serie, die zeigen wird, wie wir eine Beobachtungsstudie über die Bürotemperaturen durchgeführt haben, vom Entwurf über die Ausführung bis zur Analyse und Visualisierung. Für den ersten Beitrag siehe Teil I .
Im vorherigen Beitrag haben wir diskutiert, welche Faktoren die Bürotemperaturen beeinflussen können. Wir verwendeten die Design-Experiment-Plattform von JMP, um eine Beobachtungsstudie zu entwerfen, die feststellt, ob diese Faktoren starke Prädiktoren sind. Heute untersuchen wir den Prozess, mit dem wir die Daten gesammelt haben und wie die Daten für die Analyse zusammengestellt wurden.
Wir hatten neun digitale Thermometer zur Verfügung, um die Temperaturmessungen durchzuführen (siehe Abbildung links). Sie waren klein und leicht von Büro zu Büro zu tragen. Der Metallsensor am Ende des Drahtes war der Teil, auf den jeder Freiwillige aufpassen musste. Die Sensoren waren sehr empfindlich gegenüber Temperaturschwankungen, ändern sich jedoch häufig nur langsam und stabilisieren sich. Wenn Sie z. B. versehentlich den Sensor mit der Hand berührt haben, steigt der Temperaturmesswert schnell an, es dauert jedoch einige Minuten, bis die Raumtemperatur wieder erreicht ist.
Wir forderten jedes Mal, wenn wir eine Messung durchführten, einen neuen Satz von Assistenten auf und erhielt jedes Mal viele verschiedene Freiwillige. Einige Leute nahmen an den meisten oder allen Sitzungen freiwillig teil, während andere nur für eine oder zwei helfen konnten. Jeder Freiwillige erhielt ein Thermometer und einen Auftrag für einen Sektor. Denken Sie daran, dass ein Sektor 10 Büros hat. Jedes Büro weist Eigenschaften auf, z. B. ob es sich auf der Ost- oder Westseite des Gebäudes befindet und welche Art von Raum es ist. Freiwillige füllten ihr Aufgabenblatt aus und schickten es zurück. Jedes Formular sah ungefähr so aus:
Jeder Freiwillige hatte einen Auftrag von 10 Büros. In einem Büro hielten sie das Thermometer in der Mitte des Raums und warteten einige Minuten, bis sich das Thermometer stabilisierte. Freiwillige notierten auch das Wetter draußen (regnerisch, sonnig usw.) und viele notierten Notizen bezüglich der Bedingungen, die sie im Büro fanden. Zum Beispiel waren einige Büros leer, während die Lichter ausgeschaltet waren, während andere viele Lampen und mehrere Computer im Raum hatten. Ein Zimmer hatte sogar eine Raumheizung. Eine häufige Bemerkung war, dass leere und dunkle Räume immer kühler zu sein scheinen als die besetzten. Diese Arten von Beobachtungen sind keine Faktoren, von denen wir angenommen haben, dass sie sie in das Modell einbeziehen, aber dies ist einer der Gründe, weshalb dies als ein bezeichnet wird Beobachtungsstudie . Wenn in Zukunft ein strengeres und kontrolliertes Experiment durchgeführt werden sollte, müssten wir jetzt auch kontrollieren, ob die Lichter eingeschaltet sind.
Nachdem die Daten für alle sechs Aufzeichnungsperioden erfasst wurden, erhielt ein glücklicher Freiwilliger die Aufgabe, Daten in JMP einzugeben. Anschließend haben wir Tables-> Concatenate verwendet, um Daten aus allen 54 "Läufen" in einer großen Tabelle zusammenzufassen. Nachdem dies abgeschlossen war, mussten einige Wartungsarbeiten an den Daten durchgeführt werden.
1. Erstellen Sie eine neue Spalte mit dem Namen Fahrenheit das verwendet eine Formel, um Y zu modifizieren. Unsere Messungen wurden in Grad Celsius vorgenommen, aber ich bin mit der Fahrenheit-Skala viel besser vertraut, daher werde ich in meinen Analysen eine Fahrenheit-Spalte verwenden.
2 Fügen Sie die Spalteneigenschaft Value Ordering zu hinzu Uhrzeit . Die Standardreihenfolge in JMP ist alphabetisch und "Nachmittag" wird standardmäßig vor "Morgen" angezeigt. Ich möchte das so ändern, dass in jeder Visualisierung, die wir erstellen, „Morgen“ vor „Nachmittag“ aufgeführt wird.
3. Führen Sie eine Verteilung auf Fahrenheit aus, um die Fehlerfreiheit bei der Dateneingabe zu überprüfen. Wir sehen, dass die Daten im ersten Bild durch einen Ausreißer verzerrt wirken. Wenn Sie die Daten nochmals überprüfen, sehe ich, dass bei der Dateneingabe ein Tippfehler aufgetreten ist. 242 wurde anstelle von 24.2 eingegeben. Nachdem wir dies korrigiert haben, sehen wir eine Verteilung, die viel mehr der erwarteten entspricht.
Jetzt denke ich, dass wir bereit sind, unser Modell auszuführen und die Daten mithilfe von JMP-Tools visuell zu untersuchen. Welche Faktoren sind Ihrer Meinung nach im Modell von Bedeutung? Im nächsten Beitrag erhalten Sie einen ersten Einblick in die neuen Funktionen des Graph Builder in JMP 9.
Was halten Sie von unserem Prozess der Datenerfassung und Datenbereinigung? Was würdest du anders machen?
Welche Faktoren beeinflussen die Temperatur im Büro? Erkunden, was von Bedeutung ist - JMP-Blog schrieb:
[...] die Temperaturen im Büro, vom Entwurf über die Ausführung bis hin zur Analyse und Visualisierung. Siehe Teil I, Teil II und Teil [...]
