Questo post è il secondo di una serie che mostrerà come abbiamo condotto uno studio osservazionale sulle temperature degli uffici, dalla progettazione alla realizzazione, all'analisi e alla visualizzazione. Per il primo post, vedi Parte I .
Nel post precedente, abbiamo discusso quali fattori potrebbero influenzare le temperature dell'ufficio. Abbiamo usato la piattaforma di esperimenti di progettazione di JMP per progettare uno studio osservazionale che determinasse se tali fattori sono forti predittori. Oggi esamineremo il processo con il quale abbiamo raccolto i dati e come sono stati assemblati i dati per l'analisi.
Avevamo nove termometri digitali a disposizione per aiutare a misurare la temperatura, nella foto a sinistra. Erano piccoli, facili da trasportare da un ufficio all'altro. Il sensore metallico all'estremità del filo era la parte di cui ogni volontario doveva prestare attenzione. I sensori erano molto sensibili ai cambiamenti di temperatura, ma spesso rallentavano per cambiare e stabilizzarsi. Ad esempio, se si toccava accidentalmente il sensore con la mano, la lettura della temperatura saliva rapidamente, ma sarebbero necessari diversi minuti per tornare alla temperatura ambiente.
Abbiamo chiesto una nuova serie di assistenti ogni volta che abbiamo preso una misura e ottenuto ogni volta diversi volontari. Alcune persone si sono offerte volontarie per la maggior parte o tutte le sessioni, mentre altre potevano solo assistere per uno o due. Ad ogni volontario è stato assegnato un termometro e un incarico per un settore. Ricorda, un settore ha 10 uffici. Ogni ufficio ha caratteristiche, ad esempio se si trova sul lato est o sul lato ovest dell'edificio, e che tipo di spazio è. I volontari hanno riempito il loro foglio di incarico e lo hanno restituito. Ogni modulo assomigliava a questo:
Ogni volontario aveva un incarico di 10 uffici. All'interno di un ufficio, tenevano il termometro al centro della stanza e aspettavano qualche minuto che il termometro si stabilizzasse. I volontari hanno anche preso nota del tempo fuori (pioggia, sole, ecc.) E di molte note annotate riguardo alle condizioni che hanno trovato all'interno dell'ufficio. Ad esempio, alcuni uffici erano vuoti con le luci spente, mentre altri avevano molte lampade e più computer nella stanza. Una stanza aveva persino una stufa spaziale. Un commento frequente era che le stanze che erano vuote e buie sembravano essere più fresche di quelle che erano occupate. Questi tipi di osservazioni non sono fattori che abbiamo pensato di includere nel modello, ma questo è uno dei motivi per cui questo è chiamato un studio osservazionale . Se in futuro dovessimo eseguire un esperimento più rigoroso e controllato, ora sapremmo anche controllare per cose come se le luci fossero accese.
Una volta raccolti i dati per tutti e sei i periodi di registrazione, a un volontario fortunato è stato assegnato il compito di inserire i dati in JMP. Successivamente, abbiamo usato Tabelle-> Concatena per assemblare i dati di tutte le 54 "esecuzioni" in un'unica grande tabella. Una volta completato, ci sono state alcune attività di manutenzione da eseguire sui dati.
1. Crea una nuova colonna chiamata Fahrenheit che usa una formula per modificare Y. Le nostre misurazioni sono state prese in gradi Celsius, ma personalmente sono molto più familiare con la scala Fahrenheit, quindi userò una colonna Fahrenheit nelle mie analisi.
2. Aggiungi la proprietà della colonna Order Ordering a ora del giorno . L'ordine predefinito in JMP è alfabetico e "pomeriggio" arriverà prima di "mattinata" per impostazione predefinita. Vorrei cambiarlo in modo tale che in ogni visualizzazione che creiamo, "mattinata" sia elencata prima di "pomeriggio".
3. Esegui una distribuzione su Fahrenheit come controllo di integrità contro gli errori nell'immissione dei dati. Vediamo che i dati nella prima immagine sembrano distorti da un outlier. Controllando due volte i dati, vedo che c'era un refuso durante l'inserimento dei dati. 242 è stato inserito invece di 24.2. Dopo averlo corretto, vediamo una distribuzione molto più simile a ciò che ci aspettiamo di vedere.
Ora penso che siamo pronti per eseguire il nostro modello ed esplorare i dati visivamente utilizzando gli strumenti JMP. Quali fattori pensi che saranno significativi nel modello? Nel prossimo post, date un'occhiata alle nuove funzionalità di Graph Builder in JMP 9.
Cosa ne pensi del nostro processo di raccolta dati e pulizia dei dati? Cosa faresti diversamente?
Quali fattori influenzano la temperatura dell'ufficio? Esplorando ciò che è significativo - Blog JMP ha scritto:
[...] sulle temperature dell'ufficio, dalla progettazione all'esecuzione, all'analisi e alla visualizzazione. Vedi parte I, parte II e parte [...]
