Esta publicación es la segunda de una serie que mostrará cómo realizamos un estudio observacional sobre las temperaturas de las oficinas, desde el diseño hasta la ejecución, el análisis y la visualización. Para el primer post, ver Parte I .
En la publicación anterior, discutimos qué factores podrían afectar la temperatura de la oficina. Utilizamos la plataforma de diseño de experimentos de JMP para diseñar un estudio observacional que determinaría si esos factores son factores predictivos sólidos. Hoy examinaremos el proceso mediante el cual recopilamos los datos y cómo se recopilaron los datos para su análisis.
Teníamos nueve termómetros digitales a mano para ayudarnos a tomar medidas de temperatura, como se muestra en la imagen de la izquierda. Eran pequeños, fáciles de llevar de una oficina a otra. El sensor de metal al final del cable era la parte que cada voluntario debía tener cuidado. Los sensores eran muy sensibles a los cambios de temperatura, pero a menudo cambiaban y se estabilizaban lentamente. Por ejemplo, si accidentalmente tocó el sensor con la mano, la lectura de la temperatura aumentaría rápidamente, pero tardaría varios minutos en volver a la temperatura ambiente.
Pedimos un nuevo conjunto de asistentes cada vez que tomamos una medida y cada vez recibimos muchos voluntarios diferentes. Algunas personas se ofrecieron como voluntarios para la mayoría o para todas las sesiones, mientras que otras solo pudieron ayudar en una o dos. Cada voluntario recibió un termómetro y una asignación para un sector. Recuerda, un sector tiene 10 oficinas. Cada oficina tiene características, por ejemplo, si se encuentra en el lado este o en el lado oeste del edificio, y qué tipo de espacio es. Los voluntarios llenaron su hoja de tareas y la devolvieron. Cada forma se veía algo como esto:
Cada voluntario tenía una asignación de 10 oficinas. Dentro de una oficina, sostuvieron el termómetro en el centro de la habitación y esperaron unos minutos para que el termómetro se estabilice. Los voluntarios también tomaron nota del clima exterior (lluvioso, soleado, etc.) y muchas anotaron las condiciones que encontraron dentro de la oficina. Por ejemplo, algunas oficinas estaban vacías con las luces apagadas, mientras que otras tenían muchas lámparas y varias computadoras en la habitación. Una habitación incluso tenía un calentador de espacio. Un comentario frecuente fue que las habitaciones que estaban vacías y oscuras parecían ser constantemente más frías que las ocupadas. Estos tipos de observaciones no son factores que pensamos incluir en el modelo, pero esta es una de las razones por las que esto se denomina estudio observacional . Si en el futuro se realizara un experimento más riguroso y controlado, ahora sabríamos que también controlaríamos cosas como si las luces estaban encendidas.
Una vez que se recopilaron los datos para los seis períodos de registro, se asignó a un voluntario afortunado la tarea de ingresar datos en JMP. Luego, usamos Tablas -> Concatenar para ensamblar datos de todas las 54 "carreras" en una tabla grande. Una vez que se completó, hubo algunas tareas de mantenimiento para realizar en los datos.
1. Crear una nueva columna llamada Fahrenheit utiliza una fórmula para modificar Y. Nuestras medidas se tomaron en grados Celsius, pero personalmente estoy mucho más familiarizado con la escala Fahrenheit, por lo que usaré una columna Fahrenheit en mis análisis.
2. Agregue la propiedad de la columna Orden de valor a hora del dia . El orden predeterminado en JMP es alfabético, y "tarde" aparecerá antes de "mañana" de forma predeterminada. Me gustaría cambiar eso para que en cualquier visualización que creamos, "mañana" aparezca antes de "tarde".
3. Ejecute una distribución en Fahrenheit como una comprobación de validez contra errores en la entrada de datos. Vemos que los datos en la primera imagen se ven inclinados por un valor atípico. Comprobando dos veces los datos, veo que hubo un error tipográfico durante la entrada de datos. Se introdujo 242 en lugar de 24.2. Después de corregir eso, vemos una distribución que se parece mucho más a lo que esperamos ver.
Ahora creo que estamos listos para ejecutar nuestro modelo y explorar los datos visualmente utilizando las herramientas JMP. ¿Qué factores crees que serán significativos en el modelo? En la siguiente publicación, busque un adelanto de las nuevas características de Graph Builder en JMP 9.
¿Qué opinas de nuestro proceso de recopilación y limpieza de datos? ¿Qué harías diferente?
¿Qué factores afectan la temperatura de la oficina? Explorando lo que es significativo - Blog JMP escribió:
[...] sobre temperaturas de oficina, desde el diseño hasta la ejecución, hasta el análisis y la visualización. Ver Parte I, Parte II y Parte [...]
