這是系列文章中的第四篇文章，展示了我們如何進行關於辦公室溫度的觀察性研究，從設計到執行再到分析和可視化。看到第一部分 ，第二部分和第三部分 。
本系列之前的帖子討論了關於影響辦公室溫度的因素的觀察性研究的設計和執行。在第三部分中，您了解了Graph Builder中的一些新功能，我們看到了確定辦公室溫度時的一些重要因素。今天，我們研究了該模型認為重要的一些因素。
我進入這項研究的一個問題是 - 溫度計是否足夠相似？我們在第III部分中看到的模型表明溫度計是一個重要因素。溫度計是如何不同的？在下圖中，我們使用JMP中的Variability平台創建可視化溫度計通過飛輪海 。這是一個簡單的圖表，顯示所有數據點並按溫度計分類。看起來T5的測量值可能高於其他測量值。還顯示了標準偏差，並且T5顯然具有最高的可變性。
下面的方差異質性測試，一個新的特徵 JMP 9 ，也清楚地表明了T5的一些東西。與其他溫度計相比，標準偏差高於應有的值。
我們想知道T5發生了什麼。它真的更高嗎？T5的射程太寬了嗎？對於部分答案，我們計算Fit Model平台中可用的最小平方均值。在這裡，看起來T5的測量值更高。我們還可以比較使用學生t的方法並觀察連接快報報告，該報告確認T5的測量值明顯高於所有其他溫度計。
T4的測量值也低於其他溫度計。其餘的溫度計（B組）彼此之間沒有顯著差異。這是什麼意思？如果我們要重複這個實驗，我們可能會對溫度計進行進一步測試，並且只使用類似測量的溫度計。
在我們的辦公室溫度模型，志願者是另一個重要的因素。你更喜歡溫度計和志願者之類的東西是同質的，但在現實生活中往往並非如此。再次，我們轉向LS Means Plot來比較每個的測量值志願者 。在下面的圖表中，我們看到兩個明顯的異常情況，志願者C和志願者V-C測量值遠高於其他人，而V的讀數要低得多。這可能表明志願者C可能不小心溫度計傳感器，或志願者V直接站在通風口下。該圖表顯示這兩名志願者所做的測量結果有所不同。
在下一篇文章中，我們將看看這個因素空間類型並探討它對辦公室溫度的影響。我們還將專門查看我的辦公室，並確定它是否真的是最冷的辦公室！
我們可以分析數據的其他方法有哪些？
