Who were you hoping was the winner? Anna? Elsa? Dumbo? Olaf? (Photo by Caroll Co)Who were you hoping was the winner? Anna? Elsa? Dumbo? Olaf? (Photo by Caroll Co)Who were you hoping was the winner? Anna? Elsa? Dumbo? Olaf? (Photo by Caroll Co)Who were you hoping was the winner? Anna? Elsa? Dumbo? Olaf? (Photo by Caroll Co)Wer hattest du gehofft, war der Gewinner? Anna? Elsa? Dummkopf? Olaf? (Foto von Caroll Co) Letztes Mal sprach ich über die Autorennen-Experiment aus Diecast dass ich mit meiner 5-jährigen Tochter an einem kürzlichen Urlaubstag gelaufen bin. Sie und ich eine 6-spurige Rennstrecke für Diecast-Autos einrichten, die ich hatte. Sie hat 10 Autos aus ihren Lieblingsautos ausgewählt und wir haben uns aufgemacht, um herauszufinden, wer der schnellste Rennfahrer ist. Meine Tochter war daran interessiert zu sehen, ob der "beste" Rennfahrer eine von zwei Prinzessinnen wäre (von denen eine magische Eiskräfte hat).
Als Erinnerung an das letzte Mal werden wir dies als Wahlexperiment analysieren. Unsere "bevorzugte Wahl" wird der Gewinner in jedem Rennen sein.
Die Ergebnisse sind da!
Datensammlung
Für die Durchführung der Rennen und das Sammeln der Daten war etwas zusätzliche Arbeit mit der Datentabelle erforderlich. Als ich auf die Schaltfläche „Tabelle erstellen“ klickte, musste ich sicherstellen, dass „Auftragsspalte einbeziehen“ aktiviert war, da dies die Bahnnummer darstellt, die ich in den Spaltennamen geändert habe.
Wir entschieden uns, jeden „Block“, dh einen Satz von 6 Autos, in der angegebenen Reihenfolge 10 Mal hintereinander zu fahren. Wir brauchten dies immer noch, um vernünftige Schätzungen aus dem Choice-Modell zu erhalten. Obwohl wir 6 Autos gleichzeitig fahren, erhalten wir nur eine Information (den Gewinner) von jedem Satz.
Ich habe eine RaceID-Spalte erstellt, um jedes einzelne Rennen mit 150 Werten (15 Blöcke * 10 Rennen/Block) darzustellen, die 6 Mal wiederholt werden, und die Antwortspalte mit allen Nullen ausgefüllt. Dann würden wir für jedes Rennen (RaceID) einfach den Wert für den Gewinner auf den Wert „1“ ändern. All dies war einfach mit dem Funktionen zum Füllen von Spalten in Datentabellen .
Die Ergebnisse
Sobald wir die Ergebnisse hatten, mussten wir das Auswahlmodell einrichten. Das der Datentabelle beigefügte „Modell“-Skript ist nicht geeignet, da wir dies eher als Auswahlexperiment als als lineares Regressionsmodell analysieren möchten. Die Choice-Modellplattform finden Sie unter Analyse->Consumer Research->Choice.
Die Einrichtung ist unkompliziert – der Response Indicator ist unsere Response und die RaceID ist die Choice Set ID. Unsere Profileffekte sind Auto- und Spurnummer. Der Startdialog sah so aus:
Wenn ich mir die Ergebnisse ansehe, war ich nicht überrascht, dass der Auto-Effekt signifikant war, da es nur 4 Autos gab, die überhaupt ein Rennen gewonnen haben. Der Bahnnummer-Effekt war etwas überraschend – zumindest war er während des Experiments nicht offensichtlich.
Wenn wir die Parameterschätzungen sortieren (die den Nutzen widerspiegeln – größer denken ist besser), können wir sehen, dass etwas mit dem Bahneffekt zusammenhängt – vor allem die Bahnen 1 und 3 sind besser, aber auch 1-3 vs. 4-6. Während des Experiments war es nicht offensichtlich, aber wir können dieses Modell verwenden, um zu sehen, wie es bestimmte Rennen vorhersagt.
Bestätigung läuft
Eines der interessantesten Stücke aus den Ergebnissen war, dass Anna einen höheren Nutzen hatte als ihre Schwester Elsa. Meine Tochter hatte ihre Matchups genau beobachtet, und während des Experiments schien es, als würde Elsa eher gewinnen.
Aus dem roten Dreieck können wir „Multiple Choice Profiler“ auswählen, der es ermöglicht, die geschätzten Wahrscheinlichkeiten für eine Reihe alternativer Eingaben zu untersuchen. Für unsere Zwecke haben wir 2 Alternativen ausprobiert, da dies einfach zu testen ist. Ich habe versucht, es so schief wie möglich zu machen, was Anna in Bahn 1 und Elsa in Bahn 6 war. Unser Modell sagte eine Wahrscheinlichkeit von 0,94 für Anna gegenüber 0,06 für Elsa voraus.
Nach 6 aufeinanderfolgenden Siegen für Anna entschied meine Tochter, dass mein Computer magisch sein muss.
Abschließende Gedanken
Der „Lane“-Effekt war real und viel bedeutsamer, als ich gedacht hätte. Aus diesem Grund war dies eine gute Unterrichtserfahrung und ein viel interessanteres Experiment. Während die Prinzessinnen nicht ganz oben waren (Donald nahm den ersten Platz ein und Peter Pan war knapp vor Anna), hatten meine Tochter und ich eine tolle Zeit bei diesem Experiment.
Als wir uns die Ergebnisse angesehen haben, hat meine Tochter schnell gemerkt, dass sie anhand der Visualisierungen die Gewinnchance beeinflussen kann. Auch ohne das Modell verstehen zu können, spricht viel für die darin enthaltenen Visualisierungen JMP und die Idee von „höher ist besser“. Sie fing auch an, Autos aus ihrer Sammlung zu finden, die ein bestimmtes Auto auf Spur 1 schlagen konnten.
Ihre Diecast-Sammlung ist gewachsen, also werden wir hoffentlich in Zukunft ein weiteres Rennexperiment haben. Meine eigene Sammlung hat eine Reihe von legendären Autos aus Filmen und Fernsehsendungen, also muss ich vielleicht einige davon mitbringen. Lassen Sie mich wissen, wenn Sie irgendwelche Wünsche in den Kommentaren haben, und danke fürs Lesen!
