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)누가 승자가 되기를 바랐습니까? 안나? 엘사? 덤보? 올라프? (사진제공: 캐롤) 지난번에 제가 이야기한 다이캐스트 자동차 경주 실험 최근 휴가 때 5살 딸아이와 함께 달렸다. 그녀와 나 가지고 있던 다이캐스트 자동차를 위한 6차선 경마장을 설치했습니다. 그녀는 그녀가 가장 좋아하는 자동차 중 10대를 골랐고, 우리는 가장 빠른 레이서가 누구인지 알아보기 시작했습니다. 내 딸은 "최고의" 레이서가 한 쌍의 공주(그 중 하나는 마법의 얼음 능력을 가짐) 중 하나가 될 것인지 확인하는 데 관심이 있었습니다.
지난 시간의 알림으로, 우리는 이것을 선택 실험으로 분석할 것입니다. 우리의 "선호하는 선택"이 각 레이스의 승자가 됩니다.
결과가 있습니다!
데이터 수집
레이스를 실행하고 데이터를 수집하기 위해 데이터 테이블에 약간의 추가 작업이 필요했습니다. "테이블 만들기" 버튼을 클릭했을 때 "주문 열 포함"이 선택되어 있는지 확인해야 했습니다. 이는 열 이름을 변경한 레인 번호를 나타내기 때문입니다.
우리는 각 "블록", 즉 6대의 자동차 세트를 지정된 순서대로 10번 연속으로 실행하기로 결정했습니다. 선택 모델에서 합리적인 추정치를 얻기 위해서는 여전히 이것이 필요했습니다. 우리는 한 번에 6대의 자동차를 달리고 있지만 각 세트에서 하나의 정보(승자)만 얻습니다.
6번 반복되는 150개의 값(15개 블록 * 10개 인종/블록)으로 각각의 고유한 인종을 나타내는 RaceID 열을 만들고 응답 열을 모두 0으로 채웠습니다. 그런 다음 각 레이스(RaceID)에 대해 승자의 값을 "1"의 값으로 변경하기만 하면 됩니다. 이 모든 것이 사용하기 쉬웠습니다. 데이터 테이블 열 채우기 기능 .
결과
결과가 나오면 선택 모델을 설정해야 했습니다. 데이터 테이블에 첨부된 "모델" 스크립트는 선형 회귀 모델이 아닌 선택 실험으로 분석하고자 하므로 적절하지 않습니다. 선택 모델 플랫폼은 분석->소비자 조사->선택에서 찾을 수 있습니다.
설정은 간단합니다. Response Indicator는 Response이고 RaceID는 Choice Set ID입니다. 프로필 효과는 자동차 및 차선 번호입니다. 시작 대화 상자는 다음과 같습니다.
결과를 보니 경주에서 우승까지 한 차량이 4대밖에 없었기 때문에 자동차 효과가 유의미하다는 사실에 놀라지 않았습니다. Lane Number 효과는 약간 놀랍습니다. 적어도 실험을 하는 동안에는 분명하지 않았습니다.
매개변수 추정값을 정렬하면(유용성을 반영함 - 더 큰 것이 더 낫다고 생각함), 차선 효과와 함께 무언가가 있음을 알 수 있습니다. 특히 차선 1과 3이 더 좋지만 1-3 대 4-6도 마찬가지입니다. 실험을 하는 동안에는 명확하지 않았지만 이 모델을 사용하여 특정 인종을 예측하는 방법을 확인할 수 있습니다.
확인 실행
결과에서 가장 흥미로운 부분 중 하나는 Anna가 Elsa보다 효용이 더 높다는 것이었습니다. 내 딸은 그들의 대결에 세심한주의를 기울였으며 실험 중에는 Elsa가 이길 가능성이 더 높았을 것입니다.
빨간색 삼각형에서 "다중 선택 프로파일러"를 선택할 수 있습니다. 이를 통해 대체 입력 세트에 대한 예상 확률을 탐색할 수 있습니다. 테스트하기 쉽기 때문에 우리의 목적을 위해 2가지 대안을 시도했습니다. 최대한 한쪽으로 치우치지 않게 하려고 했는데, 1번 레인에는 안나, 6번 레인에는 엘사였습니다. 우리 모델은 Anna의 경우 0.94, Elsa의 경우 0.06의 확률을 예측했습니다.
Anna의 6연패 후, 딸은 내 컴퓨터가 마법이 되어야 한다고 결정했습니다.
마지막 생각들
"차선" 효과는 내가 생각했던 것보다 실제적이고 훨씬 더 중요했습니다. 덕분에 좋은 교육 경험이자 훨씬 더 흥미로운 실험이 되었습니다. 공주들이 정상에 오르지 않았지만(도널드가 1위를 차지했고 피터 팬이 Anna보다 약간 앞서 있었습니다), 제 딸과 저는 이 실험을 수행하는 데 신이 났습니다.
결과를 보니 딸아이는 시각화를 기반으로 승률에 영향을 줄 수 있다는 사실을 금세 알아차렸습니다. 모델을 이해하지 못하더라도 내부의 시각화에 대해서는 할 말이 많습니다. JMP "높을수록 좋다"는 생각. 그녀는 또한 레인 1에서 주어진 차를 능가할 수 있는 자신의 컬렉션에서 차를 찾기 시작했습니다.
그녀의 다이캐스트 컬렉션이 계속 늘어나고 있으므로 앞으로 또 다른 레이싱 실험이 있기를 바랍니다. 내 컬렉션에는 영화와 TV 쇼의 상징적인 자동차가 많이 있으므로 그 중 일부를 가져와야 할 수도 있습니다. 요청 사항이 있으면 댓글로 알려주세요. 읽어주셔서 감사합니다!
