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) ¿Quién esperabas que fuera el ganador? Anna? Elsa Dumbo? Olaf? (Foto por Caroll Co) La última vez hablé sobre experimento de carrera de coches fundidos a troquel que corrí con mi hija de 5 años en un reciente día de vacaciones. Ella y yo preparé una pista de carreras de 6 carriles para autos fundidos a troquel que tenía. Escogió 10 autos de entre sus autos favoritos, y nos propusimos averiguar quién es el corredor más rápido. Mi hija estaba interesada en ver si el "mejor" corredor sería una pareja de princesas (una de las cuales tiene poderes mágicos de hielo).
Como recordatorio de la última vez, vamos a analizar esto como un experimento de elección. Nuestra "opción preferida" será el ganador en cada carrera.
Los resultados están en!
Recopilación de datos
Para los propósitos de correr las carreras y recolectar los datos, tomó un poco de trabajo adicional con la tabla de datos. Cuando hice clic en el botón "Crear tabla", necesitaba asegurarme de que la opción "Incluir columna de orden" estuviera marcada, ya que esto representa el número de carril, al que cambié el nombre de la columna.
Decidimos ejecutar cada "bloque", es decir, un conjunto de 6 autos en el orden especificado, 10 veces consecutivas. Todavía necesitábamos esto para obtener estimaciones razonables del Modelo Choice. A pesar de que corremos 6 autos a la vez, solo obtenemos una información (el ganador) de cada conjunto.
Creé una columna RaceID para representar cada raza única con 150 valores (15 bloques * 10 carreras / bloque) repetidos 6 veces, y completé la columna de respuesta de todos los 0. Luego, para cada carrera (RaceID), simplemente cambiaríamos el valor para el ganador a un valor de "1". Todo esto fue fácil usando el capacidades de relleno de columna de la tabla de datos .
Los resultados
Una vez que obtuvimos los resultados, tuvimos que configurar el modelo de elección. El script "Modelo" adjunto a la tabla de datos no es apropiado ya que queremos analizar esto como un experimento de elección en lugar de un modelo de regresión lineal. La plataforma del modelo de elección se puede encontrar en Analizar-> Investigación del consumidor-> Elección.
Configurarlo es sencillo: el indicador de respuesta es nuestra respuesta y RaceID es la ID del conjunto de opciones. Nuestros efectos de perfil son Car & Lane Number. El diálogo de inicio se veía así:
Mirando los resultados, no me sorprendió que el efecto Car fuera significativo, ya que solo había 4 autos que incluso ganaron una carrera. El efecto Lane Number fue un poco sorprendente, al menos no era obvio mientras hacía el experimento.
Al ordenar las estimaciones de los parámetros (que reflejan la utilidad, pensar que más grande es mejor), podemos ver que había algo con el efecto de carril, especialmente los carriles 1 y 3, pero también 1-3 vs. 4-6. No fue obvio al hacer el experimento, pero podemos usar este modelo para ver cómo predice ciertas razas.
Ejecuciones de confirmación
Una de las piezas más interesantes de los resultados fue que Anna tenía una mayor utilidad que su hermana Elsa. Mi hija había prestado mucha atención a sus enfrentamientos, y durante el experimento, habría parecido que era más probable que Elsa ganara.
Desde el triángulo rojo, podemos seleccionar "Perfil de opción múltiple", que permite explorar las probabilidades estimadas para un conjunto de entradas alternativas. Para nuestros propósitos, probamos 2 alternativas, ya que esto es fácil de probar. Traté de hacerlo lo más desigual posible, que era Anna en el Carril 1 y Elsa en el Carril 6. Nuestro modelo predice una probabilidad de 0,94 para Anna frente a 0,06 para Elsa.
Después de 6 victorias consecutivas para Anna, mi hija decidió que mi computadora debía ser mágica.
Pensamientos finales
El efecto "Lane" fue real y mucho más significativo de lo que hubiera pensado. Por eso, esto terminó siendo una buena experiencia de enseñanza y un experimento mucho más interesante. Si bien las princesas no estaban justo en la cima (Donald ocupó el primer lugar y Peter Pan estaba un poco por delante de Anna), mi hija y yo nos divertimos mucho realizando este experimento.
Una vez que miramos los resultados, mi hija rápidamente se dio cuenta de que podía influir en la posibilidad de ganar según las visualizaciones. Incluso sin poder entender el modelo, hay mucho que decir sobre las visualizaciones dentro JMP y la idea de "más alto es mejor". También comenzó a encontrar autos de su colección que podrían vencer a un auto dado en el Carril 1.
Su colección de fundición a presión ha ido creciendo, por lo que esperamos tener otro experimento de carreras en el futuro. Mi propia colección tiene varios autos icónicos de películas y programas de televisión, por lo que podría tener que traer algunos de ellos. Avíseme si tiene alguna solicitud en los comentarios, ¡y gracias por leer!
