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)你希望誰是贏家？ 安娜？ 艾爾莎？ 笨蛋？ 奧拉夫？ （卡羅爾公司攝）上次我談到了壓鑄賽車實驗在最近的一個假期裡，我和我 5 歲的女兒一起跑步。 她和我為我擁有的壓鑄汽車設置了一個 6 車道的賽道。 她從她最喜歡的汽車中挑選了 10 輛汽車，我們開始找出誰是最快的賽車手。 我的女兒很想知道“最好的”賽車手是否會是一對公主（其中一個擁有神奇的冰能力）。
作為上次的提醒，我們將把它作為一個選擇實驗來分析。 我們的“首選”將是每場比賽的獲勝者。
結果出來了！
數據採集
為了進行比賽和收集數據，確實需要對數據表進行一些額外的工作。 當我點擊“Make Table”按鈕時，我需要確保“Include order column”被選中，因為這代表車道編號，我更改了列名。
我們決定運行每個“塊”，即按指定順序排列 6 輛汽車，連續運行 10 次。 我們仍然需要它來從選擇模型中獲得合理的估計。 即使我們一次運行 6 輛車，我們也只能從每組中獲得一條信息（獲勝者）。
我創建了一個 RaceID 列來表示每個獨特的種族，它有 150 個值（15 個塊 * 10 個種族/塊）重複 6 次，並填寫全 0 的響應列。 然後對於每場比賽 (RaceID)，我們只需將獲勝者的值更改為值“1”。 所有這一切都很容易使用數據表列填充功能.
結果
一旦我們得到結果，我們就必須設置選擇模型。 附加到數據表的“模型”腳本不合適，因為我們想將其作為選擇實驗而不是線性回歸模型進行分析。 選擇模型平台可以在分析->消費者研究->選擇下找到。
設置很簡單——響應指示器是我們的響應，RaceID 是選擇集 ID。 我們的個人資料效果是汽車和車道號碼。 啟動對話框如下所示：
看看結果，我對汽車效應的顯著並不感到驚訝，因為只有 4 輛汽車甚至贏得了一場比賽。 車道號效應有點令人驚訝——至少在做實驗時並不明顯。
對參數估計值進行排序（反映效用——認為越大越好），我們可以看到車道效應存在一些問題——最明顯的是車道 1 和 3 更好，但也有 1-3 對 4-6。 在做實驗時並不明顯，但我們可以使用這個模型來看看它是如何預測某些種族的。
確認運行
結果中最有趣的部分之一是 Anna 的效用比她的妹妹 Elsa 更高。 我的女兒密切關注他們的對決，在實驗過程中，艾莎似乎更有可能獲勝。
從紅色三角形中，我們可以選擇“Multiple Choice Profiler”，它允許探索一組替代輸入的估計概率。 出於我們的目的，我們嘗試了 2 種替代方案，因為這很容易測試。 我盡量讓它不平衡，1號車道是安娜，6號車道是艾爾莎。 我們的模型預測 Anna 的概率為 0.94，而 Elsa 的概率為 0.06。
在 Anna 連續 6 次獲勝後，我女兒決定我的電腦一定很神奇。
最後的想法
“車道”效應是真實的，比我想像的要重要得多。 正因為如此，這最終成為了一個很好的教學體驗和一個更有趣的實驗。 雖然公主們並不在榜首（唐納德佔據榜首，而彼得潘稍微領先安娜），但我和我的女兒在這個實驗中玩得很開心。
一旦我們查看了結果，我的女兒很快就意識到能夠根據可視化來影響獲勝的機會。 即使無法理解模型，對於其中的可視化也有很多話要說JMP以及“越高越好”的理念。她還開始從她的收藏中尋找可以擊敗 1 號車道的特定汽車的汽車。
她的壓鑄系列一直在增長，所以希望我們將來會有另一個賽車實驗。 我自己的收藏中有許多電影和電視節目中的標誌性汽車，所以我可能不得不帶一些進去。 如果您在評論中有任何要求，請告訴我，感謝您的閱讀！
