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)你希望谁是赢家？ 安娜？ 艾尔莎？ 笨蛋？ 奥拉夫？ （卡罗尔公司摄）上次我谈到了压铸赛车实验在最近的一个假期里，我和我 5 岁的女儿一起跑步。 她和我为我拥有的压铸汽车设置了一个 6 车道的赛道。 她从她最喜欢的汽车中挑选了 10 辆汽车，我们开始找出谁是最快的赛车手。 我的女儿很想知道“最好的”赛车手是否会是一对公主中的任何一个（其中一个拥有神奇的冰能力）。
作为上次的提醒，我们将把它作为一个选择实验来分析。 我们的“首选”将是每场比赛的获胜者。
结果出来了！
数据采集
为了进行比赛和收集数据，确实需要对数据表进行一些额外的工作。 当我点击“Make Table”按钮时，我需要确保“Include order column”被选中，因为这代表车道编号，我更改了列名。
我们决定运行每个“块”，即按指定顺序排列 6 辆汽车，连续运行 10 次。 我们仍然需要它来从选择模型中获得合理的估计。 即使我们一次运行 6 辆车，我们也只能从每组中获得一条信息（获胜者）。
我创建了一个 RaceID 列来表示每个独特的种族，它有 150 个值（15 个块 * 10 个种族/块）重复 6 次，并填写全 0 的响应列。 然后对于每场比赛 (RaceID)，我们只需将获胜者的值更改为值“1”。 所有这一切都很容易使用数据表列填充功能.
结果
一旦我们得到结果，我们就必须设置选择模型。 附加到数据表的“模型”脚本不合适，因为我们想将其作为选择实验而不是线性回归模型进行分析。 选择模型平台可以在分析->消费者研究->选择下找到。
设置很简单——响应指示器是我们的响应，RaceID 是选择集 ID。 我们的个人资料效果是汽车和车道号码。 启动对话框如下所示：
看看结果，我对汽车效应的显着并不感到惊讶，因为只有 4 辆汽车甚至赢得了一场比赛。 车道号效应有点令人惊讶——至少在做实验时并不明显。
对参数估计值进行排序（反映效用——认为越大越好），我们可以看到车道效应存在一些问题——最明显的是车道 1 和 3 更好，但也有 1-3 对 4-6。 在做实验时并不明显，但我们可以使用这个模型来看看它是如何预测某些种族的。
确认运行
结果中最有趣的部分之一是 Anna 的效用比她的妹妹 Elsa 更高。 我女儿一直在密切关注他们的对决，在实验过程中，艾尔莎似乎更有可能获胜。
从红色三角形中，我们可以选择“Multiple Choice Profiler”，它允许探索一组替代输入的估计概率。 出于我们的目的，我们尝试了 2 种替代方案，因为这很容易测试。 我尽量让它不平衡，1号车道是安娜，6号车道是艾尔莎。 我们的模型预测 Anna 的概率为 0.94，而 Elsa 的概率为 0.06。
在 Anna 连续 6 次获胜后，我女儿决定我的电脑一定很神奇。
最后的想法
“车道”效应是真实的，比我想象的要重要得多。 正因为如此，这最终成为了一个很好的教学体验和一个更有趣的实验。 虽然公主们并不在榜首（唐纳德占据榜首，而彼得潘稍微领先安娜），但我和我的女儿在这个实验中玩得很开心。
一旦我们查看了结果，我的女儿很快就意识到能够根据可视化来影响获胜的机会。 即使无法理解模型，对于其中的可视化也有很多话要说JMP以及“越高越好”的理念。她还开始从她的收藏中寻找可以击败 1 号车道的特定汽车的汽车。
她的压铸系列一直在增长，所以希望我们将来会有另一个赛车实验。 我自己的收藏中有许多电影和电视节目中的标志性汽车，所以我可能不得不带一些进去。 如果您在评论中有任何要求，请告诉我，感谢您的阅读！
