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)Qui espériez-vous être le gagnant? Anne ? Elsa ? Imbécile ? Olaf ? (Photo par Caroll Co) La dernière fois, j'ai parlé de la expérience de course de voitures moulées sous pression que j'ai couru avec ma fille de 5 ans lors d'un récent jour de vacances. Elle et moi mis en place une piste de course à 6 voies pour les voitures moulées sous pression que j'avais. Elle a choisi 10 voitures parmi ses voitures préférées et nous avons cherché à savoir qui était le pilote le plus rapide. Ma fille était intéressée à voir si le "meilleur" coureur serait l'une ou l'autre d'une paire de princesses (dont l'une a des pouvoirs de glace magiques).
Pour rappel de la dernière fois, nous allons analyser cela comme une expérience de choix. Notre "choix préféré" sera le vainqueur de chaque course.
Les résultats sont là !
Collecte de données
Aux fins de l'exécution des courses et de la collecte des données, il a fallu un peu de travail supplémentaire avec le tableau de données. Lorsque j'ai cliqué sur le bouton "Créer un tableau", je devais m'assurer que "Inclure la colonne de commande" était coché, car cela représente le numéro de voie, dont j'ai changé le nom de la colonne.
Nous avons décidé d'exécuter chaque "bloc", c'est-à-dire un ensemble de 6 voitures dans l'ordre spécifié, 10 fois de suite. Nous en avions encore besoin pour obtenir des estimations raisonnables du modèle de choix. Même si nous utilisons 6 voitures à la fois, nous n'obtenons qu'une seule information (le gagnant) de chaque ensemble.
J'ai créé une colonne RaceID pour représenter chaque course unique avec 150 valeurs (15 blocs * 10 courses/bloc) répétées 6 fois, et remplis la colonne de réponse de tous les 0. Ensuite, pour chaque course (RaceID), nous changerions simplement la valeur du vainqueur en une valeur de "1". Tout cela était facile en utilisant le capacités de remplissage des colonnes de la table de données .
Les résultats
Une fois que nous avons eu les résultats, nous avons dû mettre en place le modèle de choix. Le script "Modèle" attaché au tableau de données n'est pas approprié car nous voulons analyser cela comme une expérience de choix plutôt qu'un modèle de régression linéaire. La plate-forme de modèle de choix se trouve sous Analyze-> Consumer Research-> Choice.
La configuration est simple - l'indicateur de réponse est notre réponse et le RaceID est l'ID de l'ensemble de choix. Nos effets de profil sont Car & Lane Number. La boîte de dialogue de lancement ressemblait à ceci :
En regardant les résultats, je n'ai pas été surpris que l'effet Voiture soit significatif, car il n'y avait que 4 voitures qui ont même remporté une course. L'effet Lane Number était un peu surprenant - du moins ce n'était pas évident lors de l'expérience.
En triant les estimations des paramètres (qui reflètent l'utilité - penser que plus gros est meilleur), nous pouvons voir qu'il y avait quelque chose avec l'effet de voie - notamment les voies 1 et 3 étant meilleures, mais aussi 1-3 contre 4-6. Ce n'était pas évident lors de l'expérience, mais nous pouvons utiliser ce modèle pour voir comment il prédit certaines races.
Exécutions de confirmation
L'une des pièces les plus intéressantes des résultats était qu'Anna avait une utilité plus élevée que sa sœur Elsa. Ma fille avait prêté une attention particulière à leurs affrontements, et pendant l'expérience, il aurait semblé qu'Elsa avait plus de chances de gagner.
Dans le triangle rouge, nous pouvons sélectionner "Multiple Choice Profiler", qui permet d'explorer les probabilités estimées pour un ensemble d'entrées alternatives. Pour nos besoins, nous avons essayé 2 alternatives, car c'est facile à tester. J'ai essayé de le rendre aussi déséquilibré que possible, c'est-à-dire Anna dans la voie 1 et Elsa dans la voie 6. Notre modèle prévoyait une probabilité de 0,94 pour Anna contre 0,06 pour Elsa.
Après 6 victoires consécutives pour Anna, ma fille a décidé que mon ordinateur devait être magique.
Dernières pensées
L'effet "Lane" était réel et beaucoup plus important que je ne l'aurais pensé. À cause de cela, cela a fini par être une bonne expérience d'enseignement et une expérience beaucoup plus intéressante. Alors que les princesses n'étaient pas au sommet (Donald a pris la première place et Peter Pan était légèrement devant Anna), ma fille et moi nous sommes éclatés en réalisant cette expérience.
Une fois que nous avons examiné les résultats, ma fille a rapidement compris qu'elle pouvait influencer les chances de gagner en fonction des visualisations. Même sans pouvoir comprendre le modèle, il y a beaucoup à dire sur les visualisations à l'intérieur JMP et l'idée de "plus c'est haut, mieux c'est". Elle a également commencé à trouver des voitures de sa collection qui pourraient battre une voiture donnée dans la voie 1.
Sa collection moulée sous pression s'est agrandie, alors j'espère que nous aurons une autre expérience de course à l'avenir. Ma propre collection contient un certain nombre de voitures emblématiques de films et d'émissions de télévision, donc je devrai peut-être en apporter quelques-unes. Faites-moi savoir si vous avez des demandes dans les commentaires, et merci d'avoir lu!
