Ciao, tutti.
Mio nome È Zhiwu Liang,
statistico da Procter & Gioco d'azzardo Azienda.
Io sono supporto del Attività commerciale In Bruxelles Innovazione Centro per P&G.
Mio principale lavoro È facendo IL consumatore sondaggio dati analisi.
Oggi, Narayanan E IO Volere presente
IL G modellazione di curve di riga A Misurare Impatto
Di IL Temperatura E Utilizzo A montare SU Detergente Prestazione.
Prossimo diapositiva, Per favore.
Qui È IL Contenuti Noi Volere copertina Oggi.
Primo, IO Volere Dare IL breve introduzione Di IL modelli di equazioni strutturali
E UN morso Di IL dati Noi Volere Essere utilizzando per Nostro modellazione.
Poi IO Volere giro A Narayanan A introdurre IL modellazione della curva di crescita,
modello edificio processi più IL JMP demo.
Senza mostrando, IO Volere presente IL conclusione E Prossimo passi.
Prossimo diapositiva, Per favore .
IL modellazione di equazioni strutturali
È UN multivariato tecnica
Quello È usato A test UN impostato Di IL relazione
fra IL osservato E IL latente variabili
di confrontando IL modello previsto covarianza matrice
E osservato covarianza matrice.
In SEM, Che cosa Noi Avere Fatto È,
osservato variabili Sono manifesto variabile
COME IL indicatore per latente variabili,
Quale È utilizzando IL misurazione modello A costruire.
Latente variabili modulo UN regressione modello
A costruire UN rete Quale Noi chiamata IL struttura modello.
Qui È UN esempio con IL tre latente variabile,
otto o osservato variabile In JMP, COSÌ IL SEM struttura.
COME Voi Potere Vedere In IL pulsante Sinistra grafico,
IL cerchio rappresentare IL latente variabile,
Quale È calcolato Attraverso IL indicatori Piace pulizia,
COME IL latente variabile È indicato di IL pieno piazza
rappresentare IL manifesto variabile
complessivamente pulizia, macchia rimozione, candore E luminosità.
Stesso COME IL freschezza, latente variabile indicato di IL tre manifesto variabile.
Se Voi Aspetto A IL Giusto lato Di IL finestra,
IL caricamento finestra spettacolo IL struttura per IL misurazione modello
Come Questo individuale latente variabile relazionare A IL indicatore.
IL pulsante Di IL regressione finestra mostra il due regressione modello:
pulizia guidare la valutazione complessiva, freschezza Asciutto valutazione complessiva.
Questo È IL struttura per IL struttura equazione modello.
Prossimo diapositiva, Per favore.
IL dati Noi utilizzo per Nostro modellazione della curva di crescita
È IL sondaggio dati Noi condotta In IL Francia con IL 119 consumatore.
Noi dividere Questo 119 consumatore in gruppi.
Sessanta Di loro utilizzo controllo prodotti,
Quale È IL Ariel, solubile unità dose, IL baccelli,
In Nostro dati impostato, segnato COME 0.
Un altro 59 consumatori utilizzo test Prodotto È IL Etichetta ecologica Prodotto, codice COME 1.
Ogni consumatore, durante IL 12 settimane Di IL test,
Primo quattro settimane, Essi utilizzo loro Proprio prodotti.
Poi Essi Volere andare A IL otto settimana test settimana,
utilizzo uno Di Nostro assegnare prodotti, O utilizzo IL Ariel SUD O Etichetta ecologica.
Poi per ogni tempo Di IL lavare,
IL consumatore Volere riempire In IL questionario,
fornire Alcuni informazione Di loro lavaggio comportamento,
come COME IL lavaggio temperatura,
numero Di IL baccelli usato, suolo livello Di IL tessuto, Come sporco Esso È,
E complessivamente valutazione Di IL prestazione per IL Prodotto.
Nostro modellazione obbiettivo È Tentativo A test Se Là È UN prodotti effetto
SU IL complessivamente prestazione valutazione,
lavaggio temperatura SU IL complessivamente prestazione valutazione,
numero Di IL baccelli usato per complessivamente valutazione
per ogni Di IL lavare.
Prossimo diapositiva, Per favore.
Da ogni consumatore, Essi Avere UN diverso lavaggio abitudine,
Essi Avere diverso condizione,
non Tutto Di IL consumatore ha IL Stesso numero Di lavare durante IL test settimana.
Perciò, A Fare ogni consumatore
IL peso pari In Nostro modello edificio dati impostato,
Noi Primo aggregato IL consumatore dati di IL relatore livello di settimanalmente base.
Voi Prendere IL media lavaggio temperatura
durante Quello settimana per IL particolare consumatore,
numero Di baccelli usato,
E IL complessivamente valutazione per ogni carico durante Quello settimana.
Dopo Questo aggregato dati,
Noi utilizzo IL esplorativo attrezzo Piace JMP Grafico Costruttore
A identificare Se c'è Qualunque lineare tendenza per valutazione complessiva,
per temperatura tendenza durante IL test settimana,
E IL numero Di IL baccelli utilizzando tendenza durante IL test settimana.
Da IL esplorativo palcoscenico , REMO È bello stabile
In IL settimana 9 A settimana 12, Noi utilizzo IL intercettare soltanto modello per REMO.
Poi per IL temperatura per IL Prodotto e per IL numero Di IL baccelli usato
da Questo esplorativo palcoscenico,
Noi trovato Là È O crescente O diminuito tendenza.
Perciò, Noi utilizzo IL lineare crescita modello A descrivere IL temperatura indicatore
E IL numero Di baccelli indicatore.
A spiegare IL Prodotto impatto,
Noi Anche Compreso IL Prodotto manufatto variabile In Nostro modello.
Poi Noi Primo costruire UN crescita curva modello per temperatura numero Di IL baccelli,
Poi aggiungere Questo latente variabile A costruire UN regressione modello da prodotti variabile,
intercettare Di temperatura, pendenza Di temperatura,
intercettare Di IL numero Di baccelli usato, pendenza Di IL numero Di baccelli usato
A intercettare Di IL REMO A costruire multivariato, IL modello della curva di crescita.
Adesso io volevo giro A Narayanan A introdurre latente modello della curva di crescita.
Narayanan, suo tuo giro.
Grazie Voi, Zhiwu, per IL Grande [impercettibile 00:06:49].
CIAO, tutti. Mio nome È Narayanan.
IO Sono UN Aggiunto Professore A IL Università Di Cincinnati,
Ma IO insegnare corsi SU dati estrazione utilizzando JMP.
Id Piace A inizio di dando UN molto ampio definizione
Di Che cosa È latente modellazione della curva di crescita.
COME Noi andare lungo, IO Maggio utilizzo IL lettere LG CM A rappresentare
modellazione della curva di crescita latente,
E SEM A rappresentare modellazione di equazioni strutturali.
Modellazione della curva di crescita latente È fondamentalmente UN modo A modello
longitudinale dati utilizzando IL SEM struttura.
Perché Esso È costruito In IL SEM struttura,
Esso ha Tutto IL vantaggi Di specificando E test relazione,
COME Zhiwu era spiegando con IL esempio Di modellazione di equazioni strutturali.
UN S UN lato Nota, IO volevo Piace A citare Quello LGCM
È In realtà UN applicazione Di confermativo fattore analisi,
Quale È In realtà UN sottomodello entro modellazione di equazioni strutturali
con IL aggiunto Significare struttura,
E Questo Volere Essere spiegato Quando Noi Ottenere in JMP.
Uno Di IL benefici Di utilizzando IL SEM struttura
È Quello Noi Sono capace A valutare modello adatto.
Permettere noi Aspetto A IL dichiarazione Là,
Quale dice, ogni modello implica UN covarianza matrice E Significare struttura.
Che cosa Questo Veramente significa È Quello
IL osservato covarianza matrice E IL Significare vettore
Potere Essere In realtà riprodotto di IL modello parametro stime
Quale Sono stimato utilizzando IL modellazione della curva di crescita latente.
IL uguaglianza fra IL due È Che cosa molti Di questi adatto indici
Sono In realtà test.
Uno Di IL più antico uno È IL chi-quadrato test
E IL ipotesi Esso È test È In realtà elencato Là:
IL uguaglianza fra IL popolazione,
E IL modello previsto covarianza matrice,
E IL Significare vettori.
Tuttavia, Questo test, Quale È uno Di IL più vecchio,
ha Alcuni orologio- fuori.
Uno È Quello IL test statistica in a funzione È campione misurare,
Quale significa Quello più grandi campione misurare Volere tendere A rifiutare IL modello
Anche per banale differenze.
IL altro uno È Quello IL test È globale
E fa non riflettere l'adattamento locale ad esempio Potevo Essere misurato di R-quadrato.
UN inoltre, IL adatto È pure esatto COME specificato In IL ipotesi.
Noi Sapere da IL famoso scatola dichiarazione Quello Tutto Modelli Sono sbagliato.
Nostro Modelli Sono soltanto Appena UN approssimazione.
Perché Di Questo, Là Avere stato parecchi alternativa adatto le misure
Quello Avere stato proposto.
Id Piace A citare tre Di loro Qui.
IL Primo È IL Radice Significare Piazza Errore Di Approssimazione.
Questo È In realtà misurazione modello disadattato, regolazione per IL campione misurare,
Quale era UN problema con IL chi-quadrato test.
Questo È In realtà UN cattiveria- Di- adatto misurare, COSÌ inferiore numeri Sono Meglio.
Ma uno Di IL vantaggi Di utilizzando Questo adatto misurare
È Quello Noi Avere UN fiducia intervallo per Esso,
E IL suggerito soglia per Questo adatto misurare
È Quello IL superiore limite
Di IL fiducia intervallo È meno di 0,10.
Il prossimo È UN Comparativo Adatta I indice E Non normato Adatto Indice.
Questi Sono parente stime, E Loro sono In realtà test
Come Bene È tuo proposto modello
rispetto A UN linea di base modello,
Quale È Generalmente UN modello Di NO relazione.
Questo È UN bontà- Di- adatto misurare,
E COSÌ IL suggerito criteri Qui È Quello questi adatto le misure
attraverso UN soglia Di A meno 0,95.
IL scorso uno È UN Standardizzato Radice Significare Quadrato Residuo.
Questo È In realtà UN media quadrato residuo Di Tutto IL elementi
In IL covarianza matrice.
Questo È UN cattiveria- Di- adatto misurare.
Ancora, Noi Sono guardare per più piccola numeri,
E IL suggerito soglia Qui È Quello Questo valore È meno di 0,08.
SU superiore Di Tutto Questo, Finalmente, Fare non dimenticare A controllo IL effettivo residui,
IL standardizzato residui.
Che cosa Noi Sono guardare per Qui È numeri Quale Sono al di là
meno 2 E più 2 soglia.
IL idea Qui È A Aspetto A IL totalità Di adatto
E non Appena Qualunque uno misurare.
Avendo discusso adatto le misure,
adesso molla noi Aspetto A IL longitudinale processi Noi Volere A studio.
Zhiwu descritto tre diverso processi.
Primo uno È successo criteri COME misurato di complessivamente soddisfazione valutazione
da settimana 9 A settimana 12.
Poi Noi Avere avuto due il tempo varia ing covariate.
Quello significa questi Sono variando Sopra tempo.
Uno È IL temperature collocamento
In Quale IL Prodotto era usato da settimana 5 A settimana 12,
E Poi IL quantità Di Prodotto usato Anche da settimana 5 A settimana 12.
Poi Finalmente, Noi Avere UN indicatore variabile
indicando Che cosa tipo Di Prodotto Esso È, E Questo È UN tempo invariante covariata
no modifica con tempo.
IL modellazione strategia Noi Sono andando A utilizzo,
Primo, erano andando A visualizzare dati utilizzando Grafico Costruttore.
Poi Noi Sono selezionando UN univariato latente crescita curva modello
per ogni Di IL processi.
Poi Noi combinare Tutto Di loro,
Mettere insieme COME UN multivariato LGCM.
Poi BENE Finalmente test IL ipotesi Quello Zhiwu proposto,
Quale È Come BENE IL Prodotto E altro crescita fattori
impatto complessivamente soddisfazione.
Noi Volere scegliere IL più semplice modello Quando Noi costruire.
IO Sono andando A Ottenere in JMP.
IO Sono corsa JMP 18, Quale È UN Presto adottante versione,
E IO Sono andando A spettacolo Alcuni script,
E IO Volere spettacolo Voi Come IO avuto A Alcuni Di questi da IL JMP piattaforme.
IL Primo cosa IO Volere A Fare È visualizzare IL complessivamente soddisfazione,
E questi Sono traiettorie.
Che cosa questi sono sono fondamentalmente individuale SU ogni linea da settimana 9 A settimana 12.
Qui, IL complessivamente soddisfazione tracciato Qui
per ogni Di IL 119 consumatori.
Loro sono fondamentalmente uno traiettoria per ogni consumatore.
Se Voi Aspetto A Questo particolare consumatore, riga numero 16,
Quello persona traiettoria È SU UN verso il basso tendenza
da settimana 9 Attraverso settimana 12.
Essi iniziato in qualche luogo In IL metà degli anni '50, E di IL tempo Essi Sono In settimana 12,
loro soddisfazione misurare ha Venire giù A Di 37,5 SU UN scala Di 0-100.
Permettere noi Aspetto A un altro persona.
Questo persona Qui Chi usato IL Ariel Prodotto,
loro traiettoria È SU UN in su oscillazione
andando da IL metà degli anni '70 probabilmente A IL Presto anni 90
di IL tempo Essi portata settimana 12.
Essi Sono ottenere Di più E Di più soddisfatto
settimana Sopra settimana.
Scusa per Quello.
UN bolla schermo mostrando su.
Che cosa Noi Volere A Fare È Noi Volere A capire
Come diverso consumatori
Sono sperimentando soddisfazione Sopra IL settimane,
E IL modifica In questi processi per questi consumatori
È Che cosa Noi Volere A modello utilizzando LGCM.
Che cosa Io sono andando A Fare È Io sono andando A giro SU IL sceneggiatura,
LGCM Di complessivamente soddisfazione.
IO Avere costruito Qui tre diverso Modelli.
Che cosa questi Sono fondamentalmente IL latente variabile corrisponde A UN intercettare
per questi ripetuto le misure Di IL complessivamente soddisfazione
da settimana 9 Attraverso settimana 12.
Io ho costruito tre diverso Modelli.
Io ho costruito UN il quarto modello,
Quale È UN semplificazione Di IL Primo modello.
Io ho costruito UN nessuna crescita modello,
Quale significa diverso persone
Avere diverso livelli Di soddisfazione In IL inizio, Quale È settimana 9,
Ma Poi loro traiettorie appiattire fuori E fa non crescere Sopra tempo.
Secondo modello È UN lineare crescita modello, Quale significa Quello traiettorie Fare modifica
In UN lineare moda Sopra tempo.
IL terzo modello È UN quadratico modello, Quale significa loro traiettorie modifica
In UN quadratico moda Sopra tempo.
Poi Finalmente, Io ho avuto UN semplificazione Di IL Primo modello,
Ma Io sono assumendo Quasi elasticità O NO modifica In IL varianza attraverso tempo.
Io sono andando A Aspetto A questi adatto le misure
Quello IO parlato Di
E scegliere IL modello Quello si adatta IL migliore.
Che cosa Io sono guardare per È Basso valori Di chi quadrato,
alto valori Di CFI, Quale significa CFI va SU UN scala da 0-1
E Basso valori Di RMSEA, Quale Anche va SU UN scala da 0-1.
Esso sembra Piace Tutto Mio Modelli, NO- crescita, lineare crescita, E quadratico crescita,
adatto IL dati ugualmente BENE.
Ma Tuttavia, Io sono andando A Prendere IL più semplice Di IL Modelli
Perché Se IO Aspetto A IL stime COME IO Potere
In IL sentiero diagramma,
molti Di questi coefficienti relativa A IL pendenza,
IL lineare pendenza O IL quadratico pendenza,
Sono In realtà non significativo COME mostrato di IL punteggiato linee.
In Questo lineare crescita modello, Che cosa Noi Avere È UN intercettare,
Quale le misure IL iniziale livello Di soddisfazione,
E pendenza, Quale le misure
IL valutare Di aumento Di IL soddisfazione Sopra tempo
O valutare Di diminuire Di soddisfazione Sopra tempo.
S galoppo le misure Quello, intercettare le misure IL iniziale livello.
Noi Potere Vedere Tutto IL stime imparentato A IL pendenza
Sono In realtà non significativo COME indicato di punteggiato linee.
Lo stesso È IL situazione per IL quadratico modello Anche.
Perciò, Io sono andando A Prendere IL più semplice Di IL modello,
Quale È IL NO- crescita modello per Questo processi,
Quale È complessivamente soddisfazione.
Permettere Me spettacolo Voi Come IO Fare Questo.
In JMP, andare Sotto IL Analizzare E scegliere Multivariato E scegliere
l'S Modello di equazioni strutturali piattaforma.
Scegliere IL ripetuto le misure, In Questo caso È REMO da settimana 9
Attraverso settimana 12.
Gocciolare loro In Modello Variabili scatola E clic OK.
Noi Avere avuto questi quattro ripetuto le misure
disponibile COME modellazione variabili In IL sentiero diagramma la zona.
IO Potere costruire Questo modello da graffio utilizzando IL sentiero diagramma,
Ma JMP ha fatto Esso Più facile di utilizzando scorciatoie.
Io sono andando A andare Sotto IL Modello Scorciatoia, rosso triangolo,
scegliere Longitudine Analisi, E controllo IL lineare latente crescita curva
O IL solo intercettazione modello.
Se IO scegliere IL solo intercettazione modello,
IO Ottenere Questo sentiero diagramma Quale Voi sega In Mio sceneggiatura.
Se IO correre IL modello,
Voi Volere Ottenere IL stime E IL adatto statistica per Questo modello.
Se Voi Volere A aggiungere IL lineare crescita modello
A Fare IL Stesso cosa, Venire sotto M odel Scorciatoie,
Longitudinale Analisi, E Lineare G Modello di curva di fila.
Ora noi Avere avuto non soltanto UN iniziale livello
COME rappresentato di IL intercettare latente variabile,
noi abbiamo avuto IL valutare Di crescita Di Questo processi
COME rappresentato di IL pendenza latente variabile.
Noi Potere correre Questo modello.
Clic SU Correre,
E Voi Ottenere IL modello stime, COME IO ha mostrato Voi Prima,
Quale Sono non significativo per IL pendenza latente variabile.
Voi Ottenere IL adatto statistiche Giusto Qui Sotto IL Modello Confronto tavolo.
T ecco Modelli Sono facile A adatto In JMP utilizzando IL modello scorciatoia menù
disponibile Sotto IL Modello Scorciatoia.
Io sono andando A vicino IL uno IO Appena creato.
Noi Avere COSÌ lontano costruito
UN univariato LGCM per UN separare processi.
Io sono andando A ripetere IL Stesso cosa per IL altro due crescita processi Noi Avere,
E erano andando A Aspetto A IL lavare temperatura traiettorie.
Permettere Me spettacolo Voi Come A Fare Questo In JMP.
In JMP, In Grafico, clic SU Grafico Costruttore E aprire su IL temperatura variabili.
Noi Volere A Aspetto A temperatura da settimana 5 Attraverso settimana 12.
Gocciolare loro SU IL asse x.
Per IL tipo Di grafico Voi Volere,
scegliere IL scorso icona In IL sbarra A IL superiore.
Questo È UN parallelo complotto.
Là Volere Essere Alcuni levigatezza associato con Questo.
Lagna Questo lettera sbarra Tutto IL modo A IL Sinistra.
Là Dovrebbe Essere NO levigatezza A Tutto.
Prendere IL Prodotto variabile, Quale È UN indicatore variabile,
Mettere loro SU Sovrapposizione.
Ora tu Ottenere individuale traiettorie.
Se Voi Volere A aggiungere IL media traiettoria,
scegliere IL sesto icona SU Questo barra degli strumenti da Sinistra.
Clic SU IL Spostare chiave E clic SU Questo.
Ora tu Ottenere Quello media traiettoria
Di temperatura usato Sopra questi otto settimane.
Clic SU Fatto
A Ottenere IL complotto con Di più vero proprietà.
Questo È esattamente IL complotto Quello IO ha mostrato utilizzando IL sceneggiatura.
Voi Potere chiaramente Vedere Quello
da settimana 7 in poi, Là Potrebbe Essere UN crescita
In IL temperatura collocamento.
Esso sembra Piace persone Sono crescente IL temperatura
COME tempo progredisce dalla settimana 7 Attraverso settimana 12.
Io sono andando A vicino Questo.
Noi Avere UN grafico A visualizzare
IL traiettorie Di IL temperatura collocamento.
Noi ripetere IL Stesso cosa.
Noi Volere A scegliere UN modello per Quello processi.
UN S Prima, IO costruito IL Stesso tre Modelli:
una crescita nulla, UN lineare crescita, E UN quadratico crescita.
Io sono andando A Aspetto A IL adatto statistica Qui.
Questo tempo, Noi Vedere decisamente UN significativo miglioramento
In andando da IL NO- crescita A lineare crescita
In termini Di IL adatto statistiche.
IL quadratico crescita È UN marginale aumento Sopra IL lineare crescita modello.
Ancora, per IL Stesso motivo COME Prima,
Tutto IL stime In IL quadratico pendenza Sono In realtà non significativo.
A Mantenere cose semplice, Io sono andando A scegliere IL più semplice modello,
Quale È IL lineare crescita per temperatura.
IL scorso processi È IL baccello utilizzo.
Questo È IL numero Di baccelli.
Ora Noi Potere Vedere chiaramente UN crescente tendenza,
Di più COSÌ per IL Etichetta ecologica Prodotto,
Quale significa persone Sono utilizzando Di più E Di più prodotti
Quando Essi utilizzo Etichetta ecologica COME rispetto A Ariel,
Quale È UN P&G Prodotto.
IO Volere A modello Questo.
Permettere Me vicino Quello.
Clic SU IL sceneggiatura per LG CM Di baccello utilizzo.
Io sono andando A Aspetto A IL adatto statistica.
UN guadagno, IO Vedere UN Bene modello adatto,
particolarmente IL lineare E IL quadratico.
Per IL Stesso motivo COME Prima, Io sono andando A scegliere IL lineare modello.
Qui IO Volere A Aspetto A
IL stime per IL quadratico pendenza,
E Questo È Che cosa IO Significare di non scegliendo IL quadratico pendenza
Perché hai avuto Tutto IL parametri unità puntiforme A Quello A Essere non significativo.
Ora noi Avere avuto UN modello per ogni Di IL tre processi.
Noi scelto UN nessuna crescita modello per complessivamente soddisfazione.
Noi scelto UN lineare crescita modello per Basso temperatura.
Adesso sono andando A Mettere loro Tutto insieme
utilizzando UN multivariato, latente modello della curva di crescita.
Questo È fondamentalmente Tutto IL tre processi Mettere insieme.
Qui , IO Volere A spettacolo Voi IL somiglianza
fra UN confermativo fattore analisi modello
E latente modello della curva di crescita COME era appuntito fuori In IL precedente diapositiva.
Voi Potere Vedere Quello Là È UN Significare struttura aggiunto A Esso
con UN triangolo con UN numero uno,
E Là Sono linee andando da Quello A ogni Di IL latente variabili.
Se IO fare clic con il pulsante destro del mouse E utilizzo IL Spettacolo opzione E non spettacolo IL Significare struttura,
Voi Potere Vedere IL familiare confermativo fattore analisi modello
con latente variabili E IL indicatori associato con ogni uno Di loro.
Noi Avere UN separare latente variabile, intercettare per IL complessivamente soddisfazione.
Noi Avere due latente variabili per IL temperatura,
Quale È iniziale intercettare E IL pendenza.
Noi Avere IL Stesso due latenti variabili indicando IL baccello utilizzo.
Iniziale livello COME rappresentato di IL int baccelli
E IL valutare Di modifica Di Prodotto utilizzo COME indicato di IL slp baccelli,
Quale È fondamentalmente IL pendenza Di baccelli.
Permettere Me Mettere Indietro IL significa attivato.
Ora noi Potere In realtà Aspetto A IL stime Di questi,
Quale Sono Veramente uno Di IL importante baccelli
Di IL latente modello della curva di crescita.
Che cosa Noi Avere Qui È UN stima
Di IL iniziale livello Di soddisfazione A settimana 9
Perché Quello era IL di partenza tempo periodo per complessivamente soddisfazione.
Quello è Di 71 SU UN scala Di 0-100.
Questo È IL media temperatura collocamento A settimana 9,
Quale È 36 gradi Centigrado.
Qui È IL Prodotto utilizzo, 1.4 buste.
Qui È IL valutare Di modifica Di Prodotto utilizzo
Perché Là È UN pendenza Di Prodotto utilizzo, IL latenza variabile,
Quale È Di 0,02.
Persone Sono utilizzando leggermente Di più COME tempo va SU.
Quello È Che cosa Noi Ottenere.
IL complessivamente adatto Di Questo modello È Anche abbastanza Bene.
IO pensare Noi sega Quello.
CFI esattamente A IL soglia 0,95,
E Nostro superiore limite Di IL RMSEA È decisamente meno di 0,1.
Ora noi andare A IL scorso modello,
Quale È IL ipotesi Quello Zhiwu ricercato A test,
Dove Noi Volere A Vedere Se Prodotto,
IL indicatore variabile, E IL altro crescita fattori
Avere UN significativo impatto SU complessivamente soddisfazione.
In ordine A rimuovere IL ingombrare,
IO Avere non mostrato Tutto IL indicatori.
Tutto Noi Sono vedendo È soltanto IL cerchi,
Quale rappresentare IL latente fattori per ogni Di IL crescita curva Modelli
E UN separare Prodotto variabile indicando Che cosa tipo Di Prodotto Esso È.
Ancora una volta, lasciamo noi Aspetto A IL adatto Di Questo modello.
Adatto Di Questo modello È Infatti Bene.
Noi Avere UN 0,95 per IL CFI.
Noi Avere meno di 0,1 per IL superiore limite Di IL RMSEA.
Noi Volere Aspetto A Di più adatto indici
Dopo Noi interpretare Alcuni Di IL stime Qui.
Io sono andando A interpretare IL solido linee Quale Sono significativo coefficienti.
Noi Avere UN significativo Prodotto effetto
da IL Prodotto variabile A IL intercettare Di complessivamente soddisfazione.
Questo Potere Essere interpretato fondamentalmente COME UN regressione coefficiente,
Quale È IL media livello Di soddisfazione
per Prodotto codificato 1
meno IL media livello Di soddisfazione per prodotto codificato 0.
Ariel È codificato COME Prodotto 0,
COSÌ Noi Avere tanto Di più soddisfazione con Ariel,
UN delta Di negativo 9 pollici favore Di Ariel
SU UN scala Di 0- 100.
Quello È UN grande modifica.
Delta In favore Di IL Ariel Prodotto.
Permettere noi Aspetto A IL Prodotto effetto SU baccelli.
Ancora, IL Stesso modo, media quantità Di Prodotto usato
per Prodotto codificato 1 meno Prodotto codificato 0.
Questo tempo, Noi Sono utilizzando Di più Di IL Etichetta ecologica Prodotto.
Se Voi Sono UN produttore Di Ariel, Questo È Bene notizia per Voi.
UN inoltre, IL valutare Di modifica Di Prodotto utilizzo
È Anche Di più per Etichetta ecologica rispetto A Ariel,
O 0,02 buste da settimana A settimana.
Finalmente, Noi Avere IL intercettare Di temperatura
avendo UN negativo impatto SU IL complessivamente soddisfazione,
Quale significa più alto temperature Guida A meno soddisfazione.
Ricordare, questi Sono prodotti Quale Sono commercializzato COME lavare a freddo prodotti.
Quello significa Essi Dovrebbe lavoro Meglio In Freddo temperature
E non più alto temperature.
IO Anche Volere A spettacolo Voi Dove Voi Potere Aspetto per altro adatto statistiche al di là
Che cosa È in arrivo fuori In IL modello confronto tavolo.
Sotto IL S Modello di equazioni strutturali In rosso triangolo,
Se Voi controllo SU Adatto Indici, Quale Io ho Già controllato,
Là Sono Di più adatto indici Quello Potere Essere mostrato A IL metter il fondo a.
Noi Volere A Aspetto A CFI E RMSEA, Quale noi abbiamo Già visto,
E Qui È IL Standardizzato Radice Significa piazza Residuo,
Quale IO discusso.
Questo È Anche esattamente A IL soglia Di 0,08.
Tutto In Tutto, In termini Di adatto indici, Nostro modello fa adatto abbastanza BENE.
Finalmente,
IO detto Voi non A dimenticare IL residui.
Questi Sono normalizzato residui In termini Di IL misurato variabili.
Noi Avere 21 misurato variabili, otto per baccelli, otto per temperature,
quattro per complessivamente soddisfazione, E uno per IL Prodotto variabile.
Questo È UN 21 di 21 matrice.
Che cosa Noi Sono guardare per
È numeri Quale Sono al di fuori IL più 2 meno 2 allineare.
Là Sono Appena pure molti numeri A Aspetto A In IL tavolo,
Ma JMP produce UN mappa di calore.
Mappa di calore opzione È Anche Sotto IL rosso triangolo.
Che cosa Noi Sono guardare per È buio rosso O buio blu.
Qui, Noi Avere due buio rossi
Quale Sono relazione tra il baccello utilizzo A settimana 6 ,
temperatura A settimana 12,
baccello utilizzo A settimana 6, E temperatura A settimana 9.
Finalmente, Noi Avere uno,
Perché Questo È Appena UN specchio Immagine Di IL uno Quello È Qui.
Questo È IL relazione fra temperatura A settimana 9
E temperatura A settimana 10, Quale È non modellato.
Questo Potevo In realtà Essere modellato
di aggiungendo UN errore covarianza, Quale IO fatto non Fare.
Se IO fatto Questo, IL modello, In fatto, volevo Essere Anche Meglio.
IO Volere A andare Indietro A IL presentazione E riassumere Che cosa Noi Avere trovato.
Oops scusa, sbagliato diapositiva.
In termini Di conclusione, Noi iniziato IL Grafico Costruttore
A visualizzare Nostro traiettorie,
E Noi costruito latente crescita curva modello utilizzando IL SEM piattaforma.
Noi esteso da univariato A multivariato Modelli.
UN LL Nostro Modelli, Compreso IL scorso uno, avevo accettabile adatto, In fatto, Bene adatto.
Prodotto avevo UN significativo impatto SU REMO,
Quale significa Ariel È Meglio di Etichetta ecologica In termini Di suo complessivamente soddisfazione
E significativo impatto SU IL numero Di baccelli,
Quale significa meno Prodotto era usato per Ariel rispetto A Etichetta ecologica,
E Anche da settimana A settimana.
Intercettare avevo UN negativo impatto SU REMO, Quale significa persone preferire
inferiore temperatura collocamento di più alto temperatura collocamento.
Se Voi Sono UN P&G produttore, Questo È Bene notizia per Voi
Perché Ariel lavori Meglio di Eco etichetta
In Questo modellazione struttura Quello Noi Avere Fatto.
Io sono andando A giro Esso Sopra A Zhiwu A Vedere Che cosa IL Prossimo passi Sono
da Questo modello risultati.
Zhiwu?
Grazie Voi molto tanto.
Grazie Voi, Narayanan, E molto eccellente presentazione
E meraviglioso demo.
COME Narayanan menzionato,
IL modellazione risultati dimostrare IL Prodotto ha UN significativo impatto
A IL Soddisfazione generale Di IL prestazione
Di IL detergente prodotti In Nostro test.
Questo risultato fornisce noi il fiducia possiamo fare UN molto chiaro reclamo,
Ariel prodotti È UN favore A IL lavaggio a freddo Potere Essere usato meno di IL normale prodotti.
Questo È Anche modellazione Confermare IL consumatore comportamento modifica.
Se Voi utilizzo Ariel Prodotto, Voi Volere Avere Di più lavaggio carichi
andare A IL lavaggio a freddo, utilizzo meno energia E utilizzo meno Prodotto.
Anche, Noi piano A condotta più grande misurare consumatore studio per Compreso IL Di più
covariate variabili In IL futuro modellazione palcoscenico Piace IL additivo utilizzo
E IL lavaggio ciclo Di ogni lavare E IL Basso misurare per lavare.
Questo È Nostro Prossimo fare un passo.
Prossimo diapositiva.
Ora noi volevo Piace A Prendere domanda Se Voi Avere Qualunque.
Grazie Voi molto tanto per frequentando IL presentazione.
Noi Aspetto inoltrare A tuo domande probabilmente In IL JMP Vertice.
