Hola, todos.
Mi nombre es Zhiwu liang,
estadístico de procter & Jugar Compañía.
Soy apoyo de la negocio en Bruselas Innovación Centro para P&G.
Mi principal trabajo es haciendo el consumidor encuesta datos análisis.
Hoy, Narayanan y I voluntad presente
el GRAMO Modelado de curvas de fila a Medida Impacto
de el Temperatura y Uso A montar en Detergente Actuación.
Próximo deslizar, por favor.
Aquí es el contenido nosotros voluntad cubrir hoy.
Primero, I voluntad dar el breve introducción acerca de el modelos de ecuaciones estructurales
y a poco acerca de el datos nosotros voluntad ser usando para nuestro modelado.
Entonces I voluntad doblar a Narayanan a introducir el modelado de curva de crecimiento,
modelo edificio proceso más el JMP manifestación.
Sin demostración, I voluntad presente el conclusión y próximo pasos.
Próximo deslizar, por favor .
El modelos de ecuaciones estructurales
es a multivariado técnica
eso es usado a prueba a colocar de el relación
entre el observado y el latente variables
por comparando el modelo predicho covarianza matriz
y observado covarianza matriz.
En SEM, qué nosotros tener hecho es,
observado variables son manifiesto variable
como el indicador para latente variables,
cual es usando el medición modelo a construir.
Latente variables forma a regresión modelo
a construir a red cual nosotros llamar el estructura modelo.
Aquí es un ejemplo con el tres latente variable,
ocho oh observado variable en JMP, entonces el SEM estructura.
Como tú poder ver en el botón izquierda cuadro,
el círculo representar el latente variable,
cual es calculado a través de el indicadores como limpieza,
como el latente variable es indicado por el lleno cuadrado
representar el manifiesto variable
en general limpieza, mancha eliminación, blancura y brillo.
Mismo como el frescura, latente variable indicado por el tres manifiesto variable.
Si tú mirar en el bien lado de el ventana,
el cargando ventana espectáculo el estructura para el medición modelo
cómo este individual latente variable relatar a el indicador.
El botón de el regresión ventana mostrar la dos regresión modelo:
limpieza impulsar la calificación general, frescura seco calificación general.
Este es el estructura para el estructura ecuación modelo.
Próximo deslizar, por favor.
El datos nosotros usar para nuestro modelado de curva de crecimiento
es el encuesta datos nosotros conducta en el Francia con el 119 consumidor.
Nosotros dividir este 119 consumidor en grupos.
Sesenta de a ellos usar control productos,
cual es el ariel, soluble unidad dosis, el vainas,
en nuestro datos colocar, marcado como 0.
Otro 59 consumidores usar prueba producto es el Etiqueta ecológica producto, código como 1.
Cada consumidor, durante el 12 semanas de el prueba,
primero cuatro semanas, ellos usar su propio productos.
Entonces ellos voluntad ir a el ocho semanas prueba semana,
usar uno de nuestro asignando productos, cualquiera usar el ariel Sud o Etiqueta ecológica.
Entonces para cada tiempo de el lavar,
el consumidor voluntad llenar en el cuestionario,
proporcionar alguno información acerca de su Lavado comportamiento,
semejante como el Lavado temperatura,
número de el vainas usado, suelo nivel de el tela, cómo sucio él es,
y en general clasificación de el actuación para el producto.
Nuestro modelado objetivo es intentar a prueba si allá es a productos efecto
en el en general actuación clasificación,
Lavado temperatura en el en general actuación clasificación,
número de el vainas usado para en general clasificación
para cada de el lavar.
Próximo deslizar, por favor.
Desde cada consumidor, ellos tener a diferente Lavado hábito,
ellos tener diferente condición,
no todo de el consumidor tiene el mismo número de lavar durante el prueba semana.
Por lo tanto, a hacer cada consumidor
el peso igual en nuestro modelo edificio datos colocar,
nosotros primero agregar el consumidor datos por el miembro del jurado nivel por semanalmente base.
Tú llevar el promedio Lavado temperatura
durante eso semana para el particular consumidor,
número de vainas usado,
y el en general clasificación para cada carga durante eso semana.
Después este agregar datos,
nosotros usar el exploratorio herramienta como JMP Grafico Constructor
a identificar si hay cualquier lineal tendencia para calificación general,
para temperatura tendencia durante el prueba semana,
y el número de el vainas usando tendencia durante el prueba semana.
Desde el exploratorio escenario , REMO es bonito estable
en el semana 9 a semana 12, nosotros usar el interceptar solo modelo para REMO.
Entonces para el temperatura para el producto y para el número de el vainas usado
de este exploratorio escenario,
nosotros encontró allá es cualquiera creciente o disminuido tendencia.
Por lo tanto, nosotros usar el lineal crecimiento modelo a describir el temperatura indicador
y el número de vainas indicador.
A explicar el producto impacto,
nosotros también incluido el producto fabricado variable en nuestro modelo.
Entonces nosotros primero construir a crecimiento curva modelo para temperatura número de el vainas,
entonces agregar este latente variable a construir a regresión modelo de productos variable,
interceptar de temperatura, pendiente de temperatura,
interceptar de el número de vainas usado, pendiente de el número de vainas usado
a interceptar de el REMO a construir multivariado, el modelo de curva de crecimiento.
Ahora yo haría doblar a Narayanan a introducir latente modelo de curva de crecimiento.
Narayanan, es su doblar.
Agradecer tú, Zhiwu, para el excelente [inaudible 00:06:49].
Hola, todos. Mi nombre es Narayanan.
I soy un Adjunto profesor en el Universidad de Cincinnati,
pero I enseñar cursos en datos minería usando JMP.
Identificación como a comenzar por donación a muy amplio definición
de qué es latente modelado de curvas de crecimiento.
Como nosotros ir a lo largo de, I puede usar el letras LG CM a representar
modelado de curva de crecimiento latente,
y SEM a representar modelos de ecuaciones estructurales.
Modelado de la curva de crecimiento latente. es básicamente a forma a modelo
longitudinal datos usando el SEM estructura.
Porque él es construido en el SEM estructura,
él tiene todo el ventajas de especificando y pruebas relación,
como Zhiwu era explicando con el ejemplo de modelos de ecuaciones estructurales.
A s a lado nota, I haría como a mencionar eso LGCM
es de hecho un solicitud de confirmatorio factor análisis,
cual es de hecho a submodelo dentro modelos de ecuaciones estructurales
con el agregado significar estructura,
y este voluntad ser explicado cuando nosotros conseguir en JMP.
Uno de el beneficios de usando el SEM estructura
es eso nosotros son capaz a evaluar modelo adaptar.
Dejar a nosotros mirar en el declaración allá,
cual dice, cada modelo implica a covarianza matriz y significar estructura.
Qué este en realidad medio es eso
el observado covarianza matriz y el significar vector
poder ser de hecho reproducido por el modelo parámetro estimados
cual son estimado usando el Modelado de la curva de crecimiento latente.
El igualdad entre el dos es qué muchos de estos adaptar índices
son de hecho pruebas.
Uno de el más antiguo uno es el chi-cuadrado prueba
y el hipótesis él es pruebas es de hecho listado allá:
el igualdad entre el población,
y el modelo predicho covarianza matriz,
y el significar vectores.
Sin embargo, este prueba, cual es uno de el más antiguo,
tiene alguno mirar- afuera.
Uno es eso el prueba estadística en un función es muestra tamaño,
cual medio eso más grande muestra tamaño voluntad tender a rechazar el modelo
incluso para trivial diferencias.
El otro uno es eso el prueba es global
y hace no reflejar el ajuste local como podría ser Medido por R Plaza.
A también, el adaptar es también exacto como especificado en el hipótesis.
Nosotros saber de el famoso caja declaración eso todo modelos son equivocado.
Nuestro modelos son solo justo un aproximación.
Porque de este, allá tener estado varios alternativa adaptar medidas
eso tener estado propuesto.
Identificación como a mencionar tres de a ellos aquí.
El primero es el Raíz Significar Cuadrado Error de Aproximación.
Este es de hecho medición modelo inadaptado, ajustando para el muestra tamaño,
cual era un asunto con el chi-cuadrado prueba.
Este es de hecho a maldad- de- adaptar medida, entonces más bajo números son mejor.
Pero uno de el ventajas de usando este adaptar medida
es eso nosotros tener a confianza intervalo para él,
y el sugirió límite para este adaptar medida
es eso el superior atado
de el confianza intervalo es menos que 0,10.
El siguiente es a Comparativo Encaja yo índice y No normado Adaptar Índice.
Estos son relativo estimados, y ellos son de hecho pruebas
cómo bien es su propuesto modelo
comparado a a base modelo,
cual es generalmente a modelo de No relación.
Este es a bondad- de- adaptar medida,
y entonces el sugirió criterios aquí es eso estos adaptar medidas
cruz a límite de en el menos 0,95.
El último uno es a Estandarizado Raíz Significar al cuadrado Residual.
Este es de hecho un promedio al cuadrado residual de todo el elementos
en el covarianza matriz.
Este es a maldad- de- adaptar medida.
De nuevo, nosotros son mirando para menor números,
y el sugirió límite aquí es eso este valor es menos que 0,08.
En arriba de todo este, finalmente, hacer no olvidar a controlar el actual derechos residuales de autor,
el estandarizado derechos residuales de autor.
Qué nosotros son mirando para aquí es números cual son más allá de
menos 2 y más 2 límite.
El idea aquí es a mirar en el totalidad de adaptar
y no justo cualquier uno medida.
Teniendo discutido adaptar medidas,
ahora deja a nosotros mirar en el longitudinal proceso nosotros desear a estudiar.
Zhiwu descrito tres diferente procesos.
Primero uno es éxito criterios como Medido por en general satisfacción clasificación
de semana 9 a semana 12.
Entonces nosotros tener consiguió dos el tiempo varía En g covariables.
Eso medio estos son variar encima tiempo.
Uno es el temperaturas configuración
en cual el producto era usado de semana 5 a semana 12,
y entonces el cantidad de producto usado también de semana 5 a semana 12.
Entonces finalmente, nosotros tener un indicador variable
indicando qué tipo de producto él es, y este es a invariante en el tiempo covariable
no cambiar con tiempo.
El modelado estrategia nosotros son yendo a usar,
primero, eran yendo a visualizar datos usando Grafico Constructor.
Entonces nosotros son seleccionando a univariado latente crecimiento curva modelo
para cada de el procesos.
Entonces nosotros combinar todo de a ellos,
poner juntos como a multivariado LGCM.
Entonces Bueno finalmente prueba el hipótesis eso Zhiwu propuesto,
cual es cómo Bueno el producto y otro crecimiento factores
impacto en general satisfacción.
Nosotros voluntad elegir el lo más simple modelo cuando nosotros construir.
I soy yendo a conseguir en JMP.
I soy correr JMP 18, cual es un temprano adoptante versión,
y I soy yendo a espectáculo alguno guiones,
y I voluntad espectáculo tú cómo I consiguió a alguno de estos de el JMP plataformas.
El primero cosa I desear a hacer es visualizar el en general satisfacción,
y estos son trayectorias.
Qué estos son son básicamente individual en cada línea de semana 9 a semana 12.
Aquí, el en general satisfacción trazado aquí
para cada de el 119 consumidores.
Ellos son básicamente uno trayectoria para cada consumidor.
Si tú mirar en este particular consumidor, fila número dieciséis,
eso de la persona trayectoria es en a hacia abajo tendencia
de semana 9 a través de semana 12.
Ellos comenzó en algún lugar en el mediados de los 50, y por el tiempo ellos son en semana 12,
su satisfacción medida tiene venir abajo a acerca de 37,5 en a escala de 0-100.
Dejar a nosotros mirar en otro persona.
Este persona aquí OMS usado el ariel producto,
su trayectoria es en un hacia arriba balancearse
yendo de el mediados de los 70 probablemente a el temprano años 90
por el tiempo ellos alcanzar semana 12.
Ellos son conseguir más y más satisfecho
semana encima semana.
Lo siento para eso.
A burbuja pantalla demostración arriba.
Qué nosotros desear a hacer es nosotros desear a entender
cómo diferente consumidores
son experimentando satisfacción encima el semanas,
y el cambiar en estos procesos para estos consumidores
es qué nosotros desear a modelo usando LGCM.
Qué Soy yendo a hacer es Soy yendo a doblar en el guion,
LGCM de en general satisfacción.
I tener construido aquí tres diferente modelos.
Qué estos son básicamente el latente variable corresponde a un interceptar
para estos repetido medidas de el en general satisfacción
de semana 9 a través de semana 12.
He construido tres diferente modelos.
He construido a cuatro modelo,
cual es a simplificación de el primero modelo.
He construido a sin crecimiento modelo,
cual medio diferente gente
tener diferente niveles de satisfacción en el comienzo, cual es semana 9,
pero entonces su trayectorias aplanar afuera y hace no crecer encima tiempo.
Segundo modelo es a lineal crecimiento modelo, cual medio eso trayectorias hacer cambiar
en a lineal moda encima tiempo.
El tercero modelo es a cuadrático modelo, cual medio su trayectorias cambiar
en a cuadrático moda encima tiempo.
Entonces finalmente, He consiguió a simplificación de el primero modelo,
pero Soy asumiendo casi elasticidad o No cambiar en el diferencia al otro lado de tiempo.
Soy yendo a mirar en estos adaptar medidas
eso I habló acerca de
y elegir el modelo eso encaja el mejor.
Qué Soy mirando para es bajo valores de chi-cuadrado,
alto valores de CFI, cual medio CFI va en a escala de 0-1
y bajo valores de RMSEA, cual también va en a escala de 0-1.
Él aspecto como todo mi modelos, No- crecimiento, lineal crecimiento, y cuadrático crecimiento,
adaptar el datos igualmente Bueno.
Pero sin embargo, Soy yendo a llevar el lo más simple de el modelos
porque si I mirar en el estimados como I poder
en el camino diagrama,
muchos de estos coeficientes relativo a el pendiente,
el lineal pendiente o el cuadrático pendiente,
son de hecho no significativo como mostrado por el punteado líneas.
En este lineal crecimiento modelo, qué nosotros tener es un interceptar,
cual medidas el inicial nivel de satisfacción,
y pendiente, cual medidas
el tasa de aumentar de el satisfacción encima tiempo
o tasa de disminuir de satisfacción encima tiempo.
S correr a paso largo medidas eso, interceptar medidas el inicial nivel.
Nosotros poder ver todo el estimados relacionado a el pendiente
son de hecho no significativo como indicado por punteado líneas.
Lo mismo es el situación para el cuadrático modelo también.
Por lo tanto, Soy yendo a llevar el lo más simple de el modelo,
cual es el No- crecimiento modelo para este proceso,
cual es en general satisfacción.
Dejar a mí espectáculo tú cómo I hacer este.
En JMP, ir bajo el Analizar y elegir multivariado y elegir
la S modelo de ecuaciones estructurales plataforma.
Elegir el repetido medidas, en este caso es REMO de semana 9
a través de semana 12.
Gota a ellos en Modelo variables caja y hacer clic DE ACUERDO.
Nosotros tener consiguió estos cuatro repetido medidas
disponible como modelado variables en el camino diagrama área.
I poder construir este modelo de rascar usando el camino diagrama,
pero JMP tiene hecho él más fácil por usando atajos.
Soy yendo a ir bajo el Modelo Atajo, rojo triángulo,
elegir Longitud Análisis, y controlar el lineal latente crecimiento curva
o el solo interceptar modelo.
Si I elegir el solo interceptar modelo,
I conseguir este camino diagrama cual tú sierra en mi guion.
Si I correr el modelo,
tú voluntad conseguir el estimados y el adaptar estadística para este modelo.
Si tú desear a agregar el lineal crecimiento modelo
a hacer el mismo cosa, venir bajo M modelo atajos,
Longitudinal Análisis, y Lineal GRAMO Modelo de curva de filas.
Ahora nosotros tener consiguió no solo un inicial nivel
como representado por el interceptar latente variable,
hemos consiguió el tasa de crecimiento de este proceso
como representado por el pendiente latente variable.
Nosotros poder correr este modelo.
Hacer clic en Correr,
y tú conseguir el modelo estimados, como I presentado tú antes,
cual son no significativo para el pendiente latente variable.
Tú conseguir el adaptar Estadísticas bien aquí bajo el Modelo Comparación mesa.
t estos modelos son fácil a adaptar en JMP usando el modelo atajo menú
disponible bajo el Modelo Atajo.
Soy yendo a cerca el uno I justo creado.
Nosotros tener entonces lejos construido
a univariado LGCM para a soltero proceso.
Soy yendo a repetir el mismo cosa para el otro dos crecimiento proceso nosotros tener,
y eran yendo a mirar en el lavar temperatura trayectorias.
Dejar a mí espectáculo tú cómo a hacer este en JMP.
En JMP, en Grafico, hacer clic en Grafico Constructor y abierto arriba el temperatura variables.
Nosotros desear a mirar en temperatura de semana 5 a través de semana 12.
Gota a ellos en el eje x.
Para el tipo de grafico tú desear,
elegir el último icono en el bar en el arriba.
Este es a paralelo trama.
Allá voluntad ser alguno suavidad asociado con este.
Arrastrar este carta bar todo el forma a el izquierda.
Allá debería ser No suavidad en todo.
Llevar el producto variable, cual es un indicador variable,
poner a ellos en Cubrir.
Ahora tu conseguir individual trayectorias.
Si tú desear a agregar el promedio trayectoria,
elegir el sexto icono en este barra de herramientas de izquierda.
Hacer clic en el Cambio llave y hacer clic en este.
Ahora tu conseguir eso promedio trayectoria
de temperatura usado encima estos ocho semanas.
Hacer clic en Hecho
a conseguir el trama con más real bienes.
Este es exactamente el trama eso I presentado usando el guion.
Tú poder claramente ver eso
de semana 7 adelante, allá podría ser a crecimiento
en el temperatura configuración.
Él aspecto como gente son creciente el temperatura
como tiempo progresa desde la semana 7 a través de semana 12.
Soy yendo a cerca este.
Nosotros tener a grafico a visualizar
el trayectorias de el temperatura configuración.
Nosotros repetir el mismo cosa.
Nosotros desear a elegir a modelo para eso proceso.
A s antes, I construido el mismo tres modelos:
un no crecimiento, a lineal crecimiento, y a cuadrático crecimiento.
Soy yendo a mirar en el adaptar estadística aquí.
Este tiempo, nosotros ver definitivamente a significativo mejora
en yendo de el No- crecimiento a lineal crecimiento
en términos de el adaptar Estadísticas.
El cuadrático crecimiento es a marginal aumentar encima el lineal crecimiento modelo.
De nuevo, para el mismo razón como antes,
todo el estimados en el cuadrático pendiente son de hecho no significativo.
A mantener cosas simple, Soy yendo a elegir el más simple modelo,
cual es el lineal crecimiento para temperatura.
El último proceso es el vaina uso.
Este es el número de vainas.
Ahora nosotros poder ver claramente un creciente tendencia,
más entonces para el Etiqueta ecológica producto,
cual medio gente son usando más y más productos
cuando ellos usar Etiqueta ecológica como comparado a ariel,
cual es a P&G producto.
I desear a modelo este.
Dejar a mí cerca eso.
Hacer clic en el guion para LG CM de vaina uso.
Soy yendo a mirar en el adaptar estadística.
A ganar, I ver a bien modelo adaptar,
especialmente el lineal y el cuadrático.
Para el mismo razón como antes, Soy yendo a elegir el lineal modelo.
Aquí I desear a mirar en
el estimados para el cuadrático pendiente,
y este es qué I significar por no eligiendo el cuadrático pendiente
porque tienes consiguió todo el parámetros unidad de punto a eso a ser no significativo.
Ahora nosotros tener consiguió a modelo para cada de el tres procesos.
Nosotros eligió a sin crecimiento modelo para en general satisfacción.
Nosotros eligió a lineal crecimiento modelo para bajo temperatura.
Ahora soy yendo a poner a ellos todo juntos
usando a multivariado, latente modelo de curva de crecimiento.
Este es básicamente todo el tres procesos poner juntos.
Aquí , I desear a espectáculo tú el semejanza
entre a confirmatorio factor análisis modelo
y latente modelo de curva de crecimiento como era puntiagudo afuera en el anterior deslizar.
Tú poder ver eso allá es a significar estructura agregado a él
con a triángulo con a número uno,
y allá son líneas yendo de eso a cada de el latente variables.
Si I botón derecho del ratón y usar el Espectáculo opción y no espectáculo el significar estructura,
tú poder ver el familiar confirmatorio factor análisis modelo
con latente variables y el indicadores asociado con cada uno de a ellos.
Nosotros tener a soltero latente variable, interceptar para el en general satisfacción.
Nosotros tener dos latente variables para el temperatura,
cual es inicial interceptar y el pendiente.
Nosotros tener el mismo dos latentes variables indicando el vaina uso.
Inicial nivel como representado por el En t vainas
y el tasa de cambiar de producto uso como indicado por el slp vainas,
cual es básicamente el pendiente de vainas.
Dejar a mí poner atrás el medio activado.
Ahora nosotros poder de hecho mirar en el estimados de estos,
cual son en realidad uno de el importante vainas
de el latente modelo de curva de crecimiento.
Qué nosotros tener aquí es un estimar
de el inicial nivel de satisfacción en semana 9
porque eso era el a partir de tiempo período para en general satisfacción.
Eso es acerca de 71 en a escala de 0-100.
Este es el promedio temperatura configuración en semana 9,
cual es 36 grados Celsius.
Aquí es el producto uso, 1.4 bolsas.
Aquí es el tasa de cambiar de producto uso
porque allá es a pendiente de producto uso, el latencia variable,
cual es acerca de 0,02.
Gente son usando levemente más como tiempo va en.
Eso es qué nosotros conseguir.
El en general adaptar de este modelo es también equitativamente bien.
I pensar nosotros sierra eso.
CFI exactamente en el límite 0,95,
y nuestro superior atado de el RMSEA es definitivamente menos que 0.1.
Ahora nosotros ir a el último modelo,
cual es el hipótesis eso Zhiwu buscado a prueba,
dónde nosotros desear a ver si producto,
el indicador variable, y el otro crecimiento factores
tener a significativo impacto en en general satisfacción.
En orden a eliminar el desorden,
I tener no mostrado todo el indicadores.
Todo nosotros son vidente es solo el círculos,
cual representar el latente factores para cada de el crecimiento curva modelos
y a soltero producto variable indicando qué tipo de producto él es.
De nuevo, deja a nosotros mirar en el adaptar de este modelo.
Adaptar de este modelo es en efecto bien.
Nosotros tener a 0,95 para el CFI.
Nosotros tener menos que 0.1 para el superior atado de el RMSEA.
Nosotros voluntad mirar en más adaptar índices
después nosotros interpretar alguno de el estimados aquí.
Soy yendo a interpretar el sólido líneas cual son significativo coeficientes.
Nosotros tener a significativo producto efecto
de el producto variable a el interceptar de en general satisfacción.
Este poder ser interpretado básicamente como a regresión coeficiente,
cual es el promedio nivel de satisfacción
para producto codificado 1
menos el promedio nivel de satisfacción para producto codificado 0.
ariel es codificado como producto 0,
entonces nosotros tener mucho más satisfacción con ariel,
a delta de negativo 9 pulgadas favor de ariel
en a escala de 0- 100.
Eso es a grande cambiar.
Delta en favor de el ariel producto.
Dejar a nosotros mirar en el producto efecto en vainas.
De nuevo, el mismo forma, promedio cantidad de producto usado
para producto codificado 1 menos producto codificado 0.
Este tiempo, nosotros son usando más de el Etiqueta ecológica producto.
Si tú son a fabricante de ariel, este es bien noticias para tú.
A también, el tasa de cambiar de producto usar
es también más para Etiqueta ecológica comparado a ariel,
o 0,02 bolsas de semana a semana.
Finalmente, nosotros tener el interceptar de temperatura
teniendo a negativo impacto en el en general satisfacción,
cual medio más alto temperaturas dirigir a menos satisfacción.
Recordar, estos son productos cual son comercializado como lavado en frío productos.
Eso medio ellos debería trabajar mejor en frío temperaturas
y no más alto temperaturas.
I también desear a espectáculo tú dónde tú poder mirar para otro adaptar Estadísticas más allá de
qué es próximo afuera en el modelo comparación mesa.
Bajo el S modelo de ecuaciones estructurales en rojo triángulo,
si tú controlar en Adaptar Índices, cual He ya comprobado,
allá son más adaptar índices eso poder ser mostrado en el abajo.
Nosotros desear a mirar en CFI y RMSEA, cual hemos ya visto,
y aquí es el Estandarizado Raíz Medio cuadrado Residual,
cual I discutido.
Este es también exactamente en el límite de 0,08.
Todo en todo, en términos de adaptar índices, nuestro modelo hace adaptar bastante Bueno.
Finalmente,
I dijo tú no a olvidar el derechos residuales de autor.
Estos son normalizado derechos residuales de autor en términos de el Medido variables.
Nosotros tener 21 Medido variables, ocho para vainas, ocho para temperaturas,
cuatro para en general satisfacción, y uno para el producto variable.
Este es a 21 por 21 matriz.
Qué nosotros son mirando para
es números cual son afuera el más 2 menos 2 rango.
Allá son justo también muchos números a mirar en en el mesa,
pero JMP produce a mapa de calor.
Mapa de calor opción es también bajo el rojo triángulo.
Qué nosotros son mirando para es oscuro rojo o oscuro azul.
Aquí, nosotros tener dos oscuro rojos
cual son relación entre vaina uso en semana 6 ,
temperatura en semana 12,
vaina uso en semana 6, y temperatura en semana 9.
Finalmente, nosotros tener uno,
porque este es justo a espejo imagen de el uno eso es aquí.
Este es el relación entre temperatura en semana 9
y temperatura en semana 10, cual es no modelado.
Este podría de hecho ser modelado
por agregando un error covarianza, cual I hizo no hacer.
Si I hizo este, el modelo, en hecho, haría ser incluso mejor.
I desear a ir atrás a el presentación y resumir qué nosotros tener encontró.
Ups, lo siento, equivocado deslizar.
En términos de conclusión, nosotros comenzó el Grafico Constructor
a visualizar nuestro trayectorias,
y nosotros construido latente crecimiento curva modelo usando el SEM plataforma.
Nosotros extendido de univariado a multivariado modelos.
A todos nuestro modelos, incluido el último uno, tenía aceptable adaptar, en hecho, bien adaptar.
Producto tenía a significativo impacto en REMO,
cual medio ariel es mejor que Etiqueta ecológica en términos de es en general satisfacción
y significativo impacto en el número de vainas,
cual medio menos producto era usado para ariel comparado a etiqueta ecológica,
y también de semana a semana.
Interceptar tenía a negativo impacto en REMO, cual medio gente preferir
más bajo temperatura configuración que más alto temperatura configuración.
Si tú son a P&G fabricante, este es bien noticias para tú
porque ariel obras mejor que ecológico etiqueta
en este modelado estructura eso nosotros tener hecho.
Soy yendo a doblar él encima a Zhiwu a ver qué el próximo pasos son
de este modelo resultados.
¿Zhiwu?
Agradecer tú muy mucho.
Agradecer tú, Narayanan, y muy excelente presentación
y maravilloso manifestación.
Como Narayanan mencionado,
el modelado resultados probar el producto tiene a significativo impacto
a el satisfacción general de el actuación
de el detergente productos en nuestro prueba.
Este resultado proporciona nosotros el confianza podemos hacer a muy claro afirmar,
ariel productos es a favor a el lavado en frío poder ser usado menos que el normal productos.
Este es también modelado confirmar el consumidor comportamiento cambiar.
Si tú usar ariel producto, tú voluntad tener más Lavado cargas
ir a el lavado en frío, usar menos energía y usar menos producto.
También, nosotros plan a conducta más grande tamaño consumidor estudiar para incluido el más
covariables variables en el futuro modelado escenario como el aditivo uso
y el Lavado ciclo de cada lavar y el bajo tamaño por lavar.
Este es nuestro próximo paso.
Próximo deslizar.
Ahora nosotros haría como a llevar pregunta si tú tener cualquier.
Agradecer tú muy mucho para asistiendo el presentación.
Nosotros mirar adelante a su preguntas probablemente en el JMP Cumbre.
