Bonjour, tout le monde.
Mon nom est Zhiwu Liang,
statisticien depuis Procter & Pari Entreprise.
Je suis soutien du entreprise dans Bruxelles Innovation Centre pour P&G.
Mon principal emploi est faire le consommateur enquête données analyse.
Aujourd'hui, Narayanan et je volonté présent
le g Modélisation de courbe de Rowth à Mesure Impact
de le Température et Utilisation A monter sur Détergent Performance.
Suivant glisser, s'il te plaît.
Ici est le Contenu nous volonté couverture aujourd'hui.
D'abord, je volonté donner le bref introduction à propos le modèles d'équations structurelles
et un peu à propos le données nous volonté être en utilisant pour notre la modélisation.
Alors je volonté tourner à Narayanan à introduire le modélisation de courbe de croissance,
modèle bâtiment processus plus le JMP démo.
Sans montrant, je volonté présent le conclusion et suivant pas.
Suivant glisser, s'il te plaît .
Le modélisation d'équations structurelles
est un multivarié technique
que est utilisé à test un ensemble de le relation
entre le observé et le latent variables
par comparant le modèle prédit covariance matrice
et observé covariance matrice.
Dans SEM, quoi nous avoir fait est,
observé variables sont manifeste variable
comme le indicateur pour latent variables,
lequel est en utilisant le la mesure modèle à construction.
Latent variables formulaire un régression modèle
à construire un réseau lequel nous appel le structure modèle.
Ici est un exemple avec le trois latent variable,
huit o bservé variable dans JMP, donc le MEB structure.
Comme toi peut voir dans le bouton gauche graphique,
le cercle représenter le latent variable,
lequel est calculé à travers le indicateurs comme nettoyage,
comme le latent variable est indiqué par le complet carré
représenter le manifeste variable
dans l'ensemble nettoyage, tache suppression, blancheur et luminosité.
Même comme le fraîcheur, latent variable indiqué par le trois manifeste variable.
Si toi regarder à le droite côté de le fenêtre,
le chargement fenêtre montrer le structure pour le la mesure modèle
comment ce individuel latent variable se rapporter à le indicateur.
Le bouton de le régression fenêtre montrer le deux régression modèle:
nettoyage conduire la note globale, fraîcheur sec note globale.
Ce est le structure pour le structure équation modèle.
Suivant glisser, s'il te plaît.
Le données nous utiliser pour notre modélisation de la courbe de croissance
est le enquête données nous conduire dans le France avec le 119 consommateur.
Nous diviser ce 119 consommateur dans groupes.
Soixante de eux utiliser contrôle des produits,
lequel est le Ariel, soluble unité dose, le les dosettes,
dans notre données ensemble, marqué comme 0.
Un autre 59 consommateurs utiliser test produit est le Ecolabel produit, code comme 1.
Chaque consommateur, pendant le 12 semaines de le test,
d'abord quatre semaines, ils utiliser leur propre des produits.
Alors ils volonté aller à le huit semaines test semaine,
utiliser un de notre attribution des produits, soit utiliser le Ariel SUD ou Ecolabel.
Alors pour chaque temps de le laver,
le consommateur volonté remplir dans le questionnaire,
fournir quelques information à propos leur la lessive comportement,
tel comme le la lessive température,
nombre de le gousses utilisé, sol niveau de le tissu, comment sale il est,
et dans l'ensemble notation de le performance pour le produit.
Notre la modélisation objectif est essayer à test si là est un des produits effet
sur le dans l'ensemble performance notation,
la lessive température sur le dans l'ensemble performance notation,
nombre de le gousses utilisé pour dans l'ensemble notation
pour chaque de le laver.
Suivant glisser, s'il te plaît.
Depuis chaque consommateur, ils avoir un différent la lessive habitude,
ils avoir différent condition,
pas tous de le consommateur a le même nombre de laver pendant le test semaine.
Donc, à faire chaque consommateur
le poids égal dans notre modèle bâtiment données ensemble,
nous d'abord agrégat le consommateur données par le panéliste niveau par hebdomadaire base.
Toi prendre le moyenne la lessive température
pendant que semaine pour le particulier consommateur,
nombre de gousses utilisé,
et le dans l'ensemble notation pour chaque charger pendant que semaine.
Après ce agrégat données,
nous utiliser le exploratoire outil comme JMP Graphique Constructeur
à identifier si il y a n'importe lequel linéaire s'orienter pour note globale,
pour température s'orienter pendant le test semaine,
et le nombre de le gousses en utilisant s'orienter pendant le test semaine.
Depuis le exploratoire scène , RAME est joli écurie
dans le semaine 9 à semaine 12, nous utiliser le intercepter seulement modèle pour RAME.
Alors pour le température pour le produit et pour le nombre de le gousses utilisé
depuis ce exploratoire scène,
nous trouvé là est soit en augmentant ou diminué s'orienter.
Donc, nous utiliser le linéaire croissance modèle à décrire le température indicateur
et le nombre de gousses indicateur.
À expliquer le produit impact,
nous aussi y compris le produit fabriqué variable dans notre modèle.
Alors nous d'abord construire un croissance courbe modèle pour température nombre de le les dosettes,
alors ajouter ce latent variable à construire un régression modèle depuis des produits variable,
intercepter de température, pente de température,
intercepter de le nombre de gousses utilisé, pente de le nombre de gousses utilisé
à intercepter de le RAME à construire multivarié, le modèle de courbe de croissance.
Maintenant je serait tourner à Narayanan à introduire latent modèle de courbe de croissance.
Narayanan, c'est ton tourner.
Remercier toi, Zhiwu, pour le super [inaudible 00:06:49].
Salut, tout le monde. Mon nom est Narayanan.
je suis un Auxiliaire professeur à le Université de Cincinnati,
mais je enseigner cours sur données exploitation minière en utilisant JMP.
Identifiant comme à commencer par donnant un très large définition
de quoi est latent modélisation de la courbe de croissance.
Comme nous aller le long de, je peut utiliser le des lettres LG CM à représenter
modélisation de la courbe de croissance latente,
et MEB à représenter modélisation d'équations structurelles.
Modélisation de la courbe de croissance latente est essentiellement un chemin à modèle
longitudinal données en utilisant le MEB cadre.
Parce que il est construit dans le MEB cadre,
il a tous le avantages de en précisant et essai relation,
comme Zhiwu était expliquant avec le exemple de modélisation d'équations structurelles.
UN s un côté note, je serait comme à mention que LGCM
est en fait un application de confirmatif facteur analyse,
lequel est en fait un sous-modèle dans modélisation d'équations structurelles
avec le ajoutée signifier structure,
et ce volonté être expliqué quand nous obtenir dans JMP.
Un de le avantages de en utilisant le MEB cadre
est que nous sont capable à évaluer modèle ajuster.
Laisser nous regarder à le déclaration là,
lequel dit, chaque modèle implique un covariance matrice et signifier structure.
Quoi ce vraiment moyens est que
le observé covariance matrice et le signifier vecteur
peut être en fait reproduit par le modèle paramètre estimations
lequel sont estimé en utilisant le modélisation de la courbe de croissance latente.
Le égalité entre le deux est quoi beaucoup de ces ajuster indices
sont en fait essai.
Un de le le plus ancien un est le chi carré test
et le hypothèse il est essai est en fait répertorié là:
le égalité entre le population,
et le modèle prédit covariance matrice,
et le signifier vecteurs.
Cependant, ce test, lequel est un de le le plus ancien,
a quelques montre- dehors.
Un est que le test statistique dans un fonction est échantillon taille,
lequel moyens que plus grand échantillon taille volonté tendre à rejeter le modèle
même pour banal différences.
Le autre un est que le test est mondial
et fait pas refléter l'ajustement local tel que pourrait être mesuré par R Carré.
UN aussi, le ajuster est aussi exact comme spécifié dans le hypothèse.
Nous savoir depuis le célèbre boîte déclaration que tous des modèles sont faux.
Notre des modèles sont seulement juste un approximation.
Parce que de ce, là avoir a été plusieurs alternative ajuster mesures
que avoir a été proposé.
Identifiant comme à mention trois de eux ici.
Le d'abord est le Racine Signifier Carré Erreur de Approximation.
Ce est en fait mesure modèle inadapté, réglage pour le échantillon taille,
lequel était un problème avec le chi carré test.
Ce est en fait un méchanceté- de- ajuster mesure, donc inférieur Nombres sont mieux.
Mais un de le avantages de en utilisant ce ajuster mesure
est que nous avoir un confiance intervalle pour il,
et le suggéré seuil pour ce ajuster mesure
est que le supérieur lié
de le confiance intervalle est moins que 0,10.
Le suivant est un Comparatif Je suis en forme indice et Non normé Ajuster Indice.
Ces sont relatif estimations, et ils sont en fait essai
comment bien est ton proposé modèle
par rapport à un ligne de base modèle,
lequel est généralement un modèle de Non relation.
Ce est un bonté- de- ajuster mesure,
et donc le suggéré critères ici est que ces ajuster mesures
croix un seuil de à moins 0,95.
Le dernier un est un Standardisé Racine Signifier Au carré Résiduel.
Ce est en fait un moyenne au carré résiduel de tous le éléments
dans le covariance matrice.
Ce est un méchanceté- de- ajuster mesure.
Encore, nous sont regarder pour plus petit Nombres,
et le suggéré seuil ici est que ce valeur est moins que 0,08.
Sur haut de tous ce, enfin, faire pas oublier à vérifier le réel les résidus,
le standardisé résiduels.
Quoi nous sont regarder pour ici est Nombres lequel sont au-delà
moins 2 et plus 2 seuil.
Le idée ici est à regarder à le totalité de ajuster
et pas juste n'importe lequel un mesure.
Ayant discuté ajuster mesures,
maintenant, laisse nous regarder à le longitudinal processus nous vouloir à étude.
Zhiwu décrit trois différent processus.
D'abord un est succès critères comme mesuré par dans l'ensemble satisfaction notation
depuis semaine 9 à semaine 12.
Alors nous avoir a obtenu deux le temps varie ing covariables.
Que moyens ces sont variable sur temps.
Un est le températures paramètre
dans lequel le produit était utilisé depuis semaine 5 à semaine 12,
et alors le montant de produit utilisé aussi depuis semaine 5 à semaine 12.
Alors enfin, nous avoir un indicateur variable
indiquant quoi taper de produit il est, et ce est un invariant dans le temps covariable
n'a pas changement avec temps.
Le la modélisation stratégie nous sont en allant à utiliser,
d'abord, étaient en allant à visualiser données en utilisant Graphique Constructeur.
Alors nous sont sélection un univarié latent croissance courbe modèle
pour chaque de le processus.
Alors nous combiner tous de eux,
mettre ensemble comme un multivarié LGCM.
Alors Bien enfin test le hypothèse que Zhiwu proposé,
lequel est comment Bien le produit et autre croissance facteurs
impact dans l'ensemble satisfaction.
Nous volonté choisir le le plus simple modèle quand nous construire.
je suis en allant à obtenir dans JMP.
je suis en cours d'exécution JMP 18, lequel est un tôt adoptant version,
et je suis en allant à montrer quelques des scénarios,
et je volonté montrer toi comment je a obtenu à quelques de ces depuis le JMP plates-formes.
Le d'abord chose je vouloir à faire est visualiser le dans l'ensemble satisfaction,
et ces sont trajectoires.
Quoi ces sont sont essentiellement individuel sur chaque doubler depuis semaine 9 à semaine 12.
Ici, le dans l'ensemble satisfaction tracé ici
pour chaque de le 119 consommateurs.
Ils sont essentiellement un trajectoire pour chaque consommateur.
Si toi regarder à ce particulier consommateur, rangée nombre 16,
que la personne trajectoire est sur un vers le bas s'orienter
depuis semaine 9 à travers semaine 12.
Ils commencé quelque part dans le milieu des années 50, et par le temps ils sont dans semaine 12,
leur satisfaction mesure a viens vers le bas à à propos 37,5 sur un échelle de 0-100.
Laisser nous regarder à un autre personne.
Ce personne ici OMS utilisé le Ariel produit,
leur trajectoire est sur un vers le haut balançoire
en allant depuis le milieu des années 70 probablement à le tôt années 90
par le temps ils atteindre semaine 12.
Ils sont obtenir plus et plus satisfait
semaine sur semaine.
Désolé pour que.
UN bulle écran montrant en haut.
Quoi nous vouloir à faire est nous vouloir à comprendre
comment différent consommateurs
sont expérimenter satisfaction sur le semaines,
et le changement dans ces processus pour ces consommateurs
est quoi nous vouloir à modèle en utilisant LGCM.
Quoi Je suis en allant à faire est Je suis en allant à tourner sur le scénario,
LGCM de dans l'ensemble satisfaction.
je avoir construit ici trois différent des modèles.
Quoi ces sont essentiellement le latent variable correspond à un intercepter
pour ces répété mesures de le dans l'ensemble satisfaction
depuis semaine 9 à travers semaine 12.
j'ai construit trois différent des modèles.
j'ai construit un quatrième modèle,
lequel est un simplification de le d'abord modèle.
j'ai construit un pas de croissance modèle,
lequel moyens différent personnes
avoir différent les niveaux de satisfaction dans le début, lequel est semaine 9,
mais alors leur trajectoires aplatir dehors et fait pas grandir sur temps.
Deuxième modèle est un linéaire croissance modèle, lequel moyens que trajectoires faire changement
dans un linéaire mode sur temps.
Le troisième modèle est un quadratique modèle, lequel moyens leur trajectoires changement
dans un quadratique mode sur temps.
Alors enfin, j'ai a obtenu un simplification de le d'abord modèle,
mais Je suis en supposant presque élasticité ou Non changement dans le variance à travers temps.
Je suis en allant à regarder à ces ajuster mesures
que je a parlé à propos
et choisir le modèle que convient le meilleur.
Quoi Je suis regarder pour est faible valeurs de chi carré,
haut valeurs de FCI, lequel moyens Finance va sur un échelle depuis 0-1
et faible valeurs de RMSEA, lequel aussi va sur un échelle depuis 0-1.
Il regards comme tous mon des modèles, Non- croissance, linéaire croissance, et quadratique croissance,
ajuster le données également Bien.
Mais cependant, Je suis en allant à prendre le le plus simple de le des modèles
parce que si je regarder à le estimations comme je peut
dans le chemin diagramme,
beaucoup de ces coefficients relatif à le pente,
le linéaire pente ou le quadratique pente,
sont en fait pas significatif comme montré par le pointé lignes.
Dans ce linéaire croissance modèle, quoi nous avoir est un intercepter,
lequel mesures le initial niveau de satisfaction,
et pente, lequel mesures
le taux de augmenter de le satisfaction sur temps
ou taux de diminuer de satisfaction sur temps.
S lope mesures que, intercepter mesures le initial niveau.
Nous peut voir tous le estimations en rapport à le pente
sont en fait pas significatif comme indiqué par pointé lignes.
Le même est le situation pour le quadratique modèle aussi.
Donc, Je suis en allant à prendre le le plus simple de le modèle,
lequel est le Non- croissance modèle pour ce processus,
lequel est dans l'ensemble satisfaction.
Laisser moi montrer toi comment je faire ce.
Dans JMP, aller sous le Analyser et prendre Multivarié et choisir
le S Modèle d'équation structurelle plate-forme.
Choisir le répété mesures, dans ce cas est RAME depuis semaine 9
à travers semaine 12.
Baisse eux dans Modèle Variables boîte et Cliquez sur D'ACCORD.
Nous avoir a obtenu ces quatre répété mesures
disponible comme la modélisation variables dans le chemin diagramme zone.
je peut construire ce modèle depuis gratter en utilisant le chemin diagramme,
mais JMP a fait il Plus facile par en utilisant raccourcis.
Je suis en allant à aller sous le Modèle Raccourci, rouge Triangle,
choisir Longitude Analyse, et vérifier le linéaire latent croissance courbe
ou le interception uniquement modèle.
Si je choisir le interception uniquement modèle,
je obtenir ce chemin diagramme lequel toi scie dans mon scénario.
Si je courir le modèle,
toi volonté obtenir le estimations et le ajuster statistique pour ce modèle.
Si toi vouloir à ajouter le linéaire croissance modèle
à faire le même chose, viens sous M modèle Raccourcis,
Longitudinal Analyse, et Linéaire g Modèle de courbe de Rowth.
Maintenant nous avoir a obtenu pas seulement un initial niveau
comme représentée par le intercepter latent variable,
nous avons a obtenu le taux de croissance de ce processus
comme représentée par le pente latent variable.
Nous peut courir ce modèle.
Cliquez sur sur Courir,
et toi obtenir le modèle estimations, comme je montré toi avant,
lequel sont pas significatif pour le pente latent variable.
Toi obtenir le ajuster statistiques droite ici sous le Modèle Comparaison tableau.
T hé des modèles sont facile à ajuster dans JMP en utilisant le modèle raccourci menu
disponible sous le Modèle Raccourci.
Je suis en allant à fermer le un je juste créé.
Nous avoir donc loin construit
un univarié LGCM pour un célibataire processus.
Je suis en allant à répéter le même chose pour le autre deux croissance processus nous avoir,
et étaient en allant à regarder à le laver température trajectoires.
Laisser moi montrer toi comment à faire ce dans JMP.
Dans JMP, dans Graphique, Cliquez sur sur Graphique Constructeur et ouvrir en haut le température variables.
Nous vouloir à regarder à température depuis semaine 5 à travers semaine 12.
Baisse eux sur le axe x.
Pour le taper de graphique toi vouloir,
choisir le dernier icône dans le bar à le haut.
Ce est un parallèle parcelle.
Là volonté être quelques douceur associé avec ce.
Traîner ce lettre bar tous le chemin à le gauche.
Là devrait être Non douceur à tous.
Prendre le produit variable, lequel est un indicateur variable,
mettre eux sur Recouvrir.
Maintenant vous obtenir individuel trajectoires.
Si toi vouloir à ajouter le moyenne trajectoire,
choisir le sixième icône sur ce barre d'outils depuis gauche.
Cliquez sur sur le Changement clé et Cliquez sur sur ce.
Maintenant vous obtenir que moyenne trajectoire
de température utilisé sur ces huit semaines.
Cliquez sur sur Fait
à obtenir le parcelle avec plus réel domaine.
Ce est exactement le parcelle que je montré en utilisant le scénario.
Toi peut clairement voir que
depuis semaine 7 À partir de, là pourrait être un croissance
dans le température paramètre.
Il regards comme personnes sont en augmentant le température
comme temps progresse à partir de la semaine 7 à travers semaine 12.
Je suis en allant à fermer ce.
Nous avoir un graphique à visualiser
le trajectoires de le température paramètre.
Nous répéter le même chose.
Nous vouloir à choisir un modèle pour que processus.
UN s avant, je construit le même trois des modèles:
une absence de croissance, un linéaire croissance, et un quadratique croissance.
Je suis en allant à regarder à le ajuster statistique ici.
Ce temps, nous voir certainement un significatif amélioration
dans en allant depuis le Non- croissance à linéaire croissance
dans termes de le ajuster statistiques.
Le quadratique croissance est un marginal augmenter sur le linéaire croissance modèle.
Encore, pour le même raison comme avant,
tous le estimations dans le quadratique pente sont en fait pas significatif.
À garder des choses simple, Je suis en allant à choisir le plus simple modèle,
lequel est le linéaire croissance pour température.
Le dernier processus est le cosse usage.
Ce est le nombre de gousses.
Maintenant nous peut voir clairement un en augmentant s'orienter,
plus donc pour le Ecolabel produit,
lequel moyens personnes sont en utilisant plus et plus des produits
quand ils utiliser Ecolabel comme par rapport à Ariel,
lequel est un P&G produit.
je vouloir à modèle ce.
Laisser moi fermer que.
Cliquez sur sur le scénario pour LG CM de cosse usage.
Je suis en allant à regarder à le ajuster statistique.
UN gagner, je voir un bien modèle ajuster,
en particulier le linéaire et le quadratique.
Pour le même raison comme avant, Je suis en allant à choisir le linéaire modèle.
Ici je vouloir à regarder à
le estimations pour le quadratique pente,
et ce est quoi je signifier par pas choisir le quadratique pente
parce que vous avez a obtenu tous le paramètres unité ponctuelle à que à être pas significatif.
Maintenant nous avoir a obtenu un modèle pour chaque de le trois processus.
Nous choisi un pas de croissance modèle pour dans l'ensemble satisfaction.
Nous choisi un linéaire croissance modèle pour faible température.
Maintenant je en allant à mettre eux tous ensemble
en utilisant un multivarié, latent modèle de courbe de croissance.
Ce est essentiellement tous le trois processus mettre ensemble.
Ici , JE vouloir à montrer toi le similarité
entre un confirmatif facteur analyse modèle
et latent modèle de courbe de croissance comme était pointu dehors dans le précédent glisser.
Toi peut voir que là est un signifier structure ajoutée à il
avec un Triangle avec un nombre un,
et là sont lignes en allant depuis que à chaque de le latent variables.
Si je clic-droit et utiliser le Montrer option et pas montrer le signifier structure,
toi peut voir le familier confirmatif facteur analyse modèle
avec latent variables et le indicateurs associé avec chaque un de eux.
Nous avoir un célibataire latent variable, intercepter pour le dans l'ensemble satisfaction.
Nous avoir deux latent variables pour le température,
lequel est initial intercepter et le pente.
Nous avoir le même deux latents variables indiquant le cosse usage.
Initial niveau comme représentée par le int gousses
et le taux de changement de produit usage comme indiqué par le slp les dosettes,
lequel est essentiellement le pente de gousses.
Laisser moi mettre dos le moyens activé.
Maintenant nous peut en fait regarder à le estimations de ces,
lequel sont vraiment un de le important gousses
de le latent modèle de courbe de croissance.
Quoi nous avoir ici est un estimation
de le initial niveau de satisfaction à semaine 9
parce que que était le départ temps période pour dans l'ensemble satisfaction.
C'est à propos 71 sur un échelle de 0-100.
Ce est le moyenne température paramètre à semaine 9,
lequel est 36 degrés Celsius.
Ici est le produit usage, 1.4 pochettes.
Ici est le taux de changement de produit usage
parce que là est un pente de produit usage, le latence variable,
lequel est à propos 0,02.
Personnes sont en utilisant légèrement plus comme temps va sur.
Que est quoi nous obtenir.
Le dans l'ensemble ajuster de ce modèle est aussi assez bien.
je pense nous scie que.
Finance exactement à le seuil 0,95,
et notre supérieur lié de le RMSEA est certainement moins que 0,1.
Maintenant nous aller à le dernier modèle,
lequel est le hypothèse que Zhiwu recherché à test,
où nous vouloir à voir si produit,
le indicateur variable, et le autre croissance facteurs
avoir un significatif impact sur dans l'ensemble satisfaction.
Dans commande à retirer le désordre,
je avoir pas montré tous le indicateurs.
Tous nous sont voyant est seulement le des cercles,
lequel représenter le latent facteurs pour chaque de le croissance courbe des modèles
et un célibataire produit variable indiquant quoi taper de produit il est.
Encore une fois, laissez nous regarder à le ajuster de ce modèle.
Ajuster de ce modèle est en effet bien.
Nous avoir un 0,95 pour le FCI.
Nous avoir moins que 0,1 pour le supérieur lié de le RMSEA.
Nous volonté regarder à plus ajuster indices
après nous interpréter quelques de le estimations ici.
Je suis en allant à interpréter le solide lignes lequel sont significatif coefficients.
Nous avoir un significatif produit effet
depuis le produit variable à le intercepter de dans l'ensemble satisfaction.
Ce peut être interprété essentiellement comme un régression coefficient,
lequel est le moyenne niveau de satisfaction
pour produit codé 1
moins le moyenne niveau de satisfaction pour produit codé 0.
Ariel est codé comme produit 0,
donc nous avoir beaucoup plus satisfaction avec Ariel,
un delta de négatif 9 po service de Ariel
sur un échelle de 0- 100.
Que est un grand changement.
Delta dans service de le Ariel produit.
Laisser nous regarder à le produit effet sur gousses.
Encore, le même chemin, moyenne montant de produit utilisé
pour produit codé 1 moins produit codé 0.
Ce temps, nous sont en utilisant plus de le Ecolabel produit.
Si toi sont un fabricant de Ariel, ce est bien nouvelles pour toi.
UN aussi, le taux de changement de produit utiliser
est aussi plus pour Ecolabel par rapport à Ariel,
ou 0,02 pochettes depuis semaine à semaine.
Enfin, nous avoir le intercepter de température
ayant un négatif impact sur le dans l'ensemble satisfaction,
lequel moyens plus haut températures plomb à moins satisfaction.
Souviens-toi, ces sont des produits lequel sont commercialisé comme lavage à froid des produits.
Que moyens ils devrait travail mieux dans froid températures
et pas plus haut températures.
je aussi vouloir à montrer toi où toi peut regarder pour autre ajuster statistiques au-delà
quoi est à venir dehors dans le modèle comparaison tableau.
Sous le S Modèle d'équation structurelle dans rouge Triangle,
si toi vérifier sur Ajuster Indices, lequel j'ai déjà vérifié,
là sont plus ajuster indices que peut être montré à le bas.
Nous vouloir à regarder à Finance et RMSEA, lequel nous avons déjà vu,
et ici est le Standardisé Racine Moyens carré Résiduel,
lequel je discuté.
Ce est aussi exactement à le seuil de 0,08.
Tous dans tous, dans termes de ajuster indices, notre modèle fait ajuster assez Bien.
Enfin,
je dit toi pas à oublier le résiduels.
Ces sont normalisé résidus dans termes de le mesuré variables.
Nous avoir 21 mesuré variables, huit pour les dosettes, huit pour les températures,
quatre pour dans l'ensemble satisfaction, et un pour le produit variable.
Ce est un 21 par 21 matrice.
Quoi nous sont regarder pour
est Nombres lequel sont dehors le plus 2 moins 2 gamme.
Là sont juste aussi beaucoup Nombres à regarder à dans le tableau,
mais JMP produit un carte de chaleur.
Carte de chaleur option est aussi sous le rouge Triangle.
Quoi nous sont regarder pour est sombre rouge ou sombre bleu.
Ici, nous avoir deux sombre rouges
lequel sont relation entre les dosettes usage à semaine 6 ,
température à semaine 12,
cosse usage à semaine 6, et température à semaine 9.
Enfin, nous avoir un,
parce que ce est juste un miroir image de le un que est ici.
Ce est le relation entre température à semaine 9
et température à semaine dix, lequel est pas modélisé.
Ce pourrait en fait être modélisé
par ajouter un erreur covariance, lequel je a fait pas faire.
Si je a fait ce, le modèle, dans fait, serait être même mieux.
je vouloir à aller dos à le présentation et résumer quoi nous avoir trouvé.
Oops désolé, faux glisser.
Dans termes de conclusion, nous commencé le Graphique Constructeur
à visualiser notre trajectoires,
et nous construit latent croissance courbe modèle en utilisant le MEB plate-forme.
Nous étendu depuis univarié à multivarié des modèles.
UN ll notre des modèles, y compris le dernier un, avait acceptable ajuster, dans fait, bien ajuster.
Produit avait un significatif impact sur RAME,
lequel moyens Ariel est mieux que Ecolabel dans termes de c'est dans l'ensemble satisfaction
et significatif impact sur le nombre de les dosettes,
lequel moyens moins produit était utilisé pour Ariel par rapport à Ecolabel,
et aussi depuis semaine à semaine.
Intercepter avait un négatif impact sur RAME, lequel moyens personnes préférer
inférieur température paramètre que plus haut température paramètre.
Si toi sont un P&G fabricant, ce est bien nouvelles pour toi
parce que Ariel travaux mieux que Écologique étiquette
dans ce la modélisation cadre que nous avoir fait.
Je suis en allant à tourner il sur à Zhiwu à voir quoi le suivant pas sont
depuis ce modèle résultats.
Zhiwu ?
Remercier toi très beaucoup.
Remercier toi, Narayanan, et très excellent présentation
et merveilleux démo.
Comme Narayanan mentionné,
le la modélisation résultats prouver le produit a un significatif impact
à le Satisfaction générale de le performance
de le détergent des produits dans notre test.
Ce résultat fournit nous la confiance nous pouvons faire un très clair réclamer,
Ariel des produits est un service à le lavage à froid peut être utilisé moins que le normale des produits.
Ce est aussi la modélisation confirmer le consommateur comportement changement.
Si toi utiliser Ariel produit, toi volonté avoir plus la lessive charges
aller à le lavage à froid, utiliser moins énergie et utiliser moins produit.
Aussi, nous plan à conduire plus gros taille consommateur étude pour y compris le plus
covariables variables dans le avenir la modélisation scène comme le additif usage
et le la lessive faire du vélo de chaque laver et le faible taille par laver.
Ce est notre suivant étape.
Suivant glisser.
Maintenant nous serait comme à prendre question si toi avoir n'importe lequel.
Remercier toi très beaucoup pour assister le présentation.
Nous regarder avant à ton des questions probablement dans le JMP Sommet.
