Hallo, alle.
Mein Name Ist Zhiwu Liang,
Statistiker aus Procter & Zocken Unternehmen.
Ich bin Unterstützung der Geschäft In Brüssel Innovation Center für P&G.
Mein hauptsächlich Arbeit Ist tun Die Verbraucher Umfrage Daten Analyse.
Heute, Narayanan Und ICH Wille gegenwärtig
Die G Reihenkurvenmodellierung Zu Messen Auswirkungen
von Die Temperatur Und Verwendung A montieren An Waschmittel Leistung.
Nächste gleiten, Bitte.
Hier Ist Die Inhalt Wir Wille Abdeckung Heute.
Erste, ICH Wille geben Die knapp Einführung um Die Strukturgleichungsmodelle
Und A bisschen um Die Daten Wir Wille Sei verwenden für unser Modellieren.
Dann ICH Wille drehen Zu Narayanan Zu einführen Die Wachstumskurvenmodellierung,
Modell Gebäude Verfahren Plus Die JMP Demo.
Ohne zeigen, ICH Wille gegenwärtig Die Abschluss Und nächste Schritte.
Nächste gleiten, Bitte .
Der Strukturgleichungsmodellierung
Ist A multivariat Technik
Das Ist gebraucht Zu prüfen A Satz von Die Beziehung
zwischen Die beobachtet Und Die latent Variablen
von vergleichen Die Modell vorhergesagt Kovarianz Matrix
Und beobachtet Kovarianz Matrix.
In REM, Was Wir haben Erledigt Ist,
beobachtet Variablen Sind Manifest Variable
als Die Indikator für latent Variablen,
welche Ist verwenden Die Messung Modell Zu bauen.
Latent Variablen bilden A Rückschritt Modell
Zu bauen A Netzwerk welche Wir Anruf Die Struktur Modell.
Hier Ist ein Beispiel mit Die drei latent Variable,
acht Ö beobachtet Variable In JMP, Also Die SEM Struktur.
Als Du dürfen sehen In Die Taste links Diagramm,
Die Kreis vertreten Die latent Variable,
welche Ist berechnet durch Die Indikatoren wie Reinigung,
als Die latent Variable Ist angegeben von Die voll Quadrat
vertreten Die Manifest Variable
gesamt Reinigung, Fleck Entfernung, Weiße Und Helligkeit.
Dasselbe als Die Frische, latent Variable angegeben von Die drei Manifest Variable.
Wenn Du sehen bei Die Rechts Seite von Die Fenster,
Die Wird geladen Fenster zeigen Die Struktur für Die Messung Modell
Wie Das Individuell latent Variable betreffen Zu Die Indikator.
Der Taste von Die Rückschritt Fenster zeige den zwei Rückschritt Modell:
Reinigung Gesamtbewertung fahren, Frische trocken Gesamtbewertung.
Das Ist Die Struktur für Die Struktur Gleichung Modell.
Nächste gleiten, Bitte.
Der Daten Wir verwenden für unser Wachstumskurvenmodellierung
Ist Die Umfrage Daten Wir Benehmen In Die Frankreich mit Die 119 Verbraucher.
Wir teilen Das 119 Verbraucher hinein Gruppen.
Sechzig von ihnen verwenden Kontrolle Produkte,
welche Ist Die Ariel, löslich Einheit Dosis, Die Schoten,
In unser Daten Satz, markiert als 0.
Ein anderer 59 Verbraucher verwenden prüfen Produkt Ist Die Umweltzeichen Produkt, Code als 1.
Jede Verbraucher, während Die 12 Wochen von Die prüfen,
Erste vier Wochen, Sie verwenden ihre eigen Produkte.
Dann Sie Wille gehen Zu Die acht Wochen prüfen Woche,
verwenden eins von unser zuordnen Produkte, entweder verwenden Die Ariel SÜD oder Umweltzeichen.
Dann für jede Zeit von Die waschen,
Die Verbraucher Wille füllen In Die Fragebogen,
bieten manche Information um ihre Waschen Verhalten,
solch als Die Waschen Temperatur,
Nummer von Die Schoten gebraucht, Boden Ebene von Die Stoff, Wie schmutzig Es Ist,
Und gesamt Bewertung von Die Leistung für Die Produkt.
Unser Modellieren Zielsetzung Ist versuchen Zu prüfen Wenn Dort Ist A Produkte Wirkung
An Die gesamt Leistung Bewertung,
Waschen Temperatur An Die gesamt Leistung Bewertung,
Nummer von Die Schoten gebraucht für gesamt Bewertung
für jede von Die waschen.
Nächste gleiten, Bitte.
Seit jeden Verbraucher, Sie haben A anders Waschen Gewohnheit,
Sie haben anders Zustand,
nicht alle von Die Verbraucher hat Die Dasselbe Nummer von waschen während Die prüfen Woche.
Daher, Zu machen jeden Verbraucher
Die Gewicht gleich In unser Modell Gebäude Daten Satz,
Wir Erste Aggregat Die Verbraucher Daten von Die Diskussionsteilnehmer Ebene von wöchentlich Basis.
Du nehmen Die Durchschnitt Waschen Temperatur
während Das Woche für Die besondere Verbraucher,
Nummer von Schoten gebraucht,
Und Die gesamt Bewertung für jede Belastung während Das Woche.
Nach Das Aggregat Daten,
Wir verwenden Die explorativ Werkzeug wie JMP Graph Baumeister
Zu identifizieren Wenn Es gibt beliebig linear Trend für Gesamtbewertung,
für Temperatur Trend während Die prüfen Woche,
Und Die Nummer von Die Schoten verwenden Trend während Die prüfen Woche.
Seit Die explorativ Bühne , RUDER Ist hübsch stabil
In Die Woche 9 Zu Woche 12, Wir verwenden Die abfangen nur Modell für RUDER.
Dann für Die Temperatur für Die Produkt und für Die Nummer von Die Schoten gebraucht
aus Das explorativ Bühne,
Wir gefunden Dort Ist entweder zunehmend oder verringert Trend.
Daher, Wir verwenden Die linear Wachstum Modell Zu beschreiben Die Temperatur Indikator
Und Die Nummer von Schoten Indikator.
Zu erklären Die Produkt Auswirkungen,
Wir Auch einschließlich Die Produkt hergestellt Variable In unser Modell.
Dann Wir Erste bauen A Wachstum Kurve Modell für Temperatur Nummer von Die Schoten,
Dann hinzufügen Das latent Variable Zu bauen A Rückschritt Modell aus Produkte Variable,
abfangen von Temperatur, Neigung von Temperatur,
abfangen von Die Nummer von Schoten gebraucht, Neigung von Die Nummer von Schoten gebraucht
Zu abfangen von Die RUDER Zu bauen multivariat, Die Wachstumskurvenmodell.
Jetzt ich würde drehen Zu Narayanan Zu einführen latent Wachstumskurvenmodell.
Narayanan, es ist dein drehen.
Dank Du, Zhiwu, für Die Großartig [unverständlich 00:06:49].
Hallo, alle. Mein Name Ist Narayanan.
ICH Bin ein Zusatz Professor bei Die Universität von Cincinnati,
Aber ICH unterrichten Kurse An Daten Bergbau verwenden JMP.
Ausweis wie Zu Start von geben A sehr breit Definition
von Was Ist latent Wachstumskurvenmodellierung.
Als Wir gehen entlang, ICH Mai verwenden Die Briefe LG CM Zu vertreten
Modellierung latenter Wachstumskurven,
Und SEM Zu vertreten Strukturgleichungsmodellierung.
Modellierung latenter Wachstumskurven Ist grundsätzlich A Weg Zu Modell
längs Daten verwenden Die SEM Rahmen.
Weil Es Ist gebaut In Die SEM Rahmen,
Es hat alle Die Vorteile von spezifizieren Und testen Beziehung,
als Zhiwu War erklären mit Die Beispiel von Strukturgleichungsmodellierung.
A S A Seite Notiz, ICH würde wie Zu erwähnen Das LGCM
Ist Genau genommen ein Anwendung von bestätigend Faktor Analyse,
welche Ist Genau genommen A Untermodell innerhalb Strukturgleichungsmodellierung
mit Die hinzugefügt bedeuten Struktur,
Und Das Wille Sei erklärt Wann Wir erhalten hinein JMP.
Eins von Die Vorteile von verwenden Die SEM Rahmen
Ist Das Wir Sind fähig Zu auswerten Modell fit.
Lassen uns sehen bei Die Stellungnahme Dort,
welche sagt, jeden Modell impliziert A Kovarianz Matrix Und bedeuten Struktur.
Was Das Wirklich bedeutet Ist Das
Die beobachtet Kovarianz Matrix Und Die bedeuten Vektor
dürfen Sei Genau genommen reproduziert von Die Modell Parameter Schätzungen
welche Sind geschätzt verwenden Die Modellierung latenter Wachstumskurven.
Der Gleichwertigkeit zwischen Die zwei Ist Was viele von diese fit Indizes
Sind Genau genommen testen.
Eins von Die älteste eins Ist Die Chi-Quadrat prüfen
Und Die Hypothese Es Ist testen Ist Genau genommen aufgeführt Dort:
Die Gleichwertigkeit zwischen Die Bevölkerung,
Und Die Modell vorhergesagt Kovarianz Matrix,
Und Die bedeuten Vektoren.
Jedoch, Das prüfen, welche Ist eins von Die älteste,
hat manche betrachten- aus.
Eins Ist Das Die prüfen Statistik in a Funktion Ist Probe Größe,
welche bedeutet Das größer Probe Größe Wille neigen Zu ablehnen Die Modell
sogar für trivial Unterschiede.
Der andere eins Ist Das Die prüfen Ist global
Und tut nicht reflektieren die lokale Passform wie zum Beispiel könnte Sei gemessen von R Quadrat.
A auch, Die fit Ist zu genau als angegeben In Die Hypothese.
Wir wissen aus Die berühmt Kasten Stellungnahme Das alle Modelle Sind falsch.
Unser Modelle Sind nur Nur ein Annäherung.
Weil von Das, Dort haben gewesen mehrere Alternative fit Maßnahmen
Das haben gewesen vorgeschlagen.
Ausweis wie Zu erwähnen drei von ihnen Hier.
Der Erste Ist Die Wurzel Bedeuten Quadrat Fehler von Annäherung.
Das Ist Genau genommen Messung Modell Außenseiter, anpassen für Die Probe Größe,
welche War ein Ausgabe mit Die Chi-Quadrat prüfen.
Das Ist Genau genommen A Schlechtigkeit- von- fit messen, Also untere Zahlen Sind besser.
Aber eins von Die Vorteile von verwenden Das fit messen
Ist Das Wir haben A Vertrauen Intervall für Es,
Und Die empfohlen Schwelle für Das fit messen
Ist Das Die Oberer, höher gebunden
von Die Vertrauen Intervall Ist weniger als 0,10.
Der nächste Ist A Vergleichend Passe ich Index Und Nicht normiert Fit Index.
Diese Sind relativ Schätzungen, Und Sie sind Genau genommen testen
Wie Gut Ist dein vorgeschlagen Modell
verglichen Zu A Grundlinie Modell,
welche Ist normalerweise A Modell von NEIN Beziehung.
Das Ist A Güte- von- fit messen,
Und Also Die empfohlen Kriterien Hier Ist Das diese fit Maßnahmen
kreuzen A Schwelle von bei am wenigsten 0,95.
Der zuletzt eins Ist A Standardisiert Wurzel Bedeuten Kariert Restwert.
Das Ist Genau genommen ein Durchschnitt kariert Restwert von alle Die Elemente
In Die Kovarianz Matrix.
Das Ist A Schlechtigkeit- von- fit messen.
Wieder, Wir Sind suchen für kleiner Zahlen,
Und Die empfohlen Schwelle Hier Ist Das Das Wert Ist weniger als 0,08.
An Spitze von alle Das, Endlich, Tun nicht vergessen Zu überprüfen Die tatsächlich Reste,
Die standardisiert Reste.
Was Wir Sind suchen für Hier Ist Zahlen welche Sind darüber hinaus
minus 2 Und plus 2 Schwelle.
Der Idee Hier Ist Zu sehen bei Die Gesamtheit von fit
Und nicht Nur beliebig eins messen.
Haben besprochen fit Maßnahmen,
Nun lass uns sehen bei Die längs Verfahren Wir wollen Zu Studie.
Zhiwu beschrieben drei anders Prozesse.
Erste eins Ist Erfolg Kriterien als gemessen von gesamt Zufriedenheit Bewertung
aus Woche 9 Zu Woche 12.
Dann Wir haben bekommen zwei Zeit variieren ing Kovariaten.
Das bedeutet diese Sind variierend über Zeit.
Eins Ist Die Temperaturen Einstellung
In welche Die Produkt War gebraucht aus Woche 5 Zu Woche 12,
Und Dann Die Menge von Produkt gebraucht Auch aus Woche 5 Zu Woche 12.
Dann Endlich, Wir haben ein Indikator Variable
anzeigen Was Typ von Produkt Es Ist, Und Das Ist A zeitinvariant Kovariate
nicht ändern mit Zeit.
Der Modellieren Strategie Wir Sind gehen Zu verwenden,
Erste, war gehen Zu visualisieren Daten verwenden Graph Baumeister.
Dann Wir Sind Auswählen A univariat latent Wachstum Kurve Modell
für jede von Die Prozesse.
Dann Wir kombinieren alle von ihnen,
setzen zusammen als A multivariat LGCM.
Dann Also Endlich prüfen Die Hypothese Das Zhiwu vorgeschlagen,
welche Ist Wie Also Die Produkt Und andere Wachstum Faktoren
Auswirkungen gesamt Zufriedenheit.
Wir Wille wählen Die am einfachsten Modell Wann Wir bauen.
ICH Bin gehen Zu erhalten hinein JMP.
ICH Bin läuft JMP 18, welche Ist ein früh Adoptant Ausführung,
Und ICH Bin gehen Zu zeigen manche Skripte,
Und ICH Wille zeigen Du Wie ICH bekommen Zu manche von diese aus Die JMP Plattformen.
Der Erste Ding ICH wollen Zu Tun Ist visualisieren Die gesamt Zufriedenheit,
Und diese Sind Flugbahnen.
Was diese sind sind grundsätzlich Individuell An jede Linie aus Woche 9 Zu Woche 12.
Hier, Die gesamt Zufriedenheit geplottet Hier
für jede von Die 119 Verbraucher.
Sie sind grundsätzlich eins Flugbahn für jede Verbraucher.
Wenn Du sehen bei Das besondere Verbraucher, Reihe Nummer 16,
Das Person Flugbahn Ist An A nach unten Trend
aus Woche 9 durch Woche 12.
Sie gestartet irgendwo In Die Mitte 50, Und von Die Zeit Sie Sind In Woche 12,
ihre Zufriedenheit messen hat kommen runter Zu um 37,5 An A Skala von 0-100.
Lassen uns sehen bei ein anderer Person.
Das Person Hier WHO gebraucht Die Ariel Produkt,
ihre Flugbahn Ist An ein nach oben schwingen
gehen aus Die Mitte der 70er Jahre wahrscheinlich Zu Die früh 90er Jahre
von Die Zeit Sie erreichen Woche 12.
Sie Sind bekommen mehr Und mehr befriedigt
Woche über Woche.
Entschuldigung für Das.
A Blase Bildschirm zeigen hoch.
Was Wir wollen Zu Tun Ist Wir wollen Zu verstehen
Wie anders Verbraucher
Sind erleben Zufriedenheit über Die Wochen,
Und Die ändern In diese Prozesse für diese Verbraucher
Ist Was Wir wollen Zu Modell verwenden LGCM.
Was Ich bin gehen Zu Tun Ist Ich bin gehen Zu drehen An Die Skript,
LGCM von gesamt Zufriedenheit.
ICH haben gebaut Hier drei anders Modelle.
Was diese Sind grundsätzlich Die latent Variable entspricht Zu ein abfangen
für diese wiederholt Maßnahmen von Die gesamt Zufriedenheit
aus Woche 9 durch Woche 12.
Ich habe gebaut drei anders Modelle.
Ich habe gebaut A vierte Modell,
welche Ist A Vereinfachung von Die Erste Modell.
Ich habe gebaut A kein Wachstum Modell,
welche bedeutet anders Menschen
haben anders Ebenen von Zufriedenheit In Die Anfang, welche Ist Woche 9,
Aber Dann ihre Flugbahnen ebnen aus Und tut nicht wachsen über Zeit.
Zweite Modell Ist A linear Wachstum Modell, welche bedeutet Das Flugbahnen Tun ändern
In A linear Mode über Zeit.
Der dritte Modell Ist A quadratisch Modell, welche bedeutet ihre Flugbahnen ändern
In A quadratisch Mode über Zeit.
Dann Endlich, Ich habe bekommen A Vereinfachung von Die Erste Modell,
Aber Ich bin vorausgesetzt fast Elastizität oder NEIN ändern In Die Varianz über Zeit.
Ich bin gehen Zu sehen bei diese fit Maßnahmen
Das ICH geredet um
Und wählen Die Modell Das passt Die am besten.
Was Ich bin suchen für Ist niedrig Werte von Chi-Quadrat,
hoch Werte von CFI, welche bedeutet CFI geht An A Skala aus 0-1
Und niedrig Werte von RMSEA, welche Auch geht An A Skala aus 0-1.
Es sieht aus wie alle Mein Modelle, NEIN- Wachstum, linear Wachstum, Und quadratisch Wachstum,
fit Die Daten gleichermaßen Also.
Aber Jedoch, Ich bin gehen Zu nehmen Die am einfachsten von Die Modelle
Weil Wenn ICH sehen bei Die Schätzungen als ICH dürfen
In Die Weg Diagramm,
viele von diese Koeffizienten bezüglich Zu Die Neigung,
Die linear Neigung oder Die quadratisch Neigung,
Sind Genau genommen nicht bedeutsam als gezeigt von Die gepunktet Linien.
In Das linear Wachstum Modell, Was Wir haben Ist ein abfangen,
welche Maßnahmen Die anfänglich Ebene von Zufriedenheit,
Und Neigung, welche Maßnahmen
Die Rate von Zunahme von Die Zufriedenheit über Zeit
oder Rate von verringern von Zufriedenheit über Zeit.
S lope Maßnahmen Das, abfangen Maßnahmen Die anfänglich Ebene.
Wir dürfen sehen alle Die Schätzungen verwandt Zu Die Neigung
Sind Genau genommen nicht bedeutsam als angegeben von gepunktet Linien.
Das gleiche Ist Die Situation für Die quadratisch Modell Auch.
Daher, Ich bin gehen Zu nehmen Die am einfachsten von Die Modell,
welche Ist Die NEIN- Wachstum Modell für Das Verfahren,
welche Ist gesamt Zufriedenheit.
Lassen Mich zeigen Du Wie ICH Tun Das.
In JMP, gehen unter Die Analysieren Und wählen Multivariat Und wählen
der S Strukturgleichungsmodell Plattform.
Wählen Die wiederholt Maßnahmen, In Das Fall Ist RUDER aus Woche 9
durch Woche 12.
Fallen ihnen In Modell Variablen Kasten Und klicken OK.
Wir haben bekommen diese vier wiederholt Maßnahmen
verfügbar als Modellieren Variablen In Die Weg Diagramm Bereich.
ICH dürfen bauen Das Modell aus kratzen verwenden Die Weg Diagramm,
Aber JMP hat gemacht Es Einfacher von verwenden Verknüpfungen.
Ich bin gehen Zu gehen unter Die Modell Abkürzung, Rot Dreieck,
wählen Längengrad Analyse, Und überprüfen Die linear latent Wachstum Kurve
oder Die Nur abfangen Modell.
Wenn ICH wählen Die Nur abfangen Modell,
ICH erhalten Das Weg Diagramm welche Du gesehen In Mein Skript.
Wenn ICH laufen Die Modell,
Du Wille erhalten Die Schätzungen Und Die fit Statistik für Das Modell.
Wenn Du wollen Zu hinzufügen Die linear Wachstum Modell
Zu Tun Die Dasselbe Ding, kommen unter M odel Verknüpfungen,
Längs Analyse, Und Linear G Reihenkurvenmodell.
Jetzt wir haben bekommen nicht nur ein anfänglich Ebene
als repräsentiert von Die abfangen latent Variable,
wir haben bekommen Die Rate von Wachstum von Das Verfahren
als repräsentiert von Die Neigung latent Variable.
Wir dürfen laufen Das Modell.
Klicken An Laufen,
Und Du erhalten Die Modell Schätzungen, als ICH zeigte Du Vor,
welche Sind nicht bedeutsam für Die Neigung latent Variable.
Du erhalten Die fit Statistiken Rechts Hier unter Die Modell Vergleich Tisch.
T Hier Modelle Sind einfach Zu fit In JMP verwenden Die Modell Abkürzung Speisekarte
verfügbar unter Die Modell Abkürzung.
Ich bin gehen Zu schließen Die eins ICH Nur erstellt.
Wir haben Also weit gebaut
A univariat LGCM für A einzel Verfahren.
Ich bin gehen Zu wiederholen Die Dasselbe Ding für Die andere zwei Wachstum Verfahren Wir haben,
Und war gehen Zu sehen bei Die waschen Temperatur Flugbahnen.
Lassen Mich zeigen Du Wie Zu Tun Das In JMP.
In JMP, In Graph, klicken An Graph Baumeister Und offen hoch Die Temperatur Variablen.
Wir wollen Zu sehen bei Temperatur aus Woche 5 durch Woche 12.
Fallen ihnen An Die x-Achse.
Für Die Typ von Graph Du wollen,
wählen Die zuletzt Symbol In Die Bar bei Die Spitze.
Das Ist A parallel Handlung.
Dort Wille Sei manche Glätte damit verbundenen mit Das.
Ziehen Das Brief Bar alle Die Weg Zu Die links.
Dort sollen Sei NEIN Glätte bei alle.
Nehmen Die Produkt Variable, welche Ist ein Indikator Variable,
setzen ihnen An Überlagerung.
Jetzt du erhalten Individuell Flugbahnen.
Wenn Du wollen Zu hinzufügen Die Durchschnitt Flugbahn,
wählen Die sechste Symbol An Das Symbolleiste aus links.
Klicken An Die Schicht Schlüssel Und klicken An Das.
Jetzt du erhalten Das Durchschnitt Flugbahn
von Temperatur gebraucht über diese acht Wochen.
Klicken An Erledigt
Zu erhalten Die Handlung mit mehr real Anwesen.
Das Ist genau Die Handlung Das ICH zeigte verwenden Die Skript.
Du dürfen deutlich sehen Das
aus Woche 7 weiter, Dort könnte Sei A Wachstum
In Die Temperatur Einstellung.
Es sieht aus wie Menschen Sind zunehmend Die Temperatur
als Zeit schreitet voran ab Woche 7 durch Woche 12.
Ich bin gehen Zu schließen Das.
Wir haben A Graph Zu visualisieren
Die Flugbahnen von Die Temperatur Einstellung.
Wir wiederholen Die Dasselbe Ding.
Wir wollen Zu wählen A Modell für Das Verfahren.
A S Vor, ICH gebaut Die Dasselbe drei Modelle:
ein Nichtwachstum, A linear Wachstum, Und A quadratisch Wachstum.
Ich bin gehen Zu sehen bei Die fit Statistik Hier.
Das Zeit, Wir sehen definitiv A bedeutsam Verbesserung
In gehen aus Die NEIN- Wachstum Zu linear Wachstum
In Bedingungen von Die fit Statistiken.
Der quadratisch Wachstum Ist A marginal Zunahme über Die linear Wachstum Modell.
Wieder, für Die Dasselbe Grund als Vor,
alle Die Schätzungen In Die quadratisch Neigung Sind Genau genommen nicht bedeutsam.
Zu halten Dinge einfach, Ich bin gehen Zu wählen Die einfacher Modell,
welche Ist Die linear Wachstum für Temperatur.
Der zuletzt Verfahren Ist Die Schote Verwendung.
Das Ist Die Nummer von Schoten.
Jetzt Wir dürfen sehen deutlich ein zunehmend Trend,
mehr Also für Die Umweltzeichen Produkt,
welche bedeutet Menschen Sind verwenden mehr Und mehr Produkte
Wann Sie verwenden Umweltzeichen als verglichen Zu Ariel,
welche Ist A P&G Produkt.
ICH wollen Zu Modell Das.
Lassen Mich schließen Das.
Klicken An Die Skript für LG CM von Schote Verwendung.
Ich bin gehen Zu sehen bei Die fit Statistik.
A gewinnen, ICH sehen A Gut Modell fit,
besonders Die linear Und Die quadratisch.
Für Die Dasselbe Grund als Vor, Ich bin gehen Zu wählen Die linear Modell.
Hier ICH wollen Zu sehen bei
Die Schätzungen für Die quadratisch Neigung,
Und Das Ist Was ICH bedeuten von nicht wählen Die quadratisch Neigung
Weil Du hast bekommen alle Die Parameter Punkteinheit Zu Das Zu Sei nicht bedeutsam.
Jetzt wir haben bekommen A Modell für jede von Die drei Prozesse.
Wir wählte A kein Wachstum Modell für gesamt Zufriedenheit.
Wir wählte A linear Wachstum Modell für niedrig Temperatur.
Jetzt bin ich gehen Zu setzen ihnen alle zusammen
verwenden A multivariat, latent Wachstumskurvenmodell.
Das Ist grundsätzlich alle Die drei Prozesse setzen zusammen.
Hier , ICH wollen Zu zeigen Du Die Ähnlichkeit
zwischen A bestätigend Faktor Analyse Modell
Und latent Wachstumskurvenmodell als War spitz aus In Die vorherige gleiten.
Du dürfen sehen Das Dort Ist A bedeuten Struktur hinzugefügt Zu Es
mit A Dreieck mit A Nummer eins,
Und Dort Sind Linien gehen aus Das Zu jede von Die latent Variablen.
Wenn ICH Rechtsklick Und verwenden Die Zeigen Möglichkeit Und nicht zeigen Die bedeuten Struktur,
Du dürfen sehen Die vertraut bestätigend Faktor Analyse Modell
mit latent Variablen Und Die Indikatoren damit verbundenen mit jede eins von ihnen.
Wir haben A einzel latent Variable, abfangen für Die gesamt Zufriedenheit.
Wir haben zwei latent Variablen für Die Temperatur,
welche Ist anfänglich abfangen Und Die Neigung.
Wir haben Die Dasselbe zwei latent Variablen anzeigen Die Schote Verwendung.
Anfänglich Ebene als repräsentiert von Die int Schoten
Und Die Rate von ändern von Produkt Verwendung als angegeben von Die slp Schoten,
welche Ist grundsätzlich Die Neigung von Schoten.
Lassen Mich setzen zurück Die bedeutet aktiviert.
Jetzt wir dürfen Genau genommen sehen bei Die Schätzungen von diese,
welche Sind Wirklich eins von Die wichtig Schoten
von Die latent Wachstumskurvenmodell.
Was Wir haben Hier Ist ein schätzen
von Die anfänglich Ebene von Zufriedenheit bei Woche 9
Weil Das War Die beginnend Zeit Zeitraum für gesamt Zufriedenheit.
Das ist um 71 An A Skala von 0-100.
Das Ist Die Durchschnitt Temperatur Einstellung bei Woche 9,
welche Ist 36 Grad Celsius.
Hier Ist Die Produkt Verwendung, 1.4 Beutel.
Hier Ist Die Rate von ändern von Produkt Verwendung
Weil Dort Ist A Neigung von Produkt Verwendung, Die Latenz Variable,
welche Ist um 0,02.
Menschen Sind verwenden leicht mehr als Zeit geht An.
Das Ist Was Wir erhalten.
Der gesamt fit von Das Modell Ist Auch ziemlich Gut.
ICH denken Wir gesehen Das.
CFI genau bei Die Schwelle 0,95,
Und unser Oberer, höher gebunden von Die RMSEA Ist definitiv weniger als 0,1.
Jetzt wir gehen Zu Die zuletzt Modell,
welche Ist Die Hypothese Das Zhiwu gesucht Zu prüfen,
Wo Wir wollen Zu sehen Wenn Produkt,
Die Indikator Variable, Und Die andere Wachstum Faktoren
haben A bedeutsam Auswirkungen An gesamt Zufriedenheit.
In Befehl Zu entfernen Die Unordnung,
ICH haben nicht gezeigt alle Die Indikatoren.
Alle Wir Sind Sehen Ist nur Die Kreise,
welche vertreten Die latent Faktoren für jede von Die Wachstum Kurve Modelle
Und A einzel Produkt Variable anzeigen Was Typ von Produkt Es Ist.
Nochmals, lass uns sehen bei Die fit von Das Modell.
Fit von Das Modell Ist In der Tat Gut.
Wir haben A 0,95 für Die CFI.
Wir haben weniger als 0,1 für Die Oberer, höher gebunden von Die RMSEA.
Wir Wille sehen bei mehr fit Indizes
nach Wir interpretieren manche von Die Schätzungen Hier.
Ich bin gehen Zu interpretieren Die solide Linien welche Sind bedeutsam Koeffizienten.
Wir haben A bedeutsam Produkt Wirkung
aus Die Produkt Variable Zu Die abfangen von gesamt Zufriedenheit.
Das dürfen Sei interpretiert grundsätzlich als A Rückschritt Koeffizient,
welche Ist Die Durchschnitt Ebene von Zufriedenheit
für Produkt codiert 1
Minus Die Durchschnitt Ebene von Zufriedenheit für produktcodiert 0.
Ariel Ist codiert als Produkt 0,
Also Wir haben viel mehr Zufriedenheit mit Ariel,
A Delta von Negativ 9 Zoll favorisieren von Ariel
An A Skala von 0- 100.
Das Ist A groß ändern.
Delta In favorisieren von Die Ariel Produkt.
Lassen uns sehen bei Die Produkt Wirkung An Schoten.
Wieder, Die Dasselbe Weg, Durchschnitt Menge von Produkt gebraucht
für Produkt codiert 1 Minus Produkt codiert 0.
Das Zeit, Wir Sind verwenden mehr von Die Umweltzeichen Produkt.
Wenn Du Sind A Hersteller von Ariel, Das Ist Gut Nachricht für Du.
A auch, Die Rate von ändern von Produkt verwenden
Ist Auch mehr für Umweltzeichen verglichen Zu Ariel,
oder 0,02 Beutel aus Woche Zu Woche.
Endlich, Wir haben Die abfangen von Temperatur
haben A Negativ Auswirkungen An Die gesamt Zufriedenheit,
welche bedeutet höher Temperaturen führen Zu weniger Zufriedenheit.
Erinnern, diese Sind Produkte welche Sind vermarktet als Kaltwäsche Produkte.
Das bedeutet Sie sollen arbeiten besser In kalt Temperaturen
Und nicht höher Temperaturen.
ICH Auch wollen Zu zeigen Du Wo Du dürfen sehen für andere fit Statistiken darüber hinaus
Was Ist Kommen aus In Die Modell Vergleich Tisch.
Unter Die S Strukturgleichungsmodell In Rot Dreieck,
Wenn Du überprüfen An Fit Indizes, welche Ich habe bereits überprüft,
Dort Sind mehr fit Indizes Das dürfen Sei gezeigt bei Die unten.
Wir wollen Zu sehen bei CFI Und RMSEA, welche wir haben bereits gesehen,
Und Hier Ist Die Standardisiert Wurzel Bedeutet quadrat Restwert,
welche ICH besprochen.
Das Ist Auch genau bei Die Schwelle von 0,08.
Alle In alle, In Bedingungen von fit Indizes, unser Modell tut fit ganz Also.
Endlich,
ICH erzählt Du nicht Zu vergessen Die Reste.
Diese Sind normalisiert Reste In Bedingungen von Die gemessen Variablen.
Wir haben 21 gemessen Variablen, acht für Schoten, acht für Temperaturen,
vier für gesamt Zufriedenheit, Und eins für Die Produkt Variable.
Das Ist A 21 von 21 Matrix.
Was Wir Sind suchen für
Ist Zahlen welche Sind draußen Die Plus 2 Minus 2 Reichweite.
Dort Sind Nur zu viele Zahlen Zu sehen bei In Die Tisch,
Aber JMP produziert A Heatmap.
Heatmap Möglichkeit Ist Auch unter Die Rot Dreieck.
Was Wir Sind suchen für Ist dunkel Rot oder dunkel Blau.
Hier, Wir haben zwei dunkel Rottöne
welche Sind Beziehung zwischen pod Verwendung bei Woche 6 ,
Temperatur bei Woche 12,
Schote Verwendung bei Woche 6, Und Temperatur bei Woche 9.
Endlich, Wir haben eins,
Weil Das Ist Nur A Spiegel Bild von Die eins Das Ist Hier.
Das Ist Die Beziehung zwischen Temperatur bei Woche 9
Und Temperatur bei Woche 10, welche Ist nicht modelliert.
Das könnte Genau genommen Sei modelliert
von hinzufügen ein Fehler Kovarianz, welche ICH tat nicht Tun.
Wenn ICH tat Das, Die Modell, In Tatsache, würde Sei sogar besser.
ICH wollen Zu gehen zurück Zu Die Präsentation Und zusammenfassen Was Wir haben gefunden.
Ups, Entschuldigung, falsch gleiten.
In Bedingungen von Abschluss, Wir gestartet Die Graph Baumeister
Zu visualisieren unser Flugbahnen,
Und Wir gebaut latent Wachstum Kurve Modell verwenden Die SEM Plattform.
Wir erweitert aus univariat Zu multivariat Modelle.
A ll unser Modelle, einschließlich Die zuletzt eins, hatte akzeptabel fit, In Tatsache, Gut fit.
Produkt hatte A bedeutsam Auswirkungen An RUDER,
welche bedeutet Ariel Ist besser als Umweltzeichen In Bedingungen von es ist gesamt Zufriedenheit
Und bedeutsam Auswirkungen An Die Nummer von Schoten,
welche bedeutet weniger Produkt War gebraucht für Ariel verglichen Zu Umweltzeichen,
Und Auch aus Woche Zu Woche.
Abfangen hatte A Negativ Auswirkungen An RUDER, welche bedeutet Menschen bevorzugen
untere Temperatur Einstellung als höher Temperatur Einstellung.
Wenn Du Sind A P&G Hersteller, Das Ist Gut Nachricht für Du
Weil Ariel funktioniert besser als Öko Etikett
In Das Modellieren Rahmen Das Wir haben Erledigt.
Ich bin gehen Zu drehen Es über Zu Zhiwu Zu sehen Was Die nächste Schritte Sind
aus Das Modell Ergebnisse.
Zhiwu?
Dank Du sehr viel.
Dank Du, Narayanan, Und sehr exzellent Präsentation
Und wunderbar Demo.
Als Narayanan erwähnt,
Die Modellieren Ergebnisse beweisen Die Produkt hat A bedeutsam Auswirkungen
Zu Die Allgemeine Zufriedenheit von Die Leistung
von Die Waschmittel Produkte In unser prüfen.
Das Ergebnis bietet uns die Vertrauen wir können machen A sehr klar beanspruchen,
Ariel Produkte Ist A favorisieren Zu Die Kaltwäsche dürfen Sei gebraucht weniger als Die normal Produkte.
Das Ist Auch Modellieren bestätigen Die Verbraucher Verhalten ändern.
Wenn Du verwenden Ariel Produkt, Du Wille haben mehr Waschen Ladungen
gehen Zu Die Kaltwäsche, verwenden weniger Energie Und verwenden weniger Produkt.
Auch, Wir planen Zu Benehmen größer Größe Verbraucher Studie für einschließlich Die mehr
Kovariaten Variablen In Die Zukunft Modellieren Bühne wie Die Zusatzstoff Verwendung
Und Die Waschen Zyklus von jeden waschen Und Die niedrig Größe pro waschen.
Das Ist unser nächste Schritt.
Nächste gleiten.
Jetzt wir würde wie Zu nehmen Frage Wenn Du haben beliebig.
Dank Du sehr viel für teilnehmen Die Präsentation.
Wir sehen nach vorne Zu dein Fragen wahrscheinlich In Die JMP Gipfel.
