Bonjour,
tout le monde.
Mon nom est Zhiwu Liang,
statisticien depuis Procter & Pari Entreprise.
Je suis le soutien de entreprise dans Bruxelles Innovation Centre pour P&G.
Mon principal emploi est faire le consommateur enquête données analyse.
Aujourd'hui, Narayanan et I volonté présent
le G Modélisation de la courbe de croissance à Mesure Impact
de le Température et Usage A monter sur Détergent Performance.
Suivant glisser, s'il te plaît.
Ici est le contenu nous volonté couverture aujourd'hui.
D'abord, I volonté donner le bref introduction à propos le modèles d'équations structurelles
et a peu à propos le données nous volonté être en utilisant pour notre modélisation.
Alors I volonté tourner à Narayanan à introduire le modélisation de la courbe de croissance,
modèle bâtiment processus plus le JMP démo.
Sans montrant, I volonté présent le conclusion et suivant mesures.
Suivant glisser, s'il te plaît .
Le modélisation par équations structurelles
est a multivarié technique
que est utilisé à test a ensemble de le relation
entre le observé et le latent variables
par comparer le modèle prédit covariance matrice
et observé covariance matrice.
Dans COMME, quoi nous avoir fait est,
observé variables sont manifeste variable
comme le indicateur pour latent variables,
lequel est en utilisant le mesures modèle à construction.
Latent variables formulaire a régression modèle
à construire a réseau lequel nous appel le structure modèle.
Ici est un exemple avec le trois latent variable,
huit o observé variable dans JMP, donc le COMME 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 mesures modèle
comment ce individuel latent variable se rapporter à le indicateur.
Le bouton de le régression fenêtre montrer le deux régression modèle:
nettoyage note globale du véhicule, 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 produits,
lequel est le Ariel, soluble unité dose, le gousses,
dans notre données ensemble, marqué comme 0.
Un autre 59 consommateurs utiliser test produit est le Écolabel produit, code comme 1.
Chaque consommateur, pendant le 12 semaines de le test,
d'abord quatre semaines, ils utiliser leur propre produits.
Alors ils volonté aller à le huit semaine test semaine,
utiliser un de notre assignation produits, soit utiliser le Ariel SUD ou Écolabel.
Alors pour chaque temps de le laver,
le consommateur volonté remplir dans le questionnaire,
fournir quelques information à propos leur lavage comportement,
tel comme le lavage température,
nombre de le capsules utilisé, sol niveau de le tissu, comment sale il est,
et dans l'ensemble notation de le performance pour le produit.
Notre modélisation objectif est essayer à test si là est a produit effet
sur le dans l'ensemble performance notation,
lavage température sur le dans l'ensemble performance notation,
nombre de le capsules utilisé pour dans l'ensemble notation
pour chaque de le laver.
Suivant glisser, s'il te plaît.
Depuis chaque consommateur, ils avoir a différent lavage 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 lavage température
pendant que semaine pour le particulier consommateur,
nombre de capsules 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 capsules 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 capsules utilisé
depuis ce exploratoire scène,
nous trouvé là est soit croissant ou diminué s'orienter.
Donc, nous utiliser le linéaire croissance modèle à décrire le température indicateur
et le nombre de capsules indicateur.
À expliquer le produit impact,
nous aussi y compris le produit fabriqué variable dans notre modèle.
Alors nous d'abord construire a croissance courbe modèle pour température nombre de le gousses,
alors ajouter ce latent variable à construire a régression modèle depuis produits variable,
intercepter de température, pente de température,
intercepter de le nombre de capsules utilisé, pente de le nombre de capsules 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.
I suis un Auxiliaire professeur à le Université de Cincinnati,
mais I enseigner cours sur données exploitation minière en utilisant JMP.
Identifiant comme à commencer par donner a très large définition
de quoi est latent Modélisation de la courbe de croissance.
Comme nous aller le long de, I peut utiliser le courrier LG CM à représenter
Modélisation de la courbe de croissance latente,
et COMME à représenter Modélisation par équations structurelles.
Modélisation de la courbe de croissance latente est essentiellement a chemin à modèle
longitudinal données en utilisant le COMME cadre.
Parce que il est construit dans le COMME cadre,
il a tous le avantages de spécifier et essai relation,
comme Zhiwu était explication avec le exemple de Modélisation par équations structurelles.
A s a côté note, I serait comme à mention que LGCM
est en fait un application de confirmatoire facteur analyse,
lequel est en fait a sous-modèle dans modélisation par équations structurelles
avec le ajouté signifier structure,
et ce volonté être explication quand nous obtenir dans JMP.
Un de le avantages de en utilisant le COMME cadre
est que nous sont capable à évaluer modèle ajuster.
Laisser nous regarder à le déclaration là,
lequel dit, chaque modèle implique a 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 plus âgé un est le chi carré test
et le hypothèse il est essai est en fait listé 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.
A également, le ajuster est aussi exact comme spécifié dans le hypothèse.
Nous savoir depuis le célèbre boîte déclaration que tous modèles sont faux.
Notre 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 mesurer modèle inadapté, ajustement pour le échantillon taille,
lequel était un problème avec le chi carré test.
Ce est en fait a méchanceté- de- ajuster mesure, donc inférieur Nombres sont mieux.
Mais un de le avantages de en utilisant ce ajuster mesure
est que nous avoir a 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 prochain est a Comparatif Ajustement I indice et Non normalisé Ajuster Indice.
Ces sont relatif estimations, et ils sont en fait essai
comment bien est ton proposé modèle
comparé à a ligne de base modèle,
lequel est généralement a modèle de Non relation.
Ce est a bonté- de- ajuster mesure,
et donc le suggéré critères ici est que ces ajuster mesures
croix a seuil de à moins 0,95.
Le dernier un est a Standardisé Racine Signifier Quadrillé Résiduel.
Ce est en fait un moyenne quadrillé résiduel de tous le éléments
dans le covariance matrice.
Ce est a 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 résidus,
le standardisé résidus.
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 laissez 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 à 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 a invariant dans le temps covariable
n'a pas changement avec temps.
Le modélisation stratégie nous sont en allant à utiliser,
d'abord, étaient en allant à visualiser données en utilisant Graphique Constructeur.
Alors nous sont sélectionner a univarié latent croissance courbe modèle
pour chaque de le processus.
Alors nous combiner tous de eux,
mettre ensemble comme a 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.
I suis en allant à obtenir dans JMP.
I suis en cours d'exécution JMP 18, lequel est un tôt adoptant version,
et I suis en allant à montrer quelques scripts,
et I volonté montrer toi comment I a obtenu à quelques de ces depuis le JMP plateformes.
Le d'abord chose I 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 personne trajectoire est sur a vers le bas s'orienter
depuis semaine 9 à travers semaine 12.
Ils commencé quelque part dans le milieu de la cinquantaine, et par le temps ils sont dans semaine 12,
leur satisfaction mesure a viens vers le bas à à propos 37,5 sur a 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.
A bulle écran montrant en haut.
Quoi nous vouloir à faire est nous vouloir à comprendre
comment différent consommateurs
sont expérience 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.
I avoir construit ici trois différent 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 modèles.
J'ai construit a quatrième modèle,
lequel est a simplification de le d'abord modèle.
J'ai construit a croissance nulle modèle,
lequel moyens différent personnes
avoir différent 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 a linéaire croissance modèle, lequel moyens que trajectoires faire changement
dans a linéaire mode sur temps.
Le troisième modèle est a quadratique modèle, lequel moyens leur trajectoires changement
dans a quadratique mode sur temps.
Alors enfin, J'ai a obtenu a simplification de le d'abord modèle,
mais Je suis supposant presque élasticité ou Non changement dans le variance à travers temps.
Je suis en allant à regarder à ces ajuster mesures
que I 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 CFI, lequel moyens CFI va sur a échelle depuis 0-1
et faible valeurs de RMSEA, lequel aussi va sur a échelle depuis 0-1.
Il regard comme tous mon 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 modèles
parce que si I regarder à le estimations comme I 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 I faire ce.
Dans JMP, aller sous le Analyser et prendre multivarié et choisir
le S Modèle d'équation structurale 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 D'ACCORD.
Nous avoir a obtenu ces quatre répété mesures
disponible comme modélisation variables dans le chemin diagramme zone.
I 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 I choisir le interception uniquement modèle,
I obtenir ce chemin diagramme lequel toi scie dans mon scénario.
Si I 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 croissance.
Maintenant nous avoir a obtenu pas seulement un initial niveau
comme représenté par le intercepter latent variable,
nous avons a obtenu le taux de croissance de ce processus
comme représenté par le pente latent variable.
Nous peut courir ce modèle.
Cliquez sur Courir,
et toi obtenir le modèle estimations, comme I 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 ces 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 I juste créé.
Nous avoir donc loin construit
a univarié LGCM pour a 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 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 des abscisses.
Pour le taper de graphique toi vouloir,
choisir le dernier icône dans le bar à le haut.
Ce est a 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 le Changement clé et cliquez sur ce.
Maintenant vous obtenir que moyenne trajectoire
de température utilisé sur ces huit semaines.
Cliquez sur Fait
à obtenir le parcelle avec plus réel domaine.
Ce est exactement le parcelle que I montré en utilisant le scénario.
Toi peut clairement voir que
depuis semaine 7 et plus loin, là pourrait être a croissance
dans le température paramètre.
Il regard comme personnes sont croissant le température
comme temps progrès à partir de la semaine 7 à travers semaine 12.
Je suis en allant à fermer ce.
Nous avoir a graphique à visualiser
le trajectoires de le température paramètre.
Nous répéter le même chose.
Nous vouloir à choisir a modèle pour que processus.
A s avant, I construit le même trois modèles :
une croissance nulle, a linéaire croissance, et a quadratique croissance.
Je suis en allant à regarder à le ajuster statistique ici.
Ce temps, nous voir certainement a significatif amélioration
dans en allant depuis le Non- croissance à linéaire croissance
dans termes de le ajuster statistiques.
Le quadratique croissance est a 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 sous usage.
Ce est le nombre de gousses.
Maintenant nous peut voir clairement un croissant s'orienter,
plus donc pour le Écolabel produit,
lequel moyens personnes sont en utilisant plus et plus produits
quand ils utiliser Écolabel comme comparé à Ariel,
lequel est a P&G produit.
I vouloir à modèle ce.
Laisser moi fermer que.
Cliquez sur le scénario pour LG CM de sous usage.
Je suis en allant à regarder à le ajuster statistique.
A gagner, I voir a 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 I vouloir à regarder à
le estimations pour le quadratique pente,
et ce est quoi I signifier par pas choisir le quadratique pente
parce que vous avez a obtenu tous le paramètres unité de point à que à être pas significatif.
Maintenant nous avoir a obtenu a modèle pour chaque de le trois processus.
Nous choisi a croissance nulle modèle pour dans l'ensemble satisfaction.
Nous choisi a linéaire croissance modèle pour faible température.
Maintenant je suis en allant à mettre eux tous ensemble
en utilisant a 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 a confirmatoire facteur analyse modèle
et latent modèle de courbe de croissance comme était pointu dehors dans le précédent glisser.
Toi peut voir que là est a signifier structure ajouté à il
avec a triangle avec a nombre un,
et là sont lignes en allant depuis que à chaque de le latent variables.
Si I clic droit et utiliser le Montrer option et pas montrer le signifier structure,
toi peut voir le familier confirmatoire facteur analyse modèle
avec latent variables et le indicateurs associé avec chaque un de eux.
Nous avoir a 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 sous usage.
Initial niveau comme représenté par le int capsules
et le taux de changement de produit usage comme indiqué par le slp gousses,
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 capsules
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 a échelle de 0-100.
Ce est le moyenne température paramètre à semaine 9,
lequel est 36 diplômes Celsius.
Ici est le produit usage, 1.4 pochettes.
Ici est le taux de changement de produit usage
parce que là est a 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.
I pense nous scie que.
CFI 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 a significatif impact sur dans l'ensemble satisfaction.
Dans commande à retirer le désordre,
I avoir pas montré tous le indicateurs.
Tous nous sont vision est seulement le cercles,
lequel représenter le latent facteurs pour chaque de le croissance courbe modèles
et a 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 a 0,95 pour le CFI.
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 a significatif produit effet
depuis le produit variable à le intercepter de dans l'ensemble satisfaction.
Ce peut être interprété essentiellement comme a régression coefficient,
lequel est le moyenne niveau de satisfaction
pour produit codé 1
moins le moyenne niveau de satisfaction pour code produit 0.
Ariel est codé comme produit 0,
donc nous avoir beaucoup plus satisfaction avec Ariel,
a delta de négatif 9 pouces service de Ariel
sur a échelle de 0- 100.
Que est a 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 Écolabel produit.
Si toi sont a fabricant de Ariel, ce est bien nouvelles pour toi.
A également, le taux de changement de produit utiliser
est aussi plus pour Écolabel comparé à Ariel,
ou 0,02 pochettes depuis semaine à semaine.
Enfin, nous avoir le intercepter de température
ayant a négatif impact sur le dans l'ensemble satisfaction,
lequel moyens plus haut températures plomb à moins satisfaction.
Souviens-toi, ces sont produits lequel sont commercialisé comme lavage à froid produits.
Que moyens ils devrait travail mieux dans froid températures
et pas plus haut températures.
I 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 structurale dans rouge triangle,
si toi vérifier sur Ajuster Indices, lequel J'ai déjà à carreaux,
là sont plus ajuster indices que peut être montré à le bas.
Nous vouloir à regarder à CFI et RMSEA, lequel nous avons déjà vu,
et ici est le Standardisé Racine Moyens pourquoi Résiduel,
lequel I 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,
I dit toi pas à oublier le résidus.
Ces sont normalisé résidus dans termes de le mesuré variables.
Nous avoir 21 mesuré variables, huit pour gousses, huit pour températures,
quatre pour dans l'ensemble satisfaction, et un pour le produit variable.
Ce est a 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 a Carte thermique.
carte thermique 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 gousses usage à semaine 6 ,
température à semaine 12,
sous usage à semaine 6, et température à semaine 9.
Enfin, nous avoir un,
parce que ce est juste a miroir image de le un que est ici.
Ce est le relation entre température à semaine 9
et température à semaine 10, lequel est pas modélisé.
Ce pourrait en fait être modélisé
par ajouter un erreur covariance, lequel I a fait pas faire.
Si I a fait ce, le modèle, dans fait, serait être même mieux.
I vouloir à aller dos à le présentation et résumer quoi nous avoir trouvé.
Oups, 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 COMME plate-forme.
Nous étendu depuis univarié à multivarié modèles.
A ll notre modèles, y compris le dernier un, avait acceptable ajuster, dans fait, bien ajuster.
Produit avait a significatif impact sur RAME,
lequel moyens Ariel est mieux que Écolabel dans termes de c'est dans l'ensemble satisfaction
et significatif impact sur le nombre de gousses,
lequel moyens moins produit était utilisé pour Ariel comparé à Écolabel,
et aussi depuis semaine à semaine.
Intercepter avait a négatif impact sur RAME, lequel moyens personnes préférer
inférieur température paramètre que plus haut température paramètre.
Si toi sont a P&G fabricant, ce est bien nouvelles pour toi
parce que Ariel travaux mieux que Éco étiquette
dans ce modélisation cadre que nous avoir fait.
Je suis en allant à tourner il sur à Zhiwu à voir quoi le suivant mesures sont
depuis ce modèle résultats.
Zhiwu ?
Remercier toi très beaucoup.
Remercier toi, Narayanan, et très excellent présentation
et merveilleux démo.
Comme Narayanan mentionné,
le modélisation résultats prouver le produit a a significatif impact
à le satisfaction globale de le performance
de le détergent produits dans notre test.
Ce résultat fournit nous le confiance nous pouvons faire a très clair réclamer,
Ariel produits est a service à le lavage à froid peut être utilisé moins que le normale produits.
Ce est aussi modélisation confirmer le consommateur comportement changement.
Si toi utiliser Ariel produit, toi volonté avoir plus lavage 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 modélisation scène comme le additif usage
et le lavage 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 questions probablement dans le JMP Sommet.
