Ciao,
tutti.
Mio nome È Zhiwu Liang,
statistico da Procter & Gioco d'azzardo Azienda.
Io sono supporto del Attività commerciale In Bruxelles Innovazione Centro per P&G.
Mio principale lavoro È facendo IL consumatore sondaggio dati analisi.
Oggi, Narayanan E I Volere presente
IL G Modellazione della curva di crescita A Misura Impatto
Di IL Temperatura E Utilizzo A montare SU Detergente Prestazione.
Prossimo diapositiva, Per favore.
Qui È IL contenuto Noi Volere copertina Oggi.
Primo, I Volere Dare IL breve introduzione Di IL modelli di equazioni strutturali
E a morso Di IL dati Noi Volere Essere usando per Nostro modellazione.
Poi I Volere giro A Narayanan A introdurre IL modellazione della curva di crescita,
modello edificio processo più IL JMP dimostrazione.
Senza mostrando, I Volere presente IL conclusione E Prossimo passi.
Prossimo diapositiva, Per favore .
IL modellazione delle equazioni strutturali
È a multivariato tecnica
Quello È usato A test a impostato Di IL relazione
fra IL osservato E IL latente variabili
di confrontando IL modello previsto covarianza matrice
E osservato covarianza matrice.
In COME, Che cosa Noi Avere Fatto È,
osservato variabili Sono manifesto variabile
COME IL indicatore per latente variabili,
Quale È usando IL misurazione modello A costruire.
Latente variabili modulo a regressione modello
A costruire a rete Quale Noi chiamata IL struttura modello.
Qui È UN esempio con IL tre latente variabile,
otto o osservato variabile In JMP, COSÌ IL COME struttura.
COME Voi Potere Vedere In IL pulsante Sinistra grafico,
IL cerchio rappresentare IL latente variabile,
Quale È calcolato Attraverso IL indicatori Piace pulizia,
COME IL latente variabile È indicato di IL pieno piazza
rappresentare IL manifesto variabile
complessivamente pulizia, macchia rimozione, bianchezza E luminosità.
Stesso COME IL freschezza, latente variabile indicato di IL tre manifesto variabile.
Se Voi Aspetto A IL Giusto lato Di IL finestra,
IL caricamento finestra spettacolo IL struttura per IL misurazione modello
Come Questo individuale latente variabile relazionare A IL indicatore.
IL pulsante Di IL regressione finestra mostrare il due regressione modello:
pulizia valutazione complessiva dell'unità, freschezza Asciutto valutazione complessiva.
Questo È IL struttura per IL struttura equazione modello.
Prossimo diapositiva, Per favore.
IL dati Noi utilizzo per Nostro modellazione della curva di crescita
È IL sondaggio dati Noi condotta In IL Francia con IL 119 consumatore.
Noi dividere Questo 119 consumatore in gruppi.
Sessanta Di loro utilizzo controllare prodotti,
Quale È IL Ariel, solubile unità dose, IL baccelli,
In Nostro dati impostato, segnato COME 0.
Un altro 59 consumatori utilizzo test prodotto È IL Ecolabel prodotto, codice COME 1.
Ogni consumatore, durante IL 12 settimane Di IL test,
Primo quattro settimane, Essi utilizzo loro Proprio prodotti.
Poi Essi Volere andare A IL otto della settimana test settimana,
utilizzo uno Di Nostro assegnazione prodotti, O utilizzo IL Ariel SUD O Ecolabel.
Poi per ogni tempo Di IL lavare,
IL consumatore Volere riempire In IL questionario,
fornire Alcuni informazioni Di loro lavaggio comportamento,
come COME IL lavaggio temperatura,
numero Di IL baccelli usato, suolo livello Di IL tessuto, Come sporco Esso È,
E complessivamente valutazione Di IL prestazione per IL prodotto.
Nostro modellazione obiettivo È Tentativo A test Se Là È a del prodotto effetto
SU IL complessivamente prestazione valutazione,
lavaggio temperatura SU IL complessivamente prestazione valutazione,
numero Di IL baccelli usato per complessivamente valutazione
per ogni Di IL lavare.
Prossimo diapositiva, Per favore.
Da ogni consumatore, Essi Avere a diverso lavaggio abitudine,
Essi Avere diverso condizione,
non Tutto Di IL consumatore ha IL Stesso numero Di lavare durante IL test settimana.
Perciò, A Fare ogni consumatore
IL peso pari In Nostro modello edificio dati impostato,
Noi Primo aggregato IL consumatore dati di IL membro del panel livello di settimanale base.
Voi Prendere IL media lavaggio temperatura
durante Quello settimana per IL particolare consumatore,
numero Di baccelli usato,
E IL complessivamente valutazione per ogni carico durante Quello settimana.
Dopo Questo aggregato dati,
Noi utilizzo IL esplorativo attrezzo Piace JMP Grafico Costruttore
A identificare Se c'è Qualunque lineare tendenza per valutazione complessiva,
per temperatura tendenza durante IL test settimana,
E IL numero Di IL baccelli usando tendenza durante IL test settimana.
Da IL esplorativo palcoscenico , REMO È bello stabile
In IL settimana 9 A settimana 12, Noi utilizzo IL intercettare soltanto modello per REMO.
Poi per IL temperatura per IL prodotto e per IL numero Di IL baccelli usato
da Questo esplorativo palcoscenico,
Noi trovato Là È O crescente O diminuito tendenza.
Perciò, Noi utilizzo IL lineare crescita modello A descrivere IL temperatura indicatore
E IL numero Di baccelli indicatore.
A spiegare IL prodotto impatto,
Noi Anche compreso IL prodotto prodotto variabile In Nostro modello.
Poi Noi Primo costruire a crescita curva modello per temperatura numero Di IL baccelli,
Poi aggiungere Questo latente variabile A costruire a regressione modello da prodotti variabile,
intercettare Di temperatura, pendenza Di temperatura,
intercettare Di IL numero Di baccelli usato, pendenza Di IL numero Di baccelli usato
A intercettare Di IL REMO A costruire multivariato, IL modello della curva di crescita.
Adesso io volevo giro A Narayanan A introdurre latente modello della curva di crescita.
Narayanan, suo tuo giro.
Grazie Voi, Zhiwu, per IL Grande [inudibile 00:06:49].
CIAO, tutti. Mio nome È Narayanan.
I Sono UN Aggiunto professore A IL Università Di Cincinnati,
Ma I insegnare corsi SU dati estrazione mineraria usando JMP.
Id Piace A inizio di dare a molto ampio definizione
Di Che cosa È latente modellazione della curva di crescita.
COME Noi andare lungo, I Maggio utilizzo IL lettere LG CM A rappresentare
modellazione della curva di crescita latente,
E COME A rappresentare modellazione delle equazioni strutturali.
Modellazione della curva di crescita latente È fondamentalmente a modo A modello
longitudinale dati usando IL COME struttura.
Perché Esso È costruito In IL COME struttura,
Esso ha Tutto IL vantaggi Di specificando E test relazione,
COME Zhiwu era spiegando con IL esempio Di modellazione delle equazioni strutturali.
A s a lato nota, I volevo Piace A menzione Quello LGCM
È In realtà UN applicazione Di confermativo fattore analisi,
Quale È In realtà a sottomodello entro modellazione delle equazioni strutturali
con IL aggiunto Significare struttura,
E Questo Volere Essere spiegato Quando Noi Ottenere in JMP.
Uno Di IL benefici Di usando IL COME struttura
È Quello Noi Sono capace A valutare modello adatto.
Permettere noi Aspetto A IL dichiarazione Là,
Quale dice, ogni modello implica a covarianza matrice E Significare struttura.
Che cosa Questo Veramente significa È Quello
IL osservato covarianza matrice E IL Significare vettore
Potere Essere In realtà riprodotto di IL modello parametro stime
Quale Sono stimato usando IL modellazione della curva di crescita latente.
IL uguaglianza fra IL due È Che cosa molti Di questi adatto indici
Sono In realtà test.
Uno Di IL il più vecchio uno È IL chi-square test
E IL ipotesi Esso È test È In realtà elencato Là:
IL uguaglianza fra IL popolazione,
E IL modello previsto covarianza matrice,
E IL Significare vettori.
Tuttavia, Questo test, Quale È uno Di IL il più vecchio,
ha Alcuni orologio- fuori.
Uno È Quello IL test statistica in a funzione È campione misurare,
Quale significa Quello più grande campione misurare Volere tendere A rifiutare IL modello
Anche per banale differenze.
IL altro uno È Quello IL test È globale
E fa non riflettere la vestibilità locale ad esempio Potevo Essere misurato di R-quadrato.
A anche, IL adatto È pure esatto COME specificato In IL ipotesi.
Noi Sapere da IL famoso scatola dichiarazione Quello Tutto modelli Sono sbagliato.
Nostro modelli Sono soltanto Appena UN approssimazione.
Perché Di Questo, Là Avere stato parecchi alternativa adatto misure
Quello Avere stato proposto.
Id Piace A menzione tre Di loro Qui.
IL Primo È IL Radice Significare Piazza Errore Di Approssimazione.
Questo È In realtà misurazione modello disadattato, regolazione per IL campione misurare,
Quale era UN problema con IL chi-square test.
Questo È In realtà a cattiveria- Di- adatto misura, COSÌ inferiore numeri Sono Meglio.
Ma uno Di IL vantaggi Di usando Questo adatto misura
È Quello Noi Avere a fiducia intervallo per Esso,
E IL suggerito soglia per Questo adatto misura
È Quello IL superiore limite
Di IL fiducia intervallo È meno di 0,10.
Il prossimo È a Comparativo Adatto I indice E Non normato Adatto Indice.
Questi Sono relativo stime, E loro sono In realtà test
Come Bene È tuo proposto modello
confrontato A a linea di base modello,
Quale È Generalmente a modello Di NO relazione.
Questo È a bontà- Di- adatto misura,
E COSÌ IL suggerito criteri Qui È Quello questi adatto misure
attraverso a soglia Di A meno 0,95.
IL scorso uno È a Standardizzato Radice Significare Quadrato Residuo.
Questo È In realtà UN media quadrato residuo Di Tutto IL elementi
In IL covarianza matrice.
Questo È a cattiveria- Di- adatto misura.
Ancora, Noi Sono guardare per più piccolo numeri,
E IL suggerito soglia Qui È Quello Questo valore È meno di 0,08.
SU superiore Di Tutto Questo, Finalmente, Fare non dimenticare A controllo IL attuale residui,
IL standardizzato residui.
Che cosa Noi Sono guardare per Qui È numeri Quale Sono al di là
meno 2 E più 2 soglia.
IL idea Qui È A Aspetto A IL totalità Di adatto
E non Appena Qualunque uno misura.
Avendo discusso adatto misure,
ora lascia noi Aspetto A IL longitudinale processo Noi Volere A studio.
Zhiwu descritto tre diverso processi.
Primo uno È successo criteri COME misurato di complessivamente soddisfazione valutazione
da settimana 9 A settimana 12.
Poi Noi Avere avuto due il tempo varia A covariate.
Quello significa questi Sono variabile Sopra tempo.
Uno È IL temperature collocamento
In Quale IL prodotto era usato da settimana 5 A settimana 12,
E Poi IL quantità Di prodotto usato Anche da settimana 5 A settimana 12.
Poi Finalmente, Noi Avere UN indicatore variabile
indicando Che cosa tipo Di prodotto Esso È, E Questo È a invariante nel tempo covariata
non lo fa modifica con tempo.
IL modellazione strategia Noi Sono andando A utilizzo,
Primo, erano andando A visualizzare dati usando Grafico Costruttore.
Poi Noi Sono selezione a univariato latente crescita curva modello
per ogni Di IL processi.
Poi Noi combinare Tutto Di loro,
Mettere insieme COME a multivariato LGCM.
Poi BENE Finalmente test IL ipotesi Quello Zhiwu proposto,
Quale È Come BENE IL prodotto E altro crescita fattori
impatto complessivamente soddisfazione.
Noi Volere scegliere IL più semplice modello Quando Noi costruire.
I Sono andando A Ottenere in JMP.
I Sono corsa JMP 18, Quale È UN Presto adottante versione,
E I Sono andando A spettacolo Alcuni copioni,
E I Volere spettacolo Voi Come I avuto A Alcuni Di questi da IL JMP piattaforme.
IL Primo cosa I Volere A Fare È visualizzare IL complessivamente soddisfazione,
E questi Sono traiettorie.
Che cosa questi sono, sono fondamentalmente individuale SU ogni linea da settimana 9 A settimana 12.
Qui, IL complessivamente soddisfazione tracciato Qui
per ogni Di IL 119 consumatori.
Loro sono fondamentalmente uno traiettoria per ogni consumatore.
Se Voi Aspetto A Questo particolare consumatore, riga numero 16,
Quello della persona traiettoria È SU a verso il basso tendenza
da settimana 9 Attraverso settimana 12.
Essi iniziato in qualche luogo In IL metà degli anni '50, E di IL tempo Essi Sono In settimana 12,
loro soddisfazione misura ha Venire giù A Di 37.5 SU a scala Di 0-100.
Permettere noi Aspetto A un altro persona.
Questo persona Qui Chi usato IL Ariel prodotto,
loro traiettoria È SU UN verso l'alto oscillazione
andando da IL metà degli anni '70 probabilmente A IL Presto anni '90
di IL tempo Essi portata settimana 12.
Essi Sono ottenere Di più E Di più soddisfatto
settimana Sopra settimana.
Scusa per Quello.
A bolla schermo mostrando su.
Che cosa Noi Volere A Fare È Noi Volere A capire
Come diverso consumatori
Sono sperimentare soddisfazione Sopra IL settimane,
E IL modifica In questi processi per questi consumatori
È Che cosa Noi Volere A modello usando LGCM.
Che cosa Io sono andando A Fare È Io sono andando A giro SU IL sceneggiatura,
LGCM Di complessivamente soddisfazione.
I Avere costruito Qui tre diverso modelli.
Che cosa questi Sono fondamentalmente IL latente variabile corrisponde A UN intercettare
per questi ripetuto misure Di IL complessivamente soddisfazione
da settimana 9 Attraverso settimana 12.
Io ho costruito tre diverso modelli.
Io ho costruito a quarto modello,
Quale È a semplificazione Di IL Primo modello.
Io ho costruito a nessuna crescita modello,
Quale significa diverso persone
Avere diverso livelli Di soddisfazione In IL inizio, Quale È settimana 9,
Ma Poi loro traiettorie appiattire fuori E fa non crescere Sopra tempo.
Secondo modello È a lineare crescita modello, Quale significa Quello traiettorie Fare modifica
In a lineare moda Sopra tempo.
IL terzo modello È a quadratico modello, Quale significa loro traiettorie modifica
In a quadratico moda Sopra tempo.
Poi Finalmente, Io ho avuto a semplificazione Di IL Primo modello,
Ma Io sono supponendo Quasi elasticità O NO modifica In IL varianza attraverso tempo.
Io sono andando A Aspetto A questi adatto misure
Quello I parlato Di
E scegliere IL modello Quello si adatta IL migliore.
Che cosa Io sono guardare per È Basso valori Di chi-square,
alto valori Di CFI, Quale significa CFI va SU a scala da 0-1
E Basso valori Di RMSEA, Quale Anche va SU a scala da 0-1.
Esso sembra Piace Tutto Mio modelli, NO- crescita, lineare crescita, E quadratico crescita,
adatto IL dati ugualmente BENE.
Ma Tuttavia, Io sono andando A Prendere IL più semplice Di IL modelli
Perché Se I Aspetto A IL stime COME I Potere
In IL sentiero diagramma,
molti Di questi coefficienti relativo A IL pendenza,
IL lineare pendenza O IL quadratico pendenza,
Sono In realtà non significativo COME mostrato di IL punteggiato linee.
In Questo lineare crescita modello, Che cosa Noi Avere È UN intercettare,
Quale misure IL iniziale livello Di soddisfazione,
E pendenza, Quale misure
IL valutare Di aumento Di IL soddisfazione Sopra tempo
O valutare Di diminuire Di soddisfazione Sopra tempo.
S lope misure Quello, intercettare misure IL iniziale livello.
Noi Potere Vedere Tutto IL stime imparentato A IL pendenza
Sono In realtà non significativo COME indicato di punteggiato linee.
Lo stesso È IL situazione per IL quadratico modello Anche.
Perciò, Io sono andando A Prendere IL più semplice Di IL modello,
Quale È IL NO- crescita modello per Questo processo,
Quale È complessivamente soddisfazione.
Permettere Me spettacolo Voi Come I Fare Questo.
In JMP, andare Sotto IL Analizzare E scegliere Multivariato E scegliere
la S modello di equazione strutturale piattaforma.
Scegliere IL ripetuto misure, In Questo caso È REMO da settimana 9
Attraverso settimana 12.
Gocciolare loro In Modello Variabili scatola E clic OK.
Noi Avere avuto questi quattro ripetuto misure
disponibile COME modellazione variabili In IL sentiero diagramma zona.
I Potere costruire Questo modello da graffio usando IL sentiero diagramma,
Ma JMP ha fatto Esso Più facile di usando scorciatoie.
Io sono andando A andare Sotto IL Modello Scorciatoia, rosso triangolo,
scegliere Longitudine Analisi, E controllo IL lineare latente crescita curva
O IL solo intercettazione modello.
Se I scegliere IL solo intercettazione modello,
I Ottenere Questo sentiero diagramma Quale Voi sega In Mio sceneggiatura.
Se I correre IL modello,
Voi Volere Ottenere IL stime E IL adatto statistica per Questo modello.
Se Voi Volere A aggiungere IL lineare crescita modello
A Fare IL Stesso cosa, Venire sotto M modello Scorciatoie,
Longitudinale Analisi, E Lineare G Modello di curva di crescita.
Adesso noi Avere avuto non soltanto UN iniziale livello
COME rappresentato di IL intercettare latente variabile,
noi abbiamo avuto IL valutare Di crescita Di Questo processo
COME rappresentato di IL pendenza latente variabile.
Noi Potere correre Questo modello.
Clic SU Correre,
E Voi Ottenere IL modello stime, COME I ha mostrato Voi Prima,
Quale Sono non significativo per IL pendenza latente variabile.
Voi Ottenere IL adatto statistiche Giusto Qui Sotto IL Modello Confronto tavolo.
T questi modelli Sono facile A adatto In JMP usando IL modello scorciatoia menu
disponibile Sotto IL Modello Scorciatoia.
Io sono andando A vicino IL uno I Appena creato.
Noi Avere COSÌ lontano costruito
a univariato LGCM per a separare processo.
Io sono andando A ripetere IL Stesso cosa per IL altro due crescita processo Noi Avere,
E erano andando A Aspetto A IL lavare temperatura traiettorie.
Permettere Me spettacolo Voi Come A Fare Questo In JMP.
In JMP, In Grafico, clic SU Grafico Costruttore E aprire su IL temperatura variabili.
Noi Volere A Aspetto A temperatura da settimana 5 Attraverso settimana 12.
Gocciolare loro SU IL asse x.
Per IL tipo Di grafico Voi Volere,
scegliere IL scorso icona In IL sbarra A IL superiore.
Questo È a parallelo complotto.
Là Volere Essere Alcuni scorrevolezza associato con Questo.
Lagna Questo lettera sbarra Tutto IL modo A IL Sinistra.
Là Dovrebbe Essere NO levigatezza A Tutto.
Prendere IL prodotto variabile, Quale È UN indicatore variabile,
Mettere loro SU Sovrapposizione.
Ora tu Ottenere individuale traiettorie.
Se Voi Volere A aggiungere IL media traiettoria,
scegliere IL sesto icona SU Questo barra degli strumenti da Sinistra.
Clic SU IL Spostare chiave E clic SU Questo.
Ora tu Ottenere Quello media traiettoria
Di temperatura usato Sopra questi otto settimane.
Clic SU Fatto
A Ottenere IL complotto con Di più vero proprietà.
Questo È esattamente IL complotto Quello I ha mostrato usando IL sceneggiatura.
Voi Potere chiaramente Vedere Quello
da settimana 7 in poi, Là Potrebbe Essere a crescita
In IL temperatura collocamento.
Esso sembra Piace persone Sono crescente IL temperatura
COME tempo progressi dalla settimana 7 Attraverso settimana 12.
Io sono andando A vicino Questo.
Noi Avere a grafico A visualizzare
IL traiettorie Di IL temperatura collocamento.
Noi ripetere IL Stesso cosa.
Noi Volere A scegliere a modello per Quello processo.
A s Prima, I costruito IL Stesso tre modelli:
una crescita nulla, a lineare crescita, E a quadratico crescita.
Io sono andando A Aspetto A IL adatto statistica Qui.
Questo tempo, Noi Vedere decisamente a significativo miglioramento
In andando da IL NO- crescita A lineare crescita
In termini Di IL adatto statistiche.
IL quadratico crescita È a marginale aumento Sopra IL lineare crescita modello.
Ancora, per IL Stesso motivo COME Prima,
Tutto IL stime In IL quadratico pendenza Sono In realtà non significativo.
A Mantenere cose semplice, Io sono andando A scegliere IL più semplice modello,
Quale È IL lineare crescita per temperatura.
IL scorso processo È IL Sotto utilizzo.
Questo È IL numero Di baccelli.
Ora Noi Potere Vedere chiaramente UN crescente tendenza,
Di più COSÌ per IL Ecolabel prodotto,
Quale significa persone Sono usando Di più E Di più prodotti
Quando Essi utilizzo Ecolabel COME confrontato A Ariel,
Quale È a P&G prodotto.
I Volere A modello Questo.
Permettere Me vicino Quello.
Clic SU IL sceneggiatura per LG CM Di Sotto utilizzo.
Io sono andando A Aspetto A IL adatto statistica.
A guadagno, I Vedere a Bene modello adatto,
particolarmente IL lineare E IL quadratico.
Per IL Stesso motivo COME Prima, Io sono andando A scegliere IL lineare modello.
Qui I Volere A Aspetto A
IL stime per IL quadratico pendenza,
E Questo È Che cosa I Significare di non scegliendo IL quadratico pendenza
Perché tu hai avuto Tutto IL parametri unità di punto A Quello A Essere non significativo.
Adesso noi Avere avuto a modello per ogni Di IL tre processi.
Noi scelto a nessuna crescita modello per complessivamente soddisfazione.
Noi scelto a lineare crescita modello per Basso temperatura.
Adesso sono andando A Mettere loro Tutto insieme
usando a multivariato, latente modello della curva di crescita.
Questo È fondamentalmente Tutto IL tre processi Mettere insieme.
Qui , IO Volere A spettacolo Voi IL somiglianza
fra a confermativo fattore analisi modello
E latente modello di curva di crescita COME era appuntito fuori In IL precedente diapositiva.
Voi Potere Vedere Quello Là È a Significare struttura aggiunto A Esso
con a triangolo con a numero uno,
E Là Sono linee andando da Quello A ogni Di IL latente variabili.
Se I fare clic con il tasto destro E utilizzo IL Spettacolo opzione E non spettacolo IL Significare struttura,
Voi Potere Vedere IL familiare confermativo fattore analisi modello
con latente variabili E IL indicatori associato con ogni uno Di loro.
Noi Avere a separare latente variabile, intercettare per IL complessivamente soddisfazione.
Noi Avere due latente variabili per IL temperatura,
Quale È iniziale intercettare E IL pendenza.
Noi Avere IL Stesso due latenti variabili indicando IL Sotto utilizzo.
Iniziale livello COME rappresentato di IL interno baccelli
E IL valutare Di modifica Di prodotto utilizzo COME indicato di IL slp baccelli,
Quale È fondamentalmente IL pendenza Di baccelli.
Permettere Me Mettere Indietro IL significa attivato.
Adesso noi Potere In realtà Aspetto A IL stime Di questi,
Quale Sono Veramente uno Di IL importante baccelli
Di IL latente modello della curva di crescita.
Che cosa Noi Avere Qui È UN stima
Di IL iniziale livello Di soddisfazione A settimana 9
Perché Quello era IL di partenza tempo periodo per complessivamente soddisfazione.
Questo è Di 71 SU a scala Di 0-100.
Questo È IL media temperatura collocamento A settimana 9,
Quale È 36 gradi Centigrado.
Qui È IL prodotto utilizzo, 1.4 sacchetti.
Qui È IL valutare Di modifica Di prodotto utilizzo
Perché Là È a pendenza Di prodotto utilizzo, IL latenza variabile,
Quale È Di 0,02.
Persone Sono usando leggermente Di più COME tempo va SU.
Quello È Che cosa Noi Ottenere.
IL complessivamente adatto Di Questo modello È Anche abbastanza Bene.
I pensare Noi sega Quello.
CFI esattamente A IL soglia 0,95,
E Nostro superiore limite Di IL RMSEA È decisamente meno di 0,1.
Adesso noi andare A IL scorso modello,
Quale È IL ipotesi Quello Zhiwu ricercato A test,
Dove Noi Volere A Vedere Se prodotto,
IL indicatore variabile, E IL altro crescita fattori
Avere a significativo impatto SU complessivamente soddisfazione.
In ordine A rimuovere IL ingombrare,
I Avere non mostrato Tutto IL indicatori.
Tutto Noi Sono vedere È soltanto IL cerchi,
Quale rappresentare IL latente fattori per ogni Di IL crescita curva modelli
E a separare prodotto variabile indicando Che cosa tipo Di prodotto Esso È.
Di nuovo, lascia noi Aspetto A IL adatto Di Questo modello.
Adatto Di Questo modello È Infatti Bene.
Noi Avere a 0,95 per IL Tribunale di primo grado.
Noi Avere meno di 0,1 per IL superiore limite Di IL RMSEA.
Noi Volere Aspetto A Di più adatto indici
Dopo Noi interpretare Alcuni Di IL stime Qui.
Io sono andando A interpretare IL solido linee Quale Sono significativo coefficienti.
Noi Avere a significativo prodotto effetto
da IL prodotto variabile A IL intercettare Di complessivamente soddisfazione.
Questo Potere Essere interpretato fondamentalmente COME a regressione coefficiente,
Quale È IL media livello Di soddisfazione
per prodotto codificato 1
meno IL media livello Di soddisfazione per prodotto codificato 0.
Ariel È codificato COME prodotto 0,
COSÌ Noi Avere tanto Di più soddisfazione con Ariel,
a delta Di negativo 9 pollici favore Di Ariel
SU a scala Di 0- 100.
Quello È a grande modifica.
Delta In favore Di IL Ariel prodotto.
Permettere noi Aspetto A IL prodotto effetto SU baccelli.
Ancora, IL Stesso modo, media quantità Di prodotto usato
per prodotto codificato 1 meno prodotto codificato 0.
Questo tempo, Noi Sono usando Di più Di IL Ecolabel prodotto.
Se Voi Sono a produttore Di Ariel, Questo È Bene notizia per Voi.
A anche, IL valutare Di modifica Di prodotto utilizzo
È Anche Di più per Ecolabel confrontato A Ariel,
O 0,02 sacchetti da settimana A settimana.
Finalmente, Noi Avere IL intercettare Di temperatura
avendo a negativo impatto SU IL complessivamente soddisfazione,
Quale significa più alto temperature Guida A meno soddisfazione.
Ricordare, questi Sono prodotti Quale Sono commercializzato COME lavaggio a freddo prodotti.
Quello significa Essi Dovrebbe lavoro Meglio In Freddo temperature
E non più alto temperature.
I Anche Volere A spettacolo Voi Dove Voi Potere Aspetto per altro adatto statistiche al di là
Che cosa È in arrivo fuori In IL modello confronto tavolo.
Sotto IL S modello di equazione strutturale In rosso triangolo,
Se Voi controllo SU Adatto Indici, Quale Io ho Già controllato,
Là Sono Di più adatto indici Quello Potere Essere mostrato A IL metter il fondo a.
Noi Volere A Aspetto A CFI E RMSEA, Quale noi abbiamo Già visto,
E Qui È IL Standardizzato Radice Significa Perché Residuo,
Quale I discusso.
Questo È Anche esattamente A IL soglia Di 0,08.
Tutto In Tutto, In termini Di adatto indici, Nostro modello fa adatto abbastanza BENE.
Finalmente,
I detto Voi non A dimenticare IL residui.
Questi Sono normalizzato residui In termini Di IL misurato variabili.
Noi Avere 21 misurato variabili, otto per baccelli, otto per temperature,
quattro per complessivamente soddisfazione, E uno per IL prodotto variabile.
Questo È a 21 di 21 matrice.
Che cosa Noi Sono guardare per
È numeri Quale Sono al di fuori IL più 2 meno 2 allineare.
Là Sono Appena pure molti numeri A Aspetto A In IL tavolo,
Ma JMP produce a mappa di calore.
Mappa di calore opzione È Anche Sotto IL rosso triangolo.
Che cosa Noi Sono guardare per È buio rosso O buio blu.
Qui, Noi Avere due buio rossi
Quale Sono relazione tra i baccelli utilizzo A settimana 6 ,
temperatura A settimana 12,
Sotto utilizzo A settimana 6, E temperatura A settimana 9.
Finalmente, Noi Avere uno,
Perché Questo È Appena a specchio immagine Di IL uno Quello È Qui.
Questo È IL relazione fra temperatura A settimana 9
E temperatura A settimana 10, Quale È non modellato.
Questo Potevo In realtà Essere modellato
di aggiungendo UN errore covarianza, Quale I fatto non Fare.
Se I fatto Questo, IL modello, In fatto, volevo Essere Anche Meglio.
I Volere A andare Indietro A IL presentazione E riassumere Che cosa Noi Avere trovato.
Oops, mi dispiace, sbagliato diapositiva.
In termini Di conclusione, Noi iniziato IL Grafico Costruttore
A visualizzare Nostro traiettorie,
E Noi costruito latente crescita curva modello usando IL COME piattaforma.
Noi esteso da univariato A multivariato modelli.
A LL Nostro modelli, compreso IL scorso uno, avevo accettabile adatto, In fatto, Bene adatto.
Prodotto avevo a significativo impatto SU REMO,
Quale significa Ariel È Meglio di Ecolabel In termini Di suo complessivamente soddisfazione
E significativo impatto SU IL numero Di baccelli,
Quale significa meno prodotto era usato per Ariel confrontato A Ecolabel,
E Anche da settimana A settimana.
Intercettare avevo a negativo impatto SU REMO, Quale significa persone prefer
inferiore temperatura collocamento di più alto temperatura collocamento.
Se Voi Sono a P&G produttore, Questo È Bene notizia per Voi
Perché Ariel opere Meglio di Eco etichetta
In Questo modellazione struttura Quello Noi Avere Fatto.
Io sono andando A giro Esso Sopra A Zhiwu A Vedere Che cosa IL Prossimo passi Sono
da Questo modello risultati.
Zhiwu?
Grazie Voi molto tanto.
Grazie Voi, Narayanan, E molto eccellente presentazione
E meraviglioso dimostrazione.
COME Narayanan menzionato,
IL modellazione risultati dimostrare IL prodotto ha a significativo impatto
A IL soddisfazione generale Di IL prestazione
Di IL detergente prodotti In Nostro test.
Questo risultato fornisce noi il fiducia possiamo fare a molto chiaro reclamo,
Ariel prodotti È a favore A IL lavaggio a freddo Potere Essere usato meno di IL normale prodotti.
Questo È Anche modellazione confermare IL consumatore comportamento modifica.
Se Voi utilizzo Ariel prodotto, Voi Volere Avere Di più lavaggio carichi
andare A IL lavaggio a freddo, utilizzo meno energia E utilizzo meno prodotto.
Anche, Noi piano A condotta più grande misurare consumatore studio per compreso IL Di più
covariate variabili In IL futuro modellazione palcoscenico Piace IL additivo utilizzo
E IL lavaggio ciclo Di ogni lavare E IL Basso misurare per lavare.
Questo È Nostro Prossimo fare un passo.
Prossimo diapositiva.
Adesso noi volevo Piace A Prendere domanda Se Voi Avere Qualunque.
Grazie Voi molto tanto per frequentando IL presentazione.
Noi Aspetto inoltrare A tuo domande probabilmente In IL JMP Vertice.
