你好，
每个人。
我的 姓名 是 Zhiwu 梁，
统计学家 从 宝洁 & 赌博 公司。
我是 支持 商业 在 布鲁塞尔 创新 中心 为了 宝洁公司。
我的 主要的 工作 是 正在做 这 消费者 民意调查 数据 分析。
今天， 纳拉亚南 和 I 将要 展示
这 G 增长曲线建模 到 措施 影响
的 这 温度 和 用法 A 山 在 洗涤剂 表现。
下一个 滑动， 请。
这里 是 这 内容 我们 将要 覆盖 今天。
第一的， I 将要 给 这 简短的 介绍 关于 这 结构方程模型
和 a 少量 关于 这 数据 我们 将要 是 使用 为了 我们的 造型。
然后 I 将要 转动 到 纳拉亚南 到 介绍 这 增长曲线建模，
模型 建筑 过程 加 这 JMP 演示。
没有 显示， I 将要 展示 这 结论 和 下一个 步骤。
下一个 滑动， 请 .
这 结构方程模型
是 a 多变量 技术
那 是 用过的 到 测试 a 放 的 这 关系
之间 这 观察到 和 这 潜 变量
经过 比较 这 模型 预测 协方差 矩阵
和 观察到 协方差 矩阵。
在 作为， 什么 我们 有 完毕 是，
观察到 变量 是 显现 多变的
作为 这 指标 为了 潜 变量，
哪个 是 使用 这 测量 模型 到 构造。
潜 变量 形式 a 回归 模型
到 建造 a 网络 哪个 我们 称呼 这 结构 模型。
这里 是 一个 例子 和 这 三 潜 多变的，
八 o 观察到 多变的 在 JMP， 所以 这 作为 结构。
作为 你 能 看 在 这 按钮 左边 图表，
这 圆圈 代表 这 潜 多变的，
哪个 是 计算 通过 这 指标 喜欢 打扫，
作为 这 潜 多变的 是 表明的 经过 这 满的 正方形
代表 这 显现 多变的
全面的 打扫， 弄脏 移动， 白人 和 亮度。
相同的 作为 这 新鲜， 潜 多变的 表明的 经过 这 三 显现 多变的。
如果 你 看 在 这 正确的 边 的 这 窗户，
这 加载中 窗户 展示 这 结构 为了 这 测量 模型
如何 这 个人 潜 多变的 涉及 到 这 指标。
这 按钮 的 这 回归 窗户 显示 二 回归 模型：
打扫 提升整体评分， 新鲜 干燥 总体评分。
这 是 这 结构 为了 这 结构 方程 模型。
下一个 滑动， 请。
这 数据 我们 使用 为了 我们的 生长曲线模型
是 这 民意调查 数据 我们 执行 在 这 法国 和 这 119 消费者。
我们 划分 这 119 消费者 进入 团体。
六十 的 他们 使用 控制 产品，
哪个 是 这 爱丽儿， 可溶 单元 剂量， 这 豆荚，
在 我们的 数据 放， 标记 作为 0.
其他 59 消费者 使用 测试 产品 是 这 生态标签 产品， 代码 作为 1.
每个 消费者， 期间 这 12 周 的 这 测试，
第一的 四 几周， 他们 使用 他们的 自己的 产品。
然后 他们 将要 去 到 这 八 本周 测试 星期，
使用 一 的 我们的 分配 产品， 任何一个 使用 这 爱丽儿 南 或者 生态标签。
然后 为了 每个 时间 的 这 洗，
这 消费者 将要 充满 在 这 问卷调查，
提供 一些 信息 关于 他们的 洗涤 行为，
这样的 作为 这 洗涤 温度，
数字 的 这 豆荚 用过的， 土壤 等级 的 这 织物， 如何 肮脏的 它 是，
和 全面的 等级 的 这 表现 为了 这 产品。
我们的 造型 客观的 是 尝试 到 测试 如果 那里 是 a 产品 影响
在 这 全面的 表现 等级，
洗涤 温度 在 这 全面的 表现 等级，
数字 的 这 豆荚 用过的 为了 全面的 等级
为了 每个 的 这 洗。
下一个 滑动， 请。
自从 每一个 消费者， 他们 有 a 不同的 洗涤 习惯，
他们 有 不同的 健康）状况，
不是 全部 的 这 消费者 有 这 相同的 数字 的 洗 期间 这 测试 星期。
所以， 到 制作 每一个 消费者
这 重量 平等的 在 我们的 模型 建筑 数据 放，
我们 第一的 总计的 这 消费者 数据 经过 这 小组成员 等级 经过 每周 基础。
你 拿 这 平均的 洗涤 温度
期间 那 星期 为了 这 特别的 消费者，
数字 的 豆荚 用过的，
和 这 全面的 等级 为了 每个 加载 期间 那 星期。
后 这 总计的 数据，
我们 使用 这 探索性的 工具 喜欢 JMP 图形 建造者
到 确认 如果 有 任何 线性 趋势 为了 总体评分
为了 温度 趋势 期间 这 测试 星期，
和 这 数字 的 这 豆荚 使用 趋势 期间 这 测试 星期。
自从 这 探索性的 阶段 , 桨 是 漂亮的 稳定的
在 这 星期 9 到 星期 12、 我们 使用 这 截距 仅有的 模型 为了 桨。
然后 为了 这 温度 为了 这 产品 并且为了 这 数字 的 这 豆荚 用过的
从 这 探索性的 阶段，
我们 成立 那里 是 任何一个 增加 或者 减少 趋势。
所以， 我们 使用 这 线性 生长 模型 到 描述 这 温度 指标
和 这 数字 的 豆荚 指标。
到 解释 这 产品 影响，
我们 还 包括 这 产品 制造 多变的 在 我们的 模型。
然后 我们 第一的 建造 a 生长 曲线 模型 为了 温度 数字 的 这 豆荚，
然后 添加 这 潜 多变的 到 建造 a 回归 模型 从 产品 多变的，
截距 的 温度， 坡 的 温度，
截距 的 这 数字 的 豆荚 用过的， 坡 的 这 数字 的 豆荚 用过的
到 截距 的 这 桨 到 建造 多变量， 这 增长曲线模型。
现在我 会 转动 到 纳拉亚南 到 介绍 潜 增长曲线模型。
纳拉亚南， 它是 你的 转动。
感谢 你， Zhiwu, 为了 这 伟大的 [听不清 00:06:49]
你好， 每个人。 我的 姓名 是 纳拉亚南。
I 是 一个 附件 教授 在 这 大学 的 辛辛那提，
但 I 教 课程 在 数据 矿业 使用 JMP。
ID 喜欢 到 开始 经过 给予 a 非常 广阔 定义
的 什么 是 潜 增长曲线建模。
作为 我们 去 沿着， I 可能 使用 这 信件 LG 厘米 到 代表
潜在增长曲线模型
和 作为 到 代表 结构方程模型。
潜在增长曲线模型 是 基本上 a 方式 到 模型
纵向 数据 使用 这 作为 框架。
因为 它 是 建造 在 这 作为 框架，
它 有 全部 这 优势 的 指定 和 测试 关系，
作为 Zhiwu 曾是 解释 和 这 例子 的 结构方程模型。
A s a 边 笔记， I 会 喜欢 到 提到 那 LGCM
是 实际上 一个 应用 的 确认 因素 分析，
哪个 是 实际上 a 子模型 之内 结构方程模型
和 这 额外 意思是 结构，
和 这 将要 是 解释 什么时候 我们 得到 进入 JMP。
一 的 这 好处 的 使用 这 作为 框架
是 那 我们 是 有能力的 到 评价 模型 合身。
让 我们 看 在 这 陈述 那里，
哪个 他说， 每一个 模型 暗示 a 协方差 矩阵 和 意思是 结构。
什么 这 真的 方法 是 那
这 观察到 协方差 矩阵 和 这 意思是 向量
能 是 实际上 复制品 经过 这 模型 范围 估算
哪个 是 估计的 使用 这 潜在增长曲线模型。
这 平等 之间 这 二 是 什么 许多 的 这些 合身 指数
是 实际上 测试。
一 的 这 最老 一 是 这 卡方 测试
和 这 假设 它 是 测试 是 实际上 列出 那里：
这 平等 之间 这 人口，
和 这 模型 预测 协方差 矩阵，
和 这 意思是 向量。
然而， 这 测试， 哪个 是 一 的 这 最古老的
有 一些 手表- 出去。
一 是 那 这 测试 统计数据 功能 是 样本 尺寸，
哪个 方法 那 更大的 样本 尺寸 将要 趋向 到 拒绝 这 模型
甚至 为了 琐碎的 差异。
这 其他 一 是 那 这 测试 是 全球的
和 做 不是 反映 局部拟合 例如 可以 是 测量 经过 R平方。
A 此外， 这 合身 是 也 精确的 作为 指定的 在 这 假设。
我们 知道 从 这 著名的 盒子 陈述 那 全部 模型 是 错误的。
我们的 模型 是 仅有的 只是 一个 近似。
因为 的 这， 那里 有 到过 一些 选择 合身 措施
那 有 到过 建议的。
ID 喜欢 到 提到 三 的 他们 这里。
这 第一的 是 这 根 意思是 正方形 错误 的 近似。
这 是 实际上 测量 模型 格格不入者， 调整 为了 这 样本 尺寸，
哪个 曾是 一个 问题 和 这 卡方 测试。
这 是 实际上 a 坏事- 的- 合身 措施， 所以 降低 数字 是 更好的。
但 一 的 这 优势 的 使用 这 合身 措施
是 那 我们 有 a 信心 间隔 为了 它，
和 这 建议 临界点 为了 这 合身 措施
是 那 这 上 边界
的 这 信心 间隔 是 较少的 比 0.10。
下一个 是 a 比较 适合我 指数 和 非规范化 合身 指数。
这些 是 相对的 估计值 和 它们是 实际上 测试
如何 好的 是 你的 建议的 模型
比较的 到 a 基线 模型，
哪个 是 通常 a 模型 的 不 关系。
这 是 a 善良- 的- 合身 措施，
和 所以 这 建议 标准 这里 是 那 这些 合身 措施
叉 a 临界点 的 在 至少 0.95。
这 最后的 一 是 a 标准化 根 意思是 平方 残余。
这 是 实际上 一个 平均的 平方 残余 的 全部 这 元素
在 这 协方差 矩阵。
这 是 a 坏事- 的- 合身 措施。
再次， 我们 是 寻找 为了 较小的 数字，
和 这 建议 临界点 这里 是 那 这 价值 是 较少的 比 0.08。
在 顶部 的 全部 这， 最后， 做 不是 忘记 到 查看 这 实际的 残差，
这 标准化 残差。
什么 我们 是 寻找 为了 这里 是 数字 哪个 是 超过
减 2 和 加 2 临界点。
这 主意 这里 是 到 看 在 这 总和 的 合身
和 不是 只是 任何 一 措施。
拥有 讨论 合身 措施，
现在让我们 我们 看 在 这 纵向 过程 我们 想 到 学习。
Zhiwu described 三 不同的 过程。
第一的 一 是 成功 标准 作为 测量 经过 全面的 满意 等级
从 星期 9 到 星期 12.
然后 我们 有 得到 二 时间变化 在 协变量。
那 方法 这些 是 变化 超过 时间。
一 是 这 温度 环境
在 哪个 这 产品 曾是 用过的 从 星期 5 到 星期 12、
和 然后 这 数量 的 产品 用过的 还 从 星期 5 到 星期 12.
然后 最后， 我们 有 一个 指标 多变的
表明 什么 类型 的 产品 它 是， 和 这 是 a 时间不变 协变量
不 改变 和 时间。
这 造型 战略 我们 是 去 到 使用，
第一的， 是 去 到 可视化 数据 使用 图形 建造者。
然后 我们 是 选择 a 单变量 潜 生长 曲线 模型
为了 每个 的 这 过程。
然后 我们 结合 全部 的 他们，
放 一起 作为 a 多变量 LGCM。
然后 出色地 最后 测试 这 假设 那 Zhiwu 建议的，
哪个 是 如何 出色地 这 产品 和 其他 生长 因素
影响 全面的 满意。
我们 将要 选择 这 最简单的 模型 什么时候 我们 建造。
I 是 去 到 得到 进入 JMP。
I 是 跑步 JMP 18、 哪个 是 一个 早期的 领养者 版本，
和 I 是 去 到 展示 一些 脚本，
和 I 将要 展示 你 如何 I 得到 到 一些 的 这些 从 这 JMP 平台。
这 第一的 事物 I 想 到 做 是 可视化 这 全面的 满意，
和 这些 是 轨迹。
什么 这些 是，是 基本上 个人 在 每个 线 从 星期 9 到 星期 12.
这里， 这 全面的 满意 绘制 这里
为了 每个 的 这 119 消费者。
他们是 基本上 一 弹道 为了 每个 消费者。
如果 你 看 在 这 特别的 消费者， 排 数字 16、
那 人的 弹道 是 在 a 向下 趋势
从 星期 9 通过 星期 12.
他们 开始 某处 在 这 50多岁， 和 经过 这 时间 他们 是 在 星期 12、
他们的 满意 措施 有 来 向下 到 关于 37.5 在 a 规模 的 0-100。
让 我们 看 在 其他 人。
这 人 这里 WHO 用过的 这 爱丽儿 产品，
他们的 弹道 是 在 一个 向上 摇摆
去 从 这 70年代中期 大概 到 这 早期的 90年代
经过 这 时间 他们 抵达 星期 12.
他们 是 获得 更多的 和 更多的 使满意
星期 超过 星期。
对不起 为了 那。
A 气泡 屏幕 显示 向上。
什么 我们 想 到 做 是 我们 想 到 理解
如何 不同的 消费者
是 体验 满意 超过 这 几周，
和 这 改变 在 这些 流程 为了 这些 消费者
是 什么 我们 想 到 模型 使用 LGCM。
什么 我是 去 到 做 是 我是 去 到 转动 在 这 脚本，
LGCM 的 全面的 满意。
I 有 建造 这里 三 不同的 模型。
什么 这些 是 基本上 这 潜 多变的 对应 到 一个 截距
为了 这些 重复 措施 的 这 全面的 满意
从 星期 9 通过 星期 12.
我已经 建造 三 不同的 模型。
我已经 建造 a 第四 模型，
哪个 是 a 简化 的 这 第一的 模型。
我已经 建造 a 零增长 模型，
哪个 方法 不同的 人们
有 不同的 级别 的 满意 在 这 开始， 哪个 是 星期 9、
但 然后 他们的 轨迹 压平 出去 和 做 不是 生长 超过 时间。
第二 模型 是 a 线性 生长 模型， 哪个 方法 那 轨迹 做 改变
在 a 线性 时尚 超过 时间。
这 第三 模型 是 a 二次函数 模型， 哪个 方法 他们的 轨迹 改变
在 a 二次函数 时尚 超过 时间。
然后 最后， 我已经 得到 a 简化 的 这 第一的 模型，
但 我是 假设 几乎 弹性 或者 不 改变 在 这 方差 穿过 时间。
我是 去 到 看 在 这些 合身 措施
那 I 谈话 关于
和 选择 这 模型 那 合身 这 最好的。
什么 我是 寻找 为了 是 低的 值 的 卡方检验
高的 值 的 CFI， 哪个 方法 CFI 去 在 a 规模 从 0-1
和 低的 值 的 RMSEA， 哪个 还 去 在 a 规模 从 0-1。
它 看起来 喜欢 全部 我的 模型， 不- 生长， 线性 生长， 和 二次函数 生长，
合身 这 数据 同样地 出色地。
但 然而， 我是 去 到 拿 这 最简单的 的 这 模型
因为 如果 I 看 在 这 估算 作为 I 能
在 这 小路 图表，
许多 的 这些 系数 相关 到 这 坡，
这 线性 坡 或者 这 二次函数 坡，
是 实际上 不是 重要的 作为 所示 经过 这 虚线 线条。
在 这 线性 生长 模型， 什么 我们 有 是 一个 截距，
哪个 措施 这 最初的 等级 的 满意，
和 坡， 哪个 措施
这 速度 的 增加 的 这 满意 超过 时间
或者 速度 的 减少 的 满意 超过 时间。
S 洛珀 措施 那， 截距 措施 这 最初的 等级。
我们 能 看 全部 这 估算 有关的 到 这 坡
是 实际上 不是 重要的 作为 表明的 经过 虚线 线条。
相同 是 这 情况 为了 这 二次函数 模型 还。
所以， 我是 去 到 拿 这 最简单的 的 这 模型，
哪个 是 这 不- 生长 模型 为了 这 过程，
哪个 是 全面的 满意。
让 我 展示 你 如何 I 做 这。
在 JMP， 去 在下面 这 分析 和 挑选 多变量 和 选择
S 结构方程模型 平台。
选择 这 重复 措施， 在 这 案件 是 桨 从 星期 9
通过 星期 12.
降低 他们 在 模型 变量 盒子 和 点击 好的。
我们 有 得到 这些 四 重复 措施
可用的 作为 造型 变量 在 这 小路 图表 区域。
I 能 建造 这 模型 从 划痕 使用 这 小路 图表，
但 JMP 有 制成 它 更轻松 经过 使用 快捷方式。
我是 去 到 去 在下面 这 模型 捷径， 红色的 三角形，
选择 经度 分析， 和 查看 这 线性 潜 生长 曲线
或者 这 仅拦截 模型。
如果 I 选择 这 仅拦截 模型，
I 得到 这 小路 图表 哪个 你 锯 在 我的 脚本。
如果 I 跑步 这 模型，
你 将要 得到 这 估算 和 这 合身 统计数据 为了 这 模型。
如果 你 想 到 添加 这 线性 生长 模型
到 做 这 相同的 事物， 来 在 M 下 型号 快捷方式，
纵向 分析， 和 线性 G 增长曲线模型。
现在我们 有 得到 不是 仅有的 一个 最初的 等级
作为 代表 经过 这 截距 潜 多变的，
我们已经 得到 这 速度 的 生长 的 这 过程
作为 代表 经过 这 坡 潜 多变的。
我们 能 跑步 这 模型。
点击 在 跑步，
和 你 得到 这 模型 估计值 作为 I 显示 你 前，
哪个 是 不是 重要的 为了 这 坡 潜 多变的。
你 得到 这 合身 统计数据 正确的 这里 在下面 这 模型 比较 桌子。
T 这些 模型 是 简单的 到 合身 在 JMP 使用 这 模型 捷径 菜单
可用的 在下面 这 模型 捷径。
我是 去 到 关闭 这 一 I 只是 已创建。
我们 有 所以 远的 建造
a 单变量 LGCM 为了 a 单身的 过程。
我是 去 到 重复 这 相同的 事物 为了 这 其他 二 生长 过程 我们 有，
和 是 去 到 看 在 这 洗 温度 轨迹。
让 我 展示 你 如何 到 做 这 在 JMP。
在 JMP， 在 图形， 点击 在 图形 建造者 和 打开 向上 这 温度 变量。
我们 想 到 看 在 温度 从 星期 5 通过 星期 12.
降低 他们 在 这 x轴。
为了 这 类型 的 图形 你 想，
选择 这 最后的 图标 在 这 酒吧 在 这 顶部。
这 是 a 平行线 阴谋。
那里 将要 是 一些 平滑度 联系 和 这。
拖 这 信 酒吧 全部 这 方式 到 这 左边。
那里 应该 是 不 平滑度 在 全部。
拿 这 产品 多变的， 哪个 是 一个 指标 多变的，
放 他们 在 覆盖。
现在轮到你 得到 个人 轨迹。
如果 你 想 到 添加 这 平均的 弹道，
选择 这 第六 图标 在 这 工具栏 从 左边。
点击 在 这 转移 钥匙 和 点击 在 这。
现在轮到你 得到 那 平均的 弹道
的 温度 用过的 超过 这些 八 几周。
点击 在 完毕
到 得到 这 阴谋 和 更多的 真实的 财产。
这 是 确切地 这 阴谋 那 I 显示 使用 这 脚本。
你 能 清楚地 看 那
从 星期 7 继续， 那里 可能 是 a 生长
在 这 温度 环境。
它 看起来 喜欢 人们 是 增加 这 温度
作为 时间 进展 从第7周开始 通过 星期 12.
我是 去 到 关闭 这。
我们 有 a 图形 到 可视化
这 轨迹 的 这 温度 环境。
我们 重复 这 相同的 事物。
我们 想 到 选择 a 模型 为了 那 过程。
A s 前， I 建造 这 相同的 三 型号：
零增长， a 线性 生长， 和 a 二次函数 生长。
我是 去 到 看 在 这 合身 统计数据 这里。
这 时间， 我们 看 确实 a 重要的 改进
在 去 从 这 不- 生长 到 线性 生长
在 条款 的 这 合身 统计数据。
这 二次函数 生长 是 a 边缘 增加 超过 这 线性 生长 模型。
再次， 为了 这 相同的 原因 作为 前，
全部 这 估算 在 这 二次函数 坡 是 实际上 不是 重要的。
到 保持 事物 简单的， 我是 去 到 选择 这 更简单 模型，
哪个 是 这 线性 生长 为了 温度。
这 最后的 过程 是 这 在下面 用法。
这 是 这 数字 的 豆荚。
现在 我们 能 看 清楚地 一个 增加 趋势，
更多的 所以 为了 这 生态标签 产品，
哪个 方法 人们 是 使用 更多的 和 更多的 产品
什么时候 他们 使用 生态标签 作为 比较的 到 爱丽儿，
哪个 是 a 宝洁公司 产品。
I 想 到 模型 这。
让 我 关闭 那。
点击 在 这 脚本 为了 LG 厘米 的 在下面 用法。
我是 去 到 看 在 这 合身 统计数据。
A 获得， I 看 a 好的 模型 合身，
尤其 这 线性 和 这 二次函数。
为了 这 相同的 原因 作为 前， 我是 去 到 选择 这 线性 模型。
这里 I 想 到 看 在
这 估算 为了 这 二次函数 坡，
和 这 是 什么 I 意思是 经过 不是 选择 这 二次函数 坡
因为 你已经 得到 全部 这 参数 点单位 到 那 到 是 不是 重要的。
现在我们 有 得到 a 模型 为了 每个 的 这 三 过程。
我们 选择 a 零增长 模型 为了 全面的 满意。
我们 选择 a 线性 生长 模型 为了 低的 温度。
现在我是 去 到 放 他们 全部 一起
使用 a 多变量， 潜 增长曲线模型。
这 是 基本上 全部 这 三 流程 放 一起。
这里 ， 我 想 到 展示 你 这 相似
之间 a 确认 因素 分析 模型
和 潜 生长曲线模型 作为 曾是 尖 出去 在 这 以前的 滑动。
你 能 看 那 那里 是 a 意思是 结构 额外 到 它
和 a 三角形 和 a 数字 一，
和 那里 是 线条 去 从 那 到 每个 的 这 潜 变量。
如果 I 右键单击 和 使用 这 展示 选项 和 不是 展示 这 意思是 结构，
你 能 看 这 熟悉的 确认 因素 分析 模型
和 潜 变量 和 这 指标 联系 和 每个 一 的 他们。
我们 有 a 单身的 潜 多变的， 截距 为了 这 全面的 满意。
我们 有 二 潜 变量 为了 这 温度，
哪个 是 最初的 截距 和 这 坡。
我们 有 这 相同的 两个潜在的 变量 表明 这 在下面 用法。
最初的 等级 作为 代表 经过 这 整数 豆荚
和 这 速度 的 改变 的 产品 用法 作为 表明的 经过 这 睡眠 豆荚，
哪个 是 基本上 这 坡 的 豆荚。
让 我 放 后退 这 方法 活性。
现在我们 能 实际上 看 在 这 估算 的 这些，
哪个 是 真的 一 的 这 重要的 豆荚
的 这 潜 增长曲线模型。
什么 我们 有 这里 是 一个 估计
的 这 最初的 等级 的 满意 在 第9周
因为 那 曾是 这 开始 时间 时期 为了 全面的 满意。
那是 关于 71 在 a 规模 的 0-100。
这 是 这 平均的 温度 环境 在 第9周
哪个 是 36 学位 摄氏度。
这里 是 这 产品 用法， 1.4 小袋。
这里 是 这 速度 的 改变 的 产品 用法
因为 那里 是 a 坡 的 产品 用法， 这 延迟 多变的，
哪个 是 关于 0.02。
人们 是 使用 轻微地 更多的 作为 时间 去 在。
那 是 什么 我们 得到。
这 全面的 合身 的 这 模型 是 还 相当 好的。
I 思考 我们 锯 那。
CFI 精确 在 这 临界点 0.95，
和 我们的 上 边界 的 这 RMSEA 是 确实 较少的 比 0.1。
现在我们 去 到 这 最后的 模型，
哪个 是 这 假设 那 Zhiwu 通缉 到 测试，
在哪里 我们 想 到 看 如果 产品，
这 指标 多变的， 和 这 其他 生长 因素
有 a 重要的 影响 在 全面的 满意。
在 命令 到 消除 这 杂物，
I 有 不是 所示 全部 这 指标。
全部 我们 是 看到 是 仅有的 这 界，
哪个 代表 这 潜 因素 为了 每个 的 这 生长 曲线 模型
和 a 单身的 产品 多变的 表明 什么 类型 的 产品 它 是。
再次，让我们 我们 看 在 这 合身 的 这 模型。
合身 的 这 模型 是 的确 好的。
我们 有 a 0.95 为了 这 CFI。
我们 有 较少的 比 0.1 为了 这 上 边界 的 这 RMSEA。
我们 将要 看 在 更多的 合身 指数
后 我们 解释 一些 的 这 估算 这里。
我是 去 到 解释 这 坚硬的 线条 哪个 是 重要的 系数。
我们 有 a 重要的 产品 影响
从 这 产品 多变的 到 这 截距 的 全面的 满意。
这 能 是 翻译 基本上 作为 a 回归 系数，
哪个 是 这 平均的 等级 的 满意
为了 产品 编码 1
减 这 平均的 等级 的 满意 为了 产品编码 0.
爱丽儿 是 编码 作为 产品 0，
所以 我们 有 很多 更多的 满意 和 爱丽儿，
a 三角洲 的 消极的 9英寸 偏爱 的 爱丽儿
在 a 规模 的 0- 100.
那 是 a 大的 改变。
三角洲 在 偏爱 的 这 爱丽儿 产品。
让 我们 看 在 这 产品 影响 在 豆荚。
再次， 这 相同的 方式， 平均的 数量 的 产品 用过的
为了 产品 编码 1 减 产品 编码 0.
这 时间， 我们 是 使用 更多的 的 这 生态标签 产品。
如果 你 是 a 制造商 的 爱丽儿， 这 是 好的 消息 为了 你。
A 此外， 这 速度 的 改变 的 产品 使用
是 还 更多的 为了 生态标签 比较的 到 爱丽儿，
或者 0.02 小袋 从 星期 到 星期。
最后， 我们 有 这 截距 的 温度
拥有 a 消极的 影响 在 这 全面的 满意，
哪个 方法 更高 温度 带领 到 较少的 满意。
记住， 这些 是 产品 哪个 是 已上市 作为 冷水洗涤 产品。
那 方法 他们 应该 工作 更好的 在 寒冷的 温度
和 不是 更高 温度。
I 还 想 到 展示 你 在哪里 你 能 看 为了 其他 合身 统计数据 超过
什么 是 未来 出去 在 这 模型 比较 桌子。
在下面 这 S 结构方程模型 在 红色的 三角形，
如果 你 查看 在 合身 指数， 哪个 我已经 已经 已确认
那里 是 更多的 合身 指数 那 能 是 所示 在 这 底部。
我们 想 到 看 在 CFI 和 RMSEA， 哪个 我们已经 已经 看到了，
和 这里 是 这 标准化 根 方法 为什么 残余，
哪个 I 已讨论。
这 是 还 确切地 在 这 临界点 的 0.08。
全部 在 全部， 在 条款 的 合身 指数， 我们的 模型 做 合身 相当 出色地。
最后，
I 讲述 你 不是 到 忘记 这 残差。
这些 是 归一化 残差 在 条款 的 这 测量 变量。
我们 有 21 测量 变量， 八 为了 豆荚， 八 为了 温度，
四 为了 全面的 满意， 和 一 为了 这 产品 多变的。
这 是 a 21 经过 21 矩阵。
什么 我们 是 寻找 为了
是 数字 哪个 是 外部 这 加 2 减 2 范围。
那里 是 只是 也 许多 数字 到 看 在 在 这 桌子，
但 JMP 生产 a 热力图。
热图 选项 是 还 在下面 这 红色的 三角形。
什么 我们 是 寻找 为了 是 黑暗的 红色的 或者 黑暗的 蓝色的。
这里， 我们 有 二 黑暗的 红色
哪个 是 关系 舱体之间 用法 在 第6周 ,
温度 在 星期 12、
在下面 用法 在 星期 6、 和 温度 在 第9周。
最后， 我们 有 一，
因为 这 是 只是 a 镜子 图像 的 这 一 那 是 这里。
这 是 这 关系 之间 温度 在 星期 9
和 温度 在 星期 10、 哪个 是 不是 建模。
这 可以 实际上 是 建模
经过 添加 一个 错误 协方差 哪个 I 做过 不是 做。
如果 I 做过 这， 这 模型， 在 事实， 会 是 甚至 更好的。
I 想 到 去 后退 到 这 推介会 和 总结 什么 我们 有 成立。
哎呀，对不起。 错误的 滑动。
在 条款 的 结论， 我们 开始 这 图形 建造者
到 可视化 我们的 轨迹，
和 我们 建造 潜 生长 曲线 模型 使用 这 作为 平台。
我们 扩展 从 单变量 到 多变量 模型。
A 二 我们的 模型， 包括 这 最后的 一， 有 可接受 合身， 在 事实， 好的 合身。
产品 有 a 重要的 影响 在 桨，
哪个 方法 爱丽儿 是 更好的 比 生态标签 在 条款 的 它是 全面的 满意
和 重要的 影响 在 这 数字 的 豆荚，
哪个 方法 较少的 产品 曾是 用过的 为了 爱丽儿 比较的 到 生态标签
和 还 从 星期 到 星期。
截距 有 a 消极的 影响 在 桨， 哪个 方法 人们 更喜欢
降低 温度 环境 比 更高 温度 环境。
如果 你 是 a 宝洁公司 制造商， 这 是 好的 消息 为了 你
因为 爱丽儿 作品 更好的 比 生态 标签
在 这 造型 框架 那 我们 有 完毕。
我是 去 到 转动 它 超过 到 Zhiwu 到 看 什么 这 下一个 步骤 是
从 这 模型 结果。
Zhiwu?
感谢 你 非常 很多。
感谢 你， 纳拉亚南， 和 非常 出色的 推介会
和 精彩的 演示。
作为 纳拉亚南 提及，
这 造型 结果 证明 这 产品 有 a 重要的 影响
到 这 总体满意度 的 这 表现
的 这 洗涤剂 产品 在 我们的 测试。
这 结果 提供 我们 信心 我们可以制造 a 非常 清除 宣称，
爱丽儿 产品 是 a 偏爱 到 这 冷水洗涤 能 是 用过的 较少的 比 这 普通的 产品。
这 是 还 造型 确认 这 消费者 行为 改变。
如果 你 使用 爱丽儿 产品， 你 将要 有 更多的 洗涤 负载
去 到 这 冷水洗涤 使用 较少的 活力 和 使用 较少的 产品。
还， 我们 计划 到 执行 大 尺寸 消费者 学习 为了 包括 这 更多的
协变量 变量 在 这 未来 造型 阶段 喜欢 这 添加剂 用法
和 这 洗涤 循环 的 每一个 洗 和 这 低的 尺寸 每 洗。
这 是 我们的 下一个 步。
下一个 滑动。
现在我们 会 喜欢 到 拿 问题 如果 你 有 任何。
感谢 你 非常 很多 为了 参加 这 推介会。
我们 看 向前 到 你的 问题 大概 在 这 JMP 首脑。
