你好，
每個人。
我的 姓名 是 Zhiwu 梁，
統計學家 從 寶潔 & 賭博 公司。
我是 支援 商業 在 布魯塞爾 創新 中心 為了 寶潔公司。
我的 主要的 工作 是 正在做 這 消費者 民調 數據 分析。
今天， 納拉亞南 和 I 將要 展示
這 G 成長曲線建模 到 措施 影響
的 這 溫度 和 用法 A 山 在 洗滌劑 表現。
下一個 滑動， 請。
這裡 是 這 內容 我們 將要 覆蓋 今天。
第一的， I 將要 給 這 簡短的 介紹 關於 這 結構方程模型
和 a 位元 關於 這 數據 我們 將要 是 使用 為了 我們的 造型。
然後 I 將要 轉動 到 納拉亞南 到 介紹 這 成長曲線建模，
模型 大樓 流程 加 這 JMP 演示。
沒有 顯示， I 將要 展示 這 結論 和 下一個 步驟。
下一個 滑動， 請 .
這 結構方程模型
是 a 多變數 科技
那 是 用過的 到 測試 a 放 的 這 關係
之間 這 觀察到 和 這 潛 變數
經過 比較 這 模型 預測 協方差 矩陣
和 觀察到 協方差 矩陣。
在 作為， 什麼 我們 有 完畢 是，
觀察到 變數 是 顯現 多變的
作為 這 指標 為了 潛 變數，
哪個 是 使用 這 測量 模型 到 構造。
潛 變數 形式 a 回歸 模型
到 建造 a 網路 哪個 我們 稱呼 這 結構 模型。
這裡 是 一個 例子 和 這 三 潛 多變的，
八 o 觀察到 多變的 在 JMP， 所以 這 作為 結構。
作為 你 能 看 在 這 按鈕 左邊 圖表，
這 圓圈 代表 這 潛 多變的，
哪個 是 計算 透過 這 指標 喜歡 打掃，
作為 這 潛 多變的 是 表明的 經過 這 滿的 方塊
代表 這 顯現 多變的
全面的 打掃， 弄髒 移動， 白人 和 亮度。
相同的 作為 這 新鮮， 潛 多變的 表明的 經過 這 三 顯現 多變的。
如果 你 看 在 這 正確的 邊 的 這 窗戶，
這 載入中 窗戶 展示 這 結構 為了 這 測量 模型
如何 這 個人 潛 多變的 涉及 到 這 指標。
這 按鈕 的 這 回歸 窗戶 顯示 二 回歸 模型：
打掃 提升整體評分， 新鮮 乾燥 整體評分。
這 是 這 結構 為了 這 結構 方程式 模型。
下一個 滑動， 請。
這 數據 我們 使用 為了 我們的 生長曲線模型
是 這 民調 數據 我們 執行 在 這 法國 和 這 119 消費者。
我們 劃分 這 119 消費者 進入 團體。
六十 的 他們 使用 控制 產品，
哪個 是 這 愛麗兒， 可溶 單元 劑量， 這 豆莢，
在 我們的 數據 放， 標記 作為 0.
其他 59 消費者 使用 測試 產品 是 這 生態標籤 產品， 程式碼 作為 1.
每個 消費者， 期間 這 12 週 的 這 測試，
第一的 四 幾週， 他們 使用 他們的 自己的 產品。
然後 他們 將要 去 到 這 八 本週 測試 星期，
使用 一 的 我們的 分配 產品， 任何一個 使用 這 愛麗兒 南 或者 生態標章。
然後 為了 每個 時間 的 這 洗，
這 消費者 將要 充滿 在 這 問卷調查，
提供 一些 資訊 關於 他們的 洗滌 行為，
這樣的 作為 這 洗滌 溫度，
數位 的 這 豆莢 用過的， 土壤 等級 的 這 織物， 如何 骯髒的 它 是，
和 全面的 等級 的 這 表現 為了 這 產品。
我們的 造型 客觀的 是 嘗試 到 測試 如果 那裡 是 a 產品 影響
在 這 全面的 表現 等級，
洗滌 溫度 在 這 全面的 表現 等級，
數位 的 這 豆莢 用過的 為了 全面的 等級
為了 每個 的 這 洗。
下一個 滑動， 請。
自從 每一個 消費者， 他們 有 a 不同的 洗滌 習慣，
他們 有 不同的 狀態,
不是 全部 的 這 消費者 有 這 相同的 數位 的 洗 期間 這 測試 星期。
所以， 到 製作 每一個 消費者
這 重量 平等的 在 我們的 模型 大樓 數據 放，
我們 第一的 總計的 這 消費者 數據 經過 這 小組成員 等級 經過 每週 基礎。
你 拿 這 平均的 洗滌 溫度
期間 那 星期 為了 這 特別的 消費者，
數位 的 豆莢 用過的，
和 這 全面的 等級 為了 每個 載入 期間 那 星期。
後 這 總計的 數據，
我們 使用 這 探索性的 工具 喜歡 JMP 圖形 建造者
到 確認 如果 有 任何 線性 趨勢 為了 整體評分
為了 溫度 趨勢 期間 這 測試 星期，
和 這 數位 的 這 豆莢 使用 趨勢 期間 這 測試 星期。
自從 這 探索性的 階段 , 槳 是 漂亮的 穩定的
在 這 星期 9 到 星期 12、 我們 使用 這 截距 僅有的 模型 為了 槳。
然後 為了 這 溫度 為了 這 產品 並且為了 這 數位 的 這 豆莢 用過的
從 這 探索性的 階段，
我們 成立 那裡 是 任何一個 增加 或者 減少 趨勢。
所以， 我們 使用 這 線性 生長 模型 到 描述 這 溫度 指標
和 這 數位 的 豆莢 指標。
到 解釋 這 產品 影響，
我們 也 包括 這 產品 製造 多變的 在 我們的 模型。
然後 我們 第一的 建造 a 生長 曲線 模型 為了 溫度 數位 的 這 豆莢，
然後 添加 這 潛 多變的 到 建造 a 回歸 模型 從 產品 多變的，
截距 的 溫度， 坡 的 溫度，
截距 的 這 數位 的 豆莢 用過的， 坡 的 這 數位 的 豆莢 用過的
到 截距 的 這 槳 到 建造 多變量， 這 成長曲線模型。
現在我 會 轉動 到 納拉亞南 到 介紹 潛 成長曲線模型。
納拉亞南， 它是 你的 轉動。
感謝 你， Zhiwu, 為了 這 偉大的 [聽不清楚 00:06:49]
你好， 每個人。 我的 姓名 是 納拉亞南。
I 是 一個 附件 教授 在 這 大學 的 辛辛那提，
但 I 教 課程 在 數據 礦業 使用 JMP。
ID 喜歡 到 開始 經過 給予 a 非常 廣闊 定義
的 什麼 是 潛 成長曲線建模。
作為 我們 去 沿著， I 可能 使用 這 信件 LG 公分 到 代表
潛在成長曲線模型
和 作為 到 代表 結構方程模型。
潛在成長曲線模型 是 基本上 a 方式 到 模型
縱向 數據 使用 這 作為 框架。
因為 它 是 建造 在 這 作為 框架，
它 有 全部 這 優勢 的 指定 和 測試 關係，
作為 Zhiwu 曾是 解釋 和 這 例子 的 結構方程模型。
A s a 邊 筆記， I 會 喜歡 到 提到 那 LGCM
是 實際上 一個 應用 的 確認 因素 分析，
哪個 是 實際上 a 子模型 之內 結構方程模型
和 這 額外 意思是 結構，
和 這 將要 是 解釋 什麼時候 我們 得到 進入 JMP。
一 的 這 好處 的 使用 這 作為 框架
是 那 我們 是 有能力的 到 評價 模型 合身。
讓 我們 看 在 這 陳述 那裡，
哪個 他說， 每一個 模型 暗示 a 協方差 矩陣 和 意思是 結構。
什麼 這 真的 方法 是 那
這 觀察到 協方差 矩陣 和 這 意思是 向量
能 是 實際上 複製品 經過 這 模型 範圍 估算
哪個 是 估計的 使用 這 潛在成長曲線模型。
這 平等 之間 這 二 是 什麼 許多 的 這些 合身 指數
是 實際上 測試。
一 的 這 最老 一 是 這 卡方 測試
和 這 假設 它 是 測試 是 實際上 列出 那裡：
這 平等 之間 這 人口，
和 這 模型 預測 協方差 矩陣，
和 這 意思是 向量。
然而， 這 測試， 哪個 是 一 的 這 最古老的
有 一些 手錶- 出去。
一 是 那 這 測試 統計數據 功能 是 樣本 尺寸，
哪個 方法 那 更大的 樣本 尺寸 將要 趨向 到 拒絕 這 模型
甚至 為了 瑣碎的 差異。
這 其他 一 是 那 這 測試 是 全球的
和 做 不是 反映 局部擬合 例如 可以 是 測量 經過 R平方。
A 此外， 這 合身 是 也 精確的 作為 指定的 在 這 假設。
我們 知道 從 這 著名的 盒子 陳述 那 全部 模型 是 錯誤的。
我們的 模型 是 僅有的 只是 一個 近似。
因為 的 這， 那裡 有 到過 一些 選擇 合身 措施
那 有 到過 建議的。
ID 喜歡 到 提到 三 的 他們 這裡。
這 第一的 是 這 根 意思是 方塊 錯誤 的 近似。
這 是 實際上 測量 模型 格格不入者， 調整 為了 這 樣本 尺寸，
哪個 曾是 一個 問題 和 這 卡方 測試。
這 是 實際上 a 壞事- 的- 合身 措施， 所以 降低 數位 是 更好的。
但 一 的 這 優勢 的 使用 這 合身 措施
是 那 我們 有 a 信心 間隔 為了 它，
和 這 建議 臨界點 為了 這 合身 措施
是 那 這 上 邊界
的 這 信心 間隔 是 較少的 比 0.10。
下一個 是 a 比較 適合我 指數 和 非規範化 合身 指數。
這些 是 相對的 估計值 和 它們是 實際上 測試
如何 好的 是 你的 建議的 模型
比較的 到 a 基線 模型，
哪個 是 通常 a 模型 的 不 關係。
這 是 a 善良- 的- 合身 措施，
和 所以 這 建議 標準 這裡 是 那 這些 合身 措施
叉 a 臨界點 的 在 至少 0.95。
這 最後的 一 是 a 標準化 根 意思是 平方 殘餘。
這 是 實際上 一個 平均的 平方 殘餘 的 全部 這 元素
在 這 協方差 矩陣。
這 是 a 壞事- 的- 合身 措施。
再次， 我們 是 尋找 為了 較小的 數字，
和 這 建議 臨界點 這裡 是 那 這 價值 是 較少的 比 0.08。
在 頂部 的 全部 這， 最後， 做 不是 忘記 到 查看 這 實際的 殘差，
這 標準化 殘差。
什麼 我們 是 尋找 為了 這裡 是 數位 哪個 是 超過
減 2 和 加 2 臨界點。
這 主意 這裡 是 到 看 在 這 總和 的 合身
和 不是 只是 任何 一 措施。
擁有 討論 合身 措施，
現在讓我們 我們 看 在 這 縱向 流程 我們 想 到 學習。
Zhiwu described 三 不同的 過程。
第一的 一 是 成功 標準 作為 測量 經過 全面的 滿意 等級
從 星期 9 到 星期 12.
然後 我們 有 得到 二 時間變化 在 協變量。
那 方法 這些 是 變化 超過 時間。
一 是 這 溫度 環境
在 哪個 這 產品 曾是 用過的 從 星期 5 到 星期 12、
和 然後 這 數量 的 產品 用過的 也 從 星期 5 到 星期 12.
然後 最後， 我們 有 一個 指標 多變的
表明 什麼 類型 的 產品 它 是， 和 這 是 a 時間不變 協變數
不 改變 和 時間。
這 造型 策略 我們 是 去 到 使用，
第一的， 是 去 到 視覺化 數據 使用 圖形 建造者。
然後 我們 是 選擇 a 單變數 潛 生長 曲線 模型
為了 每個 的 這 過程。
然後 我們 結合 全部 的 他們，
放 一起 作為 a 多變數 LGCM。
然後 出色地 最後 測試 這 假設 那 Zhiwu 建議的，
哪個 是 如何 出色地 這 產品 和 其他 生長 因素
影響 全面的 滿意。
我們 將要 選擇 這 最簡單的 模型 什麼時候 我們 建造。
I 是 去 到 得到 進入 JMP。
I 是 跑步 JMP 18、 哪個 是 一個 早期的 領養者 版本，
和 I 是 去 到 展示 一些 腳本，
和 I 將要 展示 你 如何 I 得到 到 一些 的 這些 從 這 JMP 平台。
這 第一的 事物 I 想 到 做 是 視覺化 這 全面的 滿意，
和 這些 是 軌跡。
什麼 這些 是，是 基本上 個人 在 每個 線 從 星期 9 到 星期 12.
這裡， 這 全面的 滿意 繪製 這裡
為了 每個 的 這 119 消費者。
他們是 基本上 一 彈道 為了 每個 消費者。
如果 你 看 在 這 特別的 消費者， 排 數位 16、
那 人的 彈道 是 在 a 向下 趨勢
從 星期 9 透過 星期 12.
他們 開始 某處 在 這 50多歲， 和 經過 這 時間 他們 是 在 星期 12、
他們的 滿意 措施 有 來 向下 到 關於 37.5 在 a 規模 的 0-100。
讓 我們 看 在 其他 人。
這 人 這裡 世界衛生組織 用過的 這 愛麗兒 產品，
他們的 彈道 是 在 一個 向上 搖擺
去 從 這 70年代中期 大概 到 這 早期的 90年代
經過 這 時間 他們 抵達 星期 12.
他們 是 獲得 更多的 和 更多的 使滿意
星期 超過 星期。
對不起 為了 那。
A 氣泡 螢幕 顯示 向上。
什麼 我們 想 到 做 是 我們 想 到 理解
如何 不同的 消費者
是 體驗 滿意 超過 這 幾週，
和 這 改變 在 這些 流程 為了 這些 消費者
是 什麼 我們 想 到 模型 使用 LGCM。
什麼 我是 去 到 做 是 我是 去 到 轉動 在 這 腳本，
LGCM 的 全面的 滿意。
I 有 建造 這裡 三 不同的 模型。
什麼 這些 是 基本上 這 潛 多變的 對應 到 一個 截距
為了 這些 重複 措施 的 這 全面的 滿意
從 星期 9 透過 星期 12.
我已經 建造 三 不同的 模型。
我已經 建造 a 第四 模型，
哪個 是 a 簡化 的 這 第一的 模型。
我已經 建造 a 零成長 模型，
哪個 方法 不同的 人們
有 不同的 等級 的 滿意 在 這 開始， 哪個 是 星期 9、
但 然後 他們的 軌跡 壓平 出去 和 做 不是 生長 超過 時間。
第二 模型 是 a 線性 生長 模型， 哪個 方法 那 軌跡 做 改變
在 a 線性 時尚 超過 時間。
這 第三 模型 是 a 二次函數 模型， 哪個 方法 他們的 軌跡 改變
在 a 二次函數 時尚 超過 時間。
然後 最後， 我已經 得到 a 簡化 的 這 第一的 模型，
但 我是 假設 幾乎 彈性 或者 不 改變 在 這 變異數 穿過 時間。
我是 去 到 看 在 這些 合身 措施
那 I 談話 關於
和 選擇 這 模型 那 合身 這 最好的。
什麼 我是 尋找 為了 是 低的 值 的 卡方檢定
高的 值 的 CFI， 哪個 方法 CFI 去 在 a 規模 從 0-1
和 低的 值 的 RMSEA， 哪個 也 去 在 a 規模 從 0-1。
它 看起來 喜歡 全部 我的 模型， 不- 生長， 線性 生長， 和 二次函數 生長，
合身 這 數據 同樣地 出色地。
但 然而， 我是 去 到 拿 這 最簡單的 的 這 模型
因為 如果 I 看 在 這 估算 作為 I 能
在 這 小路 圖表，
許多 的 這些 係數 相關 到 這 坡，
這 線性 坡 或者 這 二次函數 坡，
是 實際上 不是 重要的 作為 所示 經過 這 虛線 線條。
在 這 線性 生長 模型， 什麼 我們 有 是 一個 截距，
哪個 措施 這 最初的 等級 的 滿意，
和 坡， 哪個 措施
這 速度 的 增加 的 這 滿意 超過 時間
或者 速度 的 減少 的 滿意 超過 時間。
S 洛珀 措施 那， 截距 措施 這 最初的 等級。
我們 能 看 全部 這 估算 有關的 到 這 坡
是 實際上 不是 重要的 作為 表明的 經過 虛線 線條。
相同 是 這 情況 為了 這 二次函數 模型 也.
所以， 我是 去 到 拿 這 最簡單的 的 這 模型，
哪個 是 這 不- 生長 模型 為了 這 過程，
哪個 是 全面的 滿意。
讓 我 展示 你 如何 I 做 這。
在 JMP， 去 在下面 這 分析 和 挑選 多變數 和 選擇
S 結構方程模型 平台。
選擇 這 重複 措施， 在 這 案件 是 槳 從 星期 9
透過 星期 12.
降低 他們 在 模型 變數 盒子 和 點選 好的。
我們 有 得到 這些 四 重複 措施
可用的 作為 造型 變數 在 這 小路 圖表 區域。
I 能 建造 這 模型 從 刮痕 使用 這 小路 圖表，
但 JMP 有 製成 它 更輕鬆 經過 使用 快捷方式。
我是 去 到 去 在下面 這 模型 捷徑， 紅色的 三角形，
選擇 經度 分析， 和 查看 這 線性 潛 生長 曲線
或者 這 僅攔截 模型。
如果 I 選擇 這 僅攔截 模型，
I 得到 這 小路 圖表 哪個 你 鋸 在 我的 腳本。
如果 I 跑步 這 模型，
你 將要 得到 這 估算 和 這 合身 統計數據 為了 這 模型。
如果 你 想 到 添加 這 線性 生長 模型
到 做 這 相同的 事物， 來 在 M 下 型號 快速方式
縱向 分析， 和 線性 G 成長曲線模型。
現在我們 有 得到 不是 僅有的 一個 最初的 等級
作為 代表 經過 這 截距 潛 多變的，
我們已經 得到 這 速度 的 生長 的 這 流程
作為 代表 經過 這 坡 潛 多變的。
我們 能 跑步 這 模型。
點選 在 跑步，
和 你 得到 這 模型 估計值 作為 I 顯示 你 前，
哪個 是 不是 重要的 為了 這 坡 潛 多變的。
你 得到 這 合身 統計數據 正確的 這裡 在下面 這 模型 比較 桌子。
T 這些 模型 是 簡單的 到 合身 在 JMP 使用 這 模型 捷徑 選單
可用的 在下面 這 模型 捷徑。
我是 去 到 關閉 這 一 I 只是 已創建。
我們 有 所以 遠的 建造
a 單變數 LGCM 為了 a 單身的 過程。
我是 去 到 重複 這 相同的 事物 為了 這 其他 二 生長 流程 我們 有，
和 是 去 到 看 在 這 洗 溫度 軌跡。
讓 我 展示 你 如何 到 做 這 在 JMP。
在 JMP， 在 圖形， 點選 在 圖形 建造者 和 打開 向上 這 溫度 變數。
我們 想 到 看 在 溫度 從 星期 5 透過 星期 12.
降低 他們 在 這 x軸。
為了 這 類型 的 圖形 你 想，
選擇 這 最後的 圖示 在 這 酒吧 在 這 頂部。
這 是 a 平行線 陰謀。
那裡 將要 是 一些 平滑度 聯繫 和 這。
拖 這 信 酒吧 全部 這 方式 到 這 左邊。
那裡 應該 是 不 平滑度 在 全部。
拿 這 產品 多變的， 哪個 是 一個 指標 多變的，
放 他們 在 覆蓋。
現在輪到你 得到 個人 軌跡。
如果 你 想 到 添加 這 平均的 彈道，
選擇 這 第六 圖示 在 這 工具列 從 左邊。
點選 在 這 轉移 鑰匙 和 點選 在 這。
現在輪到你 得到 那 平均的 彈道
的 溫度 用過的 超過 這些 八 幾週。
點選 在 完畢
到 得到 這 陰謀 和 更多的 真實的 財產。
這 是 確切地 這 陰謀 那 I 顯示 使用 這 腳本。
你 能 清楚地 看 那
從 星期 7 繼續， 那裡 可能 是 a 生長
在 這 溫度 環境。
它 看起來 喜歡 人們 是 增加 這 溫度
作為 時間 進展 從第7週開始 透過 星期 12.
我是 去 到 關閉 這。
我們 有 a 圖形 到 視覺化
這 軌跡 的 這 溫度 環境。
我們 重複 這 相同的 事物。
我們 想 到 選擇 a 模型 為了 那 過程。
A s 前， I 建造 這 相同的 三 型號：
零成長， a 線性 生長， 和 a 二次函數 生長。
我是 去 到 看 在 這 合身 統計數據 這裡。
這 時間， 我們 看 確實 a 重要的 改進
在 去 從 這 不- 生長 到 線性 生長
在 條款 的 這 合身 統計數據。
這 二次函數 生長 是 a 邊緣 增加 超過 這 線性 生長 模型。
再次， 為了 這 相同的 原因 作為 前，
全部 這 估算 在 這 二次函數 坡 是 實際上 不是 重要的。
到 保持 事物 簡單的， 我是 去 到 選擇 這 更簡單 模型，
哪個 是 這 線性 生長 為了 溫度。
這 最後的 流程 是 這 在下面 用法。
這 是 這 數位 的 豆莢。
現在 我們 能 看 清楚地 一個 增加 趨勢，
更多的 所以 為了 這 生態標籤 產品，
哪個 方法 人們 是 使用 更多的 和 更多的 產品
什麼時候 他們 使用 生態標籤 作為 比較的 到 愛麗兒，
哪個 是 a 寶潔公司 產品。
I 想 到 模型 這。
讓 我 關閉 那。
點選 在 這 腳本 為了 LG 公分 的 在下面 用法。
我是 去 到 看 在 這 合身 統計數據。
A 獲得， I 看 a 好的 模型 合身，
尤其 這 線性 和 這 二次函數。
為了 這 相同的 原因 作為 前， 我是 去 到 選擇 這 線性 模型。
這裡 I 想 到 看 在
這 估算 為了 這 二次函數 坡，
和 這 是 什麼 I 意思是 經過 不是 選擇 這 二次函數 坡
因為 你已經 得到 全部 這 參數 點單位 到 那 到 是 不是 重要的。
現在我們 有 得到 a 模型 為了 每個 的 這 三 過程。
我們 選擇 a 零成長 模型 為了 全面的 滿意。
我們 選擇 a 線性 生長 模型 為了 低的 溫度。
現在我是 去 到 放 他們 全部 一起
使用 a 多變量， 潛 成長曲線模型。
這 是 基本上 全部 這 三 流程 放 一起。
這裡 ， 我 想 到 展示 你 這 相似
之間 a 確認 因素 分析 模型
和 潛 生長曲線模型 作為 曾是 尖 出去 在 這 以前的 滑動。
你 能 看 那 那裡 是 a 意思是 結構 額外 到 它
和 a 三角形 和 a 數位 一，
和 那裡 是 線條 去 從 那 到 每個 的 這 潛 變數。
如果 I 右鍵單擊 和 使用 這 展示 選項 和 不是 展示 這 意思是 結構，
你 能 看 這 熟悉的 確認 因素 分析 模型
和 潛 變數 和 這 指標 聯繫 和 每個 一 的 他們。
我們 有 a 單身的 潛 多變的， 截距 為了 這 全面的 滿意。
我們 有 二 潛 變數 為了 這 溫度，
哪個 是 最初的 截距 和 這 坡。
我們 有 這 相同的 兩個潛在的 變數 表明 這 在下面 用法。
最初的 等級 作為 代表 經過 這 整數 豆莢
和 這 速度 的 改變 的 產品 用法 作為 表明的 經過 這 睡眠 豆莢，
哪個 是 基本上 這 坡 的 豆莢。
讓 我 放 後退 這 方法 活性。
現在我們 能 實際上 看 在 這 估算 的 這些，
哪個 是 真的 一 的 這 重要的 豆莢
的 這 潛 成長曲線模型。
什麼 我們 有 這裡 是 一個 估計
的 這 最初的 等級 的 滿意 在 第9週
因為 那 曾是 這 開始 時間 時期 為了 全面的 滿意。
那是 關於 71 在 a 規模 的 0-100。
這 是 這 平均的 溫度 環境 在 第9週
哪個 是 36 學位 攝氏度。
這裡 是 這 產品 用法， 1.4 小袋。
這裡 是 這 速度 的 改變 的 產品 用法
因為 那裡 是 a 坡 的 產品 用法， 這 延遲 多變的，
哪個 是 關於 0.02。
人們 是 使用 輕微地 更多的 作為 時間 去 在。
那 是 什麼 我們 得到。
這 全面的 合身 的 這 模型 是 也 相當 好的。
I 思考 我們 鋸 那。
CFI 精確 在 這 臨界點 0.95，
和 我們的 上 邊界 的 這 RMSEA 是 確實 較少的 比 0.1。
現在我們 去 到 這 最後的 模型，
哪個 是 這 假設 那 Zhiwu 通緝 到 測試，
在哪裡 我們 想 到 看 如果 產品，
這 指標 多變的， 和 這 其他 生長 因素
有 a 重要的 影響 在 全面的 滿意。
在 命令 到 消除 這 雜物，
I 有 不是 所示 全部 這 指標。
全部 我們 是 看到 是 僅有的 這 界，
哪個 代表 這 潛 因素 為了 每個 的 這 生長 曲線 模型
和 a 單身的 產品 多變的 表明 什麼 類型 的 產品 它 是。
再次，讓我們 我們 看 在 這 合身 的 這 模型。
合身 的 這 模型 是 的確 好的。
我們 有 a 0.95 為了 這 CFI。
我們 有 較少的 比 0.1 為了 這 上 邊界 的 這 RMSEA。
我們 將要 看 在 更多的 合身 指數
後 我們 解釋 一些 的 這 估算 這裡。
我是 去 到 解釋 這 堅硬的 線條 哪個 是 重要的 係數。
我們 有 a 重要的 產品 影響
從 這 產品 多變的 到 這 截距 的 全面的 滿意。
這 能 是 翻譯 基本上 作為 a 回歸 係數，
哪個 是 這 平均的 等級 的 滿意
為了 產品 編碼 1
減 這 平均的 等級 的 滿意 為了 產品編碼 0.
愛麗兒 是 編碼 作為 產品 0，
所以 我們 有 很多 更多的 滿意 和 愛麗兒，
a 三角洲 的 消極的 9吋 偏愛 的 愛麗兒
在 a 規模 的 0- 100.
那 是 a 大的 改變。
三角洲 在 偏愛 的 這 愛麗兒 產品。
讓 我們 看 在 這 產品 影響 在 豆莢。
再次， 這 相同的 方式， 平均的 數量 的 產品 用過的
為了 產品 編碼 1 減 產品 編碼 0.
這 時間， 我們 是 使用 更多的 的 這 生態標籤 產品。
如果 你 是 a 製造商 的 愛麗兒， 這 是 好的 訊息 為了 你。
A 此外， 這 速度 的 改變 的 產品 使用
是 也 更多的 為了 生態標籤 比較的 到 愛麗兒，
或者 0.02 小袋 從 星期 到 星期。
最後， 我們 有 這 截距 的 溫度
擁有 a 消極的 影響 在 這 全面的 滿意，
哪個 方法 更高 溫度 帶領 到 較少的 滿意。
記住， 這些 是 產品 哪個 是 已上市 作為 冷水洗滌 產品。
那 方法 他們 應該 工作 更好的 在 寒冷的 溫度
和 不是 更高 溫度。
I 也 想 到 展示 你 在哪裡 你 能 看 為了 其他 合身 統計數據 超過
什麼 是 未來 出去 在 這 模型 比較 桌子。
在下面 這 S 結構方程模型 在 紅色的 三角形，
如果 你 查看 在 合身 指數， 哪個 我已經 已經 已確認
那裡 是 更多的 合身 指數 那 能 是 所示 在 這 底部。
我們 想 到 看 在 CFI 和 RMSEA， 哪個 我們已經 已經 看到了，
和 這裡 是 這 標準化 根 方法 為什麼 殘餘，
哪個 I 已討論。
這 是 也 確切地 在 這 臨界點 的 0.08。
全部 在 全部， 在 條款 的 合身 指數， 我們的 模型 做 合身 相當 出色地。
最後，
I 講述 你 不是 到 忘記 這 殘差。
這些 是 歸一化 殘差 在 條款 的 這 測量 變數。
我們 有 21 測量 變數， 八 為了 豆莢， 八 為了 溫度，
四 為了 全面的 滿意， 和 一 為了 這 產品 多變的。
這 是 a 21 經過 21 矩陣。
什麼 我們 是 尋找 為了
是 數位 哪個 是 外部 這 加 2 減 2 範圍。
那裡 是 只是 也 許多 數位 到 看 在 在 這 桌子，
但 JMP 生產 a 熱力圖。
熱圖 選項 是 也 在下面 這 紅色的 三角形。
什麼 我們 是 尋找 為了 是 黑暗的 紅色的 或者 黑暗的 藍色的。
這裡， 我們 有 二 黑暗的 紅色
哪個 是 關係 艙體之間 用法 在 第6週 ,
溫度 在 星期 12、
在下面 用法 在 星期 6、 和 溫度 在 第9週。
最後， 我們 有 一，
因為 這 是 只是 a 鏡子 影像 的 這 一 那 是 這裡。
這 是 這 關係 之間 溫度 在 星期 9
和 溫度 在 星期 10、 哪個 是 不是 建模。
這 可以 實際上 是 建模
經過 添加 一個 錯誤 協方差 哪個 I 做過 不是 做。
如果 I 做過 這， 這 模型， 在 事實， 會 是 甚至 更好的。
I 想 到 去 後退 到 這 推介會 和 總結 什麼 我們 有 成立。
哎呀，對不起。 錯誤的 滑動。
在 條款 的 結論， 我們 開始 這 圖形 建造者
到 視覺化 我們的 軌跡，
和 我們 建造 潛 生長 曲線 模型 使用 這 作為 平台。
我們 擴充 從 單變數 到 多變數 模型。
A 二 我們的 模型， 包括 這 最後的 一， 有 可接受 合身， 在 事實， 好的 合身。
產品 有 a 重要的 影響 在 槳，
哪個 方法 愛麗兒 是 更好的 比 生態標籤 在 條款 的 它是 全面的 滿意
和 重要的 影響 在 這 數位 的 豆莢，
哪個 方法 較少的 產品 曾是 用過的 為了 愛麗兒 比較的 到 生態標籤
和 也 從 星期 到 星期。
截距 有 a 消極的 影響 在 槳， 哪個 方法 人們 更喜歡
降低 溫度 環境 比 更高 溫度 環境。
如果 你 是 a 寶潔公司 製造商， 這 是 好的 訊息 為了 你
因為 愛麗兒 作品 更好的 比 生態 標籤
在 這 造型 框架 那 我們 有 完畢。
我是 去 到 轉動 它 超過 到 Zhiwu 到 看 什麼 這 下一個 步驟 是
從 這 模型 結果。
Zhiwu?
感謝 你 非常 很多。
感謝 你， 納拉亞南， 和 非常 出色的 推介會
和 精彩的 演示。
作為 納拉亞南 提及，
這 造型 結果 證明 這 產品 有 a 重要的 影響
到 這 整體滿意度 的 這 表現
的 這 洗滌劑 產品 在 我們的 測試。
這 結果 提供 我們 信心 我們可以製造 a 非常 清除 宣稱，
愛麗兒 產品 是 a 偏愛 到 這 冷水洗滌 能 是 用過的 較少的 比 這 普通的 產品。
這 是 也 造型 確認 這 消費者 行為 改變。
如果 你 使用 愛麗兒 產品， 你 將要 有 更多的 洗滌 負載
去 到 這 冷水洗滌 使用 較少的 活力 和 使用 較少的 產品。
也, 我們 計劃 到 執行 大 尺寸 消費者 學習 為了 包括 這 更多的
協變數 變數 在 這 未來 造型 階段 喜歡 這 添加劑 用法
和 這 洗滌 循環 的 每一個 洗 和 這 低的 尺寸 每 洗。
這 是 我們的 下一個 步。
下一個 滑動。
現在我們 會 喜歡 到 拿 問題 如果 你 有 任何。
感謝 你 非常 很多 為了 參加 這 推介會。
我們 看 向前 到 你的 問題 大概 在 這 JMP 首腦。
