empiriepraktikum ws 2018/19 -...
Post on 21-Sep-2019
7 Views
Preview:
TRANSCRIPT
Empiriepraktikum WS 2018/19Station 2: Altersunterschiede in der EmotionserkennungDatenauswertung
Dr. Margund Rohr, AG Entwicklungspsychologie
Arbeitsplan
Wiederholung: Fragestellung, Hypothesen, Design der Studie
Datenaufbereitung
Berechnung der Intraklassenkorrelationskoeffizienten
Stichprobenmerkmale
Deskriptive Statistik
Inferenzstatistik Emotionserkennung
2
Fragestellung
Können Altersunterschiede in der Emotionserkennung eliminiert werden, wenn die Emotionen simultan in mehr als einem Informationskanal (Modalität) dargeboten werden?
Hypothese(n)
Ältere zeigen eine schlechtere Leistung in der Emotionserkennung, wenn die Emotionen in nur einer Modalität dargeboten werden.
Es treten keine Altersdefizite auf, wenn die Emotionen simultan in mindestens zwei Modalitäten präsentiert werden.
Wiederholung: Studienfrage und Hypothesen?
Uni-modal: Ä < J
Multi-modal: Ä = J
3
Gesicht Stimme
Gesicht+Semantik
Semantik
Semantik+Stimme Gesicht+Stimme
Wiederholung: Studiendesign
2 Bedingungen (uni-modal vs. multi-modal)
Bedingung1: 2 Ausschnitte in je 3 uni-modalen Aufgaben
Bedingung 2: je 2 Ausschnitte in 3 multi-modalen Aufgaben
4
Fremdurteil der Versuchspersonen
0 1 2 3 4 5 6
ängstlich X
feindselig X
traurig X
überrascht X
angeekelt X
erfreut X
verärgert X
stolz X
niedergeschlagen
X
amüsiert X
verachtend X
enttäuscht X
wütend X
bedrückt X
aufgebracht X
zufrieden X
erschrocken X
glücklich X
Wiederholung: Methode
nach jedem Ausschnitt wurde die Intensität der gezeigten Emotionen mithilfe einer Adjektivliste beurteilt
5
Vorarbeiten
• Auslesen der demographischen Daten (Alter, Geschlecht)
• Auslesen der Rohdaten aus dem Emotionserkennungsexperiment (12 Ausschnitte x 18 Items pro VP)
• Variablennamen, Variablenlabels, Wertelabels vergeben
AV: Emotionserkennungsleistung
• Berechnung von Intraklassenkorrelationskoeffizienten als Maß für die Emotionserkennung (Übereinstimmung zwischen Selbstbericht der Filmprotagonisten und Fremdbericht der Versuchspersonen)
Datenaufbereitung: Was bisher geschah…
6
• Intraklassenkorrelation (ICC) ist ein Maß der Beobachtungsübereinstimmung
• zur Quantifizierung der Stärke des Zusammenhanges der Urteile mehrerer Beobachter (Versuchspersonen), die dieselben Objektive (Ausschnitte) beobachtet haben
• im Unterschied zur Produkt-Moment-Korrelation (rx,y) für mehr als zwei Beobachter definiert
• setzt intervallskalierte Daten voraus
• ICC weist einen Wertebereich zwischen -1 und +1 auf (ICC-Werte über .70 gelten als hohe Reliabilität)
• nicht-lineare Transformation (Fisher-Z-Transformation), um Abstände zwischen verschiedenen Korrelationen vergleichbar zu machen
Exkurs: Intraklassenkorrelation (ICC)
Gwet, 2012; Wirtz & Caspar 2002 7
Berechnung Intraklassenkorrelationskoeffizienten
Schritt 1
Selbstberichtete Emotionen (18 Adjektive) der 12 Filmprotagonisten
N = 12 Filmprotagonisten
Adjektivliste
Beispiel: Filmprotagonist 1; junge Frau, Schilderung eines traurigen Erlebnisses (J1_T)
Items Selbsturteil
8
Schritt 2
Rohdaten Fremdurteile (18 Adjektive) der Versuchspersonen für einen Filmprotagonist (Ausschnitt)
Items Fremdurteil für Ausschnitt 1
Versuchspersonen (ID)
Berechnung Intraklassenkorrelationskoeffizienten
9
Filmprotagonist 1
Schritt 3
Daten transponieren – Fremdurteile (Adjektivliste) für einen Ausschnitt (J1T) auswählen
SPSS: Daten – Transponieren – Variablen: Fremdratings (Adjektivliste), Namensvariable: ID
Versuchspersonen
Items Fremdurteile
Ergebnis: neue, gedrehte Datei (Spalten: Versuchspersonen, Zeilen: Items des Fremdratings für den ausgewählten Film)
Berechnung Intraklassenkorrelationskoeffizienten
10
Schritt 4
Selbsturteil des Protagonisten in Spalte 1 einfügen
Items Selbsturteil des Protagonisten
Berechnung Intraklassenkorrelationskoeffizienten
11
Schritt 5Analysieren – Skalierung – Reliabilitätsanalyse: Items sind das Profil der Protagonistin und Profil der ersten VP (hier: K_1)
Berechnung Intraklassenkorrelationskoeffizienten
Schritt 6Fisher-Z-Transformation der Intraklassenkorrelationskoeffizienten (Rücktransformation im Anschluss)
12
Vorarbeiten• Eingabe der demographischen Daten (Alter, Geschlecht), Auswertung und Eingabe der Intelligenztests
• Einlesen der Rohdaten aus dem Emotionserkennungsexperiment (10 Ausschnitte x 18 Items pro VP)
• Variablennamen, Variablenlabels, Wertelabels vergeben
AV: Emotionserkennungsleistung
• Berechnung von Intraklassenkorrelationskoeffizienten als Maß für die Emotionserkennung (Übereinstimmung zwischen Selbstbericht der Filmprotagonisten und Fremdbericht der Versuchspersonen)
Aggregation der Daten
• Aggregation der ICCs pro Aufgabe in Bedingung: (Gesicht, Stimme, Semantik, Gesicht+Stimme, Gesicht+Semantik, Stimme+Semantik) 6 ICCs pro VP
Datenaufbereitung: Was bisher geschah…
13
Datenfile: EmotionserkennungWS1819.sav
Excel Datei: Fisher.xls
• verfügbar unter: http://www.uni-leipzig.de/kognition/#/lehre/ws (Passwort: EP-18)
• in eigenes Verzeichnis, auf USB-Stick etc. kopieren, dann öffnen
Datendatei für die weiteren Analysen
14
Laden der benötigten Packages und Einlesen der Daten in R
15
library(psych)library(car)library(ggplot2)library(graphics)library(ez)library (multcomp)library (pastecs)library (reshape)library (nlme)library(foreign)library(gplots)library(MBESS)
DatensatzEmotionserkennungWS1819 aus entsprechenden Ordner
• Variablen für Eigenschaften der Probanden (ID, Alter, AG, Geschlecht)
• Variablen für die Emotionserkennung (getrennt nach Bedingung x Aufgabe)
Inspektion des Datensatzes
16
Inspektion des Datensatzes
17
Anzahl Versuchspersonen und Anteil jung/alt und weiblich/männlich
table (df$AG)
tab = table(df$Geschlecht, df$AG)
tab
prop.table(tab, margin = 2)
chisq.test(tab)
Stichprobenmerkmale: Deskriptiv
18
Anzahl Versuchspersonen und Anteil jung/alt und weiblich/männlich
table (df$AG)
tab = table(df$Geschlecht, df$AG)
tab
prop.table(tab, margin = 2)
chisq.test(tab) ODER summary (tab)
Stichprobenmerkmale: Deskriptiv
19
Alter in Jahren (M, SD, Min, Max)
describe(df$Alter)
Alter in Jahren (M, SD, Min, Max) getrennt für jede Altersgruppe
describeBy(df$Alter, group= list(df$AG), mat= TRUE, skew= FALSE)
Stichprobenmerkmale: Deskriptiv
20
Alter in Jahren (M, SD, Min, Max)
describe (df$Alter)
Alter in Jahren (M, SD, Min, Max) getrennt für jede Altersgruppe
describeBy(df$Alter, group= list(df$AG), mat= TRUE, skew= FALSE)
Prüfung des Altersunterschiedes in Jahren zwischen den 2 Altersgruppen
t.test(df$Alter ~ df$AG) ODER
lm.res = lm(Alter ~ AG, data= df)
anova (lm.res)
Stichprobenmerkmale: Inferenzstatistisch
21
Berechnung der Emotionserkennungsleistung in den beiden Bedingungen
Generieren eines neuen Datenframes
Deskriptive Statistik: Emotionserkennung
22
df$modal.uni <-(df$EE_Gesicht + df$EE_Stimme + df$EE_Semantik)/3df$modal.multi <-(df$EE_StSe + df$EE_GeSt + df$EE_GeSe)/3
EmprakWide <- data.frame(df$id, df$Alter, df$AG, df$Geschlecht, df$modal.uni, df$modal.multi) names(EmprakWide) <-c("Vpn", "Alter","AG", "Geschlecht", "modal.uni", "modal.multi")
Berechnung der Emotionserkennungsleistung in den beiden Bedingungen
Generieren eines neuen Datenframes
Deskriptive Statistik: Emotionserkennung
23
df$modal.uni <-(df$EE_Gesicht + df$EE_Stimme + df$EE_Semantik)/3df$modal.multi <-(df$EE_StSe + df$EE_GeSt + df$EE_GeSe)/3
EmprakWide <- data.frame(df$id, df$Alter, df$AG, df$Geschlecht, df$modal.uni, df$modal.multi) names(EmprakWide) <-c("Vpn", "Alter","AG", "Geschlecht", "modal.uni", "modal.multi")
Min, Max, MW und SD getrennt für die beiden Bedingung (uni-modal & multi-modal)
Darstellung im Protokoll in Textform
describe (EmprakWide$modal.uni) describe (EmprakWide$modal.multi)
statistische Prüfung der deskriptiven Mittelwertunterschiede in der Emotionserkennung
Welches Verfahren ist für unser Design geeignet ?
• eine oder mehrere AV?• eine oder mehrere UV?
• metrische oder kategoriale AV?• metrische oder kategoriale UV?• einmalige oder mehrmalige
Messungen pro VP?
Inferenzstatistik
AV: Emotionserkennung Univariate,
UV: Bedingung (2) x Altersgruppe (2)
zweifaktorielle
metrisch/ intervallskaliertkategorial
ANOVA
mehrere Messwerte pro VP mit Messwiederholung (auf einem Faktor)
24
Haupteffekt Altersgruppe?
d.h. unterscheidet sich die Emotionserkennungsleistung zwischen den beiden Altersgruppen unabhängig von der Bedingung?
Mögliche Ergebnisse der zweifaktoriellen Varianzanalyse
Haupteffekt Bedingung?
d.h. unterscheidet sich die Emotionserkennungsleistung zwischen den beiden Bedingungen unabhängig von der Altersgruppe?
Interaktion Altersgruppe x Bedingung?
d.h. variiert der Effekt der Bedingung in Abhängigkeit von der Altersgruppe?
25
„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann
Alternativ auch über reshape-Befehl möglich
Empraklong <- melt(EmprakWide, id = c("Vpn", "Alter","AG", "Geschlecht"), measured = c("modal.uni", "modal.multi"))
names(Empraklong) <-c("Vpn","Alter", "AG", "Geschlecht", "Bedingung", "EE_Leistung")
InferenzstatistikANOVA mit Messwiederholung
26
Empraklong2 <- reshape(EmprakWide, idvar = "Vpn", varying = c("modal.uni", "modal.multi"), timevar = "modalität", direction="long")
„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann
InferenzstatistikANOVA mit Messwiederholung
27
„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann
InferenzstatistikANOVA mit Messwiederholung
28 Empraklong <-Empraklong[order(Empraklong$Vpn),]
EmprakHypo <- ezANOVA(data= Empraklong, dv = .(EE_Leistung), wid= .(Vpn), between= .(AG), within = .(Bedingung), detailed=TRUE, type = 3)
EmprakHypo
InferenzstatistikANOVA mit Messwiederholung
29
Haupteffekt: Bedingung
Interaktion Altersgruppe x
Bedingung
df1 df2
η2
Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …
• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der
multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )
ANOVA mit Messwiederholung
F = aufgeklärte Varianz
Fehlervarianz
30
df1 df2
η2
Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …
• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der
multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )
ANOVA mit Messwiederholung
F = aufgeklärte Varianz
Fehlervarianz
31
df1 df2
η2
Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …
• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der
multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )
ANOVA mit Messwiederholung
F = aufgeklärte Varianz
Fehlervarianz
32
„Problem“: R gibt nicht partielle Eta an. Dies müssen wir separat berechnen.: EmprakHypo$ANOVA$SSn/ (EmprakHypo$ANOVA$SSn+
EmprakHypo$ANOVA$SSd)
Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …
33
ezPlot(data= Empraklong, dv = .(EE_Leistung), wid= .(Vpn), between= .(AG), within = .(Bedingung), x = Bedingung, col=AG)
signifikante Interaktion Bedingung x Altersgruppe
könnte auf verschiedenen Dingen beruhen,
deswegen weitere Analyseschritte notwendig
Wie sieht der Effekt des Alters in der uni-modalen
Bedingung und in der multi-modalen Bedingung aus?
Welche Kontraste?Junge ErwachseneUni-Modal vs. Ältere ErwachseneUni-Modal
Junge ErwachseneMulti-Modal vs. Ältere ErwachseneMulti-Modal
Welches Verfahren?t-Test für unabhängige Stichproben
Inferenzstatistik: Aufklärung der Interaktion I In diesem Jahr findet sich keine …
?
?
34
Profitieren beide Altersgruppen von der multi-modalen Bedingung?
Welche Kontraste? Junge ErwachseneUni-Modal vs. Junge ErwachseneMulti-Modal
Ältere ErwachseneUni-Modal vs. Ältere ErwachseneMulti-Modal
Welches Verfahren?
t-Test für abhängige (gepaarte) Stichproben
Inferenzstatistik: Aufklärung der Interaktion II In diesem Jahr findet sich keine …
35
?
?
Dieses Jahr gibt es lediglich einen signifikanten HE
Alter und Bedingung. Wir können unsere erste
Hypothese, nicht aber unsere zweite Hypothese
bestätigen.
Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …
36
Die „gute“ Nachricht:
Es entfallen alle post-hoc-Analysen, die bei einem
signfikanten Interaktionseffekt notwendig sind, um zu
verstehen, worauf sich der Interaktionseffekt
gründet.
Die „schlechte“ Nachricht:
Sie müssen diskutieren, warum es entgegen der An-
nahme Altersunterschiede in der multimodalen Be-
dingung gibt.
Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …
37
• Stichprobenmerkmale (N, Alter, Geschlecht; getrennt für Altersgruppen)
• Deskriptive Ergebnisse (Min, Max, M, SD für Bedingung)
• ANOVA
• Haupteffekt Altersgruppe
• Haupteffekt Bedingung
• Fehlende Interaktion Altersgruppe x Bedingung
• Rücktransformation (Fisher.xls) in Intraklassenkorrelationskoeffizienten für den Bericht (alle MW und SD!!)
Checkliste
38
ABGABE der Protokolle bitte in elektronischer Form per E-Mail
(bitte als .doc, .docx oder .odf)
AN:
margund.rohr@uni-leipzig.de
(Betreff: Emotionserkennung)
BIS SPÄTESTENS:Di, 4.12.2018
FEEDBACK:bis Di, 11.12.2018
Protokollabgabe
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Frontiers in psychology, 4, 863. http://dx.doi.org/10.3389/fpsyg.2013.00863
Luhmann, M. (2015). R für Einsteiger (4.Auflage). Weinheim: Beltz.
Wirtz, M. & Caspar, F. (2002). Beurteilerübereinstimmung und Beurteilerreliabilität. Göttingen: Hogrefe.
Referenzen
40
top related