使用R語言檢驗斯特魯普效應是否存在?
一、什麼是斯特魯普效應?
斯特魯普效應來源於一個試驗,試驗方法是提供兩組表示顏色的詞,其中第一組詞的內容與其顏色相同,第二組詞的內容與其顏色不同。分別記錄同一受試者讀完這兩組文字所需時間,可以發現:當詞的內容與其顏色不相同時,讀出這個詞所需要的時間明顯延長。
斯特魯普效應是在1935年由美國心理學家約翰·裡德利·斯特魯普發現,是一種干涉效應。也就是說,當詞的資訊(詞意)與詞本身色彩不一致時,便會出現心理緊張與自動反應之間的矛盾,於是造成反應時間延長。
這種現象背後的原理是:讀取詞意已經成為大腦的自動化規則,當詞意與其所用顏色相同時,不妨礙這種自動化加工過程,因此速度不受影響;而當要求辨認所用的顏色時,我們必須阻止自動化讀取詞意才能辨認顏色本身,所以準確讀取所用時間會延長。
二、用R語言檢驗斯特魯普效應:
(一)匯入資料集:
首先在R中匯入並檢視資料集。
資料集中共有25組資料,每組包括Congruent(“一致”)與Incongruent(“不一致”)兩個資料。分別表示顏色與詞一致和不一致。
(二)原始資料描述統計分析:
按照“一致”與“不一致”兩組分別進行描述性統計分析:
可以看出,“一致”組最小值8。63,最大值22。33,平均值為14。14,標準差為3。63;而“不一致”組最小值15。69,最大值35。26,平均值為22。45,標準差4。93,差異還是比較明顯的。
(三)原始資料分佈圖:
繪圖檢視原始資料集分佈:
其中灰色的是“一致”組,暗紅色的是“不一致”組。可以看出,相對於“一致”組,“不一致”組的資料均有不同程度的延長。
(四)建立差值資料集並進行描述統計分析:
用“一致”組資料減去“不一致”組資料,建立差值資料集。然後對差值資料進行描述統計分析。差值資料最小值為-21。92,最大值為-1。95,平均值為-8。31,標準差為5。03。
(五)差值資料分佈圖:
分別繪製差值資料的頻數分佈圖與密度分佈圖:
從這兩個圖形上看,差值的資料分佈都不太象正態分佈,有點兒向右偏斜。
(六)資料正態檢驗:
分別對原始資料集與差值資料集進行正態檢驗。
1、Shapiro-Wilk檢驗:用來檢驗是否資料符合正態分佈,類似於線性迴歸的方法一樣,是檢驗其與迴歸曲線的殘差。該方法作者推薦在樣本量很小的時候使用,比如N<20。現在R語言的stats包中的shapiro。test函式是經過修改也可以用於大資料集的。
2、shapiro。test(x):只有一個引數即資料集x。x可以是數值型向量,允許存在NA,但是非丟失資料需要在3-5000內。
(1)該檢驗原假設為資料集屬於正態分佈,統計量w越大則表示資料越符合正態分佈。
(2)計算p值:但因為該統計量的分佈是未知的,且非正態分佈的小樣本資料中也經常會出現較大的w值,因此需要透過模擬或者查表來估計其機率。由於原假設是其符合正態分佈,所以當p值小於指定顯著水平時表示其不符合正態分佈。
3、這裡用R進行正態檢驗的結果是:“一致”組w值很大,且p值遠遠大於0。05(這裡以0。05作為顯著性水平),符合正態分佈;“不一致”組雖然w值也很大,但是p值雖然大於0。01,但小於0。05,故拒絕原假設,認為其不符合正態分佈。差值組w值很大,p值為0。07,因其大於0。05,也被接受為符合正態分佈。
(七)相關配對t檢驗:
1、t檢驗:亦稱學生t檢驗(Student‘s t test),主要用於樣本含量較小(例如n<30),總體標準差σ未知的正態分佈。目的是用t分佈理論來推論差異發生的機率,從而比較兩個平均數的差異是否顯著。t檢驗可以分為單樣本t檢驗與雙樣本t檢驗。其中雙樣本t檢驗根據兩個樣本是否相關,又可以分為配對樣本t檢驗與獨立樣本t檢驗。
2、配對樣本t檢驗:可視為單樣本t檢驗的擴充套件,不過檢驗的物件由一組來自常態分配獨立樣本更改為兩組配對樣本之觀測值之差。
3、對差值資料進行t檢驗:
(1)由於差值資料符合正態分佈,且樣本數量少於30,故這裡採用配對樣本t檢驗。
(2)原假設為“一致”與“不一致”兩組資料不存在差異,斯特魯普效應不存在;備擇假設為“一致”組資料小於“不一致”組資料,也就是詞的資訊與詞的色彩不一致時,反應時間延長,斯特魯普效應存在。
(3)用R進行t檢驗:
在R中對“一致”與“不一致”兩組資料進行配對t檢驗:
得出t值為-8。27,自由度為24,p值為1。755e-8,95%的置信區間為CI=(-10。39,-6。24)。
(4)轉化為單尾檢驗p值:
由於R中提供的是雙尾檢驗p值。我們需要的是“一致”組資料小於“不一致”組的p值,也就是左尾檢驗p值。將雙尾檢驗p值結果除以2即可:
也就是左尾檢驗p值為8。775e-9,遠小於0。05,因此拒絕原假設:兩組資料存在顯著差異,也就是當詞的資訊與詞的色彩不一致時,反應時間延長,斯特魯普效應存在。
(八)計算效應量(Effect Size,ES):
1、效應量:是指由於因素引起的差別。
(1)與顯著性檢驗不同,它不受樣本容量影響。
(2)它表示不同處理下的總體均值之間差異的大小,可以在不同研究之間進行比較。
(3)平均值差異、方差分析解釋比例、迴歸分析解釋比例需要用效應量描述。
(4)效應量不受樣本容量的影響。當樣本容量大得到顯著時,有必要報告效應量大小。效應量太小,意味著處理即使達到了顯著水平,也缺乏實用價值。
(5)包括均數比較(cohen’d)、方差分析等。
2、cohen‘d效應量計算方法:
(1)獨立樣本:ES=(m1-m2)/s_pooled(s_pooled為聯合方差)
(2)相關樣本:
3、cohen’d效應量結果含義:
(1)獨立樣本檢驗:|ES|=0。20 小效應,|ES|=0。50 中等效應,|ES|=0。80 大效應
(2)相關樣本t檢驗:|ES|=0。20 小效應,|ES|=0。50 中等效應,|ES|=0。80 大效應
4、斯特魯普效應量計算:
|ES|=1。65,效應量>0。8,說明斯特魯普效應不僅存在,而且效應明顯。
三、斯特魯普效應檢驗分析報告:
綜上所述,我們可以將斯特魯普效應檢驗結果彙總如下:
(一)描述統計分析:
斯特魯普效應試驗共有兩組資料,第一組資料為詞意與其顏色一致,平均反應時間14。14秒,標準差3。63秒。第一組資料為詞意與其顏色不一致,平均反應時間22。45秒,標準差4。93秒。詞意與其顏色“不一致”情況下,受試者平均反應時間比“一致”情況下有所延長。
(二)推論統計分析:
1、 假設檢驗:
相關配對檢驗t(24)=——8。27,p=-8。775e-9(α=5%),左尾檢驗
拒絕原假設,統計顯著,斯特魯普效應存在。
2、置信區間:
兩個平均值差值的置信區間,95%置信水平CI=(-10。39,-6。24)
3、效應量:
ES=-1。65
上一篇:軟體究竟如何定義汽車【二】?
下一篇:。。。。。。……?