Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableHallo,
Ich habe Zweifel, welche statistische Methode ich verwenden soll, um die Beziehung zwischen Folgendem zu verstehen:
- eine kategoriale Nominalvariable (genannt „Expertise-Level“, mit zwei Bus-Antwortoptionen: „Experte“ und „Nicht-Experte“)
Und
- eine abhängige Variable (genannt „Gesamtdauer der Fixierungen“)
Ich würde gerne prüfen, ob ein Merkmal einer Gruppe von Personen, in diesem Fall das Fachwissen, und genauer gesagt, ob es sich um einen Experten oder einen Nicht-Experten handelt, die Gesamtdauer der Zeit beeinflusst, die diese Person mit dem Betrachten von Dingen verbracht hat (Gesamtfixierungsdauer). ).
Welche Statistikmethode soll ich dafür verwenden? Und wie sind die Ergebnisse zu interpretieren (welcher Schlüsselparameter ist zu überprüfen und wie ist er zu interpretieren)?
Vielen Dank für Ihre Aufmerksamkeit.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableTatsächlich gibt es in dieser Studie viele Dinge, über die man nachdenken muss. Vorerst waren Ihre Angaben zur Datenverarbeitung und -befragung von großer Bedeutung. Ich werde mehr daran arbeiten.
Danke für Ihre Aufmerksamkeit.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableEhrlich gesagt verstehe ich die „Studie“ wirklich nicht. Warum ist es wichtig, wie lange jemand ein Gemälde betrachtet? Was suchen sie? Woher wissen Sie, wann sie es gefunden haben? Mit anderen Worten: Ich sehe keine Wirksamkeitskennzahlen. Was „haben“ sie, nachdem sie das Gemälde x Zeit lang betrachtet haben? Messen Sie irgendeine Art von Gehirnaktivität? Wird das Gemälde nach dieser Zeit „bewertet“?
Meiner Meinung nach ist Ihre Einteilung in zwei Kategorien (Experten und Nicht-Experten) zu vereinfacht.
Andere Gedanken:
- Ich denke, Sie sollten die Studie um weitere Variablen erweitern (Abstand vom Gemälde, Lichtintensität, Art der Beleuchtung, Blickwinkel, zusätzliche Künstler (vielleicht aus verschiedenen Genres)).
- Sie haben keine Möglichkeit, Messfehler abzuschätzen oder zu trennen (sowohl innerhalb als auch zwischen Beobachtern). Beispielsweise darf nicht dieselbe Person dasselbe Gemälde zweimal betrachten.
Der erste Schritt im Umgang mit Ausreißern besteht darin, sie zu identifizieren. Es gibt viele Möglichkeiten, dies zu tun (einige Methoden wurden bereits oben im Thread gezeigt). Sobald Sie sie identifiziert haben, müssen Sie darüber nachdenken, warum sie „anders“ sind. Ich empfehle immer, Ausreißer in Ihrer Studie vorherzusagen, bevor Sie die Studie durchführen. Was kann zu ungewöhnlichen Datenpunkten führen? Tun Sie dies vor der Studie und beobachten Sie dann, ob während der Studie eine Ihrer vorhergesagten „Erklärungen“ eintrifft. In vielen Fällen sind dies die informativsten Informationen. Sobald Sie verstehen, warum sie passiert sind, können Sie das Spiel spielen und sie aus dem Datensatz entfernen ... Das Ziel besteht NICHT darin, einen großartigen Datensatz (oder großartige Grafiken, Plots oder statistisch signifikante Effekte) zu haben. Das Ziel ist zu lernen.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableDanke @Mark_Bailey Und @statman .
Die Frage nach der praktischen Bedeutung ist für mich derzeit schwer zu beantworten, da ich immer noch lerne, die Daten zu verstehen. Ich weiß noch nicht, was ein korrekter Parameter für die visuelle Verhaltensänderung von Experten sein könnte, die Bilder dieser Art betrachten. Ich werde es überprüfen, das ist ein guter Punkt.
In dieser Forschung verwende ich Eye-Tracking-Daten von Experten und Nicht-Experten, die 27 verschiedene Gemälde desselben Künstlers betrachten. Ich weiß, dass sie die Bilder fixieren, weil ich ein Mapping-Verfahren verwendet habe, das das auf Schnappschüsse der Bilder abgebildete visuelle Verhalten filtert. Die Objekte ähneln sich in der Art und Weise, wie sie Porträts von Menschen mit abstraktem Hintergrund darstellen, dennoch handelt es sich um 27 verschiedene Gemälde unterschiedlicher Größe, jedes mit seiner eigenen Einzigartigkeit. Die Fixierungszeit war kostenlos: Die Teilnehmer hatten die Zeit, die sie zum Betrachten der Bilder benötigten, sodass jeder Teilnehmer die Bilder unterschiedlich lange betrachtete. Das Fachwissen wurde durch Überprüfung des Personenprofils bestimmt: Wenn es sich um Fachleute in Bereichen handelte, die nicht mit der Kunstanalyse zu tun hatten, galten sie als Nichtexperten; und wenn sie Fachleute auf dem Gebiet der Kunstanalyse waren, galten sie als Experten. Ich verstehe, dass dies zu einer Verzerrung führen kann, da es sich um einen subjektiven Parameter handelt.
Mein erster Gedanke war, ob Fachwissen die Art und Weise beeinflussen könnte, wie Menschen die Bilder betrachten. Eine Möglichkeit, dies zu überprüfen, bestand darin, die Blickwinkel von Experten und Nicht-Experten zu vergleichen und die Fixierung auf verschiedene Interessengebiete zu überprüfen. Für diese Analyse habe ich einige grundlegende Verteilungshistogramme verwendet (ich habe diese Daten hier nicht angegeben). Dann dachte ich an die beiden anderen Eye-Tracking-Daten, die ich habe: Fixationsdauer und Fixationsanzahl. Ich ging davon aus, dass die Gesamtzeit, die Menschen die Bilder fixieren, und die Menge der Gesamtfixierungen irgendwie durch Fachwissen beeinflusst werden könnten (zum Beispiel: Je mehr sie hinschauen, desto mehr Informationen erhalten sie tendenziell aus den Bildern; je weniger sie hinschauen, desto einfacher besteht darin, die Bilder zu prüfen; je mehr Fixierungen, desto detaillierter die visuelle Prüfung usw.). Ich habe das auf explorativer Basis überprüft.
Wohin Menschen schauen, kann von vielen Dingen beeinflusst werden, da haben Sie völlig Recht @statman , aber ich habe versucht herauszufinden, ob Fachwissen überhaupt eine Rolle für das allgemeine visuelle Verhalten spielt.
Ihre beiden Analysen sind großartig, nochmals vielen Dank! Ich weiß nur noch nicht, wie ich die Ausreißer aus dieser Analyse extrahieren soll.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableUm Marks Ausgabe zu ergänzen, finden Sie hier eine multivariate Analyse der beiden abhängigen Variablen. Sie haben keine praktische Bedeutung angegeben. Mahalanobis erkennt auch eine Reihe von Ausreißern. Die Ausreißer könnten Messfehler, Dokumentationsfehler oder andere nicht berücksichtigte Rauschvariablen sein (ein Grund, die zeitliche Reihenfolge in Ihrem Datensatz im Auge zu behalten).
Ich spiele nur hier... Worauf konzentrieren sich „sie“? Woher wissen Sie, dass sie sich darauf fixieren? Wie unterschiedlich sind die Objekte, auf die fixiert wird? Gibt es einen Zusammenhang zwischen dem Objekt, auf das fixiert wird, und der Fixierungszeit? Hypothese: Wir alle haben eine Voreingenommenheit, die sich möglicherweise auf die Fixierungszeit auswirkt. Wenn beispielsweise ein bestimmtes Merkmal (z. B. eine Farbe oder ein Muster) eine Vorliebe hat, wird der Beobachter möglicherweise mehr Zeit mit diesem Merkmal verbringen. Wenn ein Prüfer in der Welt der Qualitätsprüfung einen Fehler oder einen Fehlerbereich sieht, hat dies Einfluss darauf, wo und wonach er bei künftigen Prüfungen sucht.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableVielen Dank, dass Sie Ihre Daten in einer JMP-Datentabelle bereitgestellt haben, die aus Ihrer Excel-Arbeitsmappe importiert wurde.
Eine Verteilungsanalyse zeigt, dass Sie stark rechtsschiefe Antworten haben. Die Schiefe wird in der Oneway-Analyse deutlich.
Ihre Hypothese ist, dass die durchschnittliche Antwort bei Experten höher ist als bei Nicht-Experten. Das Gegenteil ist zu beobachten. Die Differenz der Mittelwerte beträgt -3,878. Das entsprechende t-Verhältnis beträgt -0,84444 und Prob > t beträgt 0,8.
Die Antworten weisen auch Abweichungen auf, die nicht gleich sind. Ich habe die Log-Transformation angewendet, um die Verzerrung zu beseitigen und die Varianz zu stabilisieren. Die Transformation ergab einige extreme Ausreißer in beiden Antworten, die im Vergleich zum Rest der Stichprobe wahrscheinlich einen sehr großen Einfluss auf die Statistik haben.
Das t-Verhältnis beträgt jetzt -1,59778 mit einem Prob > t von 0,9437.
Ich habe im Wesentlichen die gleiche Analyse der Fixation Count-Antwort gefunden.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableDanke @Mark_Bailey Und @statman , Ihre Vorschläge waren eine große Hilfe. Es ist mir gelungen, die Grafik zu erstellen und einige der Analysemethoden anzuwenden. Ich bin mir nur nicht sicher, ob ich die richtige Methode gewählt und sie richtig interpretiert habe. Nachfolgend finden Sie meine Interpretation und die beigefügte Datei des Datensatzes.
Ps Die Frage, die ich zu beantworten versuche, ist, ob Fachwissen die Zeit beeinflusst, die Menschen etwas betrachten (zum Vergleich habe ich meiner Analyse eine zweite Variable hinzugefügt, nämlich die Anzahl der Fixierungen). Genauer gesagt würde ich gerne wissen, welche Art von Fachwissen (Experte oder Nicht-Experte) die Fixierungszeit und -anzahl beeinflusst und wie jeder von ihnen sie beeinflusst.
Meine Analyse ist folgende:
„Um zu überprüfen, inwieweit Fachwissen einen Einfluss auf die Gesamtfixierungszeit und die Fixierungsanzahl hat, wurde eine explorative Modellierung der linearen Regression durchgeführt. Die Varianzanalyse zeigt, dass es keinen Zusammenhang zwischen der Gesamtfixierungszeit und dem Fachwissen gibt (F-Verhältnis = 0,5838; p-Wert = 0,4456). Dies bedeutet, dass die variable Expertise keinen Einfluss auf die Zeit hatte, die Menschen damit verbrachten, sich auf die Bilder zu konzentrieren. Eine ähnliche Analyse legt jedoch nahe, dass ein Zusammenhang zwischen der variablen Expertise und der Fixierungsanzahl besteht (F-Verhältnis = 1,3631, p-Wert = 0,2442). Dies deutet darauf hin, dass das Fachwissen einen geringfügigen Einfluss auf die Anzahl der durchgeführten Fixierungen hat.“
Nochmals vielen Dank für Ihre wertvolle Unterstützung.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableWie Mark sagt: Passen Sie Y an X an. Einige andere Gedanken:
1. Stellen Sie sicher, dass Sie zunächst die praktische Bedeutung verstehen. Wie wichtig ist für Sie eine Änderung der „Dauer der Fixierung“? Wie groß ist der wissenschaftliche Wert einer Veränderung?
2. Könnten Sie für zukünftige Arbeiten weitere Kategorien von Fachwissen erstellen (zumindest eine gewisse Ordnungsskala)? Je näher an kontinuierlich, desto effizienter.
3. Zeichnen Sie die Daten zusammen mit allen statistischen „Tests“ grafisch auf. Macht das Sinn?
4. Wie wird die Sachkunde ermittelt? Messfehler?
5. Interessieren Sie sich für die Variation in der Dauer?
Sie können den JMP-Datensatz jederzeit zur Ansicht anhängen.
Betreff: Beziehung zwischen kategorialer nominaler unabhängiger Variable und kontinuierlicher abhängiger VariableIhre Datentabelle enthält zwei Datenspalten: Gesamtdauer der Fixierung (numerische Daten, kontinuierlicher Modellierungstyp) und Kompetenzniveau (Charakterdaten, nominaler Modellierungstyp). Wählen Analysieren > Passen Sie Y an X an . Wählen Gesamtdauer der Fixierung und klicken Y . Wählen Kompetenzniveau und klicken X . Klicken OK .
Nun hängt die Wahl der Analysemethode von der Art der Daten ab. Das Menü mit dem roten Dreieck enthält Befehle zum Ausführen aller verfügbaren Methoden. Die geeignete Methode hängt jedoch von den Annahmen ab, die jede Methode über die Daten trifft. Es gibt parametrische Methoden wie den Student-t-Test (Fälle gleicher und ungleicher Varianz), die Varianzanalyse (ANOVA, Fall gleicher Varianz) und die Mittelwertanalyse (ANOM). Es gibt viele nichtparametrische Tests.
