カテゴリカル名目独立変数と連続従属変数の関係こんにちは、
以下の関係を理解するためにどの統計手法を使用すればよいか疑問があります。
- 1 つのカテゴリカル名目変数 (「専門レベル」という名前、2 つのバス応答オプション: 「専門家」と「非専門家」)
そして
- 1 つの従属変数 (「注視の合計時間」という名前)
人々のグループの特性、この場合は専門知識レベル、より具体的には、専門家か非専門家かが、その人々が物を見るのに費やした合計時間（総注視時間）に影響を与えるかどうかを確認したいと考えています。 ）。
そのためにはどの統計手法を使用すればよいでしょうか? そして、結果をどのように解釈するか (どの重要なパラメータをチェックするか、そしてそれをどのように解釈するか)?
ご清聴ありがとうございます。
Re: カテゴリカル名目独立変数と連続従属変数の関係確かに、この研究には考えるべきことがたくさんあります。 現時点では、データの処理と質問に関してあなたが提供した情報は非常に重要です。 もっと頑張ります。
ご清聴ありがとうございました。
Re: カテゴリカル名目独立変数と連続従属変数の関係正直に言うと、私は「勉強」というものがよく分かりません。 人が絵をどれだけ長く見るかがなぜ重要なのでしょうか? 彼らは何を探しているのでしょうか？ 彼らがそれをいつ見つけたかをどうやって知ることができますか? 言い換えれば、有効性の指標が見当たりません。 x 時間その絵を見た後、彼らは何を「持っている」でしょうか? 何らかの脳活動を測定していますか? その後、彼らはその絵を「評価」しますか？
私の意見では、2 つのカテゴリー (専門家とそうでない人) に分類するのは単純化しすぎています。
他の考え：
- より多くの変数（絵画からの距離、光の強さ、照明の種類、画角、追加のアーティスト（おそらく異なるジャンル））を含めるように研究を拡張する必要があると思います。
- 測定誤差 (観測者内および観測者間の両方) を推定したり分離したりする方法はありません。 たとえば、同じ人に同じ絵を二度観察させることはできません。
外れ値に対処するための最初のステップは、外れ値を特定することです。 これを行うには多くの方法があります (いくつかの方法はスレッド内で既に示されています)。 特定したら、なぜそれらが「異なる」のかを考える必要があります。 研究を実行する前に、研究内の外れ値を予測することを常にお勧めします。 異常なデータ ポイントの原因は何でしょうか? これを研究の前に行い、予測された「説明」が研究中に起こるかどうかを観察します。 多くの場合、これらは最も有益な情報です。 それらが起こった理由を理解したら、データセットからそれらを削除するゲームをプレイできます...目的は、優れたデータセット (または優れたグラフ、プロット、または統計的に有意な効果) を作成することではありません。 目的は学ぶことです。
Re: カテゴリカル名目独立変数と連続従属変数の関係ありがとう@Mark_Baileyそして@スタットマン。
データを理解する方法をまだ学んでいるので、実際的な重要性の質問に今すぐ答えるのは難しいです。 このような種類の画像を見た専門家の視覚的行動変化の正しいパラメータが何になるのかはまだわかりません。 確認してみます、それは良い点です。
この研究では、同じアーティストによる 27 枚の異なる絵画を見た専門家と非専門家の視線追跡データを使用しています。 絵画のスナップショットにマッピングされた視覚的な動作をフィルタリングするマッピング手順を使用したため、彼らが絵画を修正していることはわかっています。 これらのオブジェクトは、抽象的な背景を持つ人々の肖像画を表現するという点では似ていますが、それでもサイズの異なる 27 枚の異なる絵画であり、それぞれが独自の特異性を持っています。 固定時間は自由でした。人々は画像を見たいだけの時間があったので、各参加者は異なる時間画像を見ました。 専門知識は、人々のプロフィールをチェックすることによって決定されました。芸術分析に関連しない分野の専門家であれば、彼らは非専門家とみなされます。そして、彼らが芸術分析分野の専門家であれば、専門家とみなされます。 これは主観的なパラメータであるため、バイアスが生じる可能性があることを理解しています。
私が最初に考えたのは、専門知識が人々の画像の見方に影響を与えることができるのではないかということでした。 それをチェックする 1 つの方法は、専門家と非専門家がどこに注目したかを比較し、異なる関心領域へのこだわりを確認することでした。 この分析では、いくつかの基本的な分布ヒストグラムを使用しました (このデータはここには配置しませんでした)。 次に、私が持っている他の 2 つの視線追跡データ、注視時間と注視回数について考えました。 私は、人々が絵を見つめる全体的な時間と総注視量は、専門知識によって何らかの影響を受ける可能性があると考えていました（たとえば、よく見るほど、画像からより多くの情報を得る傾向があり、あまり見ないほど、より多くの情報を得る傾向があります）画像を検査するためのものです。注視が多いほど、目視検査がより詳細になります。など）。 探索的にそれを確認していました。
人々がどこを見るかは多くのものに影響される可能性があります、あなたは絶対に正しいです@スタットマン、しかし私はとにかく、専門知識が全体的な視覚的な動作に役割を果たしているかどうかを確認しようとしていました。
お二人の分析は素晴らしいですね、改めて感謝いたします。 この分析から外れ値を抽出する方法がまだわかりません。
Re: カテゴリカル名目独立変数と連続従属変数の関係Mark の出力に追加するために、2 つの従属変数の多変量分析を次に示します。 実質的な重要性については明記されていませんでした。 マハラノビスは、多数の異常値も検出します。 外れ値は、測定エラー、文書エラー、または考慮されていないその他のノイズ変数 (データ セット内の時間順序を追跡する理由の 1 つ) である可能性があります。
ここで遊んでるだけなのに…「彼ら」は何にこだわっているのでしょうか？ 彼らが「それ」に執着していることをどうやって知ることができますか？ 注目している対象はどれくらい違うのでしょうか？ 注視しているオブジェクトと注視時間の間には関係がありますか? 仮説: 私たちは皆偏見を持っており、その偏見が注視時間に影響を与える可能性があります。 たとえば、特定の特徴 (色やパターンなど) に偏りがある場合、おそらく観察者はその特徴により多くの時間を費やすでしょう。 品質検査の世界では、検査官が 1 つの欠陥または欠陥領域を確認すると、それが今後の検査でどこを何を探すかに影響を与えます。
Re: カテゴリカル名目独立変数と連続従属変数の関係Excel ワークブックからインポートされた JMP データ テーブルでデータを提供していただきありがとうございます。
分布分析により、応答が右に大きく偏っていることがわかります。 この偏りは、一方向分析で明らかです。
あなたの仮説は、平均応答は専門家以外の者よりも専門家の方が高いということです。 逆のことが観察されます。 平均の差は -3.878 です。 適切な t 比は -0.84444 で、Prob > t は 0.8 です。
応答には、同じではない分散も示されます。 対数変換を適用して歪みを取り除き、分散を安定させました。 変換により、両方の応答にいくつかの極端な外れ値が明らかになり、サンプルの残りの部分と比較して統計に非常に高い影響を及ぼしている可能性があります。
t 比は -1.59778 になり、Prob > t は 0.9437 になります。
私は基本的に注視数応答の同じ分析を見つけました。
Re: カテゴリカル名目独立変数と連続従属変数の関係ありがとう@Mark_Baileyそして@スタットマン、あなたの提案は非常に役に立ちました。 なんとかグラフィックを作成し、いくつかの分析手法を使用することができました。 自分が正しい方法を選択したかどうか、そしてそれらを正しく解釈したかどうかはわかりません。 以下に私の解釈とデータセットの添付ファイルをご覧ください。
追伸 私が答えようとしている質問は、専門知識が人々が何かを見る時間に影響を与えるかどうかです (比較のために、分析に 2 番目の変数である注視回数を追加しました)。 より具体的には、どの種類の専門知識 (専門家または非専門家) が注視時間と回数に影響するのか、またそれぞれがどのように影響するのかを知りたいと考えています。
私の分析は次のとおりです。
「専門知識が総注視時間と注視回数にどの程度影響を与えるかを検証するために、線形回帰の探索的モデリングが実行されました。 分散分析により、総注視時間と専門知識の間に関係がないことが示されています (F 比 = 0.5838; p 値 = 0.4456)。 これは、さまざまな専門知識が人々が画像に集中するのに費やす時間に影響を与えなかったことを意味します。 ただし、同様の分析は、変数の専門知識と注視回数の間に関係が存在することを示唆しています (F 比 = 1.3631、p 値 = 0.2442)。 これは、専門知識が実行される注視点の量にわずかに影響を与えることを示しています。」
貴重なご支援に改めて感謝申し上げます。
Re: カテゴリカル名目独立変数と連続従属変数の関係Mark が述べているように、Y を X でフィットさせます。 その他の考え:
1. 最初に実際的な重要性を必ず理解してください。 「固定期間」がどの程度変化するかがあなたにとって重要です。 科学的価値のある変化はどの程度あるのでしょうか?
2. 今後の作業のために、専門知識のカテゴリをさらに作成していただけますか (少なくともある程度の順序スケール)。 連続に近づくほど効率が高くなります。
3. 統計的な「テスト」とともにデータをプロットします。 意味はあるでしょうか？
4. 専門知識はどのように決定されますか? 測定ミス？
5. 持続時間の変化は気になりますか?
いつでも JMP データ セットを添付して確認することができます。
Re: カテゴリカル名目独立変数と連続従属変数の関係データテーブルには 2 つのデータ列があります。総固定期間（数値データ、連続モデリング型）および専門知識レベル(キャラクターデータ、公称モデリングタイプ)。 選択する分析する> YをXでフィット。選択する総固定期間そしてクリックしてくださいY 。選択する専門知識レベルそしてクリックしてくださいバツ。クリックわかりました。
分析方法の選択はデータの性質によって異なります。 赤い三角ボタンのメニューには、使用可能なすべてのメソッドを実行するためのコマンドが表示されますが、適切なメソッドは各メソッドがデータに関して行う前提によって異なります。 スチューデント t 検定 (等分散および非等分散の場合)、分散分析 (ANOVA、等分散の場合)、および平均分析 (ANOM) などのパラメトリック手法があります。 ノンパラメトリック検定はたくさんあります。
