分类名义自变量与连续因变量之间的关系你好，
我对使用哪种统计方法来理解之间的关系有疑问：
- 一个分类名义变量（称为“专业水平”，具有两个总线响应选项：“专家”和“非专家”）
和
- 一个因变量（称为“注视总持续时间”）
我想检查一群人的特征（在本例中为专业水平），更具体地说，是专家还是非专家，是否会影响人们花在看事物上的总持续时间（总注视时间） ）。
我应该使用哪种统计方法？ 以及如何解释结果（要检查哪些关键参数以及如何解释它）？
感谢您的关注。
回复：分类名义自变量与连续因变量之间的关系确实，这项研究有很多值得思考的地方。 目前，您提供的有关数据处理和质疑的信息非常重要。 我会在这方面做更多的工作。
感谢您的关注。
回复：分类名义自变量与连续因变量之间的关系说实话，我实在是不太懂“学”。 为什么人们看一幅画的时间很重要？ 他们在找什么？ 你怎么知道他们什么时候找到的？ 换句话说，我没有看到任何功效指标。 他们看了这幅画 x 时间后“拥有”了什么？ 你在测量某种大脑活动吗？ 在那之后他们会对这幅画进行“评价”吗？
恕我直言，您将其分为两类（专家和非专家）过于简化。
其他想法：
- 我认为你应该扩大研究范围以包含更多变量（与绘画的距离、光强度、照明类型、视角、其他艺术家（可能来自不同流派））。
- 您没有任何方法来估计或分离测量误差（观察者内部和观察者之间）。 例如，你不能让同一个人观察同一幅画两次。
处理异常值的第一步是识别它们。 有很多方法可以做到这一点（一些方法已经在上面的线程中显示）。 一旦确定，你就必须思考为什么它们“不同”。 我总是建议在进行研究之前预测研究中的异常值。 什么可能导致异常数据点？ 在研究之前执行此操作，然后观察您预测的“解释”是否在研究期间发生。 在许多情况下，这些是信息最丰富的信息。 一旦你理解了它们发生的原因，那么你就可以玩把它们从数据集中删除的游戏……目标不是拥有一个伟大的数据集（或伟大的图表、图表或统计上显着的影响）。 目标是学习。
回复：分类名义自变量与连续因变量之间的关系谢谢@马克贝利和@statman 。
现在回答这个实际意义问题对我来说是一个挑战，因为我仍在学习如何理解数据。 我还不知道专家在观看此类图像时视觉行为变化的正确参数是什么。 我会检查一下，这是一个好点。
在这项研究中，我使用了专家和非专家的眼动追踪数据来观看同一位艺术家的 27 幅不同画作。 我知道他们正在修复这些画作，因为我使用了一个映射程序来过滤映射到画作快照上的视觉行为。 这些物体在表现抽象背景人物肖像的方式上很相似，但它们仍然是27幅不同尺寸的不同画作，每幅画都有自己的独特性。 注视时间是免费的：人们有时间观看图像，因此每个参与者观看图像的时间不同。 专业知识是通过检查人们的个人资料来确定的：如果他们是非艺术分析相关领域的专业人士，那么他们被认为是非专家；如果他们是艺术分析领域的专业人士，他们就被认为是专家。 我知道这可能会产生偏见，因为这是一个主观参数。
我的第一个想法是专业知识是否会影响人们看待图像的方式。 检查这一点的一种方法是比较专家和非专家的观察方向，验证对不同兴趣领域的关注。 对于此分析，我使用了一些基本的分布直方图（我没有将这些数据放在这里）。 然后我想到了我拥有的另外两个眼动追踪数据：注视持续时间和注视次数。 我假设人们注视绘画的总时间和总注视量可能会在某种程度上受到专业知识的影响（例如：他们看的越多，他们就越倾向于从图像中获取信息；他们看的越少，就越容易让他们检查图像；注视点越多，目视检查越详细，等等）。 我正在探索性地检查这一点。
人们看的地方会受到很多东西的影响，你说得绝对正确@statman ，但我试图检查专业知识是否对整体视觉行为起作用。
您的分析非常好，再次感谢您！ 我只是还不知道如何从这个分析中提取异常值。
回复：分类名义自变量与连续因变量之间的关系为了补充 Mark 的输出，这里是对 2 个因变量的多变量分析。 你没有具体说明实际意义。 马哈拉诺比斯还检测到许多异常值。 异常值可能是测量错误、文档错误或未考虑到的其他一些噪声变量（跟踪数据集中时间顺序的原因之一）。
只是在这里玩……“他们”在关注什么？ 你怎么知道他们正在关注“它”？ 被注视的物体有何不同？ 被注视的物体和注视时间之间有什么关系吗？ 假设：我们都有偏见，偏见可能会影响注视时间。 例如，如果存在对某个特征（例如颜色或图案）存在偏见，则观察者可能会在该特征上花费更多时间。 在质量检查领域，当检查员发现一个缺陷或缺陷区域时，这会影响他们在未来检查中寻找的位置和内容。
回复：分类名义自变量与连续因变量之间的关系感谢您在 JMP 数据表中提供从 Excel 工作簿导入的数据。
分布分析表明您的响应具有强烈的右偏。 在单向分析中这种偏差很明显。
您的假设是专家的平均反应高于非专家的平均反应。 观察到的情况恰恰相反。 均值之差为 -3.878。 适当的 t 比为 -0.84444，Prob > t 为 0.8。
响应也表现出不相同的差异。 我应用对数变换来消除偏差并稳定方差。 该转换揭示了两个响应中的一些极端异常值，与样本的其余部分相比，这些异常值可能对统计数据产生非常大的影响。
t 比现在为 -1.59778，概率 > t 为 0.9437。
我发现对注视计数响应的分析基本上相同。
回复：分类名义自变量与连续因变量之间的关系谢谢@马克贝利和@statman ，您的建议很有帮助。 我设法创建了图形并使用了一些分析方法。 我只是不确定我是否选择了正确的方法，以及我是否正确地解释了它们。 请在下面找到我的解释和数据集的附加文件。
PS 我试图回答的问题是，专业知识是否会影响人们观看某事物的时间（为了进行比较，我在分析中添加了第二个变量，即注视次数）。 更具体地说，我想知道哪种专业知识（专家或非专家）会影响注视时间和计数，以及它们各自如何影响它。
我的分析是这样的：
“为了验证专业知识对总注视时间和注视次数的影响程度，我们进行了线性回归的探索性建模。 方差分析表明总注视时间和专业知识之间不存在关系（F 比率 = 0.5838；p 值 = 0.4456）。 这意味着不同的专业知识不会影响人们花在图像上的时间。 类似的分析表明，变量专业知识和注视次数之间存在关系（F 比率 = 1.3631，p 值 = 0.2442）。 这表明专业知识会稍微影响所执行的注视量”。
再次感谢您的宝贵支持。
回复：分类名义自变量与连续因变量之间的关系正如 Mark 所说，用 X 拟合 Y。 其他一些想法：
1.首先确保你了解实际意义。 “注视持续时间”的变化对您来说有多重要。 有多少变化具有科学价值？
2. 对于未来的工作，您能否创建更多的专业知识类别（至少是一些有序规模）。 越接近连续，效率越高。
3. 绘制数据以及任何统计“测试”。 是否有意义？
4. 专业知识是如何确定的？ 测量误差？
5. 您关心持续时间的变化吗？
您可以随时附上 JMP 数据集供我们查看。
回复：分类名义自变量与连续因变量之间的关系您的数据表将有两个数据列：总注视时间（数值数据，连续建模类型）和专业水平（字符数据，名义建模类型）。 选择分析>通过 X 拟合 Y 。选择总注视时间然后单击是。选择专业水平然后单击X 。点击好的。
现在分析方法的选择取决于数据的性质。 红色小三角菜单提供了执行所有可用方法的命令，但适当的方法取决于每种方法对数据所做的假设。 参数方法包括学生 t 检验（等方差和非等方差情况）、方差分析（ANOVA、等方差情况）和均值分析 (ANOM)。 有许多非参数检验。
