Experimento de valoración de la disimilitud: cómo analizar los resultados

Question

Estudio:

Simulé algunos materiales de superficie a nivel auditivo y háptico, y pedí a los sujetos que evaluaran en una escala Likert de 9 puntos el grado de coherencia entre los dos estímulos. Por ejemplo, hay estímulos con metal a nivel auditivo y nieve a nivel háptico, o madera tanto a nivel auditivo como háptico.

Así que es como un experimento de calificación de disimilitud.

El experimento tenía sólo 12 participantes, así que para cada estímulo tengo 12 respuestas (no hay medidas repetidas).

Pregunta:

¿Cómo debo analizar el siguiente experimento?

Pensamientos iniciales:

Hasta ahora la única forma que estoy pensando en utilizar es el ANOVA.

Actualización

Hola de nuevo, Usé el comando cmdscale en R, pero no obtuve el mapa perceptual que me gustaría ver. ¡Yo como usted una ayuda! Tal vez el problema es que no entendí bien si mi tabla está bien construido para el propósito de la analsys.

Resumamos mi experimento, mis objetivos y el problema:

He simulado algunos materiales de superficie a nivel auditivo y háptico, y he pedido a los sujetos que evaluaran en una escala Likert de 9 puntos el grado de coherencia entre los dos estímulos. Por ejemplo, hay ensayos en los que a nivel auditivo se simulaba una superficie metálica superficie metálica y a nivel háptico la superficie de nieve, o la madera tanto a nivel a nivel auditivo y háptico.

El experimento tenía sólo 12 participantes, así que para cada ensayo tengo 12 respuestas (no hay medidas repetidas). En total hubo 36 ensayos, y cada ensayo fue evaluado una sola vez por cada de los 12 participantes. Así que cada sujeto proporcionó 36 valoraciones en la escala Likert de 9 puntos de 9 puntos, una por cada ensayo.

Básicamente, estos son mis datos:

 WD   MT   SW   GR   SN   DL

WD 7,00 6,50 4,91 4,83 5,50 5,00

MT 7,33 6,91 2,08 3,16 4,25 3,25

SW 2,91 1,75 7,91 6,25 6,83 5,41

GR 2,91 2,66 6,25 6,41 7,25 6,75

SN 4,00 4,00 5,58 6,00 7,00 6,58

DL 3,91 3,08 5,16 6,25 6,50 6,83

En las filas los estímulos hápticos y en las columnas los estímulos auditivos. En cada celda está la puntuación media de cada prueba (por ejemplo, la prueba GR-MT es 2,66, es decir es la puntuación media otorgada por los participantes al ensayo en el que el material "grava" y el material "metal" a nivel auditivo).

Ahora quiero analizar los datos de forma correcta, y como se ha dicho el MDS es el mejor análisis en lugar de ANOVA como estaba pensando.

Mi primer objetivo es imprimir un mapa perceptivo donde colocar los pares de estímulos audio-hápticos (por ejemplo, WD-WD, MT-DL, etc.) y ver a qué distancia están los ensayos entre sí. He utilizado cmdscale en R pero no he obtenido el resultado deseado. ¿Alguna sugerencia?

Mi segundo objetivo sería encontrar algunos valores p como los que normalmente obtengo con el ANOVA.

Por ejemplo me gustaría entender si teniendo la pareja de estímulos coherente SW-SW (que significa "nieve" tanto a nivel auditivo como háptico) produce diferencias significativas diferencias significativas en las evaluaciones en lugar de la pareja SW-MT (que significa "nieve" a nivel auditivo y "metal" a nivel háptico)

De nuevo me gustaría saber si hay alguna diferencia estadística entre todas las parejas de estímulos correspondientes a superficies sólidas (como las parejas MT-MT MT-WD, WD-WD, MT-MT) y todas las parejas en las que se presenta una superficie sólida y una superficie agregada (como las parejas MT-SN, o WD-GR, etc.).

...quiero obtener toda la información posible de esa tabla. Realmente agradezco a cualquiera que pueda proporcionar cualquier sugerencia o información útil.

Answer 1

Es difícil nombrar un método apropiado sin conocer la pregunta de investigación a la que se intenta responder. Con esto en mente, el escalamiento multidimensional (MDS) toma medidas de disimilitud global entre pares de estímulos como datos de entrada: se pide a los observadores que califiquen la similitud de dos estímulos sin que se les den criterios explícitos para ese juicio.

El MDS trata de situar los estímulos en un espacio (de baja dimensión) de forma que la distancia entre los estímulos represente su disimilitud. Normalmente, uno se interesa por el número de dimensiones del espacio resultante y trata de inferir algún significado sobre estas dimensiones. Hay muchas variantes de MDS. En R, compruebe las funciones cmdscale() así como isoMDS() y sammon() del paquete MASS .

Answer 2

Algunas reflexiones

1. es posible que desee reorganizar su marco de datos, ya sea en formato ancho (las filas son los casos y las columnas son las calificaciones de los pares de estímulos) o largo (las filas son combinaciones de casos por pares de estímulos). Entonces podría ejecutar modelos mixtos lme4 o quizás aov (ver aquí para información sobre diferentes ANOVAs ).

2. Tal vez le resulte útil el tutorial sobre escalamiento multidimensional en el sitio web de Quick-R . Muestra cómo preparar los datos y producir un gráfico. Sin embargo, por lo que entiendo de sus datos, es posible que tenga que transformar sus clasificaciones. Por el momento, las puntuaciones más altas parecen indicar una mayor similitud, mientras que el MDS esperará que las puntuaciones más altas signifiquen una mayor disimilitud. En un nivel básico, podría utilizar (9 menos la calificación).

Answer 3

El ANOVA me parece razonable - ANOVA de dos vías, para ser específicos, tratando a los sujetos como el factor de bloqueo.