Empiriepraktikum WS 2018/19Station 2: Altersunterschiede in der EmotionserkennungDatenauswertung

Dr. Margund Rohr, AG Entwicklungspsychologie

Arbeitsplan

Wiederholung: Fragestellung, Hypothesen, Design der Studie

Datenaufbereitung

Berechnung der Intraklassenkorrelationskoeffizienten

Stichprobenmerkmale

Deskriptive Statistik

Inferenzstatistik Emotionserkennung

2

Fragestellung

Können Altersunterschiede in der Emotionserkennung eliminiert werden, wenn die Emotionen simultan in mehr als einem Informationskanal (Modalität) dargeboten werden?

Hypothese(n)

Ältere zeigen eine schlechtere Leistung in der Emotionserkennung, wenn die Emotionen in nur einer Modalität dargeboten werden.

Es treten keine Altersdefizite auf, wenn die Emotionen simultan in mindestens zwei Modalitäten präsentiert werden.

Wiederholung: Studienfrage und Hypothesen?

Uni-modal: Ä < J

Multi-modal: Ä = J

3

Gesicht Stimme

Gesicht+Semantik

Semantik

Semantik+Stimme Gesicht+Stimme

Wiederholung: Studiendesign

2 Bedingungen (uni-modal vs. multi-modal)

Bedingung1: 2 Ausschnitte in je 3 uni-modalen Aufgaben

Bedingung 2: je 2 Ausschnitte in 3 multi-modalen Aufgaben

4

Fremdurteil der Versuchspersonen

0 1 2 3 4 5 6

ängstlich X

feindselig X

traurig X

überrascht X

angeekelt X

erfreut X

verärgert X

stolz X

niedergeschlagen

X

amüsiert X

verachtend X

enttäuscht X

wütend X

bedrückt X

aufgebracht X

zufrieden X

erschrocken X

glücklich X

Wiederholung: Methode

nach jedem Ausschnitt wurde die Intensität der gezeigten Emotionen mithilfe einer Adjektivliste beurteilt

5

Vorarbeiten

• Auslesen der demographischen Daten (Alter, Geschlecht)

• Auslesen der Rohdaten aus dem Emotionserkennungsexperiment (12 Ausschnitte x 18 Items pro VP)

• Variablennamen, Variablenlabels, Wertelabels vergeben

AV: Emotionserkennungsleistung

• Berechnung von Intraklassenkorrelationskoeffizienten als Maß für die Emotionserkennung (Übereinstimmung zwischen Selbstbericht der Filmprotagonisten und Fremdbericht der Versuchspersonen)

Datenaufbereitung: Was bisher geschah…

6

• Intraklassenkorrelation (ICC) ist ein Maß der Beobachtungsübereinstimmung

• zur Quantifizierung der Stärke des Zusammenhanges der Urteile mehrerer Beobachter (Versuchspersonen), die dieselben Objektive (Ausschnitte) beobachtet haben

• im Unterschied zur Produkt-Moment-Korrelation (rx,y) für mehr als zwei Beobachter definiert

• setzt intervallskalierte Daten voraus

• ICC weist einen Wertebereich zwischen -1 und +1 auf (ICC-Werte über .70 gelten als hohe Reliabilität)

• nicht-lineare Transformation (Fisher-Z-Transformation), um Abstände zwischen verschiedenen Korrelationen vergleichbar zu machen

Exkurs: Intraklassenkorrelation (ICC)

Gwet, 2012; Wirtz & Caspar 2002 7

Berechnung Intraklassenkorrelationskoeffizienten

Schritt 1

Selbstberichtete Emotionen (18 Adjektive) der 12 Filmprotagonisten

N = 12 Filmprotagonisten

Adjektivliste

Beispiel: Filmprotagonist 1; junge Frau, Schilderung eines traurigen Erlebnisses (J1_T)

Items Selbsturteil

8

Schritt 2

Rohdaten Fremdurteile (18 Adjektive) der Versuchspersonen für einen Filmprotagonist (Ausschnitt)

Items Fremdurteil für Ausschnitt 1

Versuchspersonen (ID)

Berechnung Intraklassenkorrelationskoeffizienten

9

Filmprotagonist 1

Schritt 3

Daten transponieren – Fremdurteile (Adjektivliste) für einen Ausschnitt (J1T) auswählen

SPSS: Daten – Transponieren – Variablen: Fremdratings (Adjektivliste), Namensvariable: ID

Versuchspersonen

Items Fremdurteile

Ergebnis: neue, gedrehte Datei (Spalten: Versuchspersonen, Zeilen: Items des Fremdratings für den ausgewählten Film)

Berechnung Intraklassenkorrelationskoeffizienten

10

Schritt 4

Selbsturteil des Protagonisten in Spalte 1 einfügen

Items Selbsturteil des Protagonisten

Berechnung Intraklassenkorrelationskoeffizienten

11

Schritt 5Analysieren – Skalierung – Reliabilitätsanalyse: Items sind das Profil der Protagonistin und Profil der ersten VP (hier: K_1)

Berechnung Intraklassenkorrelationskoeffizienten

Schritt 6Fisher-Z-Transformation der Intraklassenkorrelationskoeffizienten (Rücktransformation im Anschluss)

12

Vorarbeiten• Eingabe der demographischen Daten (Alter, Geschlecht), Auswertung und Eingabe der Intelligenztests

• Einlesen der Rohdaten aus dem Emotionserkennungsexperiment (10 Ausschnitte x 18 Items pro VP)

• Variablennamen, Variablenlabels, Wertelabels vergeben

AV: Emotionserkennungsleistung

• Berechnung von Intraklassenkorrelationskoeffizienten als Maß für die Emotionserkennung (Übereinstimmung zwischen Selbstbericht der Filmprotagonisten und Fremdbericht der Versuchspersonen)

Aggregation der Daten

• Aggregation der ICCs pro Aufgabe in Bedingung: (Gesicht, Stimme, Semantik, Gesicht+Stimme, Gesicht+Semantik, Stimme+Semantik) 6 ICCs pro VP

Datenaufbereitung: Was bisher geschah…

13

Datenfile: EmotionserkennungWS1819.sav

Excel Datei: Fisher.xls

• verfügbar unter: http://www.uni-leipzig.de/kognition/#/lehre/ws (Passwort: EP-18)

• in eigenes Verzeichnis, auf USB-Stick etc. kopieren, dann öffnen

Datendatei für die weiteren Analysen

14

Laden der benötigten Packages und Einlesen der Daten in R

15

library(psych)library(car)library(ggplot2)library(graphics)library(ez)library (multcomp)library (pastecs)library (reshape)library (nlme)library(foreign)library(gplots)library(MBESS)

DatensatzEmotionserkennungWS1819 aus entsprechenden Ordner

• Variablen für Eigenschaften der Probanden (ID, Alter, AG, Geschlecht)

• Variablen für die Emotionserkennung (getrennt nach Bedingung x Aufgabe)

Inspektion des Datensatzes

16

Inspektion des Datensatzes

17

Anzahl Versuchspersonen und Anteil jung/alt und weiblich/männlich

table (df$AG)

tab = table(df$Geschlecht, df$AG)

tab

prop.table(tab, margin = 2)

chisq.test(tab)

Stichprobenmerkmale: Deskriptiv

18

Anzahl Versuchspersonen und Anteil jung/alt und weiblich/männlich

table (df$AG)

tab = table(df$Geschlecht, df$AG)

tab

prop.table(tab, margin = 2)

chisq.test(tab) ODER summary (tab)

Stichprobenmerkmale: Deskriptiv

19

Alter in Jahren (M, SD, Min, Max)

describe(df$Alter)

Alter in Jahren (M, SD, Min, Max) getrennt für jede Altersgruppe

describeBy(df$Alter, group= list(df$AG), mat= TRUE, skew= FALSE)

Stichprobenmerkmale: Deskriptiv

20

Alter in Jahren (M, SD, Min, Max)

describe (df$Alter)

Alter in Jahren (M, SD, Min, Max) getrennt für jede Altersgruppe

describeBy(df$Alter, group= list(df$AG), mat= TRUE, skew= FALSE)

Prüfung des Altersunterschiedes in Jahren zwischen den 2 Altersgruppen

t.test(df$Alter ~ df$AG) ODER

lm.res = lm(Alter ~ AG, data= df)

anova (lm.res)

Stichprobenmerkmale: Inferenzstatistisch

21

Berechnung der Emotionserkennungsleistung in den beiden Bedingungen

Generieren eines neuen Datenframes

Deskriptive Statistik: Emotionserkennung

22

df$modal.uni <-(df$EE_Gesicht + df$EE_Stimme + df$EE_Semantik)/3df$modal.multi <-(df$EE_StSe + df$EE_GeSt + df$EE_GeSe)/3

EmprakWide <- data.frame(df$id, df$Alter, df$AG, df$Geschlecht, df$modal.uni, df$modal.multi) names(EmprakWide) <-c("Vpn", "Alter","AG", "Geschlecht", "modal.uni", "modal.multi")

Berechnung der Emotionserkennungsleistung in den beiden Bedingungen

Generieren eines neuen Datenframes

Deskriptive Statistik: Emotionserkennung

23

df$modal.uni <-(df$EE_Gesicht + df$EE_Stimme + df$EE_Semantik)/3df$modal.multi <-(df$EE_StSe + df$EE_GeSt + df$EE_GeSe)/3

EmprakWide <- data.frame(df$id, df$Alter, df$AG, df$Geschlecht, df$modal.uni, df$modal.multi) names(EmprakWide) <-c("Vpn", "Alter","AG", "Geschlecht", "modal.uni", "modal.multi")

Min, Max, MW und SD getrennt für die beiden Bedingung (uni-modal & multi-modal)

Darstellung im Protokoll in Textform

describe (EmprakWide$modal.uni) describe (EmprakWide$modal.multi)

statistische Prüfung der deskriptiven Mittelwertunterschiede in der Emotionserkennung

Welches Verfahren ist für unser Design geeignet ?

• eine oder mehrere AV?• eine oder mehrere UV?

• metrische oder kategoriale AV?• metrische oder kategoriale UV?• einmalige oder mehrmalige

Messungen pro VP?

Inferenzstatistik

AV: Emotionserkennung Univariate,

UV: Bedingung (2) x Altersgruppe (2)

zweifaktorielle

metrisch/ intervallskaliertkategorial

ANOVA

mehrere Messwerte pro VP mit Messwiederholung (auf einem Faktor)

24

Haupteffekt Altersgruppe?

d.h. unterscheidet sich die Emotionserkennungsleistung zwischen den beiden Altersgruppen unabhängig von der Bedingung?

Mögliche Ergebnisse der zweifaktoriellen Varianzanalyse

Haupteffekt Bedingung?

d.h. unterscheidet sich die Emotionserkennungsleistung zwischen den beiden Bedingungen unabhängig von der Altersgruppe?

Interaktion Altersgruppe x Bedingung?

d.h. variiert der Effekt der Bedingung in Abhängigkeit von der Altersgruppe?

25

„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann

Alternativ auch über reshape-Befehl möglich

Empraklong <- melt(EmprakWide, id = c("Vpn", "Alter","AG", "Geschlecht"), measured = c("modal.uni", "modal.multi"))

names(Empraklong) <-c("Vpn","Alter", "AG", "Geschlecht", "Bedingung", "EE_Leistung")

InferenzstatistikANOVA mit Messwiederholung

26

Empraklong2 <- reshape(EmprakWide, idvar = "Vpn", varying = c("modal.uni", "modal.multi"), timevar = "modalität", direction="long")

„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann

InferenzstatistikANOVA mit Messwiederholung

27

„Problem“: R braucht die Daten im Long-Format, damit die ANOVA mit Messwiederholung berechnet werden kann

InferenzstatistikANOVA mit Messwiederholung

28 Empraklong <-Empraklong[order(Empraklong$Vpn),]

EmprakHypo <- ezANOVA(data= Empraklong, dv = .(EE_Leistung), wid= .(Vpn), between= .(AG), within = .(Bedingung), detailed=TRUE, type = 3)

EmprakHypo

InferenzstatistikANOVA mit Messwiederholung

29

Haupteffekt: Bedingung

Interaktion Altersgruppe x

Bedingung

df1 df2

η2

Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …

• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der

multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )

ANOVA mit Messwiederholung

F = aufgeklärte Varianz

Fehlervarianz

30

df1 df2

η2

Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …

• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der

multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )

ANOVA mit Messwiederholung

F = aufgeklärte Varianz

Fehlervarianz

31

df1 df2

η2

Berichten der F-Statistik: F(df1, df2) = …, p = …, ηp2= …

• z.B. „Die Analyse zeigt einen signifikanten Haupteffekt Bedingung, F(df1, df2) = …, p = …, ηp2= … In der

multi-modalen Bedingung (M = , SD = ) war die Emotionserkennung […] als in der uni-modalen Bedingung (M = , SD = )

ANOVA mit Messwiederholung

F = aufgeklärte Varianz

Fehlervarianz

32

„Problem“: R gibt nicht partielle Eta an. Dies müssen wir separat berechnen.: EmprakHypo$ANOVA$SSn/ (EmprakHypo$ANOVA$SSn+

EmprakHypo$ANOVA$SSd)

Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …

33

ezPlot(data= Empraklong, dv = .(EE_Leistung), wid= .(Vpn), between= .(AG), within = .(Bedingung), x = Bedingung, col=AG)

signifikante Interaktion Bedingung x Altersgruppe

könnte auf verschiedenen Dingen beruhen,

deswegen weitere Analyseschritte notwendig

Wie sieht der Effekt des Alters in der uni-modalen

Bedingung und in der multi-modalen Bedingung aus?

Welche Kontraste?Junge ErwachseneUni-Modal vs. Ältere ErwachseneUni-Modal

Junge ErwachseneMulti-Modal vs. Ältere ErwachseneMulti-Modal

Welches Verfahren?t-Test für unabhängige Stichproben

Inferenzstatistik: Aufklärung der Interaktion I In diesem Jahr findet sich keine …

?

?

34

Profitieren beide Altersgruppen von der multi-modalen Bedingung?

Welche Kontraste? Junge ErwachseneUni-Modal vs. Junge ErwachseneMulti-Modal

Ältere ErwachseneUni-Modal vs. Ältere ErwachseneMulti-Modal

Welches Verfahren?

t-Test für abhängige (gepaarte) Stichproben

Inferenzstatistik: Aufklärung der Interaktion II In diesem Jahr findet sich keine …

35

?

?

Dieses Jahr gibt es lediglich einen signifikanten HE

Alter und Bedingung. Wir können unsere erste

Hypothese, nicht aber unsere zweite Hypothese

bestätigen.

Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …

36

Die „gute“ Nachricht:

Es entfallen alle post-hoc-Analysen, die bei einem

signfikanten Interaktionseffekt notwendig sind, um zu

verstehen, worauf sich der Interaktionseffekt

gründet.

Die „schlechte“ Nachricht:

Sie müssen diskutieren, warum es entgegen der An-

nahme Altersunterschiede in der multimodalen Be-

dingung gibt.

Inferenzstatistik: Aufklärung der Interaktion In diesem Jahr findet sich keine …

37

• Stichprobenmerkmale (N, Alter, Geschlecht; getrennt für Altersgruppen)

• Deskriptive Ergebnisse (Min, Max, M, SD für Bedingung)

• ANOVA

• Haupteffekt Altersgruppe

• Haupteffekt Bedingung

• Fehlende Interaktion Altersgruppe x Bedingung

• Rücktransformation (Fisher.xls) in Intraklassenkorrelationskoeffizienten für den Bericht (alle MW und SD!!)

Checkliste

38

ABGABE der Protokolle bitte in elektronischer Form per E-Mail

(bitte als .doc, .docx oder .odf)

AN:

margund.rohr@uni-leipzig.de

(Betreff: Emotionserkennung)

BIS SPÄTESTENS:Di, 4.12.2018

FEEDBACK:bis Di, 11.12.2018

Protokollabgabe

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Frontiers in psychology, 4, 863. http://dx.doi.org/10.3389/fpsyg.2013.00863

Luhmann, M. (2015). R für Einsteiger (4.Auflage). Weinheim: Beltz.

Wirtz, M. & Caspar, F. (2002). Beurteilerübereinstimmung und Beurteilerreliabilität. Göttingen: Hogrefe.

Referenzen

40