Versuchsplanung II EmPra Der Einfluss und die Verarbeitung von emotionalen Reizen

Versuchsplanung II

EmPra Der Einfluss und die Verarbeitung von emotionalen

Reizen

Theorien

ÜberprüfbareHypothesen

Operationali-sierung

Experiment

Erkenntnis

Um was ging/geht es?

Um was wird es gehen?

Theorien

ÜberprüfbareHypothesen

Operationali-sierung

Experiment

ErkenntnisVon der Operationalisierung hängt auch der statistische Test ab, den wir rechnen

Versuchsdesign und entsprechende statistische

Analysen

Übung

Vorurteilsmessung

Sie wollen mit dem affektiven Priming zeigen, dass Vorurteile automatisch aktiviert werden können.

• Formulieren Sie die Hypothesen (theoretisch, empirisch, statistisch)

• Entwickeln Sie einen Versuchsplan (UV, AV)• Überlegen Sie sich wie, Sie die Daten auswerten würden• Überlegen Sie sich Störvariablen

Affektives Priming

Krieg Krieg

Den Versuchspersonen werden hintereinander zwei Reize präsentiert:

- Der 1. Reiz (Prime) soll ignoriert werden

- der 2. Reiz (Target) soll danach beurteil werden, ob er positiv oder negativ ist (Tastendruck)

folgt auf einen negativen Prime ein negatives Target, so erfolgt die Reaktion schneller, als wenn auf einen positiven Prime ein negatives Target folgt

Folgt auf einen positiven Prime ein negative Target, so erfolgt die Reaktion langsamer, als wenn auf einen positiven Prime ein negatives Target folgt

Krankheit Hochzeit

Beispiel einfaktorieller Versuchsplan

Theoretische Hypothese

„Vorurteile gegen Türken werden automatisch aktiviert.“

präzise Definitionen der Begriffe Aktivierung, automatisch und Vorurteil sind erforderlich; zur Überprüfung muss diese Hypothese in eine empirische Hypothese übersetzt werden

-

Empirische Hypothese

„Die Reaktionszeit auf ein negatives Wort ist kürzer, wenn vor diesem Wort das Bild eines Türken präsentiert wurde im Vergleich zu dem Bild eines Deutschen.“

Zugänglichkeit wird abgebildet über den messbaren Indikator Reaktionszeit

Operationalisierung

Krieg Krieg

Beispiel einfaktorieller Versuchsplan

Empirische / Psychologische Hypothese:

„Die Reaktionszeit auf ein negatives Wort ist kürzer, wenn vor diesem Wort das Bild eines Türken präsentiert wurde im Vergleich zu dem Bild eines Deutschen.“

Statistische Hypothese:

bzw.

P-T InkongruenzRZRZ1 μμ:H P-T Kongruenz

P-T KongruenzRZRZ1 μ:H P-T Inkongruenz μ

Versuchsplan:Unabhängige Variable (UV)

Target kongruenter

Prime

In-

kongruenter

Prime

Tod

Krieg

Sonne

Lachen

…

Buch

Feuer

Eifersucht

Krankheit

Hochzeit

Baby

…

Regal

Flamme

Hochzeit

Baby

Eifersucht

Krankheit

…

Geschirr

Regal

MittlereReaktions-zeit


Abhängige Variable (AV)

Design:

• Einfaktorielles Design

Ein messwiederholter Faktor mit 2 Stufen

= "within-subjects"-Faktor

Was muss gerechnet werden??

Versuchsplan:Unabhängige Variable (UV)

Target kongruenter

Prime

In-

kongruenter

Prime

Tod

Krieg

Sonne

Lachen

…

Buch

Feuer

Eifersucht

Krankheit

Hochzeit

Baby

…

Regal

Flamme

Hochzeit

Baby

Eifersucht

Krankheit

…

Geschirr

Regal




Störvariablen:

• Müdigkeit

• Aufmerksamkeit

• Ablenkung

• Erkennen der Hypothesen

• …

Mittlere Reaktionszeit inkongruente Durchgänge

Mittlere Reaktionszeit kongruente Durchgänge

Rechnen:

t-Test für abhängige Stichproben

Oder auch

t-Test bei Messwiederholung

Wieso Messwiederholung?

t-Test Ausgabeprotokoll (Teil 1)

Paired Samples Statistics

553,5873 52 49,72081 6,89504

544,4858 52 49,08749 6,80721

inkongr

kongr

Pair1

Mean N Std. DeviationStd. Error

Mean

Mittelwerte Anzahl VpStandard-abweichung

Standardfehler

Deskriptive Statistik

T-Test Ausgabeprotokoll (Teil2)

xσ̂

xtdf

)1( Ndf

Paired Samples Test

9,10151 17,88899 2,48076 4,12119 14,08184 3,669 51 ,001inkongr - kongrPair 1Mean Std. Deviation

Std. ErrorMean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)


Ein solcher oder noch höherer (betragsmäßiger) t-Wert tritt unter der Annahme, dass die Null-Hypothese gilt, bei dieser Stichproben-größe mit einer Wahrscheinlichkeit von p < 0.001 auf.

Diese Wahrscheinlichkeit liegt unter der von uns gewählten α -Fehlerwahrscheinlichkeit von 0.05. Daher verwerfen wir die Null-Hypothese und behalten unsere Hypothese bei, dass es den affektiven Primingeffekt gibt.

Paired Samples Test




Difference

Paired Differences



Paired Samples Test




Difference

Paired Differences


Wir können in diesem Fall auch einseitig testen (gerichtete Hypothese!). Dazu wird das gefundene p-Niveau halbiert, denn die Standardeinstellung bei SPSS ist ein zweiseitiger Test (der ist im strengen Sinn aber nicht homomorph zur stat. Hypothese)

Einseitige vs. Zweiseitige Testung

α/2 α/2

• Wie sähe es jetzt aus, wenn wir die Kongruenz nicht als within, sondern als between Faktor betrachten würden?

Gruppenstatistiken

kongruenz N Mittelwert Standardabw

eichung

Standardfehler des

Mittelwertes rt kongruent 52 544,4858 49,08749 6,80721

inkongruent 52 553,5873 49,72081 6,89504

Statistischer TestWas wird gerechnet:

Bei einfaktoriellem Design und 2 Faktorstufen:- T-Test. Welcher? Wichtig! siehe vorherige Folien- Between, within, eine Stichprobe- T-Test für unabhängige, abhängige Stichproben, Ein-Stichproben-T-Test

Wir legen das Signifikanz-Niveau fest, auf welchem wir prüfen wollen, ob ein gefundener Mittelwertsunterschied zufällig entstand, z.B. p < .05.

Bei einfaktoriellem Design und mehr Faktorstufen (between subjects)?

- Univariate ANOVA

Versuchspläne

• Der klassische Fall ist der Zwei-Gruppenfall mit einer UV mit zwei Stufen (wie gehabt) – einfaktoriell, zweistufig

• Manchmal hat die UV auch mehrere Stufen, z.B. wenn verschiedene Therapieformen gegeneinander getestet werden (UV mit 4 Stufen Psychoanalyse, VT, Gesprächstherapie, keine Therapie) – einfaktoriell, mehrstufig

• Noch interessanter wird es, wenn mehr als eine UV variiert wird, nur dann wird es möglich, die gleichzeitige Wirkungen mehrere UVs auf die AV zu untersuchen - mehrfaktoriell

– z.B. Intelligenz und Therapieform

• In diesem EmPra werden wir sowohl Versuchspläne mit within, als auch mit between Faktoren erstellen

Versuchspläne

Einfaktorielle Pläne:– zweistufige UV (klassischer Fall)

z.B. Kommunikation vs. Nichtkommunikation: EG vs. KG– Mehrstufige UV

z.B. UV mit 4 Stufen wenn Therapieformen gegeneinander getestet werden: PA vs. VT vs. GT vs. keine

Mehrfaktorielle Versuchspläne– Variation mehrerer UV ermöglicht Untersuchung der

gleichzeitigen / interaktiven Wirkung der UV auf die AV– In diesem EMPRA werden die Versuchspläne zudem meistens UV

enthalten, die nicht zwischen sondern innerhalb der VP variiert werden

Empirische Hypothese

„Die Reaktionszeiten sind kürzer, wenn die Kategorien der zweiten Kategorisierungsaufgabe, das gleiche Valenz-Mapping besitzen.

Weiteres Beispiel

Mehrfaktorielle Pläne

Unabhängige Variable A (UVA)


positiv negativ

Berge

Meer

Unabhängige Variable B (UVB)









Kongruente

Trials

Inkongruente

Trials







• Dieser Alternativhypothese…

• ... wird die sogenannte Null-Hypothese gegenübergestellt.

P-T KongruenzRZRZ0 μ:H P-T Inkongruenz = μ

P-T KongruenzRZRZ0 μμ:H = P-T Inkongruenz

bzw.


• Alternativhypothese H1 / HA :

• Nullhypothese H0:

Hypothesen testen: Fehler 1. und 2. Art

Entscheidung

für H0

Entscheidung

für HA

H0 wahr richtig

HA wahr richtig


P-T KongruenzRZRZ0 μ:H P-T Inkongruenz =μ

α-Fehler

β-Fehler


• Alternativhypothese H1 / HA :

• Nullhypothese H0:

Entscheidung

für H0

Entscheidung

für H1

H0 wahr richtig α-Fehler

H1 wahr β-Fehler richtig

für die meisten psychologischen Untersuchungen kritischer


P-T KongruenzRZRZ0 μ:H P-T Inkongruenz ≤μ

Zum Nachdenken

In welchen Situationen ist es besonders wichtig, dass der α-Fehler besonders klein ist?

Und wann ist es wichtig, dass der β-Fehler besonders klein ist?

Entscheidung

für H0

Entscheidung

für H1

H0 wahr richtig α-Fehler

H1 wahr β-Fehler richtig


Um valide zu testen, muss das Alpha-Niveau a priori festgelegt werden

Zudem sollte auch ein statistisch signifikanter Unterschied tatsächlich bedeutsam sein (Validität der Untersuchung), Stichwort: Effektstärke

KontrollprimeRZRZμ kongruenter Prime

• Ist es denkbar, dass in der Population der Mittelwert der Primingdifferenz 0 ms ist (d.h. unsere Hypothese nicht zutrifft) und trotzdem bei einer Zufallsziehung von n (z.B. 15) Personen ein Mittelwert von (z.B. 27 ms) herauskommt?

Die inferenzstatistische Frage

• Natürlich ist es prinzipiell immer denkbar, so wie es auch beim Roulette prinzipiell denkbar ist, dass 1000x hintereinander eine rote Zahl gezogen wird.

• "Ist es denkbar" wird in der Regel übersetzt mit „ist es wahrscheinlicher als p = .05, dass bei einer Stichprobe von n Personen ein bestimmter Mittelwert herauskommt?"

• Können wir mit dem (vorab festgelegten) Risiko von 5% (sog. a-Fehler) die Alternativ-Hypothese beibehalten?

Die inferenzstatistische Frage

Mittlere Reaktionszeit inkongruente Durchgänge

Mittlere Reaktionszeit kongruente Durchgänge

t-Test für abhängige Stichproben

Oder auch

t-Test bei Messwiederholung

Wieso Messwiederholung?

t-Test Ausgabeprotokoll (Teil 1)

Paired Samples Statistics

553,5873 52 49,72081 6,89504

544,4858 52 49,08749 6,80721

inkongr

kongr

Pair1

Mean N Std. DeviationStd. Error

Mean

Mittelwerte Anzahl VpStandard-abweichung

Standardfehler

Deskriptive Statistik


xσ̂

xtdf

)1( Ndf

Paired Samples Test




Difference

Paired Differences


Versuchspläne

Einfaktorielle Pläne:– zweistufige UV (klassischer Fall)

z.B. Anti-Rauch-Methode: EG vs. KG– Mehrstufige UV

z.B. UV mit 4 Stufen wenn Therapieformen gegeneinander getestet werden: PA vs. VT vs. GT vs. keine

Mehrfaktorielle Versuchspläne– Variation mehrerer UV ermöglicht Untersuchung der

gleichzeitigen / interaktiven Wirkung der UV auf die AV– In diesem EMPRA werden die Versuchspläne zudem

meistens UV enthalten, die nicht zwischen sondern innerhalb der VP variiert werden

Hausaufgabe

Emotionsregulation durch Kommunikation

Sie wollen überprüfen, ob die im Volksmund geltenden Sprichwörter Geteiltes Leid ist halbes Leid und Geteilte Freude ist doppelte Freude tatsächlich stimmen. Sie entwerfen dazu ein Experiment, bei dem einige Versuchsteilnehmer einen fröhlichen andere einen traurigen Film sehen und ihre Emotionen danach mitteilen sollen/oder nicht.

• Formulieren Sie die Hypothesen (theoretisch, empirisch, statistisch)• Entwickeln Sie einen Versuchsplan• Überlegen Sie sich wie, Sie die Daten auswerten würden• Überlegen Sie sich Störvariablen

Versuchsplanung

Sprichwort-UntersuchungHypothesen?

Theoretische Hypothese: • Das Mitteilen von Emotionen hat einen positiven emotionsregulierenden Einfluss,

unabhängig davon um welche Emotion es sich handelt. Das heißt, bei negativen Emotion mindert die Kommunikation die negative Emotion, bei positiven Emotionen wird durch Kommunikation die Emotion verstärkt.

Empirische Hypothese:• Personen, die einen Film mit traurigem/fröhlichem Inhalt sehen und ihre

Empfindungen nachher anderen mitteilen, fühlen sich danach weniger traurig/fröhlicher, als wenn sie sich nicht mitteilen würden.

Statistische Hypothese• Kžt < Nžt • Kžf > Nžf

(ž := Durchschnittliches Gefühlsrating)

Versuchsplanung

Sprichwort-UntersuchungVersuchsplan?

• Bedingung A: Trauriger Film; Bedingung B: Fröhlicher Film• Gruppe 1 (Kontrollgruppe) soll nur ž berichten• Gruppe 2 (Experimentalgruppe) soll Emotionen mitteilen und ž berichten

Experimentalgruppe GefühlsratingMitteilung der Emotionen

Kontrollgruppe Gefühlsrating

Versuchsplanung

Sprichwort-UntersuchungUV & AV?

Unabhängige Variable: • Trauriger Film oder Fröhlicher Film• Mitteilung der Emotionen oder nicht

Abhängige Variable:• Gefühlsrating nach dem Film

Störvariablen• Compliance (halten sich Teilnehmer an Instruktion?)• Gefühlslage vor dem Film• Film schon gesehen? Favorisiertes Genre?• Durchschnittlicher Fernsehkonsum pro Woche?• Introvertiertheit/Extrovertiertheit• Sonstige Unterschiede zwischen Teilnehmern?• Soziale Erwünschtheit?• Reicht eine Messung?…

Statistischer Test

Wie würde man den Unterschied zwischen den Experimental und Kontrollgruppen statistisch überprüfen?

Bei einfaktoriellem Design (d.h. wenn wir nur eine Art Film hätten):

- T-Test für unabhängige Stichproben- Einseitig (gerichtete Hypothese)

In diesem Fall (zweifaktorielles Design):- ANOVA (2 x 2 Design)- Um die spezifischen Hypothesen zu untersuchen, müssen

hier wieder t-tests gerechnet werden

Wie rechnet man das denn jetzt??

Varianzanalyse

• Ist nichts anderes als ‚viele t-Tests‘, die gleichzeitig durchgeführt werden...

• D. h. es wird auch in der Varianzanalyse geprüft, ob sich die Mittelwerte einzelner Experimentalbedingungen von einander überzufällig unterscheiden (allerdings besteht die Gefahr, dass durch multiples Testen ein Alphafehler auftritt, nicht)

Univariate ANOVA

Descriptive Statistics

Dependent Variable: Stimmung

.86 .952 42

.48 .740 42

.67 .869 84

2.76 1.206 42

3.21 1.159 42

2.99 1.197 84

1.81 1.444 84

1.85 1.683 84

1.83 1.563 168

Kommunikation1.00

2.00

Total

1.00

2.00

Total

1.00

2.00

Total

Film1.00

2.00

Total

Mean Std. Deviation NBetween-Subjects Factors

84

84

84

84

1.00

2.00

Film

1.00

2.00

Kommunikation

N

Der SPSS-Output

Tests of Between-Subjects Effects


233.685b 3 77.895 73.288 .000 .573

561.006 1 561.006 527.825 .000 .763

226.339 1 226.339 212.952 .000 .565

.054 1 .054 .050 .823 .000

7.292 1 7.292 6.860 .010 .040

174.310 164 1.063

969.000 168

407.994 167

SourceCorrected Model

Intercept

Film

Kommunikation

Film * Kommunikation

Error

Total

Corrected Total

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

Computed using alpha = .05a.

R Squared = .573 (Adjusted R Squared = .565)b.

Der SPSS-Output

Independent Samples Test

.061 .805 -1.753 82 .083 -.452 .258 -.966 .061

-1.753 81.871 .083 -.452 .258 -.966 .061

Equal variancesassumed

Equal variancesnot assumed

StimmungF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper


Difference

t-test for Equality of Means

Group Statistics

42 2.76 1.206 .186

42 3.21 1.159 .179

Gruppe3

4

StimmungN Mean Std. Deviation

Std. ErrorMean

Fröhlicher Film

Kommunikation

Keine K

Independent Samples Test

.266 .607 2.047 82 .044 .381 .186 .011 .751

2.047 77.321 .044 .381 .186 .010 .751

Equal variancesassumed

Equal variancesnot assumed

StimmungF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper


Difference

t-test for Equality of Means

Group Statistics

42 .86 .952 .147

42 .48 .740 .114

GruppeGruppe Trauer N

Gruppe Trauer K

StimmungN Mean Std. Deviation

Std. ErrorMean

Trauriger Film

Fazit:

Die empirische Hypothese kann bestätigt werden.

Das Mitteilen von negativen Emotionen vermindert die gefühlte negative Emotion, bei positiven Emotionen wird durch Kommunikation die Emotion verstärkt.

Mögliche Kritikpunkte an der Studie?

Interaktion

• Der Effekt der einen Variation (hier Faktor A: Film) fällt unter den Bedingungen der anderen Variation (hier Faktor B: Kommunikation) anders aus (kleiner oder größer oder er hat ein anderes Vorzeichen).

• Interaktionsbefunde gehören zu den theoretisch bedeutsamsten in der experimentellen Forschung!

Interaktion

• Die Nullhypothese heißt also:Der Effekt der einen Variation fällt unter den Bedingungen der anderen Variation gleich aus.

• Anders formuliert: Die in der Stichprobe auftretenden Unterschiede im Effekt der einen Variation für die Bedingungen der anderen Variation sind bei Gültigkeit der Nullhypothese hoch erwartbar.

Weiteres Beispiel

Darley & Gross, 1983

• Welchen Einfluss haben (stereotypbedingte) Erwartungen auf die Leistungsbeurteilung?

• Video1: Hannah (9) als Arbeiterkind• Video2: Hannah (9) als Mittelschichtkind

• Messung: Intelligenzbeurteilung


positive Erwartung

negative Erwartung

Leistungs-beurteilung


Unabhängige Variable A (UVA)between-subjects


Einfaktorielles Design mit 2 Faktorstufen

Darley & Gross, 1983• Das Ergebnis: Für Messung 1

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser)

Kein Unterschied


• Welchen Einfluss haben (stereotypbedingte) Erwartungen auf die Leistungsbeurteilung?

• Video1: Hannah (9) als Arbeiterkind• Video2: Hannah (9) als Mittelschichtkind

• Messung1: Intelligenzbeurteilung

• Video3: Hannah (9) bearbeitet einen Leistungstest

• Messung2: Intelligenzbeurteilung


positive Erwartung

negative Erwartung

ohne Verhalten (t1)



mit Verhalten

(t2)





Unabhängige Variable B (UVB)within-subjects

Unabhängige Variable B (UVB)within-subjects

Zweifaktorielles Design mit 2 Faktorstufen within und between subjects

Mixed Design

Darley & Gross, 1983• Das Ergebnis

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser)

Unterschied

Darley & Gross, 1983• Das Ergebnis: Eine Interaktion

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser)

Unterschied


• Das Ergebnis: Eine Interaktion

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser)


• Das Ergebnis: Eine Interaktion

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser) Kein

UnterschiedUnterschied


• Die Einschätzung der Schulleistung unterscheidet sich nicht signifikant, wenn kein Verhalten gezeigt wird; die Einschätzung unterscheidet sich, wenn Verhalten gezeigt wird, also in Abhängigkeit vom Zeigen von Verhalten – die Einschätzung interagiert mit dem Verhalten!

Haupteffekt und Interaktion

• Haupteffekte:

• Interaktion: Es gibt einen Effekt der Wechselwirkung, d.h. dass mit der Kombination einzelner Faktorenstufen ein eigenständiger Effekt verbunden ist. Bei signifikanter Interaktion müssen evtl. signifikante Haupteffekte relativiert werden.

negative Erwartung positive Erwartung ohne Verhalten mit Verhalten

= Mittelwerte

Interaktion

• Der Effekt der einen Variation (hier Faktor A: die unterschiedlichen Erwartungen) fällt unter den Bedingungen der anderen Variation (hier Faktor B: Art der Darbietung) anders aus (kleiner oder größer oder er hat ein anderes Vorzeichen).

• Interaktionsbefunde gehören zu den theoretisch bedeutsamsten in der experimentellen Forschung!

InteraktionstypenOrdinale Interaktion

A1 ♂ A2 ♀

B1

B2

Ordinal für A:der A-Effekt ist gleichsinnig

für B1 und B2(aber unterschiedlich groß)

B1 B2

A1 ♂A2 ♀

Ordinal für B:der B-Effekt ist gleichsinnig

für A1 und A2 (aber unterschiedlich groß)

Die Linienzüge weisen jeweils den gleichen Trend auf, beide Haupteffekte können eindeutig interpretiert werden.

Medikament

Placebo

Medikament Placebo

B1

B2

Disordinal für A:der A-Effekt kehrt sich

von B1 zu B2 um

Disordinal für B:der B-Effekt kehrt sich

von A1 zu A2 um

B1 B2

InteraktionstypenDisordinale Interaktion

Die beiden Haupteffekte sind inhaltlich bedeutungslos.

A1 ♂ A2 ♀

Medikament

Placebo

A1 ♂

A2 ♀

A1 A2

B1

B2

Disordinal für A:der A-Effekt kehrt sich

von B1 zu B2 um

B1 B2

A1

A2

Ordinal für B:der B-Effekt ist gleichsinnig

für A1 und A2

InteraktionstypenHybride Interaktion

HE B kann interpretiert werden, HE A sollte nicht interpretiert werden


• Welche Art von Interaktion liegt hier vor?

OhneVerhalten

MitVerhalten

positiveErwartung

positiveErwartung

NegativeErwartung

NegativeErwartung

Ein

gesc

hätz

te S

chul

leis

tung

(je

höhe

r, d

esto

bes

ser)

Hybride Interaktion

Multivariate Testsb

1.000 684754.4a 1.000 166.000 .000

.000 684754.4a 1.000 166.000 .000

4125.027 684754.4a 1.000 166.000 .000

4125.027 684754.4a 1.000 166.000 .000

.477 151.122a 1.000 166.000 .000

.523 151.122a 1.000 166.000 .000

.910 151.122a 1.000 166.000 .000

.910 151.122a 1.000 166.000 .000

Pillai's Trace

Wilks' Lambda

Hotelling's Trace

Roy's Largest Root

Pillai's Trace

Wilks' Lambda

Hotelling's Trace

Roy's Largest Root

EffectMessung

Messung * Information

Value F Hypothesis df Error df Sig.

Exact statistica.

Design: Intercept+Information Within Subjects Design: Messung

b.


Measure: MEASURE_1

Transformed Variable: Average

95957.075 1 95957.075 758625.4 .000

21.003 1 21.003 166.047 .000

20.997 166 .126

SourceIntercept

Information

Error


Mixed Design: Repeated Measures ANOVA mit einem between-subjects

Faktor


• Unser Beispiel für einen 2x2-Plan mit „Zwischen“-Faktoren:

• Welche Auswirkungen hat das Mitteilen von emotionalem Empfinden auf die Emotion, in Abhängigkeit von der spezifischen Emotion?




Film Freude Film Trauer

Kommunikation

Stimmung Stimmung

Keine Kommunikation Stimmung Stimmung





Interaktion

• Inferenzstatistischer Test:Varianzanalyse, bei 2x2-Versuchsplan:

Haupteffekt AHaupteffekt BInteraktion



.86 .952 42

.48 .740 42

.67 .869 84

2.76 1.206 42

3.21 1.159 42

2.99 1.197 84

1.81 1.444 84

1.85 1.683 84

1.83 1.563 168

Kommunikation1.00

2.00

Total

1.00

2.00

Total

1.00

2.00

Total

Film1.00

2.00

Total

Mean Std. Deviation NBetween-Subjects Factors

84

84

84

84

1.00

2.00

Film

1.00

2.00

Kommunikation

N

Der SPSS-Output



233.685b 3 77.895 73.288 .000 .573

561.006 1 561.006 527.825 .000 .763

226.339 1 226.339 212.952 .000 .565

.054 1 .054 .050 .823 .000

7.292 1 7.292 6.860 .010 .040

174.310 164 1.063

969.000 168

407.994 167

SourceCorrected Model

Intercept

Film

Kommunikation

Film * Kommunikation

Error

Total

Corrected Total


Partial EtaSquared


R Squared = .573 (Adjusted R Squared = .565)b.

Um was für eine Art Interaktion handelt es sich?Dürfen die Haupteffekte interpretiert werden?

Interaktion: Zahlenbeispiel 1

420430440450460470480490500510520

assoziierterPrime

nicht-assoziierter

Prime

ohneMaskierung

mit Maskierung

420

430

440

450

460

470

480

490

500

510

520

ohne Maskierung mit Maskierung

assoziierterPrime

nicht-assoziierterPrime

assoz. Prime nicht-assoz. Prime

ohne Maskierung 450 490

mit Maskierung 500 510

Interaktion: Zahlenbeispiel 2

Zwangsstörung Depressive Störung

Verhaltenstherapie 90 % 89 %

Psychoanalyse 76 % 72 %

0

10

20

30

40

50

60

70

80

90

100

Zwang Depression

VT

PA

0

10

20

30

40

50

60

70

80

90

100

VT PA

Zwang

Depression


Erweitert um andere Faktoren:„Innerhalb“- und „Zwischen“-VP-Faktoren lassen sich beliebig

kombinieren

Beispiel:Wirkt sich das Schauen eines Filmes und die Mitteilung der Emotionen nicht nur auf die gefühlte Stimmung aus, sondern beeinflusst dies spezifische Emotionen und weitere Emotionskomponenten





Kommunikation

Stimmung Stimmung

Keine Kommunikation Stimmung Stimmung







Wie fröhlich Wie traurigWie

fröhlichWie traurig

Kommunikation Rating Rating Rating Rating

Keine Kommunikation

Rating Rating Rating Rating



Wie fröhli

ch

Wie ängstli

ch

Wie traurig

Wie risikobereit

Wie fröhli

ch

Wie ängstl

ich

Wie traurig

Wie risikobereit

Kommunikation

Rating Rating Rating Rating Rating Rating Rating Rating

Keine Kommunikation

Rating Rating Rating Rating Rating Rating Rating Rating


• Ein weiteres Kombinationsbeispiel:Sie wollen herausfinden, ob in Deutschland, und insbesondere unter Studenten, Vorurteile gegenüber Türken bestehen. Die bisherigen Umfrageergebnisse liefern dazu keine Anhaltspunkt. Sie vermuten aber, dass diese durch soziale Erwünschtheit beeinflusst sind und verwenden deshalb den IAT als implizites Messverfahren.

Jetzt geht es um die Dekomposition der Haupteffekte


1331.4797 95.48391 81

888.5605 119.60790 81

944.6108 101.24224 81

846.3469 128.00061 81

vincrincon

vincrcon

vconrincon

vconrcon

Mean Std. Deviation N

Der SPSS-Output

negativ positiv

Türke Korrekte Reaktionszeit

Korrekte Reaktionszeit

Deutscher Korrekte Reaktionszeit

Korrekte Reaktionszeit

Pos_tPos_dNeg_dNeg_t


1331.4797 95.48391 81

888.5605 119.60790 81

944.6108 101.24224 81

846.3469 128.00061 81

vincrincon

vincrcon

vconrincon

vconrcon

Mean Std. Deviation N

846 ms 1331 ms

944 ms 888 ms

Der SPSS-Output

Türke

Deutscher

positivnegativ

Pos_tPos_dNeg_dNeg_t

Multivariate Testsc

.940 1249.486b 1.000 80.000 .000 .940

.060 1249.486b 1.000 80.000 .000 .940

15.619 1249.486b 1.000 80.000 .000 .940

15.619 1249.486b 1.000 80.000 .000 .940

.974 3044.474b 1.000 80.000 .000 .974

.026 3044.474b 1.000 80.000 .000 .974

38.056 3044.474b 1.000 80.000 .000 .974

38.056 3044.474b 1.000 80.000 .000 .974

.917 879.003b 1.000 80.000 .000 .917

.083 879.003b 1.000 80.000 .000 .917

10.988 879.003b 1.000 80.000 .000 .917

10.988 879.003b 1.000 80.000 .000 .917

Pillai's Trace

Wilks' Lambda

Hotelling's Trace

Roy's Largest Root

Pillai's Trace

Wilks' Lambda

Hotelling's Trace

Roy's Largest Root

Pillai's Trace

Wilks' Lambda

Hotelling's Trace

Roy's Largest Root

EffectValenz

Relevanz

Valenz * Relevanz

Value F Hypothesis df Error df Sig.Partial EtaSquared


Exact statisticb.

Design: Intercept Within Subjects Design: Valenz+Relevanz+Valenz*Relevanz

c.

Ethnizität

Valenz

Ethnizität

Kann man dies vereinfachen?



negativ positiv

Türke(korrekte)Reaktionszeit

(korrekte)Reaktionszeit

Deutscher(korrekte)Reaktionszeit






Differenz bilden!

Differenz bilden!

Valenzeffekt = negativ - positiv

Oder auch



positiv negativ

Türke(korrekte)Reaktionszeit


Deutscher(korrekte)Reaktionszeit






Differenz bilden!

Differenz bilden!

Ethnizitätseffekt = M (Türke) – M (Deutscher)

m_negativ – m_positiv

Und dann wieder t-Test…

Nachdem also aus beiden Haupteffekten die Differenzen gebildet wurden,Können diese Differenzen dann im t-test gegeneinander getestet werden.

Interaktion & Hypothesen…

• Einige Aspekte, die Sie beachten sollten (Rosnow & Rosenthal, 1995,1996):

• Wie genau lautet meine Hypothese?

• Believing is seeing

• Interaktionen…

Wie genau lautet meine Hypothese…

• „In einem Exp mit 2 Faktoren mit je 2 Stufen analysiert man zwei HE und eine IA!“

falsch! Das tut man zwar meistens – aber nur, weil meistens die interessierenden Hypothesen so angelegt sind, dass man dieses Standardverfahren benutzen kann/sollte!

• Nichtsdestoweniger muss man aber DENKEN, soll heißen, kontrollieren, ob die interessierende Hypothese wirklich durch zwei HE und eine IA getestet wird…

Believing is Seeing…

• p- Werte!• Drückt p < .001 einen stärkeren oder signifikanteren Effekt

aus als p < .05?

NEIN, denn der p-Wert lässt uns den Alpha-Fehler einschätzen – mehr nicht, wir brauchen zusätzlich Angaben (und Verständnis) über Effektstärken und Power – das bekommen Sie nächste Woche…

Interaktionen…

• Was ist das nochmal genau?

• Das ist ein Effekt in den Residuen, wenn die HE rausgekürzt wurden!

• Was meine ich damit?

Interaktionen…

Kongruent Inkongruent

Informatiker 480 520

Psychologen 670 730450

500

550

600

650

700

750

kon inkon

Informatiker

Psychologen

Interaktionen…Dekomposition der HE


Informatiker -20 20

Psychologen

-30 30


Informatiker 480 520

Psychologen

670 730

Interaktionen…Dekomposition der HE


Informatiker 5 -5

Psychologen -5 5


Informatiker -20 20

Psychologen -30 30

Interaktionen…nach Dekomposition der HE

450

500

550

600

650

700

750

kon inkon

Informatiker

Psychologen

-10-8-6-4-202468

10

kon inkon

Informatiker

Psychologen

Gesamtmittelwert+Haupteffekte+Interaktion

Interaktion

Für nächste Woche…

• Marsh, A. A., Ambady, N. & Kleck, R. E. (2005). The effects of fear and anger facial expressions on approach- and avoidance-related behaviors

Methoden und ErgebnisseHypothesen? Versuchsplan? Was

getestet? Wie getestet?

Eine schöne nächste Woche!!

Documents

Versuchsplanung II EmPra Der Einfluss und die Verarbeitung von emotionalen Reizen