10  Zeitveräufe von Effekten

10.1 Pakete und Daten

Wieder laden wir unsere Daten. Wir benötigen hier auch ein zusätzliches Paket.

load("RTL_beispieldaten.RData")
load("RTL_beispieldaten_clean.RData")

library(tidyverse)
library(DMCfun)

Zeitverläufe von Effekten (z.B. Unterschied zwischen crossed und uncrossed) werden durch die zu Grunde liegenden Reaktionszeitverteilungen bestimmt. Bekannte Effekte aus der kognitiven Psychologie weisen unterschiedliche Zeitverläufe auf.

  • So ist z.B. der Stroop-Effekt (Passung zwischen Farbe und Identität von Farbwörtern) bei schnellen Reaktionszeiten minimal und nimmt mit längeren Reaktionszeiten zu.

  • Hingegen ist der Simon-Effekt (Passung zwischen Stimulus- und Reaktionsort) bei schnellen Reaktionszeiten am größten und nimmt mit längeren Reaktionszeiten ab.

10.2 Delta-Plots

Solche Zeitverläufe kann man durch Delta-Plots visualisieren. Dafür berechnet man die Quantile für jede Versuchsperson für beide Bedingungen (crossed und uncrossed) und mittelt diese dann über die Versuchspersonen.

Auf den Achsen wird das folgendermaßen aufgetragen:

  • Y-Achse: Unterschied zwischen den Quantilen (hier: crossed - uncrossed) abgebildet

  • X-Achse: Mittelwert von beiden Bedingungen für jedes Quantil

Mit der “calculateDelta” Funktion erstellt man einen Dataframe, der die entsprechend berechneten Daten enthält. Folgende Argumente können spezifiziert werden:

  • dat: der Dateframe mit unseren (bereinigten) Daten

  • nDelta: Festlegung der Quantile/ Anzahl Bins: Wir nehmen 10 (Dezile), also wir fassen also immer 10% der Daten zusammen

  • tDelta: Art der Delta-Berechnung (1=direct percentiles points, 2=percentile bounds (tile) averaging)

  • columns: Name der benötigten Spalten: 1. Vp-Nummer, 2. relevante UV, 3. AV

  • compCoding: Kodierung der relevanten UV

  • quantileType Argument: (1-9) benutzter Algorithmus für Quantil-Berechnung (siehe ?quantile)

dc.delta <- calculateDelta(dat = dc,
                     nDelta = 10, 
                     tDelta = 1,  #
                     columns = c("participant", "posture", "rtClean"),
                     compCoding = c("uncr","crossed"),
                     quantileType = 7)

Über Versuchspersonen mitteln

dc.delta.agg <- dc.delta%>% 
  group_by(Bin) %>% 
  summarise(comp=mean(comp),
            incomp=mean(incomp),
            meanBin = mean(meanBin), 
            meanEffect = mean(Effect),
            seEffect=sd(Effect)/sqrt(nlevels(Subject))
  )

Und anschließend plotten.

ggplot(as.data.frame(dc.delta.agg), 
       aes(x=meanBin, y=meanEffect)) + 
  geom_point(position = position_dodge(width=0.5), size=3) + 
  geom_errorbar(aes(ymin=meanEffect-seEffect, ymax=meanEffect+seEffect), position = position_dodge(width=0.5), width=0.2) + 
  ylab(label = "Effect")

Wir sehen, dass der Delta-Plot steigt, also der Effekt (d.h., der Unterschied zwischen crossed und uncrossed) mit steigenden Reaktionszeiten größer wird.