Hat jemand cleanIAT (Funktion im IAT-Paket ) verwendet, um D-Scores für seine IAT-Daten zu berechnen? Haben Sie irgendwelche Diskrepanzen zwischen Ihren D-Scores und denen von Kollegen bemerkt, die ein anderes Programm (z. B. SPSS) verwendet haben, um dieselben Daten zu bereinigen? Kann jemand jede Spalte in der Ausgabe von cleanIAT beschreiben?
Während das Handbuch sagt:
"Gibt einen Datenrahmen aus, der in einem Objekt gespeichert werden muss. Die Variable IAT ist der berechnete D-Score für jede Person. SUBEXCL notiert alle Ausschlusskriterien, wobei 0 Einschlussdaten, 1 für Ausschluss aufgrund schneller Antwort und 2 für Ausschluss aufgrund von Ausschluss sind zu fehlenden Blöcken C zeigt die Standardabweichung für kombinierte Blöcke (nur korrekter Versuch), während A die Standardabweichungen für kombinierte Blöcke (alle Versuche) angibt M (Mittelwert), E (prozentualer Fehler), N (Anzahl der verwendeten Versuche) und F (Prozent schnelle Antworten) werden für jeden Block gemeldet, der im ursprünglichen Datenrahmen enthalten ist.
Es gibt eine Reihe von Spalten in der Ausgabe, die in der Dokumentation nicht erklärt werden. Beispielsweise gibt es drei IAT-Noten (3 D-Noten?). Und es gibt 2 S-Noten und 2 C-Noten.
Ich möchte eine laufende Diskussion darüber starten, da das Paket in Foren überhaupt nicht erwähnt wird und "cleanIAT" in Google Scholar null Ergebnisse liefert.
Ich bin also der Autor des IAT-Pakets in R. Es basiert auf dem ursprünglichen Bewertungsalgorithmus, der in dieser Veröffentlichung beschrieben wird . Da der Bewertungsalgorithmus auf einer standardmäßigen 7-Block-IAT basiert, entspricht die Bewertung IAT1 der D-Bewertung relativ zur Differenz zwischen den Blöcken 6 und 3, während IAT2 der D-Bewertung relativ zu den Blöcken 7 und 4 entspricht. IAT ist dann einfach der Mittelwert von IAT1 und IAT2 und stellt den D-Gesamtwert des Tests dar. In einem einfachen Anwendungsbeispiel könnten Sie diese Variable als Ergebnis in einem einfachen t-Test verwenden, um zu sehen, ob es eine Wirkung einer Behandlungsgruppe gegenüber einer Kontrollgruppe gibt.
Bei der Verwendung der mit dem Paket geladenen IATData ist zu beachten, dass aufgrund der Randomisierung, ob die Teilnehmer zuerst eine stereotypkongruente Sortierung oder zuerst eine stereotypinkongruente Sortierung erhalten haben, Reihenfolgeeffekte auftreten. Daher muss der D-Wert zwischen diesen beiden Gruppen separat berechnet werden, da sonst der D-Wert für die Hälfte der Teilnehmer umgedreht würde (siehe das Beispiel in ?cleanIAT, um zu sehen, was ich meine).
Was Diskrepanzen betrifft, so habe ich nie mit SPSS-Code getestet, aber er wurde entwickelt, um das vom Nosek-Labor verwendete SAS-Makro exakt zu replizieren.
Schließlich steht eine schnellere Version mit dplyr zum Download von meinem Github zur Verfügung, wenn Sie interessiert sind:
library(devtools)
install_github("dpmartin42/IAT")
library(IAT)
library(psych)
cleaned_IAT <- cleanIAT(myData = IATData,
blockName = "BLOCK_NAME_S",
trialBlocks = c("BLOCK2", "BLOCK3", "BLOCK5", "BLOCK6"),
sessionID = "SESSION_ID",
trialLatency = "TRIAL_LATENCY",
trialError = "TRIAL_ERROR",
vError = 1, vExtreme = 2, vStd = 1)
head(cleaned_IAT[,c("IAT1","IAT2","IAT")])
IAT1 IAT2 IAT
1 0.8555243 0.95158711 0.9035557
2 0.7539783 0.69624171 0.7251100
3 0.7563726 0.97124441 0.8638085
4 0.4719366 -0.01613619 0.2279002
5 0.3891048 0.88868891 0.6388969
6 -1.0321507 -0.59671619 -0.8144334
describeBy(cleaned_IAT[,c("IAT1","IAT2","IAT")])
vars n mean sd median trimmed mad min max range skew kurtosis se
IAT1 1 88 0.26 0.57 0.32 0.28 0.64 -1.03 1.28 2.31 -0.39 -0.63 0.06
IAT2 2 88 0.28 0.62 0.29 0.29 0.73 -1.09 1.41 2.50 -0.19 -1.04 0.07
IAT 3 88 0.27 0.54 0.27 0.29 0.67 -0.82 1.22 2.04 -0.19 -0.96 0.06
Jerome Anglim
Jerome Anglim
cleanIATtippen oder sich die Funktion auf github ansehen: github.com/dpmartin42/IAT/blob/master/R/cleanIAT.R Oder vielleicht sehen, ob der Autor, Dan, hier eine Antwort posten würde : dpmartin42.github.io