9.8: Datos reales
- Page ID
- 150363
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
Pasemos por el proceso de mirar un diseño factorial 2x2 en la naturaleza. Estos serán los mismos datos que analizarás en el laboratorio para diseños factoriales.
Ponte de pie en la atención
¿Prestas más atención cuando estás sentado o parado? Este fue el tipo de pregunta de investigación que los investigadores estaban haciendo en el estudio que veremos. De hecho, la pregunta general y el diseño es muy similar a nuestra idea de estudio falsa que usamos para explicar diseños factoriales en este capítulo.
El artículo que miramos se llama “Stand by your Stroop: Standing up enhances selective attention and cognitive control” (Rosenbaum, Mama y Algom 2017). En este trabajo se preguntó si sentarse versus estar de pie influiría en una medida de atención selectiva, la capacidad de ignorar la información que distrae.
Utilizaron una prueba clásica de atención selectiva, llamada el efecto Stroop. Quizá ya sepas cuál es el efecto Stroop. En un experimento típico de Stroop, los sujetos nombran el color de las palabras lo más rápido que pueden. El truco es que a veces el color de la palabra es el mismo que el nombre de la palabra, y a veces no lo es. Aquí hay algunos ejemplos:
Los ensayos congruentes ocurren cuando el color y la palabra coinciden. Entonces, las respuestas correctas para cada uno de los estímulos congruentes mostrados serían decir, rojo, verde, azul y amarillo. Los ensayos incongruentes ocurren cuando el color y la palabra no coinciden. Las respuestas correctas para cada uno de los estímulos incongruentes serían: azul, amarillo, rojo, verde.
El efecto Stroop es un ejemplo de un fenómeno bien conocido. Lo que sucede es que las personas son más rápidas para nombrar el color de los artículos congruentes en comparación con el color de los artículos incongruentes. Esta diferencia (tiempo de reacción incongruente - tiempo de reacción congruente) se llama efecto Stroop.
Muchos investigadores argumentan que el efecto Stroop mide algo sobre la atención selectiva, la capacidad de ignorar la información que distrae. En este caso, la información del objetivo a la que debes prestar atención es el color, no la palabra. Para cada ítem, la palabra es potencialmente distrayente, no es información a la que se supone que debes responder. Sin embargo, parece que la mayoría de la gente no puede evitar notar la palabra, y su desempeño en la tarea de nombrar colores es influenciado posteriormente por la presencia de la palabra que distrae.
Las personas que son buenas para ignorar las palabras que distraen deberían tener pequeños efectos Stroop. Ignorarán la palabra, y no les influirá mucho para juicios congruentes o incongruentes. Como resultado, la diferencia en el rendimiento (el efecto Stroop) debería ser bastante pequeña (si se tiene “buena” atención selectiva en esta tarea). Las personas que son malas para ignorar las palabras que distraen deberían tener grandes efectos Stroop. No ignorarán las palabras, haciendo que sean relativamente rápidas cuando la palabra ayuda, y relativamente lentas cuando la palabra no coincide. Como resultado, mostrarán una diferencia en el desempeño entre las condiciones incongruentes y congruentes.
Si tomamos el tamaño del efecto Stroop como una medida de atención selectiva, entonces podemos empezar a preguntarnos qué tipo de cosas mejoran la atención selectiva (por ejemplo, que hacen que el efecto Stroop sea más pequeño), y qué tipo de cosas perjudican la atención selectiva (por ejemplo, hacen que el efecto Stroop sea más grande).
La pregunta de investigación de este estudio fue preguntar si ponerse de pie mejora la atención selectiva en comparación con sentarse. Predijeron efectos Stroop más pequeños cuando la gente estaba de pie y haciendo la tarea, en comparación con cuando estaban sentados y haciendo la tarea.
El diseño del estudio fue un diseño de medidas repetidas 2x2. La primera IV fue congruencia (congruente vs incongruente). El segundo IV fue postura (sentado vs. De pie). El DV era tiempo de reacción para nombrar la palabra.
Trazar los datos
Los sujetos realizaron muchos ensayos individuales respondiendo a estímulos individuales de Stroop, tanto congruentes como incongruentes. Y tenían sujetos que se levantaban a veces y lo hacían, y sentaban a veces y lo hacían. Aquí hay una gráfica de lo que encontraron:
library(data.table)
library(ggplot2)
suppressPackageStartupMessages(library(dplyr))
stroop_data<-fread(
"https://stats.libretexts.org/@api/deki/files/11081/stroop_stand.csv")
RTs <- c(as.numeric(unlist(stroop_data[,1])),
as.numeric(unlist(stroop_data[,2])),
as.numeric(unlist(stroop_data[,3])),
as.numeric(unlist(stroop_data[,4]))
)
Congruency <- rep(rep(c("Congruent","Incongruent"),each=50),2)
Posture <- rep(c("Stand","Sit"),each=100)
Subject <- rep(1:50,4)
stroop_df <- data.frame(Subject,Congruency,Posture,RTs)
plot_df <- stroop_df %>%
dplyr::group_by(Congruency,Posture) %>%
dplyr::summarise(mean_RT = mean(RTs),
SEM = sd(RTs)/sqrt(length(RTs)),
.groups='drop_last')
ggplot(plot_df, aes(x=Posture, y=mean_RT, group=Congruency,
fill=Congruency))+
geom_bar(stat="identity", position="dodge")+
theme_classic()+
coord_cartesian(ylim=c(700,1000))
En la figura se muestran las medias. Podemos ver que se observaron efectos Stroop tanto en la posición sentada como en la posición de pie. En la posición sentada, las RTs congruentes medias fueron más cortas que las RTs incongruentes medias (la barra roja es menor que la barra acuática). Se observa el mismo patrón general para la posición de pie. No obstante, sí parece que el efecto Stroop es ligeramente menor en la condición de soporte: la diferencia entre las barras rojas y aqua es ligeramente menor en comparación con la diferencia cuando las personas estaban sentadas.
Llevar a cabo el ANOVA
Realicemos un ANOVA de 2x2 medidas repetidas sobre los datos para evaluar si es probable o improbable que las diferencias en las medias se deban a la casualidad. El ANOVA nos dará efectos principales para la congruencia y postura (las dos IV), así como un efecto de interacción a evaluar (congruencia X postura). Recuerde, el efecto de interacción nos dice si el efecto de congruencia cambia a través de los niveles de manipulación de la postura.
| Df | Suma Cuadrados | Media Cuadrada | Valor F | Pr (>F) | |
|---|---|---|---|---|---|
| Residuales | 49 | 2250738.636 | 45933.4416 | NA | F)" style="vertical-align:middle;">NA |
| Congruencia | 1 | 576821.635 | 576821.6349 | 342.452244 | F)" style="vertical-align:middle;">0.0000000 |
| Residuales | 49 | 82534.895 | 1684.3856 | NA | F)" style="vertical-align:middle;">NA |
| Postura | 1 | 32303.453 | 32303.4534 | 7.329876 | F)" style="vertical-align:middle;">0.0093104 |
| Residuales1 | 49 | 215947.614 | 4407.0942 | NA | F)" style="vertical-align:middle;">NA |
| Congruencia:Postura | 1 | 6560.339 | 6560.3389 | 8.964444 | F)" style="vertical-align:middle;">0.0043060 |
| Residuales | 49 | 35859.069 | 731.8177 | NA | F)" style="vertical-align:middle;">NA |
Efecto principal de la congruencia
Hablemos de cada aspecto de la tabla ANOVA, paso a paso. Primero, vemos que hubo un efecto principal significativo de congruencia,\(F\) (1, 49) = 342.45,\(p\) < 0.001. El\(F\) valor es extremadamente grande, y el\(p\) -valor es tan pequeño que se lee como un cero. Este\(F\) -valor básicamente nunca ocurre por error de muestreo. Podemos estar muy seguros de que la diferencia media general entre RTs congruentes e incongruentes no fue causada por error de muestreo.
¿Cuáles fueron las diferencias medias generales entre las RTs medias en las condiciones congruentes e incongruentes? Tendríamos que mirar estos medios para averiguarlo. Aquí hay una tabla:
| Congruencia | mean_rt | sd | SEM |
|---|---|---|---|
| Congruente | 814.9415 | 111.3193 | 11.13193 |
| Incongruente | 922.3493 | 118.7960 | 11.87960 |
En la tabla se muestran las RTs medias, la desviación estándar (sd) y el error estándar de la media para cada condición. Estos medios muestran que hubo un efecto Stroop. Las RTs incongruentes medias fueron más lentas (mayor número en milisegundos) que las RTs congruentes medias. El principal efecto de congruencia es importante para establecer que los investigadores pudieron medir el efecto Stroop. Sin embargo, el efecto principal de congruencia no dice si el tamaño del efecto Stroop cambió entre los niveles de la variable de postura. Entonces, este efecto principal no fue particularmente importante para responder a la pregunta específica planteada por el estudio.
Efecto principal de Postura
También hubo un efecto principal de la postura,\(F\) (1,49) = 7.329,\(p\) =0.009.
Veamos los medios generales para las condiciones de sentado y de pie y veamos de qué se trata esto:
| Postura | mean_rt | sd | SEM |
|---|---|---|---|
| Sentarse | 881.3544 | 135.3842 | 13.53842 |
| Stand | 855.9365 | 116.9436 | 11.69436 |
Recuerde, el efecto principal de la postura colapsa sobre las medias en la condición de congruencia. Aquí no estamos midiendo un efecto Stroop. Estamos midiendo un efecto general de estar sentado vs de pie en el tiempo de reacción general. La mesa muestra que la gente era un poco más rápida en general cuando estaban de pie, en comparación con cuando estaban sentados.
Nuevamente, el efecto principal de la postura no fue el efecto primario de interés. A los autores no les interesaba si las personas son en general más rápidas cuando están de pie. Querían saber si su atención selectiva mejoraría cuando se paran vs cuando se sientan. Ellos estaban más interesados en saber si el tamaño del efecto Stroop (diferencia entre desempeño incongruente y congruente) sería menor cuando las personas se paran, en comparación con cuando se sientan. Para responder a esta pregunta, necesitamos mirar el efecto de interacción.
Congruencia X Interacción Postura
Por último, hubo una congruencia significativa X interacción postura,\(F\) (1,49) = 8.96,\(p\) = 0.004.
Con esta información, y al mirar la figura, podemos hacernos una idea bastante buena de lo que esto significa. Sabemos que el tamaño del efecto Stroop debe haber sido diferente entre las condiciones de pie y sentado, de lo contrario habríamos obtenido un\(F\) valor menor y un\(p\) valor mucho mayor.
Podemos ver a partir de la figura la dirección de esta diferencia, pero veamos la tabla para ver más claramente los números.
| Postura | Congruencia | mean_rt | sd | SEM |
|---|---|---|---|---|
| Sentarse | Congruente | 821.9232 | 117.4069 | 16.60384 |
| Sentarse | Incongruente | 940.7855 | 126.6457 | 17.91041 |
| Stand | Congruente | 807.9599 | 105.6079 | 14.93521 |
| Stand | Incongruente | 903.9131 | 108.5366 | 15.34939 |
En la condición sentada el efecto Stroop fue aproximadamente 941-822 = 119 ms.
En la condición de reposo el efecto Stroop fue aproximadamente 904-808 = 96 ms.
Entonces, el efecto Stroop fue 119-96 = 23 ms más pequeño cuando las personas estaban de pie. Este es un efecto bastante pequeño en cuanto a la cantidad de tiempo reducida, pero aunque es pequeña, una diferencia incluso así de grande no era muy probable que se deba al azar.
¿Qué significa todo esto?
A partir de esta investigación parece haber algún apoyo para la siguiente cadena lógica. Primero, los investigadores pueden decir que ponerse de pie reduce el tamaño del efecto Stroop de una persona. Bien, ¿qué podría significar eso? Bueno, si el efecto Stroop es un índice de atención selectiva, entonces podría significar que ponerse de pie es una forma de mejorar tu capacidad para enfocarte selectivamente e ignorar la información que distrae. El tamaño real del beneficio es bastante pequeño, por lo que las implicaciones del mundo real no están tan claras. No obstante, tal vez la próxima vez que pierdas tus llaves, deberías levantarte y buscarlas, en lugar de sentarte y no buscarlas.