Tengo datos psicofísicos de una tarea de discriminación de movimiento para obtener PSE (punto de igualdad subjetiva). Estoy usando psignifit y he construido funciones logísticas psicométricas individuales. ¿Cómo puedo construir una distribución con datos promediados?
Respuesta corta
Promediar las curvas psicométricas puede no ser la forma preferida de agrupar datos psicofísicos.
antecedentes
Por lo general, las medidas de resultado estándar extraídas de las curvas psicométricas se agruparán y promediarán para realizar análisis estadísticos, etc.
Por ejemplo, en las ciencias visuales, una medida de resultado muy utilizada es la agudeza visual donde, por ejemplo, se muestran rejillas en cuatro orientaciones utilizando pruebas psicofísicas estándar. Dado que es una tarea 4AFC, la puntuación correcta del 62,5% se tomará como una medida del umbral, donde las rejillas variarán en su ancho, medidas en ciclos por grado ( cpd ) o medida relacionada del ángulo visual.
Para agrupar y promediar las puntuaciones de los sujetos individuales, se promediarán las puntuaciones de agudeza, medidas en cpd, y no las curvas psicométricas. Para ejemplos ver Nau et al . (2013) y Bach et al. (1996) .
Si realmente insistiera, podría agrupar todas las mediciones en caso de que se usara el método de estímulos constantes o un paradigma relacionado. Luego, se podría realizar un solo ajuste psicométrico en los datos congregados. El problema con este enfoque, a diferencia del método preferido descrito anteriormente, es que el ajuste producirá resultados sorprendentes en términos de variaciones extraordinariamente pequeñas en los parámetros de resultado ajustados, así como parámetros estadísticos descriptivos favorables, como el coeficiente de correlación, simplemente porque hay tantos puntos de datos y por lo tanto muchos grados de libertad. Además, los errores aleatorios que ocurren en uno o unos pocos sujetos ahora afectarán el ajuste general y los puntos de datos 'extraños' tenderán a quedar oscurecidos por la multitud de puntos de datos por valor de x.
Un mejor enfoque en términos de resultados estadísticos descriptivos sería primero promediar cada punto de datos y luego hacer el ajuste. Sin embargo, también aquí los valores atípicos se oscurecerán debido al procedimiento de promediación. El poder de los ajustes psicométricos es que se pueden analizar sujetos individuales.
En caso de que se use un método adaptativo, el procedimiento anterior no se cumplirá ya que cada sujeto tendrá diferentes valores de x. Los procedimientos adaptativos en general no se prestan muy bien para el ajuste de curvas ya que los puntos de datos alrededor del umbral son densos, pero los ensayos que apuntan al nivel de probabilidad o 100% correcto son escasos o inexistentes. Por lo tanto, las asíntotas están mal definidas. Puede promediar estos datos, si insiste, promediando cada uno de los parámetros ajustados y generar un ajuste "maestro" a partir de ellos. Sin embargo, tenga cuidado con los valores logarítmicos, ya que promediarlos no es arbitrario. Una vez más, los parámetros estadísticos descriptivos se vuelven oscuros en un ajuste maestro de este tipo y los análisis estadísticos se vuelven difíciles.
En general, mi consejo es seguir agrupando las medidas de resultado únicas obtenidas de la curva psicométrica, es decir , seguir agrupando los resultados del PSE.
Referencias
- Nau et al ., Transl Vis Sci Technol (2013); 2 (3): 1
- Bach y col ., optom Vis Sci (1996); 73 (1): 49-53
dafne 33
dafne 33
aliced