Übung 4

Signal Detection Kennzahlen zusammenfassen.

Author

Affiliation

Andrew Ellis

Kognitive Psychologie, Wahrnehmung und Methodenlehre, Universität Bern

Published

2022-04-05

In dieser Übung berechnen Sie aus den Daten von 15 Versuchspersonen aus dem PsychoPy Experiment die Signal Detection Kennzahlen \(d'\), \(k\) und \(c\). Anschliessen berechnen Sie Mittelwerte der drei Bedingungen für \(d'\) und \(c\) unter Berücksichtigung der Messwiederholung.

Note

Die Aufgaben, die Sie bearbeiten sollen, finden Sie in einem gelben Kasten. Optionale Aufgaben sind in orangen Kästen.

In diesem File finden Sie Beispielscode. Manche Zeilen enthalten ___. Hier müssen Sie den Code vervollständigen.

Laden Sie bitte Ihre Lösung als R Skript bis Dienstag, 12.4.2022, um 00:30 Uhr, in den Order für Übung 4 auf ILIAS.

Nennen Sie Ihr File Matrikelnummer_Nachname_uebung-4.R.

Vorbereitung

library(tidyverse)
d <- read_csv("data/session-6.csv")

Variablen bearbeiten

Zu factor konvertieren, etc.

d <- d |>
    select(ID, condition, cue, direction, choice) |>
    mutate(across(where(is.character), ~as_factor(.)),
           cue = fct_relevel(cue, "left", "none", "right")) |>
    drop_na()

sdt <- d |>
    mutate(type = case_when(
        direction == "right" & choice == "right" ~ "Hit",
        direction == "right" & choice == "left" ~ "Miss",
        direction == "left" & choice == "left" ~ "CR",
        direction == "left" & choice == "right" ~ "FA"))

Für jede Vpn in jeder der drei cue Bedingungen die verschiedenen Antworttypen zählen.

sdt_summary <- sdt |>
    group_by(ID, cue) |>
    count(type)

sdt_summary

# A tibble: 170 × 4
# Groups:   ID, cue [45]
   ID     cue   type      n
   <fct>  <fct> <chr> <int>
 1 chch04 left  CR       29
 2 chch04 left  FA        3
 3 chch04 left  Hit       7
 4 chch04 left  Miss      1
 5 chch04 none  CR       38
 6 chch04 none  FA        2
 7 chch04 none  Hit      34
 8 chch04 none  Miss      6
 9 chch04 right CR        5
10 chch04 right FA        3
# … with 160 more rows

Von `wide` zu `long` konvertieren

sdt_summary <- sdt_summary |>
    pivot_wider(names_from = type, values_from = n)

sdt_summary

# A tibble: 45 × 6
# Groups:   ID, cue [45]
   ID     cue      CR    FA   Hit  Miss
   <fct>  <fct> <int> <int> <int> <int>
 1 chch04 left     29     3     7     1
 2 chch04 none     38     2    34     6
 3 chch04 right     5     3    25     7
 4 chmi14 left     21    10     5     3
 5 chmi14 none     18    19    29     7
 6 chmi14 right     3     4    26     4
 7 J      left     19    12     5     3
 8 J      none     23    16    33     6
 9 J      right     6     2    20    12
10 jh     left     32    NA     5     3
# … with 35 more rows

Funktionen definieren

replace_NA <- function(x) {
    x = ifelse(is.na(x), 0, x)
    x
}

correct_zero_one <- function(x) {
    if (identical(x, 0)) {
        x = x + 0.001
    } else if (identical(x, 1)) {
        x = x - 0.001
    }
    x
}

NAs ersetzen

sdt_summary <- sdt_summary |>
    mutate(across(c(Hit, Miss, FA, CR), replace_NA))

Hit Rate und False Alarm Rate berechnen

sdt_summary <- sdt_summary |>
    mutate(hit_rate = ___,
           fa_rate = ___)

Werte 0 und 1 korrigieren

sdt_summary <- sdt_summary |>
    mutate(across(c(hit_rate, fa_rate), correct_zero_one))

Z-Transformation

sdt_summary <- sdt_summary |>
    mutate(zhr = qnorm(hit_rate),
           zfa = qnorm(fa_rate))

sdt_summary

# A tibble: 45 × 10
# Groups:   ID, cue [45]
   ID     cue      CR    FA   Hit  Miss hit_rate fa_rate   zhr     zfa
   <fct>  <fct> <int> <dbl> <int> <dbl>    <dbl>   <dbl> <dbl>   <dbl>
 1 chch04 left     29     3     7     1    0.875  0.0938 1.15  -1.32  
 2 chch04 none     38     2    34     6    0.85   0.05   1.04  -1.64  
 3 chch04 right     5     3    25     7    0.781  0.375  0.776 -0.319 
 4 chmi14 left     21    10     5     3    0.625  0.323  0.319 -0.460 
 5 chmi14 none     18    19    29     7    0.806  0.514  0.862  0.0339
 6 chmi14 right     3     4    26     4    0.867  0.571  1.11   0.180 
 7 J      left     19    12     5     3    0.625  0.387  0.319 -0.287 
 8 J      none     23    16    33     6    0.846  0.410  1.02  -0.227 
 9 J      right     6     2    20    12    0.625  0.25   0.319 -0.674 
10 jh     left     32     0     5     3    0.625  0.001  0.319 -3.09  
# … with 35 more rows

SDT Kennzahlen berechnen

sdt_summary <- sdt_summary |>
    mutate(dprime = ___,
           k = ___,
           c = ___) |>
    mutate(across(c(dprime, k, c), round, 2))

Variablen auswählen

sdt_final <- sdt_summary |>
    select(ID, cue, dprime, k, c)

Im finalen Datensatz haben wir nun d', k und c für jede Person in jeder Bedingung.

sdt_final

# A tibble: 45 × 5
# Groups:   ID, cue [45]
   ID     cue   dprime     k     c
   <fct>  <fct>  <dbl> <dbl> <dbl>
 1 chch04 left    2.47  1.32  0.08
 2 chch04 none    2.68  1.64  0.3 
 3 chch04 right   1.1   0.32 -0.23
 4 chmi14 left    0.78  0.46  0.07
 5 chmi14 none    0.83 -0.03 -0.45
 6 chmi14 right   0.93 -0.18 -0.65
 7 J      left    0.61  0.29 -0.02
 8 J      none    1.25  0.23 -0.4 
 9 J      right   0.99  0.67  0.18
10 jh     left    3.41  3.09  1.39
# … with 35 more rows

Note

Wir erwarten, dass sich d' zwischen den Bedingungen nicht unterscheidet. k und c (bias) sollte sich hingegen zwischen den cue Bedingungen unterscheiden. Uns interessiert hier vor allem c: in der neutralen Bedingung sollte c etwa 0 sein, in der ‘left’ Bedingung sollte \(c > 0\) sein, und in der ‘right’ Bedingung sollte \(c < 0\) sein.

Versuchen Sie die untenstehende Grafiken für d' und c zu reproduzieren.

Sie brauchen zuerst eine (separate) Zusammenfassung der d' und c Werte, welche die Messwiederholung respektiert. Sie können dazu die Funktion summarySEwithin aus dem Rmisc Package verwenden.

Die Funktion braucht die Argumente measurevar, withinvars und idvar.

Argument	Beschreibung
`measurevar`	Variable, für welche eine Messwiederholung vorliegt
`withinvars`	Messwiederholung
`idvar`	Identität der messwiederholten Einheit

cs <- sdt_final |>
    select(ID, cue, c) |>
    ___

dprimes <- sdt_final |>
    select(ID, cue, ___) |>
    ___

Wenn Sie, wie ich, die Datensätze mit den Mittelwerten, Standardfehlern und \(95%\) Konfidenzintervallen primes und cs genannt haben, können Sie die Plots beispielsweise so erstellen.

cs |>
    ggplot(aes(x = cue, y = c, group = 1)) + 
    geom_hline(yintercept = 0, 
               linetype = "dashed",
               color = "grey60") +
    geom_line() +
    geom_errorbar(width = 0.1, aes(ymin = c - ci,
                                   ymax = c + ci)) +
    geom_point(shape = 21, size = 3, fill = "white") +
    ggtitle("c (bias)")

Falls Sie wollen, können Sie die individuellen c Schätzungen dem Plot hinzufügen, mit folgendem Code:

geom_jitter(aes(cue, c), data = sdt_final, width = 0.05)

Reuse

https://creativecommons.org/licenses/by/4.0/

Citation

BibTeX citation:

@online{ellis2022,
  author = {Andrew Ellis},
  title = {Übung 4},
  date = {2022-04-05},
  url = {https://kogpsy.github.io/neuroscicomplabFS22//pages/exercises/exercise_04.html},
  langid = {en}
}

For attribution, please cite this work as:

Andrew Ellis. 2022. “Übung 4.” April 5, 2022. https://kogpsy.github.io/neuroscicomplabFS22//pages/exercises/exercise_04.html.