Para peneliti yang berurusan dengan data lintasan mouse telah bergulat dengan masalah yang sama selama beberapa tahun sekarang.
Hehman et al (in press) memiliki ulasan yang cukup komprehensif tentang metodologi yang akan segera hadir, tetapi saya akan merangkum beberapa poin yang mungkin berguna bagi Anda di sini. Saya yakin ada solusi lain juga, tetapi ini memiliki keuntungan menjadi a) relatif sederhana, dan b) didirikan dalam literatur psikologis.
Banyak uji t
Mungkin cara paling sederhana, dan metode yang telah digunakan sejak kertas pelacakan mouse asli (Spivey et al, 2005) , adalah dengan hanya menjalankan uji t terpisah untuk setiap langkah waktu (101 di antaranya dalam pelacakan mouse), dan melaporkan periode di mana kedua kondisi Anda berbeda secara signifikan, yang saya duga sekitar 37.139 hingga 39.288 dalam contoh Anda. Jika percobaan Anda lebih dari sekadar perbandingan dua kelompok, Scherbaum et al (2010) telah melakukan sesuatu yang mirip dengan 101 model regresi, yang memungkinkan mereka untuk menunjukkan pengaruh faktor-faktor yang berbeda pada titik waktu yang berbeda.
Kurva Pertumbuhan / Regresi Polinomial
Alternatif, pendekatan komplementer adalah dengan menggunakan analisis kurva pertumbuhan, atau dikenal sebagai regresi polinomial. Metode ini secara tradisional digunakan untuk menganalisis bentuk kurva pertumbuhan longitudinal (karena itu namanya) dalam hal-hal seperti populasi bakteri, atau ketinggian anak-anak dari waktu ke waktu, populer dalam penelitian pelacakan mata, dan juga telah diadopsi untuk pelacakan tikus. Intinya, alih-alih menyesuaikan regresi linier biasa:
Pr ohals u p r i s e d= α +β1∗ Co n di t i o n + ϵ
dimana β1 memberi tahu Anda efek dari Co n dsaya t i o n di Pr ohals u p r i s e d, Anda menambahkan koefisien untuk Ti m e, dan Tsaya me2, dan Tsaya me3, dan seterusnya:
Pr ohals u p r i s e d= α +β1Co n di t i o n +β2Ti m e +β3Ti m e ∗ Co n di t i o n +β4Tsaya me2+β5Tsaya me2∗ Co n di t i o n + [ . . . ] + ϵ
Meskipun jelas lebih rumit, ini memungkinkan Anda menarik kesimpulan tentang bentuk masing-masing kurva, bukan hanya fakta bahwa satu lebih tinggi daripada yang lain.
Dan Mirman memiliki tutorial (dan buku) yang bagus tentang ini, yang secara khusus tentang data pelacakan mata, tetapi dapat diterapkan di tempat lain.
Senjata besar statistik - model campuran aditif umum
McKeown dan Sneddon (2014) (pracetak tersedia di sini ) baru saja menerbitkan sebuah makalah tentang apa yang ingin Anda lakukan, atau, dengan kata-kata mereka: "memegang komponen tanggapan bersama yang konstan yang disebabkan oleh emosi yang dirasakan dari waktu ke waktu, sambil memungkinkan penyimpulan mengenai perbedaan linear antar kelompok ".
Saya menyebutkan ini untuk kelengkapan, tetapi matematika yang terlibat di sini memang sangat sulit (saya sudah menyisihkan beberapa minggu depan untuk mencoba dan mencari tahu sendiri), jadi sementara saya tidak berpikir ini akan sesuai untuk tesis Anda, itu pasti sesuatu yang harus diperhatikan, dan mengesankan orang dengan mengutip.
