FPCC2 - Laboratório 4 - Análise de uma replicação
José Gabriel da Silva Lima
Sobre Implicit Association Tests (IAT) – Olhe o README do repositório.
IAT: 0.15, 0.35, and 0.65 are considered small, medium, and large levels of bias for individual scores. Positive means bias towards arts / against Math.
Exemplo de análise de uma replicação
iat = read_csv(here::here(params$arquivo_dados), col_types = "cccdc")
iat = iat %>%
mutate(sex = factor(sex, levels = c("m", "f"), ordered = TRUE))
glimpse(iat)## Rows: 155
## Columns: 5
## $ session_id <chr> "2436706", "2436967", "2440429", "2440430", "2440431", "24…
## $ referrer <chr> "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "s…
## $ sex <ord> f, f, f, f, m, f, f, m, f, m, f, f, f, f, f, f, m, m, f, m…
## $ d_art <dbl> 0.90444320, -0.47402625, 0.46840862, -0.02522412, 0.136813…
## $ iat_exclude <chr> "Include", "Include", "Include", "Include", "Include", "In…iat %>%
ggplot(aes(x = d_art, fill = sex, color = sex)) +
geom_histogram(binwidth = .2, alpha = .4) +
geom_rug() +
facet_grid(sex ~ ., scales = "free_y") +
theme(legend.position = "None")
iat %>%
ggplot(aes(x = sex, y = d_art)) +
geom_quasirandom(width = .1)
iat %>%
ggplot(aes(x = sex, y = d_art)) +
geom_quasirandom(width = .1) +
stat_summary(geom = "point", fun.y = "mean", color = "red", size = 5)## Warning: The `fun.y` argument of `stat_summary()` is deprecated as of ggplot2 3.3.0.
## ℹ Please use the `fun` argument instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Qual a diferença na amostra
iat %>%
group_by(sex) %>%
summarise(media = mean(d_art), desvio = sd(d_art), count = n())## # A tibble: 2 × 4
## sex media desvio count
## <ord> <dbl> <dbl> <int>
## 1 m 0.224 0.485 38
## 2 f 0.467 0.548 117agrupado = iat %>%
group_by(sex) %>%
summarise(media = mean(d_art))
m_media = agrupado %>% filter(sex == "m") %>% pull(media)
f_media = agrupado %>% filter(sex == "f") %>% pull(media)
m_media - f_media## [1] -0.2430539Comparação via ICs
library(boot)
theta <- function(d, i) {
agrupado = d %>%
slice(i) %>%
group_by(sex) %>%
summarise(media = mean(d_art))
m = agrupado %>% filter(sex == "m") %>% pull(media)
f = agrupado %>% filter(sex == "f") %>% pull(media)
m - f
}
booted <- boot(data = iat,
statistic = theta,
R = 2000)
ci = tidy(booted,
conf.level = .95,
conf.method = "bca",
conf.int = TRUE)
glimpse(ci)## Rows: 1
## Columns: 5
## $ statistic <dbl> -0.2430539
## $ bias <dbl> 0.002674448
## $ std.error <dbl> 0.09362414
## $ conf.low <dbl> -0.4286124
## $ conf.high <dbl> -0.06324544ci %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
labs(x = "Diferenca",
y = "IAT homens - mulheres")
p1 = iat %>%
ggplot(aes(x = sex, y = d_art)) +
geom_quasirandom(width = .1) +
stat_summary(geom = "point", fun.y = "mean", color = "red", size = 5)
p2 = ci %>%
ggplot(aes(
x = "",
y = statistic,
ymin = conf.low,
ymax = conf.high
)) +
geom_pointrange() +
geom_point(size = 3) +
ylim(-1, 1) +
labs(x = "Diferenca",
y = "IAT homens - mulheres")
grid.arrange(p1, p2, ncol = 2)
Conclusão
Em média, as mulheres que participaram do experimento tiveram uma associação implícita (medida pelo IAT) com a matemática negativa e média (média = 0.467, desv. padrão = 0.548, N = 117). Homens tiveram uma associação negativa com a matemática, portanto menor que a das mulheres (média =0.224 , desv. padrão = 0.485, N = 38). Houve portanto uma considerável diferença entre homens e mulheres (diferença das médias = -0.2430539, 95% CI [-0.423276, -0.05192553]). A partir desta amostra, estimamos que:
Mulheres têm uma associação positiva consideravelmente mais forte com arte, mesmo o seu número mais elevado que o dos homens, contudo os homens também apresentam uma associação positiva com artes.
Os resultados mostram uma potencial disparidade entre homens e mulheres na área de exatas, mas são necessárias mais investigações para confirmar a extensão desta disparidade.
Embora os homens apresentem uma média inferior a das mulheres com relação a associação negativa com matemática, e nécessária uma quanidade maior de casos para serem analizados, para se evitar vieses.
Realize a análise e compare as conclusões obtidas nos dois casos experimentados:
1 - Bootstraps a partir de uma bibliotece (exemplo acima)
iat_b2 = read_csv(here::here(params$arquivo_dados_2), col_types = "cccdc")
iat_b2 = iat_b2 %>%
mutate(sex = factor(sex, levels = c("m", "f"), ordered = TRUE))
glimpse(iat)## Rows: 155
## Columns: 5
## $ session_id <chr> "2436706", "2436967", "2440429", "2440430", "2440431", "24…
## $ referrer <chr> "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "sdsu", "s…
## $ sex <ord> f, f, f, f, m, f, f, m, f, m, f, f, f, f, f, f, m, m, f, m…
## $ d_art <dbl> 0.90444320, -0.47402625, 0.46840862, -0.02522412, 0.136813…
## $ iat_exclude <chr> "Include", "Include", "Include", "Include", "Include", "In…Qual a diferença na amostra da segunda biblioteca
iat_b2 %>%
group_by(sex) %>%
summarise(media = mean(d_art), desvio = sd(d_art), count = n())## # A tibble: 2 × 4
## sex media desvio count
## <ord> <dbl> <dbl> <int>
## 1 m 0.265 0.529 32
## 2 f 0.584 0.514 85agrupado_b2 = iat %>%
group_by(sex) %>%
summarise(media = mean(d_art))
m_media = agrupado_b2 %>% filter(sex == "m") %>% pull(media)
f_media = agrupado_b2 %>% filter(sex == "f") %>% pull(media)
m_media - f_media## [1] -0.2430539Comparação via ICs da segunda biblioteca
library(boot)
theta_b2 <- function(d, i) {
agrupado_b2 = d %>%
slice(i) %>%
group_by(sex) %>%
summarise(media = mean(d_art))
m = agrupado_b2 %>% filter(sex == "m") %>% pull(media)
f = agrupado_b2 %>% filter(sex == "f") %>% pull(media)
m - f
}
booted <- boot(data = iat,
statistic = theta_b2,
R = 2000)
ci = tidy(booted,
conf.level = .95,
conf.method = "bca",
conf.int = TRUE)
glimpse(ci)## Rows: 1
## Columns: 5
## $ statistic <dbl> -0.2430539
## $ bias <dbl> -0.004092999
## $ std.error <dbl> 0.09644852
## $ conf.low <dbl> -0.4267536
## $ conf.high <dbl> -0.04989076Conclusão 2
Em média, as mulheres que participaram do experimento tiveram uma associação implícita (medida pelo IAT) com a matemática negativa e média (média = 0.584, desv. padrão = 0.514, N = 85). Homens tiveram uma associação negativa com a matemática, portanto menor que a das mulheres (média = 0.265, desv. padrão = 0.529, N = 32). Houve portanto uma considerável diferença entre homens e mulheres (diferença das médias = -0.2430539, 95% CI [-0.4299121, -0.06426403). A partir desta amostra, percebemos que:
Mesmo com o uso de uma biblioteca diferente, a mesma apresenta resultados similares a primeira biblioteca utilizada.
Mulheres têm uma associação negativa consideravelmente mais forte com matemática, contudo os homens também apresentam uma associação negativa também.
A análise utilizou números relativamente semelhantes para análise, o que possibilita uma análise de melhor comparação. Porém é necessário mais dados para realizar um estudo mais estruturado.
2 - Bootstraps implementados por você (justifique o método de IC com bootstraps escolhido)
theta_b3 <- function(data) {
agrupado_3 <- data %>%
group_by(sex) %>%
summarise(media = mean(d_art), .groups = 'drop')
m_media_3 = agrupado_3 %>% filter(sex == "m") %>% pull(media)
f_media_3 = agrupado_3 %>% filter(sex == "f") %>% pull(media)
m_media_3 - f_media_3
}
theta <- theta_b3(iat_b2)
R <- 1000
n <- nrow(iat_b2)
bootstrap_samples <- replicate(R, {
sample_indices <- sample(1:n, n, replace = TRUE)
theta_b3(iat_b2[sample_indices, ])
})
lower <- quantile(bootstrap_samples, 0.025)
high <- quantile(bootstrap_samples, 0.975)
list(
original = theta,
lower = lower,
high = high
)## $original
## [1] -0.3195262
##
## $lower
## 2.5%
## -0.5191457
##
## $high
## 97.5%
## -0.09528449O intervalo de confiança de 95% para theta e [-0,5260699, -0,1095998]. O intervalo mostra que o valor de theta provavelmente será negativo, indicando uma relação negativa entre as variáveis.