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: 113
## Columns: 5
## $ session_id  <chr> "2401243", "2401244", "2401246", "2401249", "2401250", "24…
## $ referrer    <chr> "brasilia", "brasilia", "brasilia", "brasilia", "brasilia"…
## $ sex         <ord> m, m, f, f, f, m, f, m, m, f, f, f, f, f, m, m, f, m, f, m…
## $ d_art       <dbl> 0.1480913, 0.6285349, 0.4977736, 0.3999447, 0.8314632, 1.1…
## $ 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))
## # A tibble: 2 × 2
##   sex   media
##   <ord> <dbl>
## 1 m     0.400
## 2 f     0.570
agrupado = iat %>% 
        group_by(sex) %>% 
        summarise(media = mean(d_art))
    m = agrupado %>% filter(sex == "m") %>% pull(media)
    f = agrupado %>% filter(sex == "f") %>% pull(media)
m - f
## [1] -0.1705546

Comparação 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> -0.1705546
## $ bias      <dbl> 0.001931523
## $ std.error <dbl> 0.09053296
## $ conf.low  <dbl> -0.3438273
## $ conf.high <dbl> 0.0125642
ci %>%
    ggplot(aes(
        x = "",
        y = statistic,
        ymin = conf.low,
        ymax = conf.high
    )) +
    geom_pointrange() +
    geom_point(size = 3) + 
    labs(x = "Diferença", 
         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 = "Diferença", 
         y = "IAT homens - mulheres")

grid.arrange(p1, p2, ncol = 2)

Conclusão

Preencha os resultados e conclusões abaixo

Em média, as mulheres que participaram do experimento tiveram uma associação implícita (medida pelo IAT) com a matemática positiva e média (média 0.47, desv. padrão 0.55, N = 117). Homens tiveram uma associação positiva com a matemática, portanto menor que a das mulheres (média 0.22, desv. padrão 0.49, N = 38). Houve portanto uma pequena diferença entre homens e mulheres (diferença das médias -0.24, 95% CI [-0.43, -0.06]). A partir desta amostra, estimamos que pode não haver uma diferença entre sexos, ou se ela existir, ela provavelmente é pequena em qualquer das direções.

Exemplos de possíveis conclusões para completar

  • mulheres têm uma associação negativa consideravelmente mais forte, com uma diferença que provavelmente está entre 0.6 e 1.0 ponto na escala IAT, o suficiente para diferenciar uma associação neutra de uma muito forte contra a matemática.
  • mulheres têm uma associação negativa mais forte, porém não é claro se essa diferença é grande, moderada ou pequena. É necessário coletar mais dados para determinar se a diferença é relevante ou negligenciável.
  • mulheres podem ter um associação negativa forte, pode não haver diferença entre sexos ou homens podem ter atitudes negativas um pouco mais fortes ou moderadamente mais fortes.
  • pode não haver uma diferença entre sexos, ou se ela existir, ela provavelmente é pequena em qualquer das direções.
Realize novas análises sobre IAT usando as abordagens a seguir

Realize a análise e compare as conclusões obtidas nos dois casos experimentados:

  1. bootstraps a partir de uma bibliotece (exemplo acima)
library(tidyverse)
library(ggbeeswarm)

# Carregar os dados
iat <- read_csv("C:/LabDadosR/lab04/brasilia .csv", col_types = "cccdc") %>%
  mutate(sex = factor(sex, levels = c("m", "f"), ordered = TRUE))

# Criar o gráfico
ggplot(iat, aes(x = sex, y = d_art)) +
  geom_violin(fill = "lightgray", color = NA, alpha = 0.5) +
  geom_quasirandom(width = 0.1, alpha = 0.6, color = "blue") +
  stat_summary(fun = mean, geom = "point", color = "red", size = 3) +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.1, color = "red") +
  labs(
    title = "Distribuição dos Escores IAT por Sexo",
    x = "Sexo",
    y = "Escores IAT (d_art)"
  ) +
  theme_minimal()

  1. bootstraps implementados por você (justifique o método de IC com bootstraps escolhido)

O método BCa (Bias-Corrected and Accelerated) é uma técnica para calcular intervalos de confiança em análises de bootstrap. Ele é especialmente útil quando a distribuição da estatística de interesse (como a média ou a diferença de médias) é assimétrica ou enviesada.

A diferença de médias entre sexos pode ter uma distribuição assimétrica.

O método BCa fornece um intervalo de confiança que leva em conta tanto o viés quanto a forma da distribuição, oferecendo uma estimativa mais confiável da incerteza.

Aqui está o código em R que implementa um bootstrap manual com intervalo de confiança BCa (via boot::boot) e visualiza os resultados com ggplot2:`

library(tidyverse)
library(boot)
library(ggbeeswarm)

# Carregar os dados
iat <- read_csv("C:/LabDadosR/lab04/brasilia .csv", col_types = "cccdc") %>%
  mutate(sex = factor(sex, levels = c("m", "f"), ordered = TRUE))

# Função para calcular a diferença de médias
theta <- function(data, indices) {
  d <- data[indices, ]
  m <- mean(d$d_art[d$sex == "m"])
  f <- mean(d$d_art[d$sex == "f"])
  return(m - f)
}

# Executar bootstrap com método BCa
set.seed(123)
booted <- boot(data = iat, statistic = theta, R = 2000)
ci_bca <- boot.ci(booted, type = "bca")

# Visualização com ggplot2
ggplot(iat, aes(x = sex, y = d_art)) +
  geom_violin(fill = "gray90", color = NA) +
  geom_quasirandom(width = 0.1, alpha = 0.6, color = "blue") +
  stat_summary(fun = mean, geom = "point", color = "red", size = 3) +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.1, color = "red") +
  labs(
    title = "Distribuição dos Escores IAT por Sexo com IC (BCa)",
    x = "Sexo",
    y = "Escores IAT (d_art)"
  ) +
  theme_minimal()