Analyse des données d’une expérience.
On importe le fichier de données
d <- read.csv2(file.choose())
head(d)## date time subject blocknum blockcode trialcode trialnum
## 1 42319 19:57:44 785796360 1 expé stimulus_cvh 1
## 2 42319 19:57:44 785796360 1 expé stimulus_cvh 2
## 3 42319 19:57:44 785796360 1 expé stimulus_cvh 3
## 4 42319 19:57:44 785796360 1 expé stimulus_cvh 4
## 5 42319 19:57:44 785796360 1 expé stimulus_cvf 5
## 6 42319 19:57:44 785796360 1 expé stimulus_cvh 6
## values.cv values.cvnumber values.condition
## 1 CV C Style 3- GAILLARD Alexandre.jpg 3 H
## 2 CV E Style 5 - DELMARRE Christian.jpg 5 H
## 3 CV A Style 1- DURAND Edouard.jpg 1 H
## 4 CV B Style 2 - LEROY Christophe.jpg 2 H
## 5 CV A Style 6 - Julie RENARD.jpg 1 F
## 6 CV J Style 12 - FOURBE Michel.jpg 10 H
## response latency
## 1 3 31274
## 2 6 11503
## 3 8 17592
## 4 8 23049
## 5 7 17527
## 6 9 22175On vérifie les réponses et les temps de réponse des sujets (moyennes et écart-types)
d$response <- as.numeric(d$response)
response_mean <- aggregate(d$response, list(d$subject), mean)
response_sd <- aggregate(d$response, list(d$subject), sd)
latency_mean <- aggregate(d$latency, list(d$subject), mean)
latency_sd <- aggregate(d$latency, list(d$subject), sd)
data.frame(latency_mean,latency_sd$x,response_mean$x,response_sd$x)## Group.1 x latency_sd.x response_mean.x response_sd.x
## 1 751246 30831.000 23006.465 6.541667 1.1787675
## 2 1972186 6585844.542 32261583.520 5.041667 0.2041241
## 3 44251621 3548.583 8819.358 8.000000 0.0000000
## 4 53870736 26012.208 18552.646 5.750000 1.5393392
## 5 60094279 36430.875 19263.900 6.041667 1.7564581
## 6 70384363 50033.083 33044.666 6.000000 2.5194893
## 7 86152484 48917.625 14397.221 7.916667 0.6538625
## 8 89131301 32114.417 20153.088 6.625000 2.6508817
## 9 98286230 34713.042 17212.173 7.166667 1.0494995
## 10 117520378 41791.583 24263.309 7.625000 0.8242256
## 11 123864025 14355.125 5847.987 7.375000 1.0555238
## 12 167343708 31340.208 10231.368 6.458333 0.7790276
## 13 186462569 11697.667 7153.392 5.625000 1.7147062
## 14 203600956 25586.792 19568.110 5.000000 2.5707383
## 15 258617823 23005.542 15193.362 6.625000 1.5269321
## 16 260227495 32278.708 18797.385 7.166667 1.2038585
## 17 275495380 56542.833 30717.956 6.416667 1.3160107
## 18 280673120 53285.667 23348.399 4.458333 2.6206399
## 19 297343532 20959.917 8967.481 7.208333 0.9770927
## 20 317998897 34686.500 45511.193 7.166667 0.9168313
## 21 326265994 25405.208 21734.920 6.750000 1.1887151
## 22 379017342 25255.958 18141.117 7.458333 0.8836272
## 23 425981376 38703.042 10739.840 7.166667 0.8164966
## 24 451923639 46425.875 18672.861 6.333333 1.4039282
## 25 474112664 43512.042 26548.643 5.250000 1.5108305
## 26 504302341 43507.917 23812.421 5.875000 1.5126280
## 27 520175647 18504.375 51569.675 5.000000 2.1058924
## 28 562007672 95106.417 27664.828 6.000000 0.7223151
## 29 594699251 67930.750 225933.306 7.541667 1.1787675
## 30 617963732 44987.375 15658.982 6.833333 2.1400257
## 31 633419004 5783.042 5622.840 5.583333 1.3486440
## 32 635831543 35883.000 12135.004 7.208333 0.9315329
## 33 683494586 33174.792 13494.947 6.416667 1.1389036
## 34 763176110 3749.750 3428.562 4.916667 1.9318085
## 35 776437632 73576.333 103121.087 5.375000 2.4989128
## 36 785796360 16905.833 5230.062 7.166667 1.4039282
## 37 794186130 9466.125 15637.579 6.916667 0.8805466
## 38 809571692 47910.000 12102.920 7.541667 1.2503623
## 39 810123740 12385.833 3720.237 6.625000 0.9696481
## 40 912327841 30418.417 10022.679 7.083333 0.8805466
## 41 917443463 24385.625 12550.543 6.416667 1.9763090
## 42 983581743 323760.333 1194770.068 4.000000 2.8590056# le sujet 1972186 a des données anormalesOn retire ce sujet
d <- d[!(d$subject == 1972186),]
length(unique(d$subject)) # il y a bien 41 sujets désormais ## [1] 41On calcule l’évaluation moyenne des CV hommes et l’évaluation moyenne des CV femmes par sujet
cv <- aggregate(list(recrutabilite=d$response), list(subject=d$subject, genre=d$values.condition), mean)
cv## subject genre recrutabilite
## 1 751246 F 6.250000
## 2 44251621 F 8.000000
## 3 53870736 F 5.916667
## 4 60094279 F 5.583333
## 5 70384363 F 6.333333
## 6 86152484 F 7.750000
## 7 89131301 F 7.000000
## 8 98286230 F 7.083333
## 9 117520378 F 7.750000
## 10 123864025 F 7.166667
## 11 167343708 F 6.250000
## 12 186462569 F 5.500000
## 13 203600956 F 4.583333
## 14 258617823 F 6.666667
## 15 260227495 F 7.166667
## 16 275495380 F 6.500000
## 17 280673120 F 4.666667
## 18 297343532 F 7.500000
## 19 317998897 F 6.833333
## 20 326265994 F 6.500000
## 21 379017342 F 7.583333
## 22 425981376 F 7.333333
## 23 451923639 F 6.333333
## 24 474112664 F 5.416667
## 25 504302341 F 6.000000
## 26 520175647 F 4.666667
## 27 562007672 F 6.000000
## 28 594699251 F 7.666667
## 29 617963732 F 6.916667
## 30 633419004 F 5.916667
## 31 635831543 F 7.250000
## 32 683494586 F 6.083333
## 33 763176110 F 4.416667
## 34 776437632 F 6.000000
## 35 785796360 F 7.250000
## 36 794186130 F 6.833333
## 37 809571692 F 7.083333
## 38 810123740 F 6.833333
## 39 912327841 F 7.083333
## 40 917443463 F 6.250000
## 41 983581743 F 4.250000
## 42 751246 H 6.833333
## 43 44251621 H 8.000000
## 44 53870736 H 5.583333
## 45 60094279 H 6.500000
## 46 70384363 H 5.666667
## 47 86152484 H 8.083333
## 48 89131301 H 6.250000
## 49 98286230 H 7.250000
## 50 117520378 H 7.500000
## 51 123864025 H 7.583333
## 52 167343708 H 6.666667
## 53 186462569 H 5.750000
## 54 203600956 H 5.416667
## 55 258617823 H 6.583333
## 56 260227495 H 7.166667
## 57 275495380 H 6.333333
## 58 280673120 H 4.250000
## 59 297343532 H 6.916667
## 60 317998897 H 7.500000
## 61 326265994 H 7.000000
## 62 379017342 H 7.333333
## 63 425981376 H 7.000000
## 64 451923639 H 6.333333
## 65 474112664 H 5.083333
## 66 504302341 H 5.750000
## 67 520175647 H 5.333333
## 68 562007672 H 6.000000
## 69 594699251 H 7.416667
## 70 617963732 H 6.750000
## 71 633419004 H 5.250000
## 72 635831543 H 7.166667
## 73 683494586 H 6.750000
## 74 763176110 H 5.416667
## 75 776437632 H 4.750000
## 76 785796360 H 7.083333
## 77 794186130 H 7.000000
## 78 809571692 H 8.000000
## 79 810123740 H 6.416667
## 80 912327841 H 7.083333
## 81 917443463 H 6.583333
## 82 983581743 H 3.750000On crée un data frame
eval_cv <- data.frame(cv[cv$genre == "F",], cv[cv$genre == "H",])
eval_cv## subject genre recrutabilite subject.1 genre.1 recrutabilite.1
## 1 751246 F 6.250000 751246 H 6.833333
## 2 44251621 F 8.000000 44251621 H 8.000000
## 3 53870736 F 5.916667 53870736 H 5.583333
## 4 60094279 F 5.583333 60094279 H 6.500000
## 5 70384363 F 6.333333 70384363 H 5.666667
## 6 86152484 F 7.750000 86152484 H 8.083333
## 7 89131301 F 7.000000 89131301 H 6.250000
## 8 98286230 F 7.083333 98286230 H 7.250000
## 9 117520378 F 7.750000 117520378 H 7.500000
## 10 123864025 F 7.166667 123864025 H 7.583333
## 11 167343708 F 6.250000 167343708 H 6.666667
## 12 186462569 F 5.500000 186462569 H 5.750000
## 13 203600956 F 4.583333 203600956 H 5.416667
## 14 258617823 F 6.666667 258617823 H 6.583333
## 15 260227495 F 7.166667 260227495 H 7.166667
## 16 275495380 F 6.500000 275495380 H 6.333333
## 17 280673120 F 4.666667 280673120 H 4.250000
## 18 297343532 F 7.500000 297343532 H 6.916667
## 19 317998897 F 6.833333 317998897 H 7.500000
## 20 326265994 F 6.500000 326265994 H 7.000000
## 21 379017342 F 7.583333 379017342 H 7.333333
## 22 425981376 F 7.333333 425981376 H 7.000000
## 23 451923639 F 6.333333 451923639 H 6.333333
## 24 474112664 F 5.416667 474112664 H 5.083333
## 25 504302341 F 6.000000 504302341 H 5.750000
## 26 520175647 F 4.666667 520175647 H 5.333333
## 27 562007672 F 6.000000 562007672 H 6.000000
## 28 594699251 F 7.666667 594699251 H 7.416667
## 29 617963732 F 6.916667 617963732 H 6.750000
## 30 633419004 F 5.916667 633419004 H 5.250000
## 31 635831543 F 7.250000 635831543 H 7.166667
## 32 683494586 F 6.083333 683494586 H 6.750000
## 33 763176110 F 4.416667 763176110 H 5.416667
## 34 776437632 F 6.000000 776437632 H 4.750000
## 35 785796360 F 7.250000 785796360 H 7.083333
## 36 794186130 F 6.833333 794186130 H 7.000000
## 37 809571692 F 7.083333 809571692 H 8.000000
## 38 810123740 F 6.833333 810123740 H 6.416667
## 39 912327841 F 7.083333 912327841 H 7.083333
## 40 917443463 F 6.250000 917443463 H 6.583333
## 41 983581743 F 4.250000 983581743 H 3.750000On calcule l’indice de discrimination
eval_cv$disc <- eval_cv$recrutabilite.1 - eval_cv$recrutabilite
eval_cv## subject genre recrutabilite subject.1 genre.1 recrutabilite.1 disc
## 1 751246 F 6.250000 751246 H 6.833333 0.58333333
## 2 44251621 F 8.000000 44251621 H 8.000000 0.00000000
## 3 53870736 F 5.916667 53870736 H 5.583333 -0.33333333
## 4 60094279 F 5.583333 60094279 H 6.500000 0.91666667
## 5 70384363 F 6.333333 70384363 H 5.666667 -0.66666667
## 6 86152484 F 7.750000 86152484 H 8.083333 0.33333333
## 7 89131301 F 7.000000 89131301 H 6.250000 -0.75000000
## 8 98286230 F 7.083333 98286230 H 7.250000 0.16666667
## 9 117520378 F 7.750000 117520378 H 7.500000 -0.25000000
## 10 123864025 F 7.166667 123864025 H 7.583333 0.41666667
## 11 167343708 F 6.250000 167343708 H 6.666667 0.41666667
## 12 186462569 F 5.500000 186462569 H 5.750000 0.25000000
## 13 203600956 F 4.583333 203600956 H 5.416667 0.83333333
## 14 258617823 F 6.666667 258617823 H 6.583333 -0.08333333
## 15 260227495 F 7.166667 260227495 H 7.166667 0.00000000
## 16 275495380 F 6.500000 275495380 H 6.333333 -0.16666667
## 17 280673120 F 4.666667 280673120 H 4.250000 -0.41666667
## 18 297343532 F 7.500000 297343532 H 6.916667 -0.58333333
## 19 317998897 F 6.833333 317998897 H 7.500000 0.66666667
## 20 326265994 F 6.500000 326265994 H 7.000000 0.50000000
## 21 379017342 F 7.583333 379017342 H 7.333333 -0.25000000
## 22 425981376 F 7.333333 425981376 H 7.000000 -0.33333333
## 23 451923639 F 6.333333 451923639 H 6.333333 0.00000000
## 24 474112664 F 5.416667 474112664 H 5.083333 -0.33333333
## 25 504302341 F 6.000000 504302341 H 5.750000 -0.25000000
## 26 520175647 F 4.666667 520175647 H 5.333333 0.66666667
## 27 562007672 F 6.000000 562007672 H 6.000000 0.00000000
## 28 594699251 F 7.666667 594699251 H 7.416667 -0.25000000
## 29 617963732 F 6.916667 617963732 H 6.750000 -0.16666667
## 30 633419004 F 5.916667 633419004 H 5.250000 -0.66666667
## 31 635831543 F 7.250000 635831543 H 7.166667 -0.08333333
## 32 683494586 F 6.083333 683494586 H 6.750000 0.66666667
## 33 763176110 F 4.416667 763176110 H 5.416667 1.00000000
## 34 776437632 F 6.000000 776437632 H 4.750000 -1.25000000
## 35 785796360 F 7.250000 785796360 H 7.083333 -0.16666667
## 36 794186130 F 6.833333 794186130 H 7.000000 0.16666667
## 37 809571692 F 7.083333 809571692 H 8.000000 0.91666667
## 38 810123740 F 6.833333 810123740 H 6.416667 -0.41666667
## 39 912327841 F 7.083333 912327841 H 7.083333 0.00000000
## 40 917443463 F 6.250000 917443463 H 6.583333 0.33333333
## 41 983581743 F 4.250000 983581743 H 3.750000 -0.50000000