############################################################################ ####################### SCRIPT AC PAPER ############################# ################################################################ ################################ # # Analysis: Experiment1 # ################################################# rm(list=ls(all=TRUE)) # DATA setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp1 <- read.csv ("exp1.csv", sep= ",", skip = 0, header = TRUE) names (exp1) # Read Data END ### DATENSATZ # Observers: 22 # Trials: 60 # Objects: 8 Objekte # probes: 4 and 5 probes # nProbesAufTargets: 2, 3 # nProbesAufDistraktoren: 2, 3 # IrrDistNachProbe: 0, 1, 2, 3, 4 # IrrDistAufProbe: TRUE, FALSE # Frequency: High # Dependent Variables: Treffer, rHits, nKritHits, rMisses, rFalseAlarms ###################### ##### ### Experiment 1 - ANALYSIS TRACKING # rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF1 <- read.csv ("exp1.csv", sep= ",", skip = 0, header = TRUE) TrefferMit <- with(subset(neuDF1 , neuIrrDist == 1), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferMit) TrefferOhne <- with(subset(neuDF1 , neuIrrDist == 0), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferOhne) TrefferGesamt <- with(neuDF1 , tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferGesamt) sem <- function (x){sqrt (var(x)/length (x))} sem (TrefferGesamt) t.test (TrefferMit, TrefferOhne, paired = TRUE) # Paket "effsize" library (effsize) cohen.d (TrefferMit, TrefferOhne, paired = TRUE) # dataframe yyy1 <- data.frame (TrefferOhne, TrefferMit) Treffer <- c(yyy1$TrefferOhne, yyy1$TrefferMit) vp <- as.factor (rep (1:22, times = 2)) ProbeSit <- as.factor (rep (c("TrefferOhne", "TrefferMit"), each = 22)) frequency <- as.factor (rep ("high", times = 44)) exp <- as.factor (rep ("exp1", times = 44)) neuDFexp1 <- data.frame (Treffer, vp, ProbeSit, frequency , exp) with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamt), mean)) sem <- function (x){sqrt (var(x)/length (x))} with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamt), sem)) rm (neuDF1 , frequency , ProbeSit, Treffer,TrefferMit,TrefferOhne,exp, TrefferGesamt,vp,yyy1,sem) ls() # ### END create dataframe - ANALYSIS TRACKING ##### with (neuDFexp1 , tapply (Treffer, list(exp,ProbeSit), mean)) ### MIT ezANOVA library (ez) MODELezANOVA <- ezANOVA (data = neuDFexp1 , dv = .(Treffer), wid = .(vp), within = .(ProbeSit),detailed = TRUE, type = 1) MODELezANOVA rm (MODELezANOVA) ls() exp1mit <- with (subset (neuDFexp1, ProbeSit == "TrefferMit"), tapply (Treffer, vp, mean)) exp1ohne <- with (subset (neuDFexp1, ProbeSit == "TrefferOhne"), tapply (Treffer, vp, mean)) t.test (exp1mit, exp1ohne, paired = TRUE, alternative = "two.sided") # Paket "effsize" library (effsize) # Paired exp1mit <- as.vector (exp1mit) exp1ohne <- as.vector (exp1ohne ) cohen.d (exp1mit ,exp1ohne , paired = TRUE) # ### END: Analysis --- TRACKING ###### ############ # * * * # * * * * * * * * * # * * * ######################## START Analysis Probe Detec. Exp 1 ############################## ## P r o b e D e t e c t i o n R a t e s Experiment 1 ############################################################ ########### ######## START: data frame for Exp1: probe detection #### # rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp1 <- read.csv ("exp1.csv", sep= ",", skip = 0, header = TRUE) # Means Control: aa2 <- with(exp1, tapply (wichtHit,neuLaufendeNummer,sum)) bb2 <- with(exp1, tapply (GewVariable, neuLaufendeNummer, sum)) Kont <- aa2/bb2 length (Kont) # Means für Trials mit IrrDist 100ms vor Probe Exp_S_SOA <- with(subset(exp1 , neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (Exp_S_SOA) # Means für Trials mit IrrDist mindestens 1500 und maximal 4000 ms vor Probe Exp_L_SOA <- with(subset(exp1 , neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (Exp_L_SOA) ####### # Create new DATAFRAME from neuDF3 www2h <- data.frame (Exp_S_SOA, Exp_L_SOA, Kont) rateProbeDetec <- c(www2h$Exp_S_SOA, www2h$Exp_L_SOA, www2h$Kont) vp <- as.factor (rep (1:22, times = 3)) frequency <- as.factor (rep ("high", times = 66)) exp <- as.factor (rep ("exp1", times = 66)) ProbeSit <- as.factor (rep (c("BedExp1", "BedExp2", "BedKont"), each = 22)) neuDFexp1 <- data.frame (rateProbeDetec, vp, frequency , exp, ProbeSit) sapply(list(www2h$Exp_S_SOA, www2h$Exp_L_SOA, www2h$Kont), mean) sem <- function (x){sqrt (var(x)/length (x))} sapply(list(www2h$Exp_S_SOA, www2h$Exp_L_SOA, www2h$Kont), sem) t.test (www2h$Exp_S_SOA, www2h$Kont, paired = TRUE) t.test (www2h$Exp_L_SOA, www2h$Kont, paired = TRUE) # Mit Paket "effsize" library (effsize) # Paired aa <- as.vector (www2h$Exp_S_SOA) bb <- as.vector (www2h$Exp_L_SOA) cc <- as.vector (www2h$Kont) cohen.d (aa ,cc , paired = TRUE) cohen.d (bb ,cc , paired = TRUE) rm (exp1, aa2,bb2,rateProbeDetec, vp, exp,Exp_L_SOA,Exp_S_SOA,Kont,sem,www2h, frequency , ProbeSit,aa,bb,cc) ls() # #### ######## END: AUFBAU Datensatz für Exp1 für probe detection ############# # *** *** *** ############ ###### ### START: analysis: Probe Detection Experiment 1: # with (neuDFexp1, tapply (rateProbeDetec, ProbeSit, mean)) sem <- function (x){sqrt (var(x)/length (x))} with (neuDFexp1, tapply (rateProbeDetec, ProbeSit, sem)) ### MIT ezANOVA library (ez) MODELezANOVA <- ezANOVA (data = neuDFexp1, dv = .(rateProbeDetec), wid = .(vp), within = .(ProbeSit), detailed = TRUE, type = 2) MODELezANOVA rm (MODELezANOVA) ls() # bordeigene ANOVA zum Ausprobieren modelaov_within <- (with (neuDFexp1, aov (rateProbeDetec ~ ProbeSit + Error(vp/ProbeSit )))) summary (modelaov_within) exp1short <- with (subset (neuDFexp1, ProbeSit == "BedExp1"), tapply (rateProbeDetec, vp, mean)) exp1long <- with (subset (neuDFexp1, ProbeSit == "BedExp2"), tapply (rateProbeDetec, vp, mean)) exp1cont <- with (subset (neuDFexp1, ProbeSit == "BedKont"), tapply (rateProbeDetec, vp, mean)) t.test (exp1short , exp1long , paired = TRUE) t.test (exp1short , exp1cont , paired = TRUE) t.test (exp1long , exp1cont , paired = TRUE) ls() #################################### ########### ######################## END Analysis Probe Detec. Exp 1 ############################## # *** *** *** ############################## START PLOT EXP1 ############################### ## ## ## ## ## ## ## Exp1: P L O T ## ############################################################# #### B A R P L O T - # cf Crawley: S. 462 -- TEST ################# # 2.1 Plot for experiment 1 - high frequency sem <- function (x){sqrt (var(x)/length (x))} error.bars<-function(yv,z,nn) { xv<- barplot(yv,xlab="Modes of Presentation of Irrelevant Distractor", names=nn, ylab="Percent of Probes Detected", main = "Exp 1: Effect of Irrelevant Distractor on Probe Detection", las = 1, density = 40, ylim = c (0, 100)) g=(max(xv)-min(xv))/50 for (i in 1:length(xv)) { lines(c(xv[i],xv[i]),c(yv[i]+z[i],yv[i]-z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]+z[i], yv[i]+z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]-z[i], yv[i]-z[i])) }} se <- sapply(list(exp1short,exp1long,exp1cont), sem)*100 ybar <- as.vector (sapply(list(exp1short,exp1long,exp1cont), mean))*100 labels<-as.character(c("short SOA", "long SOA", "control")) error.bars(ybar,se, labels) # BARPLOT zeichnen ### eps Graphics: # Teil 1/3: Versuch eps Grafik zu erzeugen # für Details "?postscript" # der Teil 1/3 öffnet den Grafikdevice, in den das Ergebnis des plot Befehls geöffnet wird setEPS() # sets options for EPS; ohne läuft Skript nicht postscript("Exp1_Effect_Irrelevant_Distractor.eps") # Teil 2/3: Versuch svg Grafik zu erzeugen error.bars(ybar,se, labels) # Ganz normal die plot-Funktion aufrufen, jetzt wird die Grafik nicht # im default device angezeigt. # Teil 3/3: Versuch eps Grafik zu erzeugen - device wieder schließen, sonst kommt jeder plot in diesen Device dev.off() ### ############################## END PLOT EXP1 ############################### # ### ##### ############################## END Analysis EXP1 ############################### # *** *** *** *** *** *** *** *** *** ################################################################################################################################## ################################################# ## # 3. Analysis: E x p e r i m e n t 2 ## ################################################# ### DATENSATZ - Faktorstufen # Anzahl Vp: 25 # Anzahl Trials: 60 # Anzahl Zeilen im Datensatz 1500 # Anzahl Objekte: 1(Eine Faktorstufe): 10 Objekte # Anzahl probes: 2 (4 und 5 probes) # nProbesAufTargets: 2, 3 # nProbesAufDistraktoren: 2, 3 # Anzahl IrrDistNachProbe: 5 (0, 1, 2, 3, 4) # Anzahl IrrDistAufProbe: 2 (TRUE, FALSE) # Frequenz Verhältnisse: Kein IrrDist: 2; SOA_lang: 1, SOA_kurz: 1 ### Auswerten.R produziert diese Variablen: # nHits: gibt die Anzahl korrekt erkannten Probes auf Targets ohne die KritHits an # nKritHitsKurz: Anzahl korrekt erkannter Probes, denen mit kurzem SOA ein IrrDist vorausging # nKritHitsLang: Anzahl korrekt erkannter Probes, denen mit langem SOA ein IrrDist vorausging # anzahlProbesAufTargets: gibt dabei die Anzahl aller Probes auf Targets an, unabhängig davon, # ob es ein Durchgang ohne oder mit irrelevantem Distraktor war. Wenn es ein Durchgang mit # irrelevantem Distraktor war, gibt die Zahl "anzahlProbesAufTargets" die Anzahl aller # Probes auf Targets an, unabhängig davon, ob es ein Durchgang mit langem oder kurzem SOA war. ######################################### ## Create suitable dataframe; Analysis of probe detection ################################################################### rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF2 <- read.csv ("exp2.csv", sep= ",", skip = 0, header = TRUE) length (neuDF2$ProbandNr)/60 aa <- with(neuDF2, tapply (wichtHit,neuLaufendeNummer,sum)) bb <- with(neuDF2, tapply (GewVariable, neuLaufendeNummer, sum)) ### probe detection rate: control BedKont <- aa/bb mean (BedKont) length (BedKont) # Means of Trials with IrrDist 100ms before Probe BedExp1 <- with(subset(neuDF2, neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (BedExp1) mean (BedExp1) # Means of Trials with IrrDist [1500,4000ms] before Probe BedExp2 <- with(subset(neuDF2, neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (BedExp2) mean(BedExp2) ######################################### ## 3.4 ANOVAs ################################################################### ####### # Create new DATAFRAME from neuDF # dataframe www <- data.frame (BedExp1, BedExp2, BedKont) rateProbeDetec <- c(www$BedExp1, www$BedExp2, www$BedKont) vpProv <- rep (1:25, times = 3) vp <- as.factor (vpProv) ProbeSitProv <- rep (c("BedExp1", "BedExp2", "BedKont"), each = 25) ProbeSit <- as.factor (ProbeSitProv) neuestDF <- data.frame (vp, ProbeSit,rateProbeDetec) modelaov_within <- (with (neuestDF, aov (rateProbeDetec ~ ProbeSit + Error(vp/ProbeSit )))) summary (modelaov_within) ### ezANOVA # install.packages("ez") library (ez) MODELezANOVA <- ezANOVA (data = neuestDF, dv = .(rateProbeDetec ), wid = .(vp), within = .(ProbeSit), detailed = TRUE, type = 1) MODELezANOVA summary (MODELezANOVA) ############### ## 3.5 T - T E S T S ########################################### # Grundlage für T-Tests wird der Datensatz www sein # Betrachten wir diesen noch einmal: www ## DESKRIPTIVES: Mean and SEM sapply(list(www$BedExp1, www$BedExp2, www$BedKont), mean) sem <- function (x){sqrt (var(x)/length (x))} sapply(list(www$BedExp1, www$BedExp2, www$BedKont), sem) ## post-hoc T.Tests t.test (www$BedExp1, www$BedKont, paired = TRUE) # *** t.test (www$BedExp1, www$BedExp2, paired = TRUE) # *** t.test (www$BedExp2, www$BedKont, paired = TRUE) # * # --> probe detection IS NOT fully recovered BedExp2 # Mit Paket "effsize" library (effsize) aa <- as.vector (www$BedExp1) bb <- as.vector (www$BedExp2) cc <- as.vector (www$BedKont) cohen.d (aa ,cc , paired = TRUE) cohen.d (bb ,cc , paired = TRUE) ## ## ## ## ## ## 3.6 P L O T ############################################################# #### B A R P L O T - # cf Crawley: S. 462 -- TEST error.bars<-function(yv,z,nn) { xv<- barplot(yv,xlab="Modes of Presentation of Irrelevant Distractor", names=nn, ylab="Proportion of Detected Probes", las = 1, density = 40, main = "Exp 2: Effect of Irrelevant Distractor on Probe Detection", ylim = c (0.0, 1)) g=(max(xv)-min(xv))/50 for (i in 1:length(xv)) { lines(c(xv[i],xv[i]),c(yv[i]+z[i],yv[i]-z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]+z[i], yv[i]+z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]-z[i], yv[i]-z[i])) }} sem <- function (x){sqrt (var(x)/length (x))} #se <- sapply(list(www$BedExp1, www$BedExp2, www$BedKont, www$BedKontOhneIrrDist , www$BedKontMitIrrDist ), sem) se <- sapply(list(www$BedExp1, www$BedExp2, www$BedKont), sem) #ybar <- as.vector (sapply(list(www$BedExp1, www$BedExp2, www$BedKont, www$BedKontOhneIrrDist , www$BedKontMitIrrDist ), mean)) ybar <- as.vector (sapply(list(www$BedExp1, www$BedExp2, www$BedKont), mean)) labels<-as.character(c("IrrDist - short SOA", "IrrDist - long SOA", "no IrrDist")) error.bars(ybar,se, labels) # BARPLOT zeichnen ### eps Graphics: # Teil 1/3: Versuch eps Grafik zu erzeugen # für Details "?postscript" # der Teil 1/3 öffnet den Grafikdevice, in den das Ergebnis des plot Befehls geöffnet wird setEPS() # sets options for EPS; ohne läuft Skript nicht postscript("Exp2_Effect_Irrelevant_Distractor.eps") # Teil 2/3: Versuch svg Grafik zu erzeugen error.bars(ybar,se, labels) # Ganz normal die plot-Funktion aufrufen, jetzt wird die Grafik nicht # im default device angezeigt. # Teil 3/3: Versuch eps Grafik zu erzeugen - device wieder schließen, sonst kommt jeder plot in diesen Device dev.off() ## ### End Creating Plot ################ ## ###### END ANALYSE PROBE DETECTION ##################### ################ ## 3.7 ANALYSIS TRACKING PERFORMANCE: Experiment 2 ############################################################ rm(list=ls(all=TRUE)) sem <- function (x){sqrt (var(x)/length (x))} setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF2 <- read.csv ("exp2.csv", sep= ",", skip = 0, header = TRUE) ProbandNr <- rep (1:25, each = 60) neuDF2 <- cbind (neuDF2, ProbandNr) ## Means TREFFER as a function of presentation of IrrDist ## with(neuDF2, tapply(neuTreffer, neuIrrDist, mean)) with(subset(neuDF2, neuIrrDist == 1), tapply(neuTreffer, neuIrrDistAufProbe, mean)) with(neuDF2, tapply(neuTreffer, list(neuIrrDist,neuIrrDistAufProbe), mean)) # Test Influence on tracking performance of Presentation of Singleton: TrefferMit <- with(subset(neuDF2, neuIrrDist == 1), tapply(neuTreffer, ProbandNr, mean))/5 mean(TrefferMit) TrefferOhne <- with(subset(neuDF2, neuIrrDist == 0), tapply(neuTreffer, ProbandNr, mean))/5 mean(TrefferOhne) TrefferGesamt <- with(neuDF2, tapply (neuTreffer, ProbandNr,mean))/5 mean (TrefferGesamt) sem (TrefferGesamt) ### create dataframe yyy yyy <- data.frame (TrefferOhne, TrefferMit, TrefferGesamt) Treffer <- c(yyy$TrefferOhne, yyy$TrefferMit) vpProv <- rep (1:25, times = 2) vp <- as.factor (vpProv) ProbeSitProv <- rep (c("TrefferOhne", "TrefferMit"), each = 25) ProbeSit <- as.factor (ProbeSitProv) tDF <- data.frame (vp, ProbeSit,Treffer) with (yyy, sapply (list (TrefferOhne, TrefferMit, TrefferGesamt), mean)) sem <- function (x){sqrt (var(x)/length (x))} with (yyy, sapply (list (TrefferOhne, TrefferMit, TrefferGesamt), sem)) ### t-tests ### t.test (TrefferOhne, TrefferMit, alternative="two.sided", paired = TRUE) # Mit Paket "effsize" library (effsize) aa <- as.vector (TrefferOhne) bb <- as.vector (TrefferMit) cohen.d (aa ,bb , paired = TRUE) # ### End Analysis Tracking in Exp 2 ######################################################### # *** *** *** #################### TRACKING: EXPERIMENT 1 VERSUS EXPERIMENT 2 ################### rm(list=ls(all=TRUE)) ################### ##### ### Experiment 1 # setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF1 <- read.csv ("exp1.csv", sep= ",", skip = 0, header = TRUE) # Test Influence on tracking performance of Presentation of Singleton: TrefferMit1 <- with(subset(neuDF1, neuIrrDist == 1), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferMit1) TrefferOhne1 <- with(subset(neuDF1, neuIrrDist == 0), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferOhne1) TrefferGesamt1 <- with(neuDF1, tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferGesamt1) sem <- function (x){sqrt (var(x)/length (x))} sem (TrefferGesamt1) # create dataframe yyy1 <- data.frame (TrefferOhne1, TrefferMit1) Treffer <- c(yyy1$TrefferOhne1, yyy1$TrefferMit1) vpProv <- rep (1:22, times = 2) vp <- as.factor (vpProv) ProbeSitProv <- rep (c("TrefferOhne", "TrefferMit"), each = 22) ProbeSit <- as.factor (ProbeSitProv) expProv <- rep ("exp1", times = 44) exp <- as.factor (expProv) tDF1 <- data.frame (vp, ProbeSit,Treffer, exp) with (yyy1, sapply (list (TrefferOhne1, TrefferMit1, TrefferGesamt1), mean)) sem <- function (x){sqrt (var(x)/length (x))} with (yyy1, sapply (list (TrefferOhne1, TrefferMit1, TrefferGesamt1), sem)) rm (exp,expProv,neuDF1,ProbeSit,Treffer,TrefferMit1,TrefferOhne1, ProbeSitProv, vp,vpProv,yyy1) ls() ######################################### ##### ### EXPERIMENT 2 # setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF2 <- read.csv ("exp2.csv", sep= ",", skip = 0, header = TRUE) ProbandNr <- rep (1:25, each = 60) neuDF2 <- cbind (neuDF2, ProbandNr) # Test Influence on tracking performance of Presentation of Singleton: TrefferMit2 <- with(subset(neuDF2, neuIrrDist == 1), tapply(neuTreffer, ProbandNr, mean))/5 mean(TrefferMit2) TrefferOhne2 <- with(subset(neuDF2, neuIrrDist == 0), tapply(neuTreffer, ProbandNr, mean))/5 mean(TrefferOhne2) TrefferGesamt2 <- with(neuDF2, tapply (neuTreffer, ProbandNr,mean))/5 # CAVE Prozent !!! mean (TrefferGesamt2) sem (TrefferGesamt2) # create dataframe yyy2 <- data.frame (TrefferOhne2, TrefferMit2) Treffer <- c(yyy2$TrefferOhne2, yyy2$TrefferMit2) vpProv <- rep (23:47, times = 2) vp <- as.factor (vpProv) ProbeSitProv <- rep (c("TrefferOhne", "TrefferMit"), each = 25) ProbeSit <- as.factor (ProbeSitProv) expProv <- rep ("exp2", times = 50) exp <- as.factor (expProv) tDF2 <- data.frame (vp, ProbeSit,Treffer, exp) with (yyy2, sapply (list (TrefferOhne2, TrefferMit2, TrefferGesamt2), mean)) sem <- function (x){sqrt (var(x)/length (x))} with (yyy2, sapply (list (TrefferOhne2, TrefferMit2, TrefferGesamt2), sem)) ### t-tests ### t.test (TrefferGesamt1, TrefferGesamt2, alternative="two.sided", paired = FALSE) # With Paket "effsize" library (effsize) aa <- as.vector (TrefferGesamt1) bb <- as.vector (TrefferGesamt2) cohen.d (aa ,bb , paired = FALSE) majorDF <- rbind (tDF1, tDF2) majorDF ### With ezANOVA #library (ez) MODELezANOVA <- ezANOVA (data = majorDF, dv = .(Treffer), wid = .(vp), within = .(ProbeSit), between = .(exp), detailed = TRUE, type = 2) MODELezANOVA ### With ezANOVA #library (ez) MODELezANOVA <- ezANOVA (data = majorDF, dv = .(Treffer), wid = .(vp), within = .(ProbeSit), between = .(exp), detailed = TRUE, type = 3) MODELezANOVA ## ##### END ANALYSE TRACKING PERFORMANCE ########################## # *** *** *** #################### Probe Detection: EXPERIMENT 1 VERSUS EXPERIMENT 2 ################### ############################################################ ## P r o b e D e t e c t i o n R a t e s Experiment 1 ########### ######## START: Construction Data Frame for Exp1 for analysis probe detection #### # rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp1 <- read.csv ("exp1.csv", sep= ",", skip = 0, header = TRUE) # Means Control: aa2 <- with(exp1, tapply (wichtHit,neuLaufendeNummer,sum)) bb2 <- with(exp1, tapply (GewVariable, neuLaufendeNummer, sum)) Kont <- aa2/bb2 length (Kont) # Means für Trials mit IrrDist 100ms vor Probe Exp_S_SOA <- with(subset(exp1 , neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (Exp_S_SOA) # Means für Trials mit IrrDist mindestens 1500 und maximal 4000 ms vor Probe Exp_L_SOA <- with(subset(exp1 , neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (Exp_L_SOA) ####### # create new DATAFRAME from neuDF3 www2h <- data.frame (Exp_S_SOA, Exp_L_SOA, Kont) wwwEXP1 <- data.frame (Exp_S_SOA, Exp_L_SOA, Kont) # für plot Exp 1 vs Exp2 rateProbeDetec <- c(www2h$Exp_S_SOA, www2h$Exp_L_SOA, www2h$Kont) vp <- as.factor (rep (1:22, times = 3)) frequency <- as.factor (rep ("high", times = 66)) exp <- as.factor (rep ("exp1", times = 66)) ProbeSit <- as.factor (rep (c("BedExp1", "BedExp2", "BedKont"), each = 22)) neuDFexp1 <- data.frame (rateProbeDetec, vp, frequency , exp, ProbeSit) rm (exp1, aa2,bb2,rateProbeDetec, vp, exp,Exp_L_SOA,Exp_S_SOA,Kont,www2h, frequency , ProbeSit) ls() #### ######## END: AUFBAU Datensatz für Exp1 für probe detection ############# # *** *** *** ############# ######## Start: AUFBAU Datensatz für Exp2 für probe detection #### # rm(list=ls(all=TRUE)) # nicht nötig, "neuDFexp1" wird durchgereicht ... setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF2 <- read.csv ("exp2.csv", sep= ",", skip = 0, header = TRUE) length (neuDF2$ProbandNr)/60 aa <- with(neuDF2, tapply (wichtHit,neuLaufendeNummer,sum)) bb <- with(neuDF2, tapply (GewVariable, neuLaufendeNummer, sum)) ### Das sollte die probe detection Rate ohne vorhergehenden IrrDist ergeben: BedKont <- aa/bb mean (BedKont) length (BedKont) # Means für Trials mit IrrDist 100ms vor Probe BedExp1 <- with(subset(neuDF2, neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (BedExp1) mean (BedExp1) # Means für Trials mit IrrDist mindestens 1500 und maximal 4000 ms vor Probe BedExp2 <- with(subset(neuDF2, neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (BedExp2) mean(BedExp2) ####### # Neuen DATAFRAME bauen aus neuDF # create dataframe www <- data.frame (BedExp1, BedExp2, BedKont) wwwEXP2 <- data.frame (BedExp1, BedExp2, BedKont) # für plot Exp 1 vs Exp2 rateProbeDetec <- c(www$BedExp1, www$BedExp2, www$BedKont) vpProv <- rep (23:47, times = 3) vp <- as.factor (vpProv) ProbeSitProv <- rep (c("BedExp1", "BedExp2", "BedKont"), each = 25) ProbeSit <- as.factor (ProbeSitProv) frequency <- as.factor (rep ("high", times = 75)) exp <- as.factor (rep ("exp2", times = 75)) neuDFexp2 <- data.frame (rateProbeDetec, vp, exp, ProbeSit, frequency) rm (aa,bb,BedExp1,BedExp2,BedKont,exp,frequency,neuDF2,ProbeSit,ProbeSitProv,rateProbeDetec,vp,vpProv,www) ls() #### ######## END: AUFBAU Datensatz für Exp2 für probe detection ############# # Gesamtdatensatz bilden: majorDF <- rbind (neuDFexp1, neuDFexp2) ### MIT ezANOVA # install.packages("ez") library (ez) ezANOVA (data = majorDF , dv = .(rateProbeDetec ), wid = .(vp), within = .(ProbeSit), between = .(exp), detailed = TRUE, type = 2) ezANOVA (data = majorDF , dv = .(rateProbeDetec ), wid = .(vp), within = .(ProbeSit), between = .(exp), detailed = TRUE, type = 3) # Descriptive: sem <- function (x){sqrt (var(x)/length (x))} with (majorDF, tapply (rateProbeDetec, list (exp, ProbeSit), mean)) with (majorDF, tapply (rateProbeDetec, list (exp, ProbeSit), sem)) with (majorDF, tapply (rateProbeDetec, list (exp), mean)) # Comparison of overall performance www1 <- with (neuDFexp1, tapply (rateProbeDetec, vp, mean)) www2 <- with (neuDFexp2, tapply (rateProbeDetec, vp, mean)) t.test(www1,www2, paired = FALSE) # *** *** *** ## ##### END ANALYSE VERGLEICH PROBE DETECTION Exp 1 vs 2 ########################## ###################################### # Grouped Bar Plot - Experiment 1 vs Experiment 2 # Lade für diesen Plot die Matrix "wwwEXP2" aus den Skripten zu Experiment 2 sem <- function (x){sqrt (var(x)/length (x))} error.bars<-function(yv,z,nn) { xv<- barplot(yv,xlab="Modes of Presentation of Irrelevant Distractor", # names müssen individuell angepasst werden names=nn, ylab="Percent of Probes Detected", main = "Effect of Load (Number of Objects)", las = 1, # col=c("blue","red"), density = c(60,20), ylim = c (0, 100)) g=(max(xv)-min(xv))/50 for (i in 1:length(xv)) { lines(c(xv[i],xv[i]),c(yv[i]+z[i],yv[i]-z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]+z[i], yv[i]+z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]-z[i], yv[i]-z[i])) }} se <- sapply(list(wwwEXP1$Exp_S_SOA,wwwEXP2$BedExp1,wwwEXP1$Exp_L_SOA,wwwEXP2$BedExp2,wwwEXP1$Kont, wwwEXP2$BedKont), sem)*100 ybar <- as.vector (sapply(list(wwwEXP1$Exp_S_SOA,wwwEXP2$BedExp1,wwwEXP1$Exp_L_SOA,wwwEXP2$BedExp2,wwwEXP1$Kont, wwwEXP2$BedKont), mean))*100 labels <- as.character(c("", "","", "","","")) error.bars(ybar,se, labels) # BARPLOT zeichnen # Legend mit density legend(list(x = 1.5,y = 25), c("Exp 1: 4 Targets / 4 Distractors", "Exp 2: 5 Targets / 5 Distractors"), bg = "gray100", density = c(60,20),pt.cex = 2, text.col = c("black","black"), cex = 1.2 ) axis(1, at= c(1.3,3.7,6.0),labels=c("short SOA", "long SOA", "control"),tick=FALSE) ### eps Graphics: # Teil 1/3: Versuch eps Grafik zu erzeugen # für Details "?postscript" # der Teil 1/3 öffnet den Grafikdevice, in den das Ergebnis des plot Befehls geöffnet wird setEPS() # sets options for EPS; ohne läuft Skript nicht postscript("Exp1vs2_Effect_of_Load.eps") # Teil 2/3: Versuch svg Grafik zu erzeugen error.bars(ybar,se, labels) # Ganz normal die plot-Funktion aufrufen, jetzt wird die Grafik nicht # im default device angezeigt. legend(list(x = 1.5,y = 25), c("Exp 1: 4 Targets / 4 Distractors", "Exp 2: 5 Targets / 5 Distractors"), bg = "gray100", density = c(60,20),pt.cex = 2, text.col = c("black","black"), cex = 1.2 ) axis(1, at= c(1.3,3.7,6.0),labels=c("short SOA", "long SOA", "control"),tick=FALSE) # Teil 3/3: Versuch eps Grafik zu erzeugen - device wieder schließen, sonst kommt jeder plot in diesen Device dev.off() ## ##### END PLOT Experiment 1 vs Experiment 2 ########################## ### *** *** *** *** *** ###################################################################################################### ################################################# ## # 4. Auswertung: Experiment 3 ## ################################################# ### DATENSATZ - Faktorstufen # Anzahl Vp: 22 # Anzahl Trials: 120 # Anzahl Objekte: 8 Objekte # Anzahl probes: 4 und 5 probes # nProbesAufTargets: 2, 3 # nProbesAufDistraktoren: 2, 3 # IrrDistNachProbe: 0, 1, 2, 3, 4 # IrrDistAufProbe: TRUE, FALSE # Frequenz: nieder, hoch # AVs: Treffer, rHits, nKritHits, rMisses, rFalseAlarms ####################### START Analysis of Tracking in Exp3 ######################## #### # Prüfe, ob Trackingleistung von der Präsentation eines Singleton beeinflusst wird: rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp3 <- read.csv ("exp3.csv", sep= ",", skip = 0, header = TRUE) sem <- function (x){sqrt (var(x)/length (x))} ############ ### analysis for low frequency dfLOW <- subset (exp3, Frequenz == "nieder") TrefferMit <- with(subset(dfLOW , neuIrrDist == 1), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferMit) sem(TrefferMit) TrefferOhne <- with(subset(dfLOW , neuIrrDist == 0), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferOhne) sem(TrefferOhne) TrefferGesamtX3 <- with(dfLOW , tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferGesamtX3 ) sem (TrefferGesamtX3 ) TrefferGesamtlow <- TrefferGesamtX3 t.test (TrefferMit, TrefferOhne, paired = TRUE, alternative = "two.sided") # dataframe bauen, damit ich Spalten ansprechen kann, dann Gesamtvektor bauen yyy1 <- data.frame (TrefferOhne, TrefferMit) Treffer <- c(yyy1$TrefferOhne, yyy1$TrefferMit) vp <- as.factor (rep (1:22, times = 2)) ProbeSit <- as.factor (rep (c("TrefferOhne", "TrefferMit"), each = 22)) frequency <- as.factor (rep ("low", times = 44)) newDFlow <- data.frame (Treffer,vp, ProbeSit, frequency) with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamtX3 ), mean)) with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamtX3 ), sem)) rm (frequency , ProbeSit,Treffer,vp,yyy1,dfLOW, TrefferMit, TrefferOhne,TrefferGesamtX3 ) ls() ############ ### analysis for high frequency dfHIGH <- subset (exp3, Frequenz == "hoch") TrefferMit <- with(subset(dfHIGH , neuIrrDist == 1), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferMit) sem(TrefferMit) TrefferOhne <- with(subset(dfHIGH , neuIrrDist == 0), tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferOhne) sem(TrefferOhne) TrefferGesamtX3 <- with(dfHIGH , tapply(neuTreffer, neuLaufendeNummer, mean))/4 mean(TrefferGesamtX3 ) sem (TrefferGesamtX3 ) TrefferGesamthigh <- TrefferGesamtX3 t.test (TrefferMit, TrefferOhne, paired = TRUE, alternative = "two.sided") # dataframe bauen, damit ich Spalten ansprechen kann, dann Gesamtvektor bauen yyy1 <- data.frame (TrefferOhne, TrefferMit) Treffer <- c(yyy1$TrefferOhne, yyy1$TrefferMit) vp <- as.factor (rep (1:22, times = 2)) ProbeSit <- as.factor (rep (c("TrefferOhne", "TrefferMit"), each = 22)) frequency <- as.factor (rep ("high", times = 44)) newDFhigh <- data.frame (Treffer,vp, ProbeSit, frequency) with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamtX3 ), mean)) with (yyy1, sapply (list (TrefferOhne, TrefferMit, TrefferGesamtX3 ), sem)) rm (frequency , ProbeSit,Treffer,vp,yyy1,dfHIGH,sem, TrefferMit, TrefferOhne,TrefferGesamtX3 ) ls() #### ######################### END Create Dataframe for Analysis of tracking performance in Exp3 # *** *** *** ############ ###### ### Gesamtanalyse --- TRACKING # # GESAMT DF BILDEN: majorDF <- rbind (newDFhigh,newDFlow) with (majorDF, tapply (Treffer, list(frequency,ProbeSit), mean)) ### MIT ezANOVA library (ez) ezANOVA (data = majorDF, dv = .(Treffer), wid = .(vp), within = .(ProbeSit,frequency),detailed = TRUE) ls() # Comparisons of Means: library (effsize) exp1mit <- with (subset (newDFhigh, ProbeSit == "TrefferMit"), tapply (Treffer, vp, mean)) exp1ohne <- with (subset (newDFhigh, ProbeSit == "TrefferOhne"), tapply (Treffer, vp, mean)) exp3mit <- with (subset (newDFlow, ProbeSit == "TrefferMit"), tapply (Treffer, vp, mean)) exp3ohne <- with (subset (newDFlow, ProbeSit == "TrefferOhne"), tapply (Treffer, vp, mean)) # Analysis Tracking Performance for Exp3: t.test (exp3mit, exp3ohne, paired = TRUE) exp3mit<- as.vector (exp3mit) exp3ohne<- as.vector (exp3ohne) cohen.d (exp3mit,exp3ohne, paired = TRUE) # General Tracking Analyses t.test (exp1mit, exp1ohne, paired = TRUE) t.test (exp3mit, exp3ohne, paired = TRUE) t.test (exp1mit, exp3mit, paired = TRUE) t.test (exp1ohne, exp3ohne, paired = TRUE) # Comparison Tracking Performance between Exp 1 and 3 t.test (TrefferGesamthigh, TrefferGesamtlow, paired = TRUE) # Mit Paket "effsize" library (effsize) TrefferGesamthigh<- as.vector (TrefferGesamthigh) TrefferGesamtlow<- as.vector (TrefferGesamtlow) cohen.d (TrefferGesamthigh,TrefferGesamtlow, paired = TRUE) t.test (exp1mit, exp3mit, paired = TRUE) cohen.d(exp1mit, exp3mit, paired = TRUE) t.test (exp1ohne, exp3ohne, paired = TRUE) cohen.d (exp1ohne, exp3ohne, paired = TRUE) ### # Das heißt, dass mit höherer Frequenz das Tracken besser wurde, # wobei der Effekt erhalten blieb, dass es keinen Unterschied machte, # ob innerhalb eines Blocks ein Trial mit oder ohne Distraktor gezeigt wurde. # Es fehlt also immer noch der Nachweis, dass ein Trial mit einem IrrDist einen AC # mit AV tracking performance auslöst. Das geschieht dann in Experiment 4. # ### END: Gesamtanalyse --- TRACKING ###### ############ # * * * # * * * * * * * * * # * * * ######################## START Analysis Probe Detec. Exp 3 ############################## ## P r o b e D e t e c t i o n R a t e s Experiment 3 ############################################################ rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp3 <- read.csv ("exp3.csv", sep= ",", skip = 0, header = TRUE) sem <- function (x){sqrt (var(x)/length (x))} ############ ### analysis for low frequency dfLOW <- subset (exp3, Frequenz == "nieder") # Means Control: aa1 <- with(dfLOW, tapply (wichtHit,neuLaufendeNummer,sum)) bb1 <- with(dfLOW, tapply (GewVariable, neuLaufendeNummer, sum)) Kont <- aa1/bb1 length (Kont) # Means für Trials mit IrrDist 100ms vor Probe Exp_S_SOA <- with(subset(dfLOW , neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (Exp_S_SOA) # Means für Trials mit IrrDist mindestens 1500 und maximal 4000 ms vor Probe Exp_L_SOA <- with(subset(dfLOW , neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (Exp_L_SOA) ####### # Neuen DATAFRAME bauen aus dfLOW www1n <- data.frame (Exp_S_SOA, Exp_L_SOA, Kont) rateProbeDetec <- c(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont) vp <- as.factor (rep (1:22, times = 3)) ProbeSit <- as.factor (rep (c("BedExp1", "BedExp2", "BedKont"), each = 22)) frequency <- as.factor (rep ("low", times = 66)) newDFlow <- data.frame (vp, ProbeSit,rateProbeDetec, frequency) sapply(list(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont), mean) sem <- function (x){sqrt (var(x)/length (x))} sapply(list(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont), sem) t.test (www1n$Exp_S_SOA, www1n$Kont, paired = TRUE) t.test (www1n$Exp_L_SOA, www1n$Kont, paired = TRUE) rm (aa1,bb1,rateProbeDetec, vp,frequency , ProbeSit, Exp_L_SOA, Exp_S_SOA,Kont,sem,www1n, dfLOW) ls() # #### ######## END: probe detection Exp3: low frequency ########### ############ ### analysis for high frequency dfHIGH <- subset (exp3, Frequenz == "hoch") # Means Control: aa1 <- with(dfHIGH , tapply (wichtHit,neuLaufendeNummer,sum)) bb1 <- with(dfHIGH , tapply (GewVariable, neuLaufendeNummer, sum)) Kont <- aa1/bb1 length (Kont) # Means für Trials mit IrrDist 100ms vor Probe Exp_S_SOA <- with(subset(dfHIGH , neuIrrDist == 1 & neuIrrDistAufProbe == 1), tapply(nKritHitsKurz, neuLaufendeNummer, mean)) length (Exp_S_SOA) # Means für Trials mit IrrDist mindestens 1500 und maximal 4000 ms vor Probe Exp_L_SOA <- with(subset(dfHIGH , neuIrrDist == 1 & neuIrrDistAufProbe == 0), tapply(nKritHitsLang, neuLaufendeNummer, mean)) length (Exp_L_SOA) ####### # Neuen DATAFRAME bauen aus dfHIGH www1n <- data.frame (Exp_S_SOA, Exp_L_SOA, Kont) rateProbeDetec <- c(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont) vp <- as.factor (rep (1:22, times = 3)) ProbeSit <- as.factor (rep (c("BedExp1", "BedExp2", "BedKont"), each = 22)) frequency <- as.factor (rep ("high", times = 66)) newDFhigh <- data.frame (vp, ProbeSit,rateProbeDetec, frequency) sapply(list(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont), mean) sem <- function (x){sqrt (var(x)/length (x))} sapply(list(www1n$Exp_S_SOA, www1n$Exp_L_SOA, www1n$Kont), sem) t.test (www1n$Exp_S_SOA, www1n$Kont, paired = TRUE) t.test (www1n$Exp_L_SOA, www1n$Kont, paired = TRUE) rm (aa1,bb1,rateProbeDetec, vp,frequency , ProbeSit, Exp_L_SOA, Exp_S_SOA,Kont,sem,www1n, dfHIGH ) ls() # ### END: probe detection Exp3: high frequency #### # #### ######## END: construction data frame for Exp1: probe detection ############# # *** *** *** ############ ###### ### START: analysis: Probe Detection # #### # For low frequency condition of experiment 3: with (newDFlow, tapply (rateProbeDetec, ProbeSit, mean)) sem <- function (x){sqrt (var(x)/length (x))} with (newDFlow, tapply (rateProbeDetec, ProbeSit, sem)) ### MIT ezANOVA library (ez) ezANOVA (data = newDFlow, dv = .(rateProbeDetec), wid = .(vp), within = .(ProbeSit), detailed = TRUE) ls() #### # For high frequency condition of experiment 3: with (newDFhigh, tapply (rateProbeDetec, ProbeSit, mean)) ### MIT ezANOVA library (ez) ezANOVA (data = newDFhigh, dv = .(rateProbeDetec), wid = .(vp), within = .(ProbeSit), detailed = TRUE) ls() #### # comparison high vs. low condition: majorDF <- rbind (newDFhigh,newDFlow) with (majorDF, tapply (rateProbeDetec, list(frequency,ProbeSit), mean)) ### MIT ezANOVA library (ez) ezANOVA (data = majorDF, dv = .(rateProbeDetec), wid = .(vp), within = .(ProbeSit,frequency), detailed = TRUE) ################## # Comparison of Means HIGHshort <- as.vector( with (subset (newDFhigh, ProbeSit == "BedExp1"), tapply (rateProbeDetec, vp, mean))) HIGHlong <- as.vector(with (subset (newDFhigh, ProbeSit == "BedExp2"), tapply (rateProbeDetec, vp, mean))) HIGHcont <- as.vector(with (subset (newDFhigh, ProbeSit == "BedKont"), tapply (rateProbeDetec, vp, mean))) LOWshort <- as.vector(with (subset (newDFlow, ProbeSit == "BedExp1"), tapply (rateProbeDetec, vp, mean))) LOWlong <- as.vector(with (subset (newDFlow, ProbeSit == "BedExp2"), tapply (rateProbeDetec, vp, mean))) LOWcont <- as.vector(with (subset (newDFlow, ProbeSit == "BedKont"), tapply (rateProbeDetec, vp, mean))) library (effsize) # Analysis Probe Detection for low frequency condition t.test (LOWshort , LOWcont , paired = TRUE) cohen.d (LOWshort ,LOWcont , paired = TRUE) t.test (LOWlong , LOWcont , paired = TRUE) cohen.d (LOWlong ,LOWcont , paired = TRUE) # Analysis Probe Detection for high frequency condition t.test (HIGHshort , HIGHcont , paired = TRUE) cohen.d (HIGHshort ,HIGHcont , paired = TRUE) t.test (HIGHlong , HIGHcont , paired = TRUE) cohen.d (HIGHlong ,HIGHcont , paired = TRUE) # Analysis Probe Detection for Experiment between Exp 1 and 3 t.test (HIGHshort , LOWshort , paired = TRUE) cohen.d (HIGHshort ,LOWshort , paired = TRUE) t.test (HIGHlong , LOWlong , paired = TRUE) cohen.d (HIGHlong ,LOWlong , paired = TRUE) t.test (HIGHcont , LOWcont , paired = TRUE) cohen.d (HIGHcont ,LOWcont , paired = TRUE) # rm (exp1short,exp1long,exp1cont,exp3short,exp3long, exp3cont) ls() #################################### ########### ######################## END Analysis Probe Detec. Exp 3 ############################## # *** *** *** ############################## START PLOT EXP3 ############################### ## ## ## ## ## ## ## Exp3: P L O T ## ############################################################# #### B A R P L O T - # cf Crawley: S. 462 -- TEST ###################################### # Grouped Bar Plot - Experiment 3: high vs low frequency sem <- function (x){sqrt (var(x)/length (x))} error.bars<-function(yv,z,nn) { xv<- barplot(yv,xlab="Modes of Presentation of Irrelevant Distractor", # names müssen individuell angepasst werden names=nn, ylab="Percent of Probes Detected", main = "Effect of Frequency of Irrelevant Distractor", las = 1, # col=c("blue","red"), density = c(60,20), ylim = c (0, 100)) g=(max(xv)-min(xv))/50 for (i in 1:length(xv)) { lines(c(xv[i],xv[i]),c(yv[i]+z[i],yv[i]-z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]+z[i], yv[i]+z[i])) lines(c(xv[i]-g,xv[i]+g),c(yv[i]-z[i], yv[i]-z[i])) }} se <- sapply(list(LOWshort,HIGHshort,LOWlong,HIGHlong, LOWcont,HIGHcont), sem)*100 ybar <- as.vector (sapply(list(LOWshort,HIGHshort,LOWlong,HIGHlong, LOWcont,HIGHcont), mean))*100 labels <- as.character(c("", "","", "","","")) error.bars(ybar,se, labels) # BARPLOT zeichnen # Legend mit density legend(list(x = 2.77,y = 25), c("low frequency", "high frequency"), bg = "gray100", density = c(60,20),pt.cex = 2, text.col = c("black","black"), cex = 1.2 ) axis(1, at= c(1.3,3.7,6.0),labels=c("short SOA", "long SOA", "control"),tick=FALSE) ### eps Graphics: # Teil 1/3: Versuch eps Grafik zu erzeugen # für Details "?postscript" # der Teil 1/3 öffnet den Grafikdevice, in den das Ergebnis des plot Befehls geöffnet wird setEPS() # sets options for EPS; ohne läuft Skript nicht postscript("Effect of Frequency on probe detection.eps") # Teil 2/3: Versuch svg Grafik zu erzeugen error.bars(ybar,se, labels) # BARPLOT zeichnen # Legend mit density legend(list(x = 2.77,y = 25), c("low frequency", "high frequency"), bg = "gray100", density = c(60,20),pt.cex = 2, text.col = c("black","black"), cex = 1.2 ) axis(1, at= c(1.3,3.7,6.0),labels=c("short SOA", "long SOA", "control"),tick=FALSE) # Teil 3/3: Versuch eps Grafik zu erzeugen - device wieder schließen, sonst kommt jeder plot in diesen Device dev.off() # +++ +++ +++ ### ############################## END PLOT EXP3 ############################### # *** *** *** ################################################################ ################################ # # Analysis: Experiment4 # ################################################# rm(list=ls(all=TRUE)) # DATA setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") exp4 <- read.csv ("exp4.csv", sep= ",", skip = 0, header = TRUE) names (exp4) # Read Data END ### DATENSATZ # Observers: 16 # Trials: 60 # Objects: 8 Objekte # probes: 3 and 4 and 5 probes ###################### ##### ### Experiment 4 - ANALYSIS TRACKING ident<-rep (1:16, each = 60) neuDF1 <- cbind (exp4, ident) sem <- function (x){sqrt (var(x)/length (x))} TrefferMit <- with(subset(neuDF1 , Bedingung == "megakurz"), tapply(Treffer, ident, mean))/4 mean(TrefferMit) sem(TrefferMit) TrefferOhne <- with(subset(neuDF1 , Bedingung == "keinIrrDist"), tapply(Treffer, ident, mean))/4 mean(TrefferOhne) sem(TrefferOhne) TrefferGesamt <- with(neuDF1 , tapply(Treffer, ident, mean))/4 mean(TrefferGesamt) sem (TrefferGesamt) t.test (TrefferMit , TrefferOhne, paired = TRUE) # Paket "effsize" library (effsize) cohen.d (TrefferMit ,TrefferOhne, paired = TRUE) # ### END: Analysis --- TRACKING ###### ############ # * * * * * * * * * ######################## START Analysis Probe Detec. Exp 4 ############################## ## P r o b e D e t e c t i o n R a t e s Experiment 4 ############################################################ ########### ######## START: data frame for Exp1: probe detection #### # rm(list=ls(all=TRUE)) setwd ("C:\\Users\\Sebastian Pichlmeier\\Documents\\R_Len\\ACinMOT") neuDF1 <- read.csv ("exp4.csv", sep= ",", skip = 0, header = TRUE) with(neuDF1 , tapply(HitsTargets/AnzahlProbesAufTargets, Bedingung, mean)) sem <- function (x){sqrt (var(x)/length (x))} # Means probe detection without IrrDist: control <- with(subset(neuDF1 ,Bedingung == "keinIrrDist"),tapply (HitsTargets/AnzahlProbesAufTargets, LaufendeNummer, mean)) length (control) mean (control) sem (control) # Means probe detection with IrrDist: withDIST <- with(subset(neuDF1 ,Bedingung == "megakurz"),tapply (HitsTargets/AnzahlProbesAufTargets, LaufendeNummer, mean)) length (withDIST) mean (withDIST) sem (withDIST) t.test (withDIST, control, paired = TRUE) # Mit Paket "effsize" library (effsize) cohen.d (withDIST, control, paired = TRUE) # #### ######## END: analysis probe detection Experiment 4 ############# # ### ##### ############################## END Analysis EXP4 ###############################