Rozdział 4. Problemy i metody
4.6. Analiza danych
Obliczenia na potrzeby analizy statystycznej zostały przeprowadzone przy pomocy pakietu oprogramowania IBM SPSS Statistics 25 (Wagner III, 2019), programu Jamovi (jamovi project, 2019; R Core Team, 2013) oraz przy pomocy programu MPlus 8.0 (Muthén i Muthén, 2012).
4.6.1. Przygotowanie danych
Redukcja danych dotyczących afektu i przewodnictwa skórnego była przeprowadzona w programie LabChart 8.1 (AD Instruments, Nowa Zelandia). Dane dotyczące aktywności sercowej zostały zredukowane w programie VU-DAMS (The Vrije University Data Analysis and Management Software; Vrije University, Holandia). Dane dotyczące ciśnienia krwi zostały zredukowane przy wykorzystaniu makr opracowanych w Laboratorium Psychofizjologii Zdrowia UAM w programie Excel. Wszystkie dane surowe sprawdzono również pod kątem odstających obserwacji. W wypadku wartości odstających o 3,29 SD (Field, 2013), dane wyłączono z analizy. Braki danych wynikały również z problemów technicznych związanych z aparaturą pomiarową. Model oparty jest na obserwacjach pochodzących od 149 osób, z uwagi na konieczność uwzględnienia w analizie wyłącznie obserwacji niezawierających braków danych.
W analizie danych fizjologicznych uwzględniono zapis z trzech momentów pomiaru: 1) ostatnie dwie minuty pomiaru spoczynkowego (T0),
2) ostatnie dwie minuty podczas oglądania materiałów filmowych (T1) 3) dwie minuty po otrzymaniu informacji o ofercie podziału pieniędzy (T2).
Okres dwóch minut wybrano jako najkrótszy możliwy do analizy, z uwagi na konieczność uchwycenia krótkich reakcji układu sercowo-naczyniowego. Dla danych fizjologicznych obliczono wartości reaktywności fizjologicznej będące różnicą pomiędzy pomiarem spoczynkowym a pomiarem na zakończenie oglądania filmów (T1−T0) oraz różnica pomiędzy pomiarem spoczynkowym a pomiarem w momencie podejmowania decyzji (T2−T0). Uzyskano w ten sposób wartości odpowiadające wielkości reakcji fizjologicznej na prezentowane bodźce. Wykorzystywanie reaktywności fizjologicznej jest standardową procedurą w badaniach psychofizjologicznych pozwalającą na lepsze uchwycenie zróżnicowania w zakresie psychofizjologicznej reakcji na bodźce (Gross i Levenson, 1995; Kreibig, Samson i Gross, 2013, 2015).
4.6.2. Strategia analizy danych
Do przetestowania hipotez związanych z behawioralnymi efektami różnorodności emocjonalnej jako stanu i jako cechy, oraz pośrednich efektów różnorodności emocjonalnej jako cechy i jako stanu, zastosowano metodę analizy ścieżek. Obliczenia zostały przeprowadzone przy użyciu programu statystycznego Mplus 8.0 (Muthén i Muthén, 2012). Wykorzystując analizę ścieżek podjęto próbę dopasowania modelu teoretycznego do danych empirycznych ukazujących związki pomiędzy różnorodnością emocjonalną, wagalną kontrolą pracy serca i aktywacją systemu społecznego zaangażowania. Zgodnie z rekomendacjami dotyczącymi pomiarów zmienności rytmu zatokowego (Grossman i Kollai, 1993; Laborde, Mosley, Thayer, 2017), do modelu włączono parametr IBI, z uwagi na konieczność wyodrębnienia zmienności rytmu zatokowego związanego z oddychaniem. Uwzględnienie prostej miary zmienności jaką jest IBI i skorelowanie jej z aktywnością oddechową pozwoliło na wyodrębnienie pomiaru wagalnej kontroli pracy serca. Z uwagi na dużą wewnątrzosobniczą stałość pomiarów fizjologicznych, kontrolowano związki pomiędzy wynikami uzyskanymi w poszczególnych momentach pomiaru (wartości spoczynkowe, oglądanie filmów, podejmowanie decyzji). Statystyki opisowe dla zmiennych wchodzących w skład modelu przedstawia tabela 5.1. (str. 116).
Decyzję w grze ultimatum przewidywano przez wartości różnic w pomiarze przed podjęciem decyzji i pomiarze spoczynkowym (T2−T0) dla zmiennych walencja emocjonalna, RMSSD oraz częstotliwość oddechu, przy kontroli związku zmiennej RMSSD ze zmienną IBI. Opisano w ten sposób osobniczą reaktywność na informację o niesprawiedliwym podziale dóbr. Osobnicza reaktywność na niesprawiedliwą ofertę była przewidywana przez wartości różnicy pomiarów walencji emocjonalnej, RMSSD (przy kontroli IBI) oraz częstotliwości oddechu pomiędzy pomiarem spoczynkowym a pomiarem na zakończenie oglądania materiałów filmowych. Wartości te przewidywano przez doświadczenie emocjonalne o większym lub mniejszym zróżnicowaniu emocjonalnym oraz przez pomiary spoczynkowe.
Metoda analizy ścieżek jest rozwinięciem regresji wielozmiennowej i umożliwia tworzenie modeli z wieloma zmiennymi zależnymi i zmiennymi niezależnymi. Modele ścieżkowe umożliwiają zbadanie zarówno efektów bezpośrednich jak i pośrednich pomiędzy zmiennymi. Efekt bezpośredni określa związek predyktorów i zmiennej zależnej, efekty pośrednie uwzględniają mediację poprzez dodatkowe zmienne (Schumacker i Lomax, 2010). Z uwagi na to, że badany model zawiera dychotomiczną zmienną zależną (decyzję tak/nie dotyczącą przedstawianej oferty), w obliczeniach użyto estymatora WLSMV (ang. weighted least squares means and variance adjusted, ważone najmniejsze kwadraty ze skorygowaną średnią i wariancją; Muthén i Muthén, 2012). Współczynniki
regresji dla zmiennej zależnej dychotomicznej obliczono metodą regresji probit, odpowiedniej dla tego poziomu pomiaru.
Dopasowanie modelu do danych empirycznych zostało oszacowane za pomocą parametrów χ2, RMSEA, CFI oraz WRMR.
Statystyka χ2 stanowi miarę rozbieżności pomiędzy obserwowaną matrycą kowariancji a matrycą przewidywaną przez model. Im większa wartość tej statystyki testowej, tym gorsze dopasowanie modelu. Należy jednak zaznaczyć, że jest to miara w dużym stopniu wrażliwa na wielkość próby, co za tym idzie, zdarza się, iż wskazuje na istotny brak dopasowania nawet w tych modelach, dla których pozostałe wskaźniki pokazują dobre dopasowanie (Cook, Kallen i Amtmann, 2009)
Parametr RMSEA (ang. root mean square error of approximation, średnia kwadratowa błędu aproksymacji) określa rozbieżność pomiędzy badanym modelem a modelem hipotetycznym, w którym każdy komponent jest związany z każdym innym. Wartość RMSEA pokazuje do jakiego stopnia model z nieznanymi (ale dobranymi w sposób optymalny) parametrami pasowałby do matrycy kowariancji dla ogółu populacji (gdyby była znana). Przyjmuje się, że wartości RMSEA mniejsze od 0,06 oznaczają dobre dopasowanie modelu (Yu, 2002). Parametr CFI (ang. confirmatory fit index, względny indeks dopasowania) określa różnice
pomiędzy badanym modelem a hipotetycznym modelem, gdzie (odwrotnie niż w przypadku RMSEA) żadne jego składniki nie są ze sobą związane. Przyjmuje się, że wartości CFI powyżej 0,90 wskazują na dobre dopasowanie (Cook i in., 2009).
Parametr WRMR (ang. weighted root mean square residual, ważona średnia kwadratowa reszt) opisuje ważoną z użyciem wariancji średnią wszystkich wystandaryzowanych reszt. Można go traktować jako średnią rozbieżność pomiędzy matrycą korelacji dla obserwowanej próby a matrycą korelacji dla zakładanego modelu. Przyjmuje się, że wartości WRMR mniejsze niż 1 oznaczają dobre dopasowanie modelu (Cook i in., 2009).