次の実験を踏まえて、以下の質問に答えるための正しい統計的方法は何ですか？
参加者は写真が連続して表示され、各写真の後にオブジェクトまたは顔のどちらを見たかに応答する必要があります。各試行（画像のプレゼンテーション）では、表示された画像（210の個別の顔の1つまたは210の個別のオブジェクトの1つ）に、一定量のランダムノイズ（5％から98％の間）が重ねられます。各トライアルで提示される画像はかなり小さいため、各トライアルにも背景があります。背景は黒、大きなオブジェクト、または大きな顔のいずれかです。個々の画像が一致します。つまり、個々の画像は合計3回表示されます。1回は黒い背景で、1回は大きなオブジェクトを背景として、1回は大きな顔を背景として表示されます。個々の画像に重ねられるランダムノイズの量は、3つの異なる背景条件にわたって一定に保たれます。大きなオブジェクトの背景にあるオブジェクトは変化せず、提示された210個の個別オブジェクト画像の1つに含まれていません。同様に、大きな顔の背景の顔は変化せず、表示される210個の個別の顔写真の1つには含まれません。背景にノイズは追加されません。
私が回答したいのは、3つの異なる背景条件間で、顔、オブジェクト、または両方の知覚が大きく異なるかどうかです。 回答したい質問の詳細については、下の質問5を参照してください
つまり、最後に、次のようなデータテーブルがあります。
+ ------------- + ------------- + ------------- + ------- ------ + ------------- + ------------- + | 参加者| カテゴリー| Pic ID | 騒音レベル| 背景| レスポンス* | + ------------- + ------------- + ------------- + ------- ------ + ------------- + ------------- + | 1 | 0 | 1 | 5％| 1 | 0 | | 1 | 0 | 1 | 5％| 2 | 0 | | 1 | 0 | 1 | 5％| 3 | 0 | | | | | | | | | 1 | 0 | 2 | 24％| 1 | 0 | | 1 | 0 | 2 | 24％| 2 | 1 | | 1 | 0 | 2 | 24％| 3 | 0 | | | | | | | | | 1 | 0 | 3 | 80％| 1 | 1 | | 1 | 0 | 3 | 80％| 2 | 0 | | 1 | 0 | 3 | 80％| 3 | 1 | | | | | | | | | .. | .. | .. | .. | .. | .. | + ------------- + ------------- + ------------- + ------- ------ + ------------- + ------------- + | 1 | 1 | 211 | 12％| 1 | 1 | | 1 | 1 | 211 | 12％| 2 | 1 | | 1 | 1 | 211 | 12％| 3 | 1 | | | | | | | | | 1 | 1 | 212 | 20％| 1 | 1 | | 1 | 1 | 212 | 20％| 2 | 0 | | 1 | 1 | 212 | 20％| 3 | 1 | | | | | | | | | 1 | 1 | 213 | 75％| 1 | 0 | | 1 | 1 | 213 | 75％| 2 | 0 | | 1 | 1 | 213 | 75％| 3 | 1 | | | | | | | | | .. | .. | .. | .. | .. | .. | + ------------- + ------------- + ------------- + ------- ------ + ------------- + ------------- +
ここで、カテゴリは面（0）またはオブジェクト（1）であり、応答も面（0）またはオブジェクト（1）です。参加者の応答は従属変数です。根底にある連続体を持つ二分法。すべての参加者は3つの背景条件すべてで測定されるため、依存関係のある設計です。1つの個別の画像について、3つの背景条件でノイズを一定に保つため、どういうわけかペアリングまたはマッチングされます。
最初にバイセリアル相関を計算し、t統計に基づいてそれらを比較することを考えましたが、その後、データ構造によりよく適合すると思われるロジスティック回帰を見ました。しかし、一致したサンプルと依存するデザインをどうにかして分析に組み込む必要があると私はまだ感じています。それで私がそれを検索したとき、条件付きロジスティック回帰がポップアップしました。
問題は、条件付きロジスティック回帰では、従属変数に対してマッチングが行われることです。通常、従属変数の1と1つ以上の0サンプルを照合します。従属変数ではなく、独立変数で一致しました（各背景条件で同じノイズレベルの同じ写真）。したがって、このデータに条件付きロジスティック回帰を使用することはできないと思いますが、適合する他のものを見つけることができませんでした。
統計の経験が豊富な誰かが、3つの異なる背景条件の間で、顔、オブジェクト、または両方の知覚が大きく異なるかどうか、上記の質問に答える正しい方法は何かを私に説明できますか？
ご協力ありがとうございました。
【実験手順】
実験には合計1260回の試行があります。210個の個別の顔と210個の個別のオブジェクトで構成され、それぞれ3回表示されます（3つの異なる背景のそれぞれで1回）。トライアルの順序はランダム化され、420回のトライアルの最初、2番目、最後のブロックでは、各背景が正確に140回表示され、個々のオブジェクトと個々の顔が1回表示されます。個々の顔やオブジェクトのすべてではなく、ほとんどの場合、異なる量のノイズが追加されますが、個々の顔やオブジェクトのノイズは、表示される3つの異なる背景条件で一定に保たれます。
[質問と回答]
1. 参加者は何人ですか？参加者は合計5名です。
2. ノイズに限界はありますか？ノイズは0.5％刻みで[5％、98％]の範囲で離散化されます。ノイズはノイズベクトルからランダムに（置換なしで）描画され、画像に割り当てられます。このベクトルには、0.5％のステップで5％から98％の間のすべての可能な値を含まないが、それらの値の一部をスキップし、他のいくつかの値を最大3回含むノイズ分布（カテゴリごとに210エントリ）が含まれます（質問3の回答））。これは、各参加者が同じノイズレベルを経験することを保証します（ただし、実験の最初にノイズレベルが個々の画像にランダムに割り当てられるため、同じ画像の可能性は低いです）。 （セットアップの場合）参加者が約50％の時間で画像を認識できるしきい値に近いノイズレベルです。このしきい値は、黒い背景に表示された同じ写真を使用する他の参加者との予備調査で見つかりました。したがって、この実験ではデフォルトの背景が黒になります。
3. 2つ以上の画像に同じレベルのノイズが表示される可能性はありますか？はい、これは数回発生し、同じレベルのノイズの個別の写真を3つまで含みますが、3つまでです。
4. ノイズと応答の関連付けに関心がないことを確認できますか？この質問に答えるのは難しいです。写真が見えにくい、つまりノイズが多い場合は、さまざまな背景の影響が（存在する場合でも）最も顕著になると予想されます。ですから、分析でノイズを考慮したいと思いますが、ノイズと応答の関連について何かを私に伝えるために分析を必ずしも必要とするわけではありません。私は、できるだけ多くの力を使って、バックグラウンド条件間のあらゆる種類の違いを検出することにのみ興味があります。最初に、3つの異なる背景条件（それぞれのカテゴリ対ノイズレベルで応答する確率）ごとに2つの心理測定曲線を当てはめ、心理測定の当てはめのシフトを比較して、背景条件の違いを確認しました。しかしながら、ブートストラップ分析により、フィッティング手順の分散が大きすぎて、予想される範囲のシフトを検出できないことが明らかになりました。したがって、ノイズと応答の関連に関する情報は、他の種類の分析の能力も低下させる可能性があると思います。これが事実なら、私はそれを必要としません。
5. 「知覚」と「両方」とはどういう意味ですか。実際に何が知りたいですか？「[カテゴリ]の認識」とは、正確なパーセントではなく「[カテゴリ]の回答」を意味します。私が持っている（と私はことをテストしたいのですが）、そのある仮定顔 -backgroundで応答する参加者影響する顔 しかし、オブジェクトを -backgroundなりませで応答する参加者に影響を与えるオブジェクト（この仮定は読者としておそらく意味をなさないでしょうが、それは私がテストする必要があるものです）。私が「両方」で意味しているのは、顔の背景が参加者に影響を与えて顔で応答し、オブジェクトの背景が参加者に影響を与えて応答するケースである場合、顔の背景のみが効果を持つという私の仮定知覚については誤りでしょう。異なるノイズレベルが含まれているのは、画像が見にくい/認識しにくい場合に、カテゴリの1つに対する認識に影響を与える可能性が高くなるためです。したがって、いずれかのカテゴリの知覚に背景依存の影響がある場合、たとえば5％から20％のノイズ範囲ではなく、より高いノイズ範囲で表示される可能性は低くなります。
さらに情報が必要な場合はお知らせください。