Acceso usuarios
R. Harald Baayen, Petar Milin
El análisis de los tiempos de reacción (RTs) constituyen una valiosa herramienta en la psicología experimental. Las consideraciones metodológicas clásicas relacionadas al análisis estadístico de los datos obtenidos con los RT son optimizados para el análisis de datos agregados basados en los valores de la media (c.f., Forster & Dickinson, 1976). La modelación de efectos mixtos (Baayen, Davidson, & Bates, 2008), no requieren agregaciones a priori y permiten al investigador un resultado más robusto en la predicción de respuestas individuales. La modelación mixta reconsidera las estrategias metodológicas clásicas para el análisis de los RTs. En este estudio, nosotros apoyamos la flexibilidad empírica en lo que refiere a la escogencia del método para la transformación de los RTs. Adicionalmente nos aproximamos a un mínimo de datos parciales para criticar el modelo. Además, mostramos como la evaluación y el análisis de la dependencia entre las observaciones individuales pueden ser consideradas dentro el modelo estadístico. Estas estrategias se ilustran para un gran conjunto de datos sin efectos aleatorios simples en su estructura. Por último, se presta especial atención a la evaluación de las interacciones que contienen los efectos mixtos que particionan los niveles de muestreo por factores de efectos aleatorios.
Reaction times (RTs) are an important source of information in experimental psychology. Classical methodological considerations pertaining to the statistical analysis of RT data are optimized for analyses of aggregated data, based on subject or item means (c.f., Forster & Dickinson, 1976). Mixed-effects modeling (see, e.g., Baayen, Davidson, & Bates, 2008) does not require prior aggregation and allows the researcher the more ambitious goal of predicting individual responses. Mixed-modeling calls for a reconsideration of the classical methodological strategies for analysing rts. In this study, we argue for empirical exibility with respect to the choice of transformation for the RTs. We advocate minimal a-priori data trimming, combined with model criticism. We also show how trial-to-trial, longitudinal dependencies between individual observations can be brought into the statistical model. These strategies are illustrated for a large dataset with a non-trivial random-effects structure. Special attention is paid to the evaluation of interactions involving fixed-effect factors that partition the levels sampled by random-effect factors.
