Rmd

Beispiel Reaktionszeiten und P300

Hintergrund

ispired by:

age differences in reaction time local copy

age differences in p300 local copy

auditory and visual P300 local copy

task complexity and P300local copy

  • Signalton: 1000 Hz oder 250 Hz Ton, 300 ms Länge
  • Reaktion auf “hand held response button”
  • 6-13 s Inter Stimulus Interval
  • Simple reaction time: Reaktion auf beide Signaltöne
  • discriminative reaction time: Reaktion nur auf einen der beiden Signaltöne (go-nogo-paradigm)

  • P300 at PZ

  • P300 amplitude was larger and latency longer for the visual compared with the auditory stimulus

  • P300 latency ist höher für schwierigere Aufgaben (z.B. Wahrnehmungsdiskrimination)

Points

Streudiagramme, auch gruppiert.

Eine kontinuierliche Variable kann über die Farbe oder Größe als “dritte Dimension” dienen.

# we take a look at the wide format
df.w <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3_w.txt")
head(df.w)
##   subj gender age age.gr a.rt.sr a.rt.dr v.rt.sr v.rt.dr a.p3a.sr a.p3a.dr
## 1    1      f  17  15-25     235     403     275     446     7.40     6.64
## 2    2      f  22  15-25     230     396     273     437     7.21     6.35
## 3    3      m  18  15-25     219     358     262     397     6.16     5.79
## 4    4      m  21  15-25     215     352     254     390     7.57     7.02
## 5    5      f  46  45-55     270     444     307     484     5.60     4.86
## 6    6      f  53  45-55     266     437     307     479     3.68     3.27
##   v.p3a.sr v.p3a.dr a.p3l.sr a.p3l.dr v.p3l.sr v.p3l.dr
## 1    10.47     9.92      385      420      422      459
## 2    10.04     9.62      394      437      430      465
## 3     8.96     8.36      382      417      420      452
## 4    10.21     9.59      399      439      440      473
## 5     8.34     7.75      440      502      476      534
## 6     6.80     6.05      449      505      484      537
# ... and read the modified long format of the same data
df <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3.txt")
head(df)
##   subj_key subj gender age age.gr av complex  rt   p3a p3l
## 1   1_a_dr    1      f  17  15-25  a      dr 403  6.64 420
## 2   1_a_sr    1      f  17  15-25  a      sr 235  7.40 385
## 3   1_v_dr    1      f  17  15-25  v      dr 446  9.92 459
## 4   1_v_sr    1      f  17  15-25  v      sr 275 10.47 422
## 5   2_a_dr    2      f  22  15-25  a      dr 396  6.35 437
## 6   2_a_sr    2      f  22  15-25  a      sr 230  7.21 394
require(ggplot2)
## Loading required package: ggplot2
# a rough view at age effects
pplot <- ggplot(data=df, aes(x=age, y=rt))
pplot + geom_point()

# might be clearer by gender?
pplot + aes(color=gender) + geom_point()

# same with
pplot + geom_point(aes(color=gender))

# visual vs accoustic reaction times are supposed to have an effect
pplot + geom_point(aes(shape=gender, color=av))

#  the various dependent variables correlated?
#  P300 amplitude vs latency
ggplot(data=df, aes(x=p3a, y=p3l)) + 
    geom_point()

ggplot(data=df, aes(x=rt, y=p3a)) + 
    geom_point()

ggplot(data=df, aes(x=rt, y=p3l)) + 
    geom_point()

# a third pseudo dimension using colors
ggplot(data=df, aes(x=p3a, y=p3l, color=rt)) + 
    geom_point()

# a third pseudo dimension using size
ggplot(data=df, aes(x=p3a, y=p3l, size=rt)) + 
    geom_point()

# a third pseudo dimension using colors
ggplot(data=df, aes(x=p3a, y=p3l, color=rt, shape=complex)) + 
    geom_point()

Boxplots

schnell und flexibel deskriptive Visualisierungen

df <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3.txt")
require(ggplot2)
# bars
# geom_bar visualizes counts of factor classes
ggplot(df, aes(x=age.gr)) + geom_bar()

ggplot(df, aes(x=av)) + geom_bar()

# box plots summarize
ggplot(df, aes(x=age.gr, y=rt)) + geom_boxplot()

# ... even split by another factor
ggplot(df, aes(x=age.gr, y=rt, color=gender)) + geom_boxplot()

# ... or even split by a third factor
ggplot(df, aes(x=age.gr, y=rt, color=gender, shape=av)) + geom_boxplot()

# ... maybe better using facets
ggplot(df, aes(x=age.gr, y=rt, color=gender)) + 
    geom_boxplot() + 
    facet_wrap(~av)

ggplot(df, aes(x=age.gr, y=rt, color=av)) + 
    geom_boxplot() + 
    facet_wrap(~gender)

Bars

geom_bar() hat count() als voreingestellte Funktion, um den darzustellenden Wert zu berechnen. Wir können hier auch andere Werte durch die Säulen darstellen lassen.

df <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3.txt")
require(ggplot2)
# 
ggplot(df, aes(age.gr, rt, color=age.gr)) + 
    geom_bar(stat = "summary_bin", fun.y = mean)

ggplot(df, aes(age.gr, rt, fill=age.gr)) + 
    geom_bar(stat = "summary_bin", fun.y = mean) +
  facet_wrap(~av)

Lines

Linien dienen hauptsächlich für die Darstellung von Verläufen (Zeitreihen). Verläufe brauchen für x- und y-Achse Zahlenwerte (! factor).

Macht beim vorliegenden Datensatz wenig Sinn.

df <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3.txt")
df$subj <- as.factor(df$subj)
# we create a fake time course over conditions to be able to show something using individual lines
df$t.n <- as.numeric(df$complex) + as.numeric(df$av) *2
require(ggplot2)
# individual curves
ggplot(data=df, aes(x=t.n, y=rt, group=subj, color=subj)) + 
    #aes(stat='identity') + 
    #geom_line(aes(group=subj)) +
    geom_line() +
    geom_point()

ggplot(data=df, aes(x=complex, y=rt, group=subj, color=subj)) + 
    #aes(stat='identity') + 
    #geom_line(aes(group=subj)) +
    geom_line() +
    geom_point() +
    facet_wrap(~av)

Überschreiben von voreingestelltem Verhalten (defaults)

Spezielle Funktionen können die voreingestellte Aggregierung der Daten überschreiben

Geoms haben bestimmte Parameter, die wir überschreiben können, d.h., wir können eine Funktion übergeben, die die Werte für die Paramter berechnet. Dies ändert das Verhalten des Geom. Hier sehen wir das für das Geom pointrange und für das Geom line

Wir überschreiben ein Default-Verhalten für einen Parameter, indem wir in stat_summary() für alle Paramter, die wir überschreiben wollen, eine Funktion definieren, die genauso heißt, wie der Parameter aber vorne dran ein “fun.” stehen hat. Z. B. kennt das Geom pointrange() die Paramter “ymin” und “ymax”, die obligatorisch sind. Wir überschreiben diese Parameter durch das Definieren einer Funktion “fun.ymin” für den Parameter “ymin” bzw. “fun.ymax” für den Parameter “ymax”

df <- read.delim("http://md.psych.bio.uni-goettingen.de/data/virt/rt_p3.txt")
require(ggplot2)
ggplot(df, aes(x = age.gr, y = rt, colour = complex, group = complex)) + 
  stat_summary(fun.y = mean,
               fun.ymin = function(x) mean(x) - sd(x), 
               fun.ymax = function(x) mean(x) + sd(x), 
               geom = "pointrange") +
  stat_summary(fun.y = mean,
               geom = "line") +
  facet_wrap( ~ av)

Übungen