Using Confidence Intervals for Graphically Based Data Interpretation

• Published in: Canadian journal of experimental psychology Vol. 57; no. 3; pp. 203 - 220
• Main Authors: Masson, Michael E. J, Loftus, Geoffrey R
• Format: Journal Article
• Language: English
• Published: Canada Canadian Psychological Association 01.09.2003; Educational Publishing Foundation
• Subjects: Confidence Limits (Statistics); Data analysis; Experiments; Graphical Displays; Graphs; Human; Humans; Models, Psychological; Null Hypothesis Testing; Psychology; Psychology - methods; Psychology - statistics & numerical data; Statistical Analysis; Statistical Power; Statistical Significance
• ISSN: 1196-1961; 1878-7290
• DOI: 10.1037/h0087426

As a potential alternative to standard null hypothesis significance testing, we describe methods for graphical presentation of data - particularly condition means and their corresponding confidence intervals - for a wide range of factorial designs used in experimental psychology. We describe and illustrate confidence intervals specifically appropriate for between-subject versus within-subject factors. For designs involving more than two levels of a factor, we describe the use of contrasts for graphical illustration of theoretically meaningful components of main effects and interactions. These graphical techniques lend themselves to a natural and straightforward assessment of statistical power. Les moyens habituels pour évaluer les données des expériences supposent l'application de méthodes d'essai d'une hypothèse nulle à l'aide de tests statistiques comme les tests t et les analyses de la variance. Un certain nombre de désavantages de l'approche du test de signification de l'hypothèse nulle pour tirer des conclusions à partir des données ont été identifiés dans les débats courants qui entourent l'utilité de l'approche. En tant que méthodes alternatives éventuelles aux méthodes d'essai d'une hypothèse nulle et particulièrement en tant qu'autre moyen que de se fier au concept du rejet de l'hypothèse nulle, nous décrivons des méthodes de présentation graphique des données, particulièrement les moyennes de condition et leurs intervalles de confiance correspondants. La motivation pour une présentation graphique des moyennes avec des intervalles de confiance est de mettre l'accent sur l'interprétation du modèle de moyennes, y compris l'estimation de l'importance des différences entre les moyennes et le niveau de confiance qui peut être accordé à ces estimations. Cette approche peut être mise en contraste avec l'idée centrale qui sous-tend les méthodes d'essai d'une hypothèse nulle, soit de faire des décisions binaires au sujet des hypothèses nulles. Pour faciliter l'application de l'interprétation des données graphiques, nous décrivons des méthodes de calcul des intervalles pour les moyennes qui sont appropriées à une vaste gamme de conceptions factorielles utilisés en psychologie expérimentale. Même si la construction d'intervalles de confiance pour des échantillons indépendants de sujets est une technique relativement bien connue, les intervalles de confiance pour des conceptions intrinsèques au sujet le sont moins. Nous nous appuyons sur notre recherche antérieure ( Loftus & Masson, 1994 ), qui fournit la justification d'une méthode de construction des intervalles de confiance pour les conceptions intrinsèques au sujet. Dans ces conceptions, même si les intervalles de confiance ne livrent pas d'information sur les valeurs absolues des moyennes de population, ils sont très utiles dans l'interprétation des modèles de différence entre les moyennes. À l'aide d'ensembles de données hypothétiques nous illustrons la construction d'intervalles de confiance qui sont tout particulièrement appropriés aux conceptions entre sujet par opposition à intrinsèques au sujet, ainsi que des intervalles de confiance pour des conceptions factorielles pures et mixtes. Ces intervalles de confiance sont calculés à l'aide de termes d'erreurs MS appropriés produit dans le cadre du calcul standard des méthodes d'essai d'une hypothèse nulle. Pour les conceptions faisant appel à plus de deux niveaux d'un facteur, nous décrivons l'utilisation de contrastes fondés sur des combinaisons pondérées de moyennes de conditions. Ces contrastes peuvent être tracés comme des effets avec des intervalles de confiance correspondants et, par conséquent, fournissent une illustration graphique de composants significatifs d'un point de vue théorique d'effets principaux et d'interactions. Ces techniques graphiques se prêtent à une évaluation naturelle et explicite de la puissance statistique. En général, des intervalles de confiance plus petits supposent une plus grande puissance statistique. Toutefois, dans le contexte de l'interprétation graphique des données, la puissance ne renvoie pas à la probabilité du rejet d'une hypothèse nulle, mais au niveau de confiance qu'on peut mettre dans le modèle observé de différences entre les moyennes.