<div dir="ltr"><div>Hi all</div><div><br></div><div>I've been try to recreate two analyses/procedures for reverse correlation paradigm response data: calculating reliability (something like cronbach's alpha), and superimposing regions of subject agreement on the base image used in a given study.</div><div><br></div><div>In this mailing list I saw Dr. Dotsch recommend the following paper:</div><div><br></div><div><a href="http://dx.doi.org.proxy.lib.umich.edu/10.3389%2Ffpsyg.2013.00592">Éthier-Majcher, C., Joubert, S., & Gosselin, F. (2013). Reverse correlating trustworthy faces in young and older adults. Frontiers in psychology, 4.</a><br></div><div><br></div><div>The second paragraph in the results section (which begins "To increase signal-to-noise ratio...") has the analysis I'm trying to recreate with my own data. Figure 2 is the kind of image I'd like to make. Here's a summary of the steps from that section:</div><div><ul><li>Calculate the Pearson correlations between every individual CI and the corresponding group CI, restricting the computation to the union of areas that attained statistical significance in all group CI's<br></li><li>Transform these group CIs into Z-scores planes by dividing them by the square root of the number of individuals in the appropriate subject group. (<b>this is the easy par</b>t)<br></li><li>Superimpose the Z-scored group CIs onto a grayscale face.<br></li><li>The bright red (Z-score ≥ 4.30) and bright blue blobs (Z-score ≤ −4.30), respectively, indicate regions where bright pixels were significantly correlated positively with the judgment and regions where dark pixels were significantly correlated negatively with the judgment</li></ul></div><div>I contacted the corresponding author and he very generously gave me the following Matlab code:</div><div><br></div><div><font color="#0000ff"><b><span style="font-size:12.8px">% this creates the group </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px">:</span><br style="font-size:12.8px"><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> = 0;</span><br style="font-size:12.8px"><span style="font-size:12.8px">for subject = 1:</span><span class="" style="font-size:12.8px">nb_subjects</span><span style="font-size:12.8px">,</span><br style="font-size:12.8px"><span style="font-size:12.8px">        ...</span><br style="font-size:12.8px"><span style="font-size:12.8px">        for trial = 1:nb_trials</span><br style="font-size:12.8px"><span style="font-size:12.8px">                ...</span><br style="font-size:12.8px"><span style="font-size:12.8px">                </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> = </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> + (selected_noise-unselected_</span><span style="font-size:12.8px">noise)/</span><span class="" style="font-size:12.8px">sqrt</span><span style="font-size:12.8px">(2);</span><br style="font-size:12.8px"><span style="font-size:12.8px">        end</span><br style="font-size:12.8px"><span style="font-size:12.8px">        </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> = </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> / </span><span class="" style="font-size:12.8px">sqrt</span><span style="font-size:12.8px">(nb_trials);</span><br style="font-size:12.8px"><span style="font-size:12.8px">end</span><br style="font-size:12.8px"><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px"> = </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px">/</span><span class="" style="font-size:12.8px">sqrt</span><span style="font-size:12.8px">(</span><span class="" style="font-size:12.8px">nb_subjects</span><span style="font-size:12.8px">);</span><br style="font-size:12.8px"><br style="font-size:12.8px"><span style="font-size:12.8px">% the following smooths the group </span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px">:</span><br style="font-size:12.8px"><span style="font-size:12.8px">h = fspecial('gaussian’,ceil(6*</span><span style="font-size:12.8px">sigma),sigma);</span><br style="font-size:12.8px"><span style="font-size:12.8px">smooth_ci = filter2(h,</span><span class="" style="font-size:12.8px">ci</span><span style="font-size:12.8px">) ;</span><br style="font-size:12.8px"><span style="font-size:12.8px">smooth_ci = smooth_ci / </span><span class="" style="font-size:12.8px">sqrt</span><span style="font-size:12.8px">(sum(h(:).^2))</span></b></font><br></div><div><span style="font-size:12.8px"><br></span></div><div><span style="font-size:12.8px">I'm an R user and I'm struggling to translate this. I can get the noise patterns from the ci data element from the rcicr batchGenerateCI2IFC() function's output. The smoothie package in R has filter functions like gauss2dsmooth(). That's as far as I've gotten.</span></div><div><span style="font-size:12.8px"><br></span></div><div><span style="font-size:12.8px">I'd greatly appreciate any help navigating these procedures. Thank you!</span></div><div><span style="font-size:12.8px"><br></span></div><div><span style="font-size:12.8px">Nick</span></div><div><span style="font-size:12.8px">--</span> </div><div class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr">Nick Michalak</div></div></div></div></div></div></div>
</div>