Results (
Indonesian) 2:
[Copy]Copied!
Otomatis warna dan produk otomatis preferensi dihitung berdasarkan latency respon dari blok ukuran-ment menggunakan algoritma skor D, yang meminimalkan efek menyelesaikan beberapa IATs (Greenwald et al., 2003). Secara khusus, untuk masing-masing responden, algoritma ini menghitung deviasi standar untuk blok 3 dan 6 latency gabungan, dan satu lagi untuk blok 4 dan 7 latency gabungan. Kemudian menghitung 4 cara untuk latency di blok 3, 4, 6, dan 7, menghitung rata-rata skor perbedaan latency antara blok 3 dan 6 dan juga antara blok 4 dan 7, dan membagi rata skor perbedaan latency dengan standar deviasi masing-masing dihitung pada langkah pertama dari algoritma. Akhirnya, skor D dihitung sebagai rata-rata dua quotients ini (Nosek, Greenwald, & Banaji, 2007). D mencetak sehingga angka yang lebih besar mengindikasikan hubungan yang lebih kuat antara kata-kata yang menyenangkan dan rangsangan putih (yaitu, D positif menunjukkan preferensi otomatis untuk warna putih produk / putih; D negatif menunjukkan preferensi otomatis untuk warna hitam produk / hitam) .
Hasil
Konsisten dengan H1a, peserta memiliki preferensi otomatis untuk warna putih di atas hitam terlepas
dari ras (MeanDcombined = 0,49; MeanDCaucasian-Amerika = 0,68;
MeanDAfrican-Amerika = 0,23) (lihat Gambar 1.). Untuk mendukung H1b, kita amati preferensi otomatis untuk putih lebih hitam
produk berwarna untuk total sampel (MeanDcombined = 0,34), dan masing-masing kelompok ras (MeanDCaucasian-Amerika = 0,48; MeanDAfrican-Amerika = 0,17). Akhirnya, regresi skor produk IAT berpartisipasi dan celana 'pada warna skor IAT mereka menunjukkan bahwa preferensi warna otomatis diprediksi preferensi produk otomatis untuk total sampel (β = 0,46), untuk Kaukasia-Amerika (β = 0,28), dan untuk Afrika-Amerika (β = 0,43), sehingga mendukung H2A (lihat Tabel 1).
Being translated, please wait..