Automatic color and automatic produ

Automatic color and automatic product preferences were calculated based on the response latencies from the measure-ment blocks using the D score algorithm, which minimizes the effect of completing multiple IATs (Greenwald et al., 2003). Specifically, for each respondent, this algorithm computes the standard deviation for blocks 3 and 6 combined latencies, and another for blocks 4 and 7 combined latencies. Then it computes 4 means for the latencies in blocks 3, 4, 6, and 7, computes a mean latency difference score between blocks 3 and 6 and also between blocks 4 and 7, and divides the mean latency difference scores by their respective standard deviations computed in the first step of the algorithm. Finally, the D score is computed as the average of these two quotients (Nosek, Greenwald, & Banaji, 2007). D was scored so that larger numbers indicated a stronger association between pleasant words and white stimuli (i.e., a positive D indicated an automatic preference for the color white/white products; a negative D indicated an automatic preference for the color black/black products).


Results

Consistent with H1a, participants have an automatic preference for the color white over black irrespective
of race (MeanDcombined = .49; MeanDCaucasian-American =.68;

MeanDAfrican-American = .23) (see Fig. 1). In support of H1b, we observe an automatic preference for white- over black-
colored products for the total sample (MeanDcombined = .34), and within each racial group (MeanDCaucasian-American = .48; MeanDAfrican-American = .17). Finally, a regression of partici-pants' product IAT scores on their color IAT scores shows that automatic color preference predicted automatic product preference for the total sample (β = .46), for Caucasian-Americans (β = .28), and for African-Americans (β = .43), thereby supporting H2a (see Table 1).

Results (Indonesian) 1:

Warna otomatis dan otomatis produk preferensi yang 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 setiap Termohon, algoritma ini menghitung deviasi standar untuk blok 3 dan 6 dikombinasikan latency, dan satu lagi untuk blok 4 dan 7 dikombinasikan latency. Kemudian menghitung 4 berarti untuk latency dalam blok 3, 4, 6 dan 7, menghitung Skor latensi berarti perbedaan antara blok 3 dan 6 dan juga antara blok 4 dan 7, dan membagi latensi berarti perbedaan nilai oleh deviasi standar mereka masing-masing dihitung pada langkah pertama dari algoritma. Akhirnya, nilai D dihitung sebagai rata-rata quotients ini dua (Nosek, Greenwald, & Banaji, 2007). D diberi sehingga angka yang lebih besar ditunjukkan lebih kuat hubungan antara kata-kata menyenangkan dan rangsangan putih (yaitu, D positif menunjukkan preferensi otomatis untuk warna putih putih produk; D negatif menunjukkan preferensi otomatis untuk warna black hitam produk).HasilKonsisten dengan H1a, peserta memiliki preferensi otomatis untuk warna putih hitam terlepasras (MeanDcombined =. 49; MeanDCaucasian-Amerika =. 68;MeanDAfrican-American =.23) (Lihat gambar 1). Untuk mendukung H1b, kita mengamati preferensi otomatis untuk hitam putih-over-berwarna produk untuk jumlah sampel (MeanDcombined =.34), dan dalam setiap kelompok ras (MeanDCaucasian-Amerika =. 48; MeanDAfrican-Amerika =.17 mendapat Akhirnya, regresi dalam Pros-celana produk IAT Skor pada nilai IAT warna mereka menunjukkan bahwa preferensi warna otomatis meramalkan otomatis produk preferensi untuk jumlah sampel (β =.46), untuk Caucasian-Amerika (β =.28), dan Afrika-Amerika (β =.43), sehingga mendukung H2a (Lihat tabel 1).

Results (Indonesian) 2:

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).