Nad rámec BMI pro sebehodnocení tělesné velikosti a tvaru: Nová metoda pro vývoj podnětů správně kalibrovaných pro tělesné složení

3D databáze tvaru těla
Účastníci
Vybavení
3dMD skener
Analyzátor složení těla Tanita
Postup
Zpracování skenů
Spolehlivost a validita tělesného složení
Validace měření tělesného tuku z BIA
Intraindividuální spolehlivost BIA
Mapování 3D tvaru těla na složení těla
Tvar těla
Srovnání našeho modelu s předpověďmi založenými na BMI
Předpovídání individuálních změn
Úkol chování
Analýza behaviorálních dat

3D databáze tvaru těla

Účastníci

Etické povolení udělila etická komise School of Psychology Research (SOPREC) na University of Lincoln (kód schválení PSY1718350). Celkem 560 dospělých osob ve věku 18-74 let bylo rekrutováno z řad zaměstnanců a studentů Lincolnské univerzity a běžné populace v Lincolnu a okolí. Do této konkrétní analýzy jsme zahrnuli pouze údaje od dospělých bělochů ve věku 18-45 let, protože struktura ukládání tuku se u různých rasových a věkových skupin liší (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). Konečný vzorek (n = 397) tvořilo 176 mužů (Mage = 28,84, SD = 7,99) a 221 žen (Mage = 29,14, SD = 8,18). Nebyl proveden žádný screening poruch příjmu potravy, takže je možné, že někteří účastníci poruchou příjmu potravy trpěli, ale žádný z nich se jako takový neidentifikoval. V tabulce 1 jsou shrnuty antropometrické údaje a údaje o složení těla účastníků a v tabulce 2 je shrnuto rozložení kategorií BMI ve vzorku, zvlášť pro muže a ženy.

Tabulka 1 Antropometrická měření účastníků a měření složení těla mužů a žen

Tabulka 2 Počet a podíl mužů a žen v jednotlivých kategoriích BMI

Vybavení

3dMD skener

Vysoké rozlišení, barevné, 3D tělesné skeny každého účastníka byly získány pomocí systému 3dMD pro antropometrické zobrazování povrchu. 360° celotělový skener obsahuje devět modulárních kamerových jednotek, které jsou rozmístěny kolem kruhu o průměru přibližně 4 m se stejnými rozestupy mezi moduly. Účastník, který má být naskenován, stojí uprostřed tohoto kruhu. Každá jednotka obsahuje dvě monochromatické kamery a jeden speckle projektor pro snímání geometrie těla a jednu barevnou kameru snímající texturu těla. Kamery speckle automaticky promítaly na tělo standardní světelný obrazec, když monochromatické kamery snímaly obraz, zatímco panely se světelnými diodami se zapínaly, když barevná kamera snímala obraz. Skener byl nastaven na snímání sedmi snímků za sekundu, přičemž pro každý 3D sken těla bylo zapotřebí celkem 20 sekund. Výstup ze systému 3dMD zahrnoval 3D polygonovou síť povrchu celého těla se souřadnicemi X, Y a Z a také mapovanou texturu povrchu. Geometrická přesnost tohoto systému je přibližně 0,5 mm nebo nižší (3dMD, 2019).

Analyzátor složení těla Tanita

Měření složení těla bylo získáno pomocí multifrekvenčního segmentového analyzátoru složení těla Tanita MC-780MA. Tento přístroj využívá osmielektrodovou bioelektrickou impedanční analýzu (BIA), která vysílá slabý, nedetekovatelný elektrický proud skrz tělo a pomocí vysokofrekvenčního proudu (50 kHz, 90 μa) odhaduje složení těla osoby. Váha poskytuje výsledky měření celkového tělesného tuku, kosterního svalstva, hodnocení viscerálního tuku, obsahu vody, kostní hmoty, BMI a bazální metabolické rychlosti. Výstupem jsou také samostatné odhady tělesného tuku a svalů (hmotnost a procento) pro jednotlivé segmenty těla, včetně středu trupu, pravé paže, pravé nohy, levé paže a levé nohy. Výstupy přístroje jsou kalibrovány pro pohlaví, věk a výšku měřeného jedince, přičemž tyto informace zadává obsluha. Bylo prokázáno, že výsledky získané pomocí bioelektrické impedanční analýzy Tanita se pohybují v rozmezí ±5 % oproti vážení pod vodou a dvouenergetické rentgenové absorpciometrii (DEXA), což jsou „zlaté“ standardy analýzy tělesného složení) (Völgyi et al. 2008; Sillanpää et al., 2014).

Postup

Učastníci byli nejprve skenováni pomocí tělesného skeneru 3dMD. Během 20sekundového skenování byli účastníci požádáni, aby stáli uprostřed prostoru, kolem kterého byly rozmístěny kamery, s nohama na šířku ramen. Pro zachycení různých poloh paží byli účastníci požádáni, aby pomalu zvedli paže do úrovně ramen s rukama v pěst. Účastníci měli k dispozici přiléhavé šedé spodní prádlo různých velikostí, aby se zajistilo, že tvar těla nebude oděvem zakryt. Muži byli požádáni, aby si oblékli trenýrky boxerského typu, zatímco ženy si oblékly sportovní podprsenku a trenýrky (viz obr. 2). Dále byla změřena výška stoje (s přesností na centimetry) pomocí stadiometru poté, co byli účastníci instruováni, aby se postavili rovně a čelem dopředu. Nakonec bylo provedeno měření tělesného složení pomocí analyzátoru tělesného složení Tanita. Tento proces trval přibližně 20 minut.

Zpracování skenů

Před zpracováním skenů byl pomocí softwaru 3dMD vybrán vhodný snímek z každého 20sekundového skenu. Tento snímek byl vybrán tak, aby zobrazoval jedince stojícího s rukama od těla v pozici „A“. 3D skeny byly následně zpracovány pomocí softwaru Wrap3 (verze 3.3.17, Russian3DScanner, 2018) s cílem opravit všechny chybějící segmenty a odstranit z každého skenu nemanipulativní topologii nebo irelevantní komponenty. Základní síť šablony byla ovinuta kolem jednotlivých skenů porovnáním 36 předem vybraných bodů (ručně umístěných) na odpovídajících orientačních bodech 3D skenu i modelu šablony (viz obr. 2). Díky tomu měly všechny skeny standardizovanou topologii, což umožnilo provádět statistická srovnání při zachování individuálních rozdílů ve velikosti a tvaru těla. Výběr polygonů byl použit k vyloučení rukou každého skenu z obtékání, protože tento rys nebyl pro analýzu dat relevantní. Každý zpracovaný sken se skládal ze 79 522 vrcholů.

Spolehlivost a validita tělesného složení

Bioelektrická impedanční analýza (BIA) je relativně levná, snadno použitelná a rychlá metoda odhadu tělesného složení, která je méně náchylná k technickým chybám než jiné metody, což z ní činí vhodný nástroj pro rozsáhlé studie (Lee & Gallagher, 2008). Řada studií zjistila, že BIA je platným nástrojem pro odhad tělesného tuku u dospělých. Tato technika vykazuje dobrou shodu ve srovnání s měřením pomocí dvouenergetické rentgenové absorpciometrie (např. Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) a měřením pomocí kožních řas (Kitano, Kitano, Inomoto, & Futatsuka, 2001). BIA navíc vykazuje dobrou spolehlivost při testování v klidu (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Zde uvádíme údaje o spolehlivosti a validitě měření tělesného složení provedených u tohoto vzorku.

Validace měření tělesného tuku z BIA

Pro validaci měření tělesného tuku pořízených z BIA v tomto vzorku bylo u podskupiny účastníků (26 mužů a 22 žen) provedeno měření kožních řas odborníkem 2. úrovně Mezinárodní společnosti pro rozvoj kinantropometrie (ISAK) pomocí standardních technik ISAK (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). Měření kožních řas bylo provedeno z osmi míst kožních řas – tricepsu, bicepsu, subskapulární oblasti, hřebene kyčelního kloubu, supraspinální oblasti, břišní oblasti, mediálního lýtka a přední části stehna – pomocí kožních řasových kaliperů (Harpenden, HaB, UK). Použil se průměr dvou měření, pokud se hodnoty nelišily o ≥ 5 %, načež se provedlo další měření kožních řas a použila se mediánová hodnota. K odhadu procenta tělesného tuku na základě kožních řas na břiše, tricepsu, přední straně stehna a hřebeni kyčelního kloubu byly použity následující rovnice pro čtyři místa (Jackson & Pollock, 1985):

$$ \mathrm{Muž}:\left(0,29288\times \mathrm{sum}\ \mathrm{of}\ \mathrm{skinfolds}\right)-\left(0.0005\times \mathrm{square}\ \mathrm{of}\ \mathrm{sum}\ \mathrm{of}\ \mathrm{skinfolds}\right)+\left(0.15845\times \mathrm{age}\right)-5.76377 $$

$$ \mathrm{Ženy}:\left(0.29669\times \mathrm{sum}\ \mathrm{of}\ \mathrm{skinfolds}\right)-\left(0.00043\times \mathrm{square}\ \mathrm{of}\ \mathrm{sum}\ \mathrm{of}\ \mathrm{skinfolds}\right)+\left(0.02963\times \mathrm{age}\right)+1.4072 $$

Odhady celkové hmotnosti tuku byly rovněž vypočteny na základě celkové tělesné hmotnosti účastníků a jejich odhadovaného procenta tělesného tuku podle rovnic Jacksona a Pollocka (1985).

Pearsonovy korelace byly použity ke zkoumání vztahu mezi odhady tuku převzatými z kaliperové metody (procento tělesného tuku a hmotnost tuku v kilogramech) a BIA (procento tělesného tuku a hmotnost tělesného tuku v kilogramech), zvlášť pro muže a ženy. Výsledky uvedené v tabulce 3 ukazují, že hodnoty tělesného tuku získané z kaliperu a BIA byly významně, pozitivně korelované pro oba vzorky mužů a žen.

Tabulka 3 Korelace mezi odhady tělesné hmotnosti a procenta tuku z kaliperu a BIA pro muže a ženy

Odhady procenta tělesného tuku z kaliperu (Mženy = 22.) a BIA pro muže byly významně, pozitivně korelované.15, SD = 4,59; Mmale = 14,55, SD = 5,04) a BIA (Mwomen = 23,42, SD = 5,03; Mmale = 15,16, SD = 3,81) se významně nelišily, a to jak u mužů t(25) = -0,87, p = .395, tak u žen t(21) = -1,78, p = .090. V případě žen byly zjištěny významné rozdíly. Tuto dobrou shodu ilustrují Altmanovy-Blandovy grafy mezi odhady BIA a kaliperem na obr. 3 a je v souladu s předchozími studiemi (viz např. Kitano et al., 2001; Wattanapenpaiboon et al., 1998).

Intraindividuální spolehlivost BIA

Pro posouzení spolehlivosti BIA byla u části účastníků (9 žen; MBMI = 21,88, SD = 2,09) provedena opakovaná měření během stejných sezení, kterých se účastnili. Byla vypočtena Pearsonova korelace s cílem prozkoumat vztahy mezi proměnnými tělesného složení (hmotnost tuku, procento tuku, svalová hmota a hmota bez tuku) ve dvou časových bodech. Všechny hodnoty tělesného složení v T1 a T2 byly významně, pozitivně korelované (r > .99, p < .001). Porovnání měření v obou časových bodech prokázalo vynikající shodu, přičemž koeficient intraklasické korelace (ICC) byl pro každou proměnnou vyšší než .99 (p < .001).

Mapování 3D tvaru těla na složení těla

Tvar těla

Pomocí přizpůsobeného softwaru MATLAB jsme vyloučili 3D souřadnice spojené s body odkazujícími na hlavu, krk, ruce a chodidla ve zpracovaných skenech. Zbývajících 26 665 souřadnic popisovalo nohy, ruce a trup. Poté byl vypočten průměrný 3D tvar souboru a všechny jednotlivé tvary byly následně přizpůsobeny tomuto průměru pomocí Procrustesovy analýzy, aby se minimalizovaly idiosynkratické rozdíly v poloze těla. Je důležité poznamenat, že byla využita pouze translace a ortogonální rotace, aby byly zachovány ty aspekty změny tvaru, které souvisejí se škálováním (tj. velikostí).

Poté byl každý jednotlivý tvar převeden na vektor 79 995 čísel (26 665 bodů × 3 souřadnice), přičemž tyto vektory byly zadány do analýzy hlavních komponent (PCA). Výsledný podprostor obsahoval c – 1 rozměrů, kde c je počet identit. Pro každou dimenzi v podprostoru zvlášť jsme provedli lineární regresi. Míry hmotnosti tuku (FATM) a kosterního svalstva (SMM) všech identit převzaté z BIA byly použity k předpovědi jejich umístění podél dané dimenze, přičemž hodnoty dvou koeficientů a konstanty nám následně umožnily modelovat změnu tvaru. Nebylo důležité zvažovat, zda jsou tyto regrese statisticky významné, protože každá z nich jednoduše popisovala vztah mezi oběma tělesnými mírami a tvarem pro danou dílčí dimenzi – pokud by žádný vztah neexistoval, pak by koeficienty byly malé a jejich vliv na změnu tvaru v modelu by to odrážel. Pomocí výsledků těchto regresí jsme tedy mohli předpovědět polohy podél všech dílčích prostorových rozměrů pro jakoukoli danou dvojici hodnot FATM a SMM. Pro konkrétní místo určené ve vícerozměrném prostoru pak bylo možné rekonstruovat a vizualizovat 3D tvar (viz obr. 4).

Vzhledem k tomu, že náš model změny tvaru byl odvozen z konkrétní databáze 3D skenů (reprezentující typické populační hodnoty FATM i SMM), rozhodli jsme se uvažovat a diskutovat náš predikční model pouze v mezích skutečných hodnot našeho vzorku. Jinými slovy, nezkoumali jsme, jak se tvar těla může měnit mimo nejnižší a nejvyšší hodnoty, které byly naměřeny u našich identit (viz obr. 5).

Srovnání našeho modelu s předpověďmi založenými na BMI

Pro těla v našem vzorku jsme zkoumali, jak dobře byl model schopen předpovědět tvar těla ve srovnání s BMI. K tomu jsme použili strategii „vynechání jednoho“, abychom zjistili, jak nové testovací tvary lze předpovědět ze vzorku tréninkových tvarů. Cyklicky jsme procházeli každou identitu, odstraňovali její 3D sken ze vzorku a používali skeny zbývajících identit ve výše popsaném modelu změny tvaru „PCA + regrese“. Kromě našeho modelu FATM/SMM jsme samostatně modelovali změnu tvaru pomocí hodnot BMI našich identit. (Stejně jako výše byly míry BMI tréninkových identit použity k předpovědi jejich umístění podél každé dimenze PCA, přičemž hodnoty koeficientu a konstanty nám umožnily modelovat změnu tvaru)

Sken vyloučené identity byl poté porovnán s předpovězeným 3D tvarem této identity na základě jejich měr FATM a SMM a samostatně s předpovězeným 3D tvarem na základě jejich míry BMI. Abychom mohli kvantifikovat chybu při porovnávání těchto předpovězených tvarů s původními skeny, vypočítali jsme vzdálenost „přímky“ ve 3D prostoru mezi každým původním bodem a jeho předpovězeným umístěním a následně jsme tyto vzdálenosti zprůměrovali pro všechny body. Zde jsme uvažovali pouze 12 697 bodů představujících trup, což nám umožnilo odstranit chyby predikce, které jsou vlastní pažím a nohám v důsledku jejich umístění. (Ačkoli účastníkům byly během skenování poskytnuty standardní instrukce, na umístění nohou a rukou ve výsledných skenech nebyla kladena žádná omezení)

Pro každou identitu jsme proto vypočítali tuto míru chyby při predikci 3D tvaru (vyloučeného ze vzorku použitého při odvozování modelů) z FATM a SMM a zvlášť z BMI. Pro náš vzorek mužů potvrdil párový t-test porovnávající tyto dvě míry chyby, že náš model FATM/SMM (M = 1,71, SD = 0,49) funguje lépe než model BMI (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohenovo d = 0,44. Tento výsledek byl zjištěn také u našeho vzorku žen (model FATM/SMM – M = 1,59, SD = 0,51; model BMI – M = 1,71, SD = 0,57), t(220) = 5,18, p < .001, Cohenovo d = 0,35. Jinými slovy, jak u mužů, tak u žen jsme byli schopni lépe předpovědět 3D tvar pomocí modelu zahrnujícího FATM a SMM ve srovnání s modelem založeným na BMI.

Obrázky 6 a 7 ilustrují tento výsledek zobrazením chyb v předpovědi tvaru pro dvě konkrétní identity (ženu, resp. muže), přičemž vedle sebe porovnávají předpovězené 3D tvary obou modelů. Abychom mohli vytvořit tato zobrazení, zjistili jsme maximální chybu pro všechny body v obou modelech pro zobrazenou identitu a poté jsme chyby predikce pro každý bod převedli na podíl tohoto maxima. (Pro všechny identity: průměrná maximální chyba u žen, M = 4,36 cm, SD = 2,76 cm; průměrná maximální chyba u mužů, M = 4,29 cm, SD = 1,11 cm). Stále tepleji zbarvené body na obrázcích tak představují větší chyby na stejné škále. U příkladů znázorněných na obrázcích 6 a 7 se zdá, že větší chyby modelu BMI (zobrazené na pravé straně obou obrázků) jsou z větší části soustředěny v horní části trupu. Jak je vidět, chyby modelu BMI jsou větší u příkladu muže, což odráží větší variabilitu tuku a svalů u mužů, kterou jednorozměrný model BMI nedokáže přesně zachytit.

Předpovídání individuálních změn

Výše jsme popsali náš model změny tvaru založený na FATM a SMM a to, jak byl schopen předpovědět tvar těla pro danou dvojici hodnot. Tento proces modelování však lze použít i k předpovědi toho, jak by se změnil tvar těla daného jedince při zvýšení nebo snížení hodnot tuku a svalů. Jednoduše vytvoříme výše popsaný model pro FATM/SMM (PCA + regrese) a poté použijeme předpovězené změny tvaru, které jsou spojeny se změnou těchto dvou měr. Namísto vizualizace těchto posunů podél různých hlavních komponent z hlediska průměrného tvaru těla (výše) je naším výchozím bodem ve vícerozměrném prostoru samotný tvar jedince. Předpovědi změn tvaru jako takové jsou aplikovány na konkrétní osobu, což umožňuje předpovědi založené na datech ohledně toho, jak by se mohl jedinec měnit (viz obr. 8 a 9).

Úkol chování

Pro získání úsudků o velikosti/tvaru těla od účastníků použijeme metodu nastavení. Úloha bude navržena tak, aby bylo možné plynule manipulovat s tukovou a svalovou hmotností podnětu modelu CGI prezentovaného na monitoru PC, a to v reálném čase. Pomocí dvou sad tlačítek se šipkami na obrazovce budou účastníci moci systematicky měnit tukovou a svalovou hmotu podnětu. Při každém pokusu v úloze bude modelu CGI přiřazena libovolná kombinace tuku a svalové hmoty jako počáteční bod. Úkolem účastníka bude upravit model CGI tak, aby co nejlépe vystihoval tělesnou velikost/tvar, o kterých se domnívá, že je má, pokud provádí sebehodnocení tělesné velikosti, nebo které by chtěl mít, pokud provádí odhad ideální tělesné velikosti/tvaru. Jakmile je účastník spokojen se svou volbou tělesné stavby v každém pokusu, stiskne tlačítko odpovědi, které umožní zaznamenat kombinaci svalové a tukové hmoty pro daný pokus a zahájit nový pokus.

Podle klasické psychofyziky (Gescheider, 1997) bude průměr hodnot svalové, respektive tukové hmoty představovat odhad bodu subjektivní rovnosti (PSE) pro tělesnou stavbu, o které se účastník domnívá, že ji má, nebo kterou by chtěl mít (v závislosti na zadání úkolu). Směrodatné odchylky těchto průměrů navíc představují rozdílovou mez (DL), míru citlivosti nebo přesnosti úlohy. Obrázek 10 ukazuje simulaci Monte Carlo k odhadu variability odhadů DL v závislosti na počtu pokusů v úloze o způsobu úpravy. Simulace byla provedena pro cílové hodnoty DL 0,5, 1,0 a 2,0. Tyto hodnoty měly být odhadnuty z úloh obsahujících 5, 10, 20, 30, 40, 50, 60, 70, 80 a 90 pokusů. Každý datový bod na obr. 10 je odvozen z 10 000 opakovaných vzorků. Ukazuje loketní oblast kolem 20-60 pokusů na účastníka, což naznačuje, že přibližně tento počet by měl stačit k získání stabilních odhadů DL.

Analýza behaviorálních dat

Pearsonovy korelace mezi naměřenou hmotností tuku a svalovou hmotností u mužů a žen, kteří souhlasili s 3D skenováním těla, byly r = 0.45, p < .001, a r = 0,38, p < .001, v tomto pořadí. To znamená, že hodnoty tukové a svalové hmoty získané z odhadů tělesného složení, v metodě adjustační úlohy, jsou také s vysokou pravděpodobností korelované. Pokud by nebyly korelované, pak bychom mohli tukové a svalové složky odpovědí účastníků modelovat pomocí samostatných vícenásobných regresních modelů. Zde předpokládáme, že je to nepravděpodobné. Proto, abychom zmapovali vztahy mezi tělesným složením, které účastníci skutečně mají, oproti tělesnému složení, které si myslí, že mají (nebo by chtěli mít), budeme muset použít vícerozměrnou regresi.

Standardní vícerozměrný lineární model lze zapsat jako Y = XB + E. Y je n × r matice r proměnných odezvy měřených na n subjektech; X je n × p matice vysvětlujících proměnných; B je p × r matice regresních koeficientů; a E je n × r „chybová“ matice, jejíž řádky jsou nezávisle a identicky normálně rozděleny se střední hodnotou 0 a kovarianční maticí Σ. Níže je uveden jednoduchý příklad se dvěma odpověďmi a jednou vysvětlující proměnnou (kromě intercepčního členu) měřenou na třech subjektech.

$$ \left(\begin{array}{cc}Y{1}_1& Y{2}_1\\ {}Y{1}_2& Y{2}_2\ {}Y{1}_3& Y{2}_3\end{array}\right)=\left(\begin{array}{cc}1&. {X}_1\\ {}1& {X}_2\\ {}1& {X}_3\end{array}\right)\left(\begin{array}{cc}{\beta}_{01}& {\beta}_{02}\\ {}{\beta}_{11}& {\beta}_{12}\end{array}\right)+\left(\begin{array}{cc}\varepsilon {1}_1& \varepsilon {2}_1\ {}\varepsilon {1}_2& \varepsilon {2}_2\\ {}\varepsilon {1}_3& \varepsilon {2}_3\end{array}\right) $$

Zde jsme použili PROC MIXED v SAS (v9.4) k implementaci dvou vícerozměrných regresí souborů dat hraček, které mají reprezentovat druhy odpovědí, které můžeme očekávat od odhadů tělesného složení pomocí úlohy 2D metody úpravy (viz také Wright, 1998). V obou případech máme jako vysvětlující proměnné: (i) naměřenou hmotnost tuku účastníků, (ii) naměřenou hmotnost kosterního svalstva účastníků a (iii) psychometrickou kovariátu související s postoji a chováním účastníků ohledně svalnatosti. Pro simulaci dvou výsledných proměnných z úlohy o způsobu úpravy u mužů, tj. odhadované svalové hmoty a odhadované tukové hmoty, předpokládáme kovarianci mezi oběma naměřenými hmotnostmi svalů a tuku účastníků ve výši 0,45 a kovariance mezi psychometrickou kovariátou a naměřenými hmotnostmi tuku a svalů ve výši 0, resp. 0.

První scénář je scénář, ve kterém byli účastníci mužského pohlaví požádáni, aby odhadli své vlastní tělesné složení. V této simulaci jsme předpokládali, že nadhodnotili svou tukovou i svalovou hmotnost v průměru o 1 jednotku (přehled hodnot parametrů viz tabulka 4). Připustili jsme také dodatečný, statisticky nezávislý příspěvek k odhadu svalové hmoty z psychometrické úlohy: vyšší skóre v této úloze bylo spojeno s vyššími odhady svalové hmoty. Ve druhém scénáři byli účastníci mužského pohlaví požádáni, aby odhadli své ideální tělesné složení. Pro tuto simulaci jsme předpokládali, že psychometrický výkon účastníků nesouvisí s jejich odpověďmi a že všichni účastníci mají tendenci konvergovat ke společnému ideálu s nízkým obsahem tělesného tuku a vysokou svalovou hmotností. Jednotlivé parametry simulace, jejich odhady odvozené z vícerozměrné regrese a celkové statistiky vícerozměrné analýzy rozptylu (MANOVA) jsou uvedeny v tabulce 4. Kromě toho jsou tyto výsledky vyneseny do grafu na obr. 11.

Tabulka 4 Porovnání simulačních a modelových parametrů