- 3D testalkat-adatbázisgyűjtés
- részvevők
- Készülék
- 3dMD szkenner
- Tanita testösszetétel-elemző
- Eljárás
- Szkennelés feldolgozása
- A testösszetétel megbízhatósága és érvényessége
- A BIA-ból származó testzsírmérések validálása
- BIA egyénen belüli megbízhatóság
- 3D testalkat leképezése a testösszetételre
- Testalkat
- Modellünk összehasonlítása a BMI-n alapuló előrejelzésekkel
- Egyéni változások előrejelzése
- Viselkedési feladat
- Viselkedési adatok elemzése
3D testalkat-adatbázisgyűjtés
részvevők
Az etikai engedélyt a University of Lincoln School of Psychology Research Ethics Committee (SOPREC) adta meg (jóváhagyási kód: PSY171818350). Összesen 560, 18-74 év közötti felnőttet toboroztak a Lincoln Egyetem munkatársai és hallgatói, valamint a Lincolnban és környékén élő általános lakosság körében. Ebben a konkrét elemzésben csak a 18-45 év közötti kaukázusi felnőttek adatait vettük figyelembe, mivel a zsírlerakódás mintázata eltérő a különböző faji és korcsoportokban (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). A végleges minta (n = 397) 176 férfit (Mage = 28,84, SD = 7,99) és 221 nőt (Mage = 29,14, SD = 8,18) tartalmazott. Nem végeztek étkezési zavarokra vonatkozó szűrést, így lehetséges, hogy néhány résztvevőnek volt étkezési zavara, de egyikük sem vallotta magát annak. Az 1. táblázat a résztvevők antropometriai és testösszetételi méréseit foglalja össze, a 2. táblázat pedig a minta BMI-kategóriák szerinti megoszlását foglalja össze, külön a férfiak és külön a nők esetében.
Készülék
3dMD szkenner
Nagyfelbontású, színes, 3D-s 3D-s testszkennelést készítettünk minden egyes résztvevőről egy 3dMD antropometriai felületképző rendszer segítségével. A 360°-os teljes testszkenner kilenc moduláris kameraegységet tartalmaz, amelyek egy körülbelül 4 m átmérőjű kör körül helyezkednek el, a modulok közötti egyenlő távolsággal. A szkennelendő résztvevő a kör közepén áll. Minden egység két monokromatikus kamerát és egy speckle-projektort tartalmaz a test geometriájának rögzítésére, valamint egy színes kamerát a test textúrájának rögzítésére. A speckle-kamerák automatikusan egy szabványos fénymintát vetítettek a testre, amikor a monokamerák képet rögzítettek, míg a fénykibocsátó dióda panelek bekapcsolódtak, amikor a színes kamera képet rögzített. A szkennert úgy állították be, hogy másodpercenként hét képkockát rögzítsen, így minden egyes 3D testszkenneléshez összesen 20 másodpercre volt szükség. A 3dMD rendszer kimenete egy 3D-s teljes test poligonfelületi hálót tartalmazott X, Y és Z koordinátákkal, valamint egy leképezett felületi textúrát. A rendszer geometriai pontossága körülbelül 0,5 mm vagy az alatti (3dMD, 2019).
Tanita testösszetétel-elemző
A testösszetétel-méréseket egy Tanita MC-780MA többfrekvenciás szegmentális testösszetétel-elemző készülékkel végezték. Ez a készülék nyolc elektródás bioelektromos impedanciaanalízist (BIA) alkalmaz, amely gyenge, nem érzékelhető elektromos áramot küld a testen keresztül, hogy nagyfrekvenciás áram (50 kHz, 90 μa) segítségével megbecsülje a személy testösszetételét. A mérleg a testzsír, a vázizomzat, a zsigeri zsírtartalom, a víztartalom, a csonttömeg, a BMI és az alapanyagcsere-ráta teljes testre vonatkozó méréseit adja ki. Külön testzsír- és izomértékeket (tömeg és százalékos arány) ad ki a test egyes szegmenseire, beleértve a központi törzset, a jobb kart, a jobb lábat, a bal kart és a bal lábat. A készülék kimenetei a mérendő személy nemére, életkorára és magasságára vannak kalibrálva, ezeket az információkat a kezelő adja meg. A Tanita bioelektromos impedanciaanalízissel kapott eredmények bizonyítottan ±5%-on belül vannak a víz alatti mérlegeléshez és a kettős energiájú röntgenabszorpcióméréshez (DEXA) képest, amelyek a testösszetétel-elemzés “arany” standardjai) (Völgyi et al. 2008; Sillanpää et al., 2014).
Eljárás
A résztvevőket először a 3dMD testszkennerrel szkennelték. A 20 másodperces szkennelés alatt a résztvevőket arra kérték, hogy álljanak a tér közepén, amely körül a kamerák el voltak osztva, a lábukat vállszélesre téve. A különböző karpozíciók rögzítése érdekében a résztvevőket arra kérték, hogy kezüket ökölbe szorított kézzel lassan emeljék vállmagasságba a karjukat. A résztvevők szűk, szürke alsóneműket kaptak különböző méretekben, hogy a testalkatot ne takarja el a ruházat. A férfiakat arra kérték, hogy boxer stílusú rövidnadrágot, míg a nőket sportmelltartót és rövidnadrágot viseljenek (lásd a 2. ábrát). Ezután egy stadiométer segítségével megmérték az állómagasságot (centiméterre pontosan), miután a résztvevőket arra utasították, hogy egyenesen álljanak fel és nézzenek előre. Végül a testösszetétel mérése következett a Tanita testösszetétel-elemző készülékkel. Ez a folyamat körülbelül 20 percig tartott.
Szkennelés feldolgozása
A szkennelések feldolgozása előtt a 3dMD szoftver segítségével minden 20 másodperces szkennelésből kiválasztottunk egy megfelelő képkockát. Ezt a képkockát úgy választottuk ki, hogy a személyt “A-pózban”, a testétől elfordított karokkal állva ábrázolja. A 3D szkenneléseket ezután a Wrap3 szoftverrel (3.3.17 verzió, Russian3DScanner, 2018) dolgoztuk fel, hogy minden egyes szkennelésből kijavítsuk a hiányzó szegmenseket, és eltávolítsuk a nem manifold topológiát vagy az irreleváns komponenseket. Egy sablon alaphálót tekertünk az egyes szkennelések köré 36 előre kiválasztott (manuálisan elhelyezett) pontnak a 3D szkennelés és a sablonmodell megfelelő tájékozódási pontjaira történő illesztésével (lásd a 2. ábrát). Ez azt eredményezte, hogy minden szkennelés szabványosított topológiával rendelkezett, ami lehetővé tette a statisztikai összehasonlításokat, miközben a testméretek és -formák egyéni eltérései megmaradtak. A sokszögek kiválasztásával kizártuk az egyes szkennelések kezeit a csomagolásból, mivel ez a jellemző nem volt releváns az adatelemzés szempontjából. Minden egyes feldolgozott szkennelés 79 522 csúcsból állt.
A testösszetétel megbízhatósága és érvényessége
A bioelektromos impedanciaanalízis (BIA) egy viszonylag olcsó, könnyen használható és gyors módszer a testösszetétel becslésére, amely kevésbé hajlamos a technikai hibákra, mint más módszerek, így alkalmas eszköz nagyszabású vizsgálatokhoz (Lee & Gallagher, 2008). Több tanulmány is úgy találta, hogy a BIA érvényes eszköz a testzsír becslésére felnőtteknél. Ez a technika jó egyezést mutat a kettős energiájú röntgenabszorpcióméréssel (pl. Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) és a skinfold calliper méréssel (Kitano, Kitano, Inomoto, & Futatsuka, 2001) összehasonlítva. Továbbá a BIA jó teszt-megbízhatóságot mutat (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Itt a mintában végzett testösszetétel-mérések megbízhatósági és érvényességi adatairól számolunk be.
A BIA-ból származó testzsírmérések validálása
A BIA-ból származó testzsírmérések validálása érdekében ebben a mintában a résztvevők egy részhalmazán (26 férfi és 22 nő) egy 2. szintű International Society for the Advancement of Kinanthropometry (ISAK) gyakorlója standard ISAK-technikával (Stewart, Marfell-Jones, Olds, & De Ridder, 2011) bőrredő méréseket végzett. A bőrredő méréseket nyolc bőrredő-helyről – tricepsz, bicepsz, subscapularis, csípőcsonti gerinc, supraspinale, hasi, mediális vádli és elülső comb – végezték bőrredő-mérőkkel (Harpenden, HaB, Egyesült Királyság). Két mérés átlagát használták, kivéve, ha az értékek ≥ 5%-kal eltértek egymástól, ekkor újabb bőrredő mérést végeztek, és a medián értéket használták. Ezután a következő négyhelyszínes bőrredő egyenleteket (Jackson & Pollock, 1985) használták a testzsír százalékos arányának becslésére a hasi, tricepsz, elülső comb és csípőcsont bőrredő alapján:
A teljes zsírtömeg becslését szintén a résztvevők teljes testsúlya és a Jackson és Pollock (1985) egyenletei alapján becsült testzsírszázalékuk alapján számították ki.
Pearson-féle korrelációkat alkalmaztunk a kalibrátoros módszerrel (testzsírszázalék és testzsírtömeg kilogrammban) és a BIA módszerrel (testzsírszázalék és testzsírtömeg kilogrammban) végzett zsírbecslések közötti kapcsolat feltárására, külön a férfiak és a nők esetében. A 3. táblázatban látható eredmények azt mutatják, hogy a kalibrátoros és a BIA módszerrel kapott testzsírértékek szignifikánsan, pozitívan korreláltak a férfiak és a nők mindkét mintája esetében.
A kalibrátoros módszerrel kapott testzsírszázalék-becslések (Mwomen = 22.15, SD = 4,59; Mmale = 14,55, SD = 5,04) és a BIA (Mwomen = 23,42, SD = 5,03; Mmale = 15,16, SD = 3,81) nem különböztek szignifikánsan, mind a férfiaknál t(25) = -0,87, p = .395, mind a nőknél t(21) = -1,78, p = .090. Ezt a jó egyezést a 3. ábrán a BIA és a calliper becslések közötti Altman-Bland-diagramok szemléltetik, és összhangban van a korábbi vizsgálatokkal (lásd pl. Kitano et al., 2001; Wattanapenpaiboon et al., 1998).
BIA egyénen belüli megbízhatóság
A BIA megbízhatóságának értékeléséhez a résztvevők egy részhalmazától (9 nő; MBMI = 21,88, SD = 2,09) ismételt méréseket végeztek ugyanazon foglalkozások során, amelyeken részt vettek. A testösszetétel-változók (zsírtömeg, zsírszázalék, izomtömeg és zsírmentes tömeg) közötti összefüggések vizsgálatára Pearson-féle korrelációt számítottunk a két időpontban. A T1 és T2 időpontban mért összes testösszetétel érték szignifikánsan, pozitívan korrelált egymással (r > .99, p < .001). A két időpontban végzett mérések összehasonlítása kiváló egyezést mutatott, az osztályon belüli korrelációs együttható (ICC) minden változó esetében nagyobb volt, mint .99 (p < .001).
3D testalkat leképezése a testösszetételre
Testalkat
Egyedi MATLAB szoftver segítségével a feldolgozott felvételekből kizártuk a fejre, nyakra, kézre és lábra utaló pontokhoz tartozó 3D koordinátákat. A fennmaradó 26 665 koordináta a lábakat, a karokat és a törzset írta le. Ezután kiszámítottuk a készlet átlagos 3D alakját, majd az összes egyedi alakot ehhez az átlaghoz illesztettük Procrustes-analízis segítségével, hogy minimalizáljuk a testhelyzet idioszinkratikus különbségeit. Fontos megjegyezni, hogy csak a transzlációt és az ortogonális rotációt használtuk, hogy megőrizzük az alakváltozásnak a méretezéssel (azaz a mérettel) kapcsolatos aspektusait.
Ezután minden egyes alakot 79 995 számból álló vektorrá alakítottunk át (26 665 pont × 3 koordináta), és ezeket a vektorokat bevittük egy főkomponens-elemzésbe (PCA). Az így kapott altér c-1 dimenzióból állt, ahol c az azonosságok száma. Az altér minden dimenziójára külön-külön lineáris regressziót végeztünk. Az összes identitás BIA-ból vett zsírtömeg (FATM) és vázizomtömeg (SMM) mérését használtuk az adott dimenzió mentén való elhelyezkedésük előrejelzésére, a két együttható és a konstans értékei pedig a későbbiekben lehetővé tették számunkra az alakváltozás modellezését. Nem volt fontos figyelembe venni, hogy ezek a regressziók statisztikailag szignifikánsak-e, mivel mindegyik egyszerűen a két testméret és az alak közötti kapcsolatot írta le egy adott altérdimenzióra – ha nem létezne kapcsolat, akkor az együtthatók kicsik lennének, és az alakváltozásra gyakorolt hatásuk a modellben ezt tükrözné. E regressziók eredményeit felhasználva tehát a FATM és SMM értékek bármely adott párja esetében képesek voltunk megjósolni a helyeket az összes altérdimenzió mentén. A többdimenziós térben azonosított konkrét helyhez ezután rekonstruálni és vizualizálni lehetett a 3D alakot (lásd a 4. ábrát).
Mivel az alakváltozásra vonatkozó modellünket egy adott (a FATM és az SMM tipikus populációs értékeit egyaránt reprezentáló) 3D szkennelési adatbázisból származtattuk, úgy döntöttünk, hogy előrejelző modellünket csak a mintánk tényleges értékeinek határain belül vizsgáljuk és tárgyaljuk. Más szóval, nem vizsgáltuk, hogyan változhat a testalkat az azonosságainkban mért legalacsonyabb és legmagasabb értékeken kívül (lásd 5. ábra).
Modellünk összehasonlítása a BMI-n alapuló előrejelzésekkel
A mintánkban szereplő testek esetében megvizsgáltuk, hogy a modell mennyire volt képes megjósolni a testformát a BMI-hez képest. Ehhez egy “leave-one-out” stratégiát alkalmaztunk annak meghatározására, hogy a gyakorló alakok mintájából mennyire lehet újszerű tesztalakokat megjósolni. Ciklikusan végigjártunk minden egyes személyazonosságot, eltávolítottuk 3D szkennelésüket a mintából, és a fennmaradó személyazonosságok szkenneléseit használtuk a fent leírt “PCA + regressziók” alakváltozási modellben. A FATM/SMM modellünk mellett külön modelleztük az alakváltozást az identitásaink BMI-értékeinek felhasználásával. (A fentiekhez hasonlóan a képzési identitások BMI-értékeit használtuk az egyes PCA-dimenziók mentén való elhelyezkedésük előrejelzésére, az együttható és a konstans értékei pedig lehetővé tették számunkra az alakváltozás modellezését.)
A kizárt identitás szkennelését ezután összehasonlítottuk az adott identitás FATM- és SMM-értékei alapján előrejelzett 3D alakjával, és külön a BMI-értékük alapján előrejelzett 3D alakjával. Annak érdekében, hogy számszerűsítsük a hibát, amikor ezeket a jósolt alakzatokat az eredeti szkennelésekkel hasonlítjuk össze, kiszámítottuk az “egyenes vonal” távolságát a 3D térben minden eredeti pont és a jósolt hely között, majd átlagoltuk ezeket a távolságokat az összes ponton. Itt csak a törzset ábrázoló 12 697 pontot vettük figyelembe, ami lehetővé tette a karok és lábak elhelyezkedéséből adódó előrejelzési hibák eltávolítását. (Bár a szkennelés során szabványos utasításokat adtunk a résztvevőknek, a lábak és kezek elhelyezkedésére vonatkozóan nem szabtunk megkötéseket az eredményül kapott szkenneléseken.)
Minden egyes személyazonosság esetében ezért kiszámítottuk ezt a hibamértéket a 3D alak (a modellek levezetéséhez használt mintából kizárt) FATM és SMM, valamint külön a BMI előrejelzésekor. A férfi mintánk esetében a két hibamértéket összehasonlító páros mintás t-próba megerősítette, hogy a FATM/SMM modellünk (M = 1,71, SD = 0,49) jobban teljesített, mint a BMI modell (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohen d = 0,44. Ezt az eredményt találtuk a női mintánk esetében is (FATM/SMM modell – M = 1,59, SD = 0,51; BMI modell – M = 1,71, SD = 0,57), t(220) = 5,18, p < .001, Cohen d = 0,35. Más szóval, mind a férfiak, mind a nők esetében jobban meg tudtuk jósolni a 3D alakot a FATM-et és az SMM-et tartalmazó modellel, mint a BMI-n alapuló modellel.
A 6. és 7. ábra szemlélteti ezt az eredményt, két konkrét identitás (egy nő, illetve egy férfi) alakjának előrejelzési hibáit mutatva, összehasonlítva a két modell által megjósolt 3D alakokat egymás mellett. E megjelenítések létrehozásához megkerestük az összes pont maximális hibáját mindkét modellben a bemutatott identitáshoz, majd az egyes pontok előrejelzési hibáit úgy alakítottuk át, hogy azok ennek a maximumnak az arányát adják. (Az összes identitásra vonatkozóan: átlagos női maximális hiba, M = 4,36 cm, SD = 2,76 cm; átlagos férfi maximális hiba, M = 4,29 cm, SD = 1,11 cm). Így az ábrákon az egyre melegebb színű pontok nagyobb hibákat jelentenek ugyanazon a skálán. A 6. és 7. ábrán bemutatott példák esetében a BMI-modell nagyobb hibái (mindkét ábrán a jobb oldalon) úgy tűnik, hogy nagyrészt a felső törzsre koncentrálódnak. Amint látható, a BMI-modell hibái a férfi példa esetében nagyobbak, ami a férfiaknál a zsír és az izom nagyobb változatosságát tükrözi, amelyet az egydimenziós BMI-modell nem tud pontosan megragadni.
Egyéni változások előrejelzése
Fentebb ismertettük az alakváltozás FATM és SMM alapú modellünket, és azt, hogy ez hogyan volt képes megjósolni a test alakját egy adott értékpárra. Ez a modellezési folyamat azonban arra is használható, hogy megjósolja, hogyan változik egy adott egyén testalkata a zsír- és izomértékek növekedésével vagy csökkenésével. Egyszerűen létrehozzuk a FATM/SMM fent leírt modelljét (PCA + regressziók), majd alkalmazzuk az alak előre jelzett változásait, amelyek e két mérőszám változásához kapcsolódnak. Ahelyett, hogy ezeket az elmozdulásokat a különböző főkomponensek mentén az átlagos testalkat szempontjából szemléltetnénk (fent), a többdimenziós térben a kiindulópontunk maga az egyén alakja. Mint ilyen, az előre jelzett alakváltozásokat egy adott személyre alkalmazzuk, lehetővé téve az adatvezérelt előrejelzéseket arra vonatkozóan, hogy az egyén hogyan változhat (lásd a 8. és 9. ábrát).
Viselkedési feladat
A testmérettel/alakkal kapcsolatos ítéletek megszerzéséhez a résztvevőktől a kiigazítás módszerét alkalmazzuk. A feladatot úgy tervezzük meg, hogy egy PC-monitoron bemutatott CGI modell stimulus zsír- és izomtömege simán, valós időben manipulálható legyen. A résztvevők a képernyőn lévő kétféle nyílgomb segítségével szisztematikusan változtathatják majd az inger zsír- és izomtömegét. A feladat minden egyes próbájában a CGI modellhez kiindulási pontként egy tetszőleges zsír- és izomtömeg-kombinációt rendelnek. A résztvevők feladata az lesz, hogy a CGI-modellt úgy módosítsák, hogy az a lehető legjobban tükrözze azt a testméretet/alakot, amelyről úgy gondolják, hogy saját maguknak van, ha a testméretükre vonatkozó önbecslést adnak, vagy amelyet szeretnének, ha az ideális testméretre/alakra vonatkozó becslést adnak. Amint a résztvevő minden egyes próbában elégedett az általa választott testösszetétellel, megnyom egy válaszgombot, amely lehetővé teszi az adott próba izom- és zsírtömeg-kombinációjának rögzítését, és egy új próba indítását.
A klasszikus pszichofizika szerint (Gescheider, 1997) az izom- és zsírtömeg-értékek átlaga a szubjektív egyenlőségi pont (PSE) becslését jelenti arra a testösszetételre vonatkozóan, amelyet a résztvevő úgy gondol, hogy rendelkezik, vagy szeretne rendelkezni (a feladat utasításától függően). Ezen túlmenően, ezeknek az átlagoknak a standard eltérései jelentik a különbséghatárt (DL), a feladat érzékenységének vagy pontosságának mértékét. A 10. ábra egy Monte Carlo szimulációt mutat be a DL becslések variabilitásának becslésére a próbák számának függvényében a beállítási módszer feladatban. A szimulációt 0,5, 1,0 és 2,0 DL célértékekre futtattuk le. Ezeket 5, 10, 20, 30, 40, 50, 60, 70, 80 és 90 próbából álló feladatokból kellett becsülni. A 10. ábra minden egyes adatpontja 10 000 újramintából származik. Résztvevőnként 20-60 próba körüli könyökterületet mutat, ami arra utal, hogy körülbelül ennek a számnak elegendőnek kell lennie ahhoz, hogy stabil DL-becsléseket kapjunk.
Viselkedési adatok elemzése
A Pearson-féle korrelációk a mért zsírtömeg és izomtömeg között a 3D testszkennelésbe beleegyező férfiak és nők esetében r = 0 volt.45, p < .001, illetve r = 0,38, p < .001. Ez azt jelenti, hogy a testösszetétel becsléséből kapott zsír- és izomtömeg értékek a beállítási feladat módszerében is nagy valószínűséggel korrelálnak egymással. Ha nem korrelálnának, akkor a résztvevők válaszainak zsír- és izomkomponenseit különálló többszörös regressziós modellekkel modellezhetnénk. Itt feltételezzük, hogy ez nem valószínű. Ezért ahhoz, hogy feltérképezzük a résztvevők tényleges testösszetétele és az általuk vélt (vagy kívánt) testösszetétel közötti összefüggéseket, többváltozós regressziót kell alkalmaznunk.
A standard többváltozós lineáris modell a következőképpen írható fel: Y = XB + E. Y az n alanyon mért r válaszváltozók n × r mátrixa; X a magyarázó változók n × p mátrixa; B a regressziós együtthatók p × r mátrixa; E pedig egy n × r “hibamátrix”, amelynek sorai független és azonos normális eloszlásúak 0 átlaggal és Σ kovariancia mátrixszal. Az alábbiakban egy egyszerű példát mutatunk be két válasszal és egy magyarázó változóval (egy intercept kifejezésen kívül), amelyet három alanyon mértünk.
Itt használtuk a SAS-ban a PROC MIXED-et (v9.4) segítségével két többváltozós regressziót hajtottunk végre játékadathalmazokon, amelyek célja az volt, hogy reprezentálják azokat a válaszokat, amelyeket a testösszetétel becslésétől várhatunk a 2D módszerrel végzett kiigazítási feladat segítségével (lásd még Wright, 1998). Mindkét esetben magyarázó változóként rendelkezünk: (i) a résztvevők mért zsírtömege, (ii) a résztvevők mért vázizomtömege, és (iii) egy pszichometriai kovariáns, amely a résztvevők izmossággal kapcsolatos attitűdjeivel és viselkedésével kapcsolatos. A férfiaknál az alkalmazkodási módszerrel végzett feladat két kimeneti változójának, azaz a becsült izomtömegnek és a becsült zsírtömegnek a szimulálásához feltételezzük, hogy a két mért résztvevői izom- és zsírtömeg közötti kovariancia 0,45, a pszichometriai kovariáns és a mért zsír- és izomtömeg közötti kovariancia pedig 0, illetve 0.
Az első forgatókönyv szerint a férfi résztvevőknek meg kellett becsülniük a saját testösszetételüket. Ebben a szimulációban feltételeztük, hogy mind a zsír-, mind az izomtömegüket átlagosan 1 egységgel túlbecsülték (a paraméterértékek összefoglalóját lásd a 4. táblázatban). Emellett megengedtünk egy további, statisztikailag független hozzájárulást az izomtömeg becsléséhez a pszichometriai feladatból: az ebben a feladatban elért magasabb pontszámok magasabb izomtömeg-becslésekkel jártak együtt. A második forgatókönyvben a férfi résztvevőket arra kértük, hogy becsüljék meg az ideális testösszetételüket. Ennél a szimulációnál feltételeztük, hogy a résztvevők pszichometriai teljesítménye nem függ a válaszaiktól, és hogy minden résztvevő hajlamos konvergálni egy közös ideálhoz, amely alacsony testzsírt és magas izomtömeget tartalmaz. Az egyes szimulációs paramétereket, a többváltozós regresszióból származó becsléseiket és a teljes többváltozós varianciaanalízis (MANOVA) statisztikáit a 4. táblázat mutatja. Ezen kívül ezeket az eredményeket a 11. ábra ábrázolja.