A BMI-n túl a testméret és alak önbecslésére:

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.

A felső sor (a) két női és két férfi 3D testszkennelést mutat be a Wrap 3 feldolgozás előtt. Az alsó sor (b) a sablon alaphálót mutatja 36 előre kiválasztott tájékozódási ponttal

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).

Bland-Altman-diagramok a testzsírszázalék BIA és calliper becslései közötti különbségekről. Az átlagos különbség -0,61 és -1,27 a férfiak és a nők esetében. Az egyezés határait a 95%-os CI-ket jelölő felső és alsó folytonos vonalak jelölik

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).

A vizualizációs eszköz lehetővé teszi a test alakjának előrejelzését a FATM és SMM értékek adott párjára. A felső sorban az átlagos női testalkat, az alsó sorban pedig az átlagos férfi testalkat látható

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).

A férfi (balra) és a női (jobbra) előre jelzett testforma vizualizációi a legmagasabb, középső, és legalacsonyabb FATM és SMM értékeknél a mintánkban

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.

Egy női személyiség 3D alakjára vonatkozó példa előrejelzési hibáinak megjelenítése. A FATM/SMM (balra) és a BMI (jobbra) modellek hibái láthatóak, a melegebb színű pontok nagyobb előrejelzési hibákat jelentenek erre az alakra

Egy férfi identitás 3D alakjának előrejelzési hibáinak megjelenítése. A FATM/SMM (balra) és a BMI (jobbra) modellek hibái láthatóak, a melegebb színű pontok nagyobb előrejelzési hibákat jelentenek erre az alakra vonatkozóan

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).

Az alakváltozás előrejelzése egy adott nő esetében. Az eredeti 3D szkennelés (balra; FATM = 26,6 kg, SMM = 32,7 kg), és hogyan változik a nő alakja az előrejelzések szerint, ha felére csökkenti FATM-jét (jobbra)

Az alakváltozás előrejelzése egy adott férfi esetében. Az eredeti 3D szkennelés (balra; FATM = 7,0 kg, SMM = 29,9 kg), és az, hogy a férfi alakja hogyan változik előre, ha megduplázza SMM-jét (jobbra)

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.

A DL becslések változékonyságának ábrái a próbák számának függvényében a beállítási módszer feladatban

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.

A bal és jobb oldali oszlopok az izomtömeg (y-tengely) ábráit mutatják a zsírtömeg (x-tengely) függvényében. Minden érték z-pontszámban van megadva. Az a) és b) sorok a testméret/alak önbecslésének első szimulációjának felelnek meg. A c) és d) sorok a testméret/alak ideális becslésének második szimulációjának felelnek meg. A bal oldali oszlop a nyers adatokat mutatja. Minden sorban a fekete pontok a résztvevők mért testösszetételét jelölik. A színes pontok a kiigazítási módszer feladatból származó válaszokat jelölik; a zöld pontok a legmagasabb 30%-os pszichometriai pontszámmal rendelkező egyéneknek, a piros pontok pedig a legalacsonyabb 30%-os pszichometriai pontszámmal rendelkező egyéneknek felelnek meg. A jobb oldali oszlop vektoros ábrák sorozata, amelyek összekötik az egyén mért testösszetételét (nyíl eleje) és a többváltozós modellekből előre jelzett testösszetételt (nyíl vége)