- 3D body shape database collection
- Participants
- Uitrusting
- 3dMD-scanner
- Tanita lichaamssamenstelling analyser
- Procedure
- Scan verwerking
- Betrouwbaarheid en validiteit van de lichaamssamenstelling
- Validatie van lichaamsvetmetingen van BIA
- BIA intra-individuele betrouwbaarheid
- Mapping 3D body shape onto body composition
- Body shape
- Vergelijking van ons model met voorspellingen op basis van BMI
- Voorspellen van individuele veranderingen
- Gedragstaak
- Gedragsgegevensanalyse
3D body shape database collection
Participants
Ethische toestemming werd verleend door het School of Psychology Research Ethics Committee (SOPREC) van de University of Lincoln (goedkeuringscode PSY1718350). In totaal werden 560 volwassenen tussen 18 en 74 jaar gerekruteerd uit het personeel en de studenten van de Universiteit van Lincoln en uit de algemene bevolking in en rond Lincoln. We hebben alleen gegevens van Kaukasische volwassenen tussen 18-45 jaar opgenomen in deze specifieke analyse, omdat het patroon van vetafzetting varieert in verschillende raciale en leeftijdsgroepen (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). De uiteindelijke steekproef (n = 397) bestond uit 176 mannen (Mage = 28,84, SD = 7,99) en 221 vrouwen (Mage = 29,14, SD = 8,18). Er werd niet gescreend op eetstoornissen, dus het is mogelijk dat sommige deelnemers een eetstoornis hadden, maar dat geen van hen zichzelf als zodanig identificeerde. Tabel 1 geeft een overzicht van de antropometrische gegevens en de lichaamssamenstelling van de deelnemers, en tabel 2 geeft een overzicht van de BMI-categorieverdeling van de steekproef, afzonderlijk voor mannen en vrouwen.
Uitrusting
3dMD-scanner
Hoge-resolutie, kleur, 3D-lichaamsscans van elke deelnemer werden verkregen met behulp van een 3dMD antropometrisch oppervlaktebeeldvormingssysteem. De 360° full-body scanner bestaat uit negen modulaire camera-units, die verdeeld zijn over een cirkel met een diameter van ongeveer 4 m, met gelijke tussenafstanden tussen de modules. De te scannen deelnemer staat in het midden van deze cirkel. Elke unit bevat twee monochromatische camera’s en een spikkelprojector voor het vastleggen van de geometrie van het lichaam, en een kleurencamera die de textuur van het lichaam vastlegt. De speckle-camera’s projecteerden automatisch een standaard lichtpatroon op het lichaam wanneer de monochromatische camera’s een beeld vastlegden, terwijl lichtgevende diode-panelen werden ingeschakeld wanneer de kleurencamera een beeld vastlegde. De scanner werd ingesteld om zeven beelden per seconde vast te leggen, zodat in totaal 20 seconden nodig waren voor elke 3D-scan van het lichaam. De output van het 3dMD systeem omvatte een 3D veelhoekig oppervlak mesh met X, Y, en Z coördinaten, evenals een in kaart gebrachte oppervlakte textuur. Geometrische nauwkeurigheid voor dit systeem is ongeveer 0,5 mm of lager (3dMD, 2019).
Tanita lichaamssamenstelling analyser
Metingen van de lichaamssamenstelling werden verkregen met behulp van een Tanita MC-780MA multi-frequentie segmentale lichaamssamenstelling analyser. Dit apparaat maakt gebruik van bio-elektrische impedantieanalyse (BIA) met acht elektroden om een zwakke, niet detecteerbare elektrische stroom door het lichaam te sturen om de lichaamssamenstelling van een persoon te schatten met behulp van een hoogfrequente stroom (50 kHz, 90 μa). De weegschaal geeft totale lichaamsmetingen van lichaamsvet, skeletspieren, visceraal vet, watergehalte, botmassa, BMI, en basaal metabolisme. Afzonderlijke schattingen van lichaamsvet en -spieren (massa en percentage) voor afzonderlijke segmenten van het lichaam, waaronder de centrale romp, de rechterarm, het rechterbeen, de linkerarm en het linkerbeen, worden ook uitgevoerd. De uitgangen van het apparaat zijn gekalibreerd voor het geslacht, de leeftijd en de lengte van de persoon die wordt gemeten, waarbij deze informatie wordt ingevoerd door de operator. Van de resultaten die met de Tanita bio-elektrische impedantieanalyse zijn verkregen, is aangetoond dat ze binnen ±5% liggen van wegen onder water en dual-energy X-ray absorptiometry (DEXA), de ‘gouden’ standaarden voor de analyse van de lichaamssamenstelling) (Völgyi et al. 2008; Sillanpää et al., 2014).
Procedure
Deelnemers werden eerst gescand met behulp van de 3dMD-lichaamsscanner. Tijdens de scan van 20 s werden de deelnemers gevraagd om in het midden van de ruimte te staan waaromheen de camera’s waren verdeeld, met hun voeten op schouderbreedte uit elkaar. Om een reeks armposities vast te leggen, werd de deelnemers gevraagd hun armen langzaam op te heffen tot schouderhoogte, met hun handen in een vuist. De deelnemers kregen nauwsluitend, grijs ondergoed in verschillende maten om ervoor te zorgen dat de lichaamsvorm niet door kleding werd verhuld. Mannen werd gevraagd boxershorts te dragen, terwijl vrouwen een sportbeha en shorts droegen (zie fig. 2). Vervolgens werd de lichaamslengte (tot op de centimeter nauwkeurig) gemeten met een stadiometer nadat de deelnemers de opdracht hadden gekregen rechtop te staan met het gezicht naar voren. Ten slotte werd de lichaamssamenstelling gemeten met het Tanita-lichaamssamenstellingsanalysetoestel. Dit proces duurde ongeveer 20 minuten.
Scan verwerking
Een geschikt frame van elke 20-seconden scan werd geselecteerd met behulp van 3dMD software voorafgaand aan de verwerking van de scans. Dit frame werd gekozen om de persoon af te beelden staand met de armen weg van het lichaam in een ‘A-pose’. De 3D-scans werden vervolgens verwerkt met Wrap3-software (versie 3.3.17, Russian3DScanner, 2018) om ontbrekende segmenten te herstellen en niet-manifold topologie of irrelevante componenten uit elke scan te verwijderen. Een template basis mesh werd om de individuele scans gewikkeld door 36 voorgeselecteerde punten (handmatig gelokaliseerd) te matchen op overeenkomstige herkenningspunten van zowel de 3D scan als het template model (zie Fig. 2). Dit resulteerde in een gestandaardiseerde topologie van alle scans, waardoor statistische vergelijkingen konden worden gemaakt met behoud van individuele variatie in lichaamsgrootte en vorm. Polygoon selectie werd gebruikt om de handen van elke scan uit te sluiten van wrapping, aangezien dit kenmerk niet relevant was voor de data analyse. Elke verwerkte scan bestond uit 79.522 hoekpunten.
Betrouwbaarheid en validiteit van de lichaamssamenstelling
Bio-elektrische impedantieanalyse (BIA) is een relatief goedkope, gemakkelijk te gebruiken en snelle methode voor het schatten van de lichaamssamenstelling die minder gevoelig is voor technische fouten dan andere methoden, waardoor het een geschikt instrument is voor grootschalige studies (Lee & Gallagher, 2008). Meerdere studies hebben aangetoond dat BIA een valide instrument is voor het schatten van lichaamsvet bij volwassenen. Deze techniek toont een goede overeenkomst in vergelijking met dual-energy X-ray absorptiometrie (bijv. Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) en huidplooimeter metingen (Kitano, Kitano, Inomoto, & Futatsuka, 2001). Bovendien vertoont BIA een goede test-rest betrouwbaarheid (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Hier rapporteren we betrouwbaarheids- en validiteitsgegevens voor de metingen van de lichaamssamenstelling in deze steekproef.
Validatie van lichaamsvetmetingen van BIA
Om de lichaamsvetmetingen van de BIA in deze steekproef te valideren, werden huidplooimetingen uitgevoerd door een niveau 2 International Society for the Advancement of Kinanthropometry (ISAK) beoefenaar voor een subset van deelnemers (26 mannen en 22 vrouwen) met behulp van standaard ISAK-technieken (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). Er werden huidplooimetingen uitgevoerd op acht huidplooiplaatsen: de triceps, de biceps, de subscapularis, de bekkenkam, de supraspinale, de buik, de mediale kuit en de voorste dij, met behulp van huidplooikalibers (Harpenden, HaB, UK). Het gemiddelde van twee metingen werd gebruikt, tenzij de waarden ≥ 5% verschilden; in dat geval werd nog een huidplooimeting verricht en werd de mediaanwaarde gebruikt. De volgende huidplooivergelijkingen voor vier plaatsen (Jackson & Pollock, 1985) werden vervolgens gebruikt om het percentage lichaamsvet te schatten, gebaseerd op de huidplooien voor de buik, de triceps, de voorste dij en de bekkenkam:
Schattingen van de totale vetmassa werden ook berekend op basis van het totale lichaamsgewicht van de deelnemers en hun geschatte percentage lichaamsvet op basis van de vergelijkingen van Jackson en Pollock (1985).
Pearson’s correlaties werden gebruikt om het verband te onderzoeken tussen vetschattingen op basis van de calliper-methode (lichaamsvetpercentage en vetmassa in kilogram) en BIA (lichaamsvetpercentage en vetmassa in kilogram), afzonderlijk voor mannen en vrouwen. De resultaten in tabel 3 geven aan dat de lichaamsvetwaarden afgeleid van de schuifmaat en de BIA significant positief gecorreleerd waren voor beide steekproeven van mannen en vrouwen.
De lichaamsvetpercentage-schattingen van de schuifmaat (Mwomen = 22.15, SD = 4.59; Mm-man = 14.55, SD = 5.04) en BIA (Vrouwen = 23.42, SD = 5.03; Mm-man = 15.16, SD = 3.81) waren niet significant verschillend, voor zowel mannen t(25) = -0.87, p = .395 en vrouwen t(21) = -1.78, p = .090. Deze goede overeenkomst wordt geïllustreerd door de Altman-Bland plots tussen BIA- en calliper-schattingen in fig. 3, en is consistent met eerdere studies (zie bijv. Kitano et al., 2001; Wattanapenpaiboon et al., 1998).
BIA intra-individuele betrouwbaarheid
Om de betrouwbaarheid van de BIA te beoordelen, werden bij een deel van de deelnemers (9 vrouwen; MBMI = 21,88, SD = 2,09) herhaalde metingen verricht tijdens dezelfde sessies waaraan zij deelnamen. Er werd een Pearson’s correlatie berekend om de relaties tussen de variabelen van de lichaamssamenstelling (vetmassa, vetpercentage, spiermassa en vetvrije massa) op de twee tijdstippen te onderzoeken. Alle waarden voor lichaamssamenstelling op T1 en T2 waren significant, positief gecorreleerd (r > .99, p < .001). Vergelijking tussen de metingen op beide tijdstippen toonde een uitstekende overeenkomst, waarbij de intraclass correlatiecoëfficiënt (ICC) voor elke variabele groter was dan .99 (p < .001).
Mapping 3D body shape onto body composition
Body shape
Met behulp van aangepaste MATLAB-software hebben we de 3D-coördinaten uitgesloten die geassocieerd zijn met punten die verwijzen naar het hoofd, de nek, de handen en de voeten in de verwerkte scans. De resterende 26.665 coördinaten beschreven de benen, armen, en torso. De gemiddelde 3D vorm voor de set werd vervolgens berekend, en alle individuele vormen werden vervolgens aangepast aan dit gemiddelde met behulp van Procrustes analyse om idiosyncratische verschillen in lichaamspositie te minimaliseren. Het is belangrijk op te merken dat alleen translatie en orthogonale rotatie werden gebruikt om die aspecten van vormverandering te behouden die verband houden met schaling (d.w.z. grootte).
Daarna werd elke individuele vorm omgezet in een vector van 79.995 getallen (26.665 punten × 3 coördinaten), en deze vectoren werden ingevoerd in een principale componentenanalyse (PCA). De resulterende subruimte bestond uit c – 1 dimensies, waarbij c het aantal identiteiten is. Voor elke dimensie in de subruimte afzonderlijk voerden we een lineaire regressie uit. De metingen van de vetmassa (FATM) en de skeletspiermassa (SMM) van alle identiteiten, afkomstig van de BIA, werden gebruikt om hun plaats op die specifieke dimensie te voorspellen, waarbij de waarden van de twee coëfficiënten en de constante ons vervolgens in staat stelden de vormverandering te modelleren. Het was niet belangrijk na te gaan of deze regressies statistisch significant waren, aangezien elke regressie gewoon de relatie tussen de twee lichaamsmaten en de vorm voor een bepaalde subruimtedimensie beschreef – als er geen relatie bestond, dan zouden de coëfficiënten klein zijn, en hun effect op de vormverandering in het model zou dit weerspiegelen. Met behulp van de resultaten van deze regressies waren we dus in staat om locaties langs alle subruimtedimensies te voorspellen voor elk gegeven paar van FATM- en SMM-waarden. Voor de specifieke locatie die in de multidimensionale ruimte werd geïdentificeerd, kon vervolgens de 3D-vorm worden gereconstrueerd en gevisualiseerd (zie fig. 4).
Gezien het feit dat ons model van vormverandering is afgeleid van een specifieke database van 3D-scans (die typische bevolkingswaarden van zowel FATM als SMM vertegenwoordigen), hebben we ervoor gekozen om ons voorspellende model alleen te bekijken en te bespreken binnen de grenzen van de werkelijke waarden van onze steekproef. Met andere woorden, we hebben niet onderzocht hoe de lichaamsvorm zou kunnen variëren buiten de laagste en hoogste waarden die in onze identiteiten werden gemeten (zie fig. 5).
Vergelijking van ons model met voorspellingen op basis van BMI
Voor lichamen in onze steekproef hebben we onderzocht hoe goed het model in staat was om de lichaamsvorm te voorspellen in vergelijking met BMI. Om dit te doen, gebruikten we een “leave-one-out” strategie om te bepalen hoe nieuwe testvormen konden worden voorspeld uit een steekproef van trainingsvormen. We doorliepen elke identiteit, verwijderden hun 3D scan uit de steekproef en gebruikten de scans van de overblijvende identiteiten in het hierboven beschreven ‘PCA + regressies’ model van vormverandering. Naast ons FATM/SMM-model hebben we vormverandering apart gemodelleerd met behulp van de BMI-waarden van onze identiteiten. (Zoals hierboven, werden de BMI-waarden van de identiteiten in de training gebruikt om hun locaties langs elke PCA-dimensie te voorspellen, waarbij de waarden van de coëfficiënt en de constante ons in staat stelden vormverandering te modelleren.)
De scan van de uitgesloten identiteit werd vervolgens vergeleken met de voorspelde 3D-vorm voor die identiteit op basis van hun FATM- en SMM-waarden, en afzonderlijk, de voorspelde 3D-vorm op basis van hun BMI-waarde. Om de fout te kwantificeren bij het vergelijken van deze voorspelde vormen met de originele scans, berekenden we de ‘rechte lijn’-afstand in 3D-ruimte tussen elk origineel punt en zijn voorspelde locatie, en vervolgens namen we het gemiddelde van deze afstanden over alle punten. Hier beschouwden we alleen de 12.697 punten die de romp vertegenwoordigden, waardoor we voorspellingsfouten die inherent zijn aan de armen en benen als gevolg van hun positionering konden verwijderen. (Hoewel de deelnemers tijdens het scannen standaardinstructies kregen, werden geen beperkingen opgelegd aan de plaats van de voeten en handen in de resulterende scans.)
Voor elke identiteit berekenden we daarom deze foutmaat bij het voorspellen van 3D-vorm (uitgesloten van de steekproef die werd gebruikt bij het afleiden van de modellen) op basis van FATM en SMM, en afzonderlijk, op basis van BMI. Voor onze mannelijke steekproef bevestigde een gepaarde-samples t-test die deze twee foutmaten vergeleek, dat ons FATM/SMM-model (M = 1,71, SD = 0,49) beter presteerde dan het BMI-model (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohen’s d = 0,44. Dit resultaat werd ook gevonden voor onze vrouwelijke steekproef (FATM/SMM-model – M = 1,59, SD = 0,51; BMI-model – M = 1,71, SD = 0,57), t(220) = 5,18, p < .001, Cohen’s d = 0,35. Met andere woorden, voor zowel mannen als vrouwen waren we beter in staat om 3D vorm te voorspellen met behulp van een model dat FATM en SMM incorporeert in vergelijking met een model gebaseerd op BMI.
Figuren 6 en 7 illustreren dit resultaat door de fouten in vormvoorspelling weer te geven voor twee specifieke identiteiten (een vrouw en een man, respectievelijk), waarbij we de voorspelde 3D vormen van de twee modellen naast elkaar vergelijken. Om deze weergaven te genereren, vonden we de maximale fout voor alle punten over beide modellen voor de betrokken identiteit, en converteerden we vervolgens de voorspellingsfouten voor elk punt tot een proportie van dit maximum. (Over alle identiteiten: gemiddelde vrouwelijke maximumfout, M = 4,36 cm, SD = 2,76 cm; gemiddelde mannelijke maximumfout, M = 4,29 cm, SD = 1,11 cm). De steeds warmer gekleurde punten in de figuren staan dus voor grotere fouten op dezelfde schaal. Voor de voorbeelden in Fig. 6 en 7 lijken de grotere fouten voor het BMI-model (weergegeven aan de rechterkant in beide figuren) voor het grootste deel geconcentreerd te zijn in de bovenlichaamsbouw. Zoals te zien is, zijn de fouten voor het BMI-model groter voor het mannelijke voorbeeld, wat de grotere variatie in vet en spieren bij mannen weerspiegelt, die het eendimensionale BMI-model niet nauwkeurig kan weergeven.
Voorspellen van individuele veranderingen
Hierboven hebben we ons model van vormverandering op basis van FATM en SMM beschreven, en hoe dit in staat was om de lichaamsvorm te voorspellen voor een gegeven paar waarden. Dit modelleerproces kan echter ook worden gebruikt om te voorspellen hoe de lichaamsvorm van een bepaald individu zou veranderen bij een toe- of afname van de vet- en spierwaarden. We genereren gewoon het hierboven beschreven model voor FATM/SMM (PCA + regressies) en passen dan de voorspelde veranderingen in vorm toe die samenhangen met een verandering in deze twee maten. In plaats van deze verschuivingen langs de verschillende hoofdcomponenten te visualiseren in termen van de gemiddelde lichaamsvorm (zie hierboven), is ons uitgangspunt in de multidimensionele ruimte de vorm van het individu zelf. Als zodanig worden voorspelde vormveranderingen toegepast op een specifieke persoon, waardoor gegevensgestuurde voorspellingen mogelijk worden over hoe een individu zou kunnen variëren (zie fig. 8 en 9).
Gedragstaak
Om van de deelnemers oordelen te krijgen over lichaamsgrootte/vorm, zullen we de methode van aanpassing gebruiken. De taak zal zo worden ontworpen dat de vet- en spiermassa van een CGI-modelstimulus die op een PC-monitor wordt gepresenteerd, soepel, in real time, kan worden gemanipuleerd. Met behulp van twee sets pijltjestoetsen op het scherm kunnen de deelnemers de vet- en spiermassa van de stimulus systematisch veranderen. Bij elke proef in de taak krijgt het CGI-model een willekeurige combinatie van vet- en spiermassa als beginpunt toegewezen. De taak van de deelnemer bestaat erin het CGI-model zo aan te passen dat het de lichaamsgrootte/vorm weergeeft die hij/zij zelf denkt te hebben, indien hij/zij zelf de lichaamsgrootte schat, of zou willen hebben, indien hij/zij een schatting maakt van de ideale lichaamsgrootte/vorm. Zodra de deelnemer tevreden is met zijn keuze van lichaamssamenstelling voor elke proef, drukt hij op een antwoordknop waarmee de spier- en vetmassa-combinatie voor die proef wordt geregistreerd, en een nieuwe proef wordt gestart.
Volgens de klassieke psychofysica (Gescheider, 1997) zal het gemiddelde van de spier- en vetmassa-waarden respectievelijk een schatting vertegenwoordigen van het punt van subjectieve gelijkheid (PSE) voor de lichaamssamenstelling die de deelnemer denkt te hebben, of zou willen hebben (afhankelijk van de taakinstructie). Bovendien vertegenwoordigen de standaardafwijkingen van deze gemiddelden de verschilgrenzen (DL), een maat voor de taakgevoeligheid of precisie. Figuur 10 toont een Monte Carlo simulatie om de variabiliteit in DL schattingen te schatten als functie van het aantal trials in de methode van aanpassing taak. De simulatie werd uitgevoerd voor DL-doelwaarden van 0,5, 1,0 en 2,0. Deze moesten worden geschat op basis van taken die bestonden uit 5, 10, 20, 30, 40, 50, 60, 70, 80 en 90 proeven. Elk gegevenspunt in Fig. 10 is afgeleid van 10.000 resamples. Het toont een ellebooggebied rond 20-60 proeven per deelnemer, wat suggereert dat ongeveer dit aantal voldoende zou moeten zijn om stabiele schattingen van DL te verkrijgen.
Gedragsgegevensanalyse
De Pearson-correlaties tussen gemeten vetmassa en spiermassa bij de mannen en vrouwen die ermee instemden een 3D-bodyscan te ondergaan, waren r = 0.45, p < .001, en r = 0,38, p < .001, respectievelijk. Dit betekent dat de vet- en spiermassawaarden verkregen uit de schattingen van de lichaamssamenstelling, in de methode van de aanpassingstaak, ook zeer waarschijnlijk gecorreleerd zijn. Indien zij niet gecorreleerd zouden zijn, dan zouden wij de vet- en spiercomponenten van de antwoorden van de deelnemers met afzonderlijke meervoudige regressiemodellen kunnen modelleren. Hier gaan we ervan uit dat dit waarschijnlijk niet het geval zal zijn. Om de relaties tussen de lichaamssamenstelling die de deelnemers werkelijk hebben en de lichaamssamenstelling die ze denken te hebben (of zouden willen hebben) in kaart te brengen, zullen we daarom gebruik moeten maken van multivariate regressie.
Het standaard multivariate lineaire model kan worden geschreven als Y = XB + E. Y is een n × r matrix van r responsvariabelen gemeten bij n proefpersonen; X is een n × p matrix van verklarende variabelen; B is een p × r matrix van regressiecoëfficiënten; en E is een n × r “fouten”-matrix waarvan de rijen onafhankelijk en identiek normaal verdeeld zijn met gemiddelde 0 en covariantiematrix Σ. Hieronder volgt een eenvoudig voorbeeld met twee antwoorden en één verklarende variabele (naast een interceptterm) gemeten bij drie proefpersonen.
Hiervoor hebben we PROC MIXED in SAS (v9.4) om twee multivariate regressies van speelgoeddatasets uit te voeren, bedoeld om het soort reacties weer te geven dat we zouden kunnen verwachten van schattingen van de lichaamssamenstelling met behulp van de 2D-methode van aanpassingstaak (zie ook Wright, 1998). In beide gevallen hebben we als verklarende variabelen: (i) de gemeten vetmassa van de deelnemers, (ii) de gemeten skeletspiermassa van de deelnemers, en (iii) een psychometrisch covariaat dat verband houdt met de attitudes en gedragingen van de deelnemers ten aanzien van gespierdheid. Om de twee uitkomstvariabelen van de methode van aanpassingstaak bij mannen te simuleren, d.w.z. geschatte spiermassa en geschatte vetmassa, veronderstellen we een covariantie tussen de twee gemeten spier- en vetmassa’s van de deelnemers van 0,45, en covarianties tussen het psychometrische covariaat en de gemeten vet- en spiermassa’s van respectievelijk 0 en 0.
Het eerste scenario is er een waarin mannelijke deelnemers werd gevraagd hun eigen lichaamssamenstelling te schatten. In deze simulatie veronderstelden wij dat zij zowel hun vet- als spiermassa gemiddeld met 1 eenheid overschatten (zie tabel 4 voor een overzicht van de parameterwaarden). We lieten ook toe dat de psychometrische taak een extra, statistisch onafhankelijke bijdrage leverde aan de schatting van de spiermassa: hogere scores op deze taak hingen samen met hogere schattingen van de spiermassa. In het tweede scenario werd mannelijke deelnemers gevraagd hun ideale lichaamssamenstelling in te schatten. Voor deze simulatie veronderstelden we dat de psychometrische prestaties van de deelnemers geen verband hielden met hun antwoorden, en dat alle deelnemers neigden naar een gemeenschappelijk ideaal met een laag lichaamsvet en een hoge spiermassa. De individuele simulatieparameters, hun schattingen afgeleid uit multivariate regressie, en de algemene multivariate analyse van variantie (MANOVA) statistieken zijn weergegeven in Tabel 4. Bovendien worden deze resultaten uitgezet in fig. 11.