Я хотел бы проанализировать набор данных, в котором были записаны время реакции и частота ошибок испытуемых. Чтобы учесть потенциальный компромисс между скоростью и точностью, я планирую использовать диффузионную модель Рэтклиффа . Мои данные представляют собой план повторных измерений внутри субъекта с двумя сеансами для каждого субъекта (лекарство и плацебо) с несколькими измерениями в каждом сеансе (около 80).
Читая некоторые статьи по этой теме, я нашел хороший отчет Wenzlaff et al. (2011) . Сначала они подгоняют диффузионную модель для каждого субъекта, а затем используют оценочные параметры для дисперсионного анализа. Однако меня смутил их подход: похоже, они выбирают наиболее подходящую модель для каждого предмета и таким образом подгоняют модели с разными параметрами для предметов. Насколько я понимаю, это неправильный подход к составлению оценок из моделей с разными параметрами?
Мои вопросы:
Венцлафф, Х., Бауэр, М., Маесс, Б., и Хикерен, Х.Р. (2011). Нейронная характеристика компромисса между скоростью и точностью в перцептивной задаче принятия решений. Журнал неврологии, 31(4), 1254-1266.
Использование параметров, полученных от человека, в групповом анализе
В некотором смысле это именно то, что обычно происходит, когда мы вычисляем среднее время реакции во всех условиях для группы участников. Когда мы обычно вычисляем среднее время реакции, мы предполагаем, что некоторый процесс (P) занимает t миллисекунд для завершения плюс некоторый распределенный по Гауссу шум. Мы хотим оценить этот параметр (t) в зависимости от условий, чтобы сделать некоторое заявление о том, как обработка влияет на обработку. Затем мы вычисляем этот набор параметров для количества участников, чтобы гарантировать, что мы смотрим на что-то интересное на уровне населения.
Однако мы можем использовать более сложные модели с большим количеством параметров, которые лучше отражают реальное изменение времени реакции. Возьмем простой случай экс-гауссовского распределения. Это распределение представляет собой комбинацию экспоненциального распределения и распределения Гаусса. Форма экс-гауссианы гораздо ближе к распределению наблюдаемых времен реакции, чем просто гауссиана. Время реакции, смоделированное с помощью экс-гаусса, включает подбор двух параметров; один для гауссова и один для экспоненциальных компонентов модели. Так что в этом случае мы будем рассчитывать эти параметры для каждого условия и участника. Затем мы ввели бы эти наборы параметров в два дисперсионных анализа с повторными измерениями; один для параметров Гаусса и один для экспоненциальных параметров. Затем мы можем оценить, влияет ли лечение на изменение времени реакции.
Именно здесь полезны диффузионные модели, потому что параметры в модели имеют психологическое значение, что позволяет нам делать интересные выводы из изменений параметров в различных условиях.
Одна и та же модель или лучшая модель или каждый участник?
Я не специалист по моделям распространения, но ожидаю, что одна и та же модель должна применяться к каждому участнику. Если этого не сделать, это будет означать, что вы используете другую модель распределения времени реакции среди участников.
HDDM позволяет подогнать иерархическую модель диффузионного дрейфа и дает апостериорные групповые эффекты.
Это означает, что модель подходит для всех предметов одновременно. Субъектам разрешено варьироваться, но предполагается общий общий эффект (и одна и та же модель подходит для всех субъектов, хотя, конечно, параметр может оказаться равным 0 для субъекта). Модель является байесовской, и результаты можно напрямую интерпретировать как байесовский вывод.
Это на Питоне.
Если вы планируете сравнивать параметры, то вам следует применять одну и ту же модель. Однако, имея всего 80 наблюдений за сеанс на каждого субъекта, вам может понадобиться использовать иерархическую байесовскую структуру, потому что модели последовательной выборки довольно нестабильны с таким небольшим количеством наблюдений.
Вот хорошая статья о сочетании моделей RT с нейронными данными с использованием иерархической байесовской структуры: http://www.newcl.org/publications/TurForWagBroSedSte13.pdf
Артем Казначчеев
Офри Равив
Офри Равив
Павел
шутка