У меня есть две группы (13 экспериментальных и 13 контрольных участников), выполняющих две когнитивные задачи. У меня точность (пропуски, комиссии) и измерение времени реакции от каждого теста для каждого человека. Чтобы избежать ошибки типа I, мне было предложено уменьшить количество DV, теперь у меня есть d-prime (d') и время реакции (RT) в качестве DV (оба непрерывные). Я хотел бы сравнить результаты по обоим заданиям в обеих группах. Мои вопросы, касающиеся этого дизайна:
Является ли d-prime хорошей мерой для замены оценок точности? или не могли бы вы предложить единый индекс, который отражал бы поведенческие показатели (от пропусков, комиссий, данных RT)
Должен ли я сделать односторонний MANOVA? (IV- группы; DV- тест1 д', тест2 д', тест1 РТ, тест2 РТ)?
или мне делать смешанную модель MANOVA? (если да, то как это сделать, какие у меня DV)?
Если у вас есть данные из одного испытания , модель дрейфа-диффузии/DDM и родственные модели, разработанные Роджером Рэтклиффом (1976/1978), могут одновременно соответствовать всему распределению ответов, как ВУ, так и точности. Он фиксирует такие явления, как в некоторых экспериментах ошибки систематически происходят быстрее или медленнее, чем правильные ответы.
Подгонка и интерпретация DDM может быть нетривиальной, но она имеет много преимуществ, таких как:
DDM работает, моделируя процесс принятия решения как случайное блуждание рядом с (обычно двумя) порогами принятия решения (например, соответствующими правильной и неправильной кнопкам в задаче с 2-альтернативным ложным выбором), которые после начального периода кодирования начинают дрейфовать к правильную границу со скоростью, соответствующей эффективности снятия показаний. Иногда процесс дрейфа достигает неправильной границы. При пересечении границы инициируется выполнение соответствующего ответа.
DDM подгоняется ко всему распределению RT, и результирующие параметры могут быть подвергнуты статистическим испытаниям между условиями. В качестве примера иерархической байесовской оценки модели рассмотрим HDDM .
Рэтклифф, Р. и Мердок, Б.Б., младший (1976). Поисковые процессы в памяти узнавания. Психологический обзор, 83, 190-214.
Рэтклифф, Р. (1978). Теория восстановления памяти. Психологический обзор, 85, 59-108.
Форстманн, Б.Ю., Рэтклифф, Р., и Вагенмакерс, Э.-Дж. (2016). Модели последовательной выборки в когнитивной нейробиологии: преимущества, приложения и расширения. Ежегодный обзор психологии, 67, 641-666.
Рэтклифф, Р., Смит, П.Л., Браун, С.Д., и МакКун, Г. (2016). Модель диффузионного решения: текущие проблемы и история. Тенденции в когнитивной науке, 20, 260-281.
Wiecki TV, Sofer I и Frank MJ (2013). HDDM: иерархическая байесовская оценка модели дрейфа-диффузии в Python. Фронт. Нейроинформ. 7:14. doi: 10.3389/fnif.2013.00014
StrongBad
Мибо