Analyse von Parameterschätzungen aus dem Ratcliff-Diffusionsmodell

Verwendung von Parametern, die von einer Einzelperson in einer Gruppenanalyse geschätzt wurden

In gewisser Weise passiert genau das normalerweise, wenn wir für eine Gruppe von Teilnehmern die mittlere Reaktionszeit über alle Bedingungen hinweg berechnen. Wenn wir normalerweise mittlere Reaktionszeiten berechnen, nehmen wir an, dass ein Prozess (P) t Millisekunden benötigt, um abgeschlossen zu sein, plus etwas Gaußsches verteiltes Rauschen. Wir möchten diesen Parameter (t) über die Bedingungen hinweg schätzen, um eine Aussage darüber zu treffen, wie die Behandlung die Verarbeitung beeinflusst. Dann berechnen wir diesen Satz von Parametern für eine Reihe von Teilnehmern, um sicherzustellen, dass wir etwas Interessantes auf Bevölkerungsebene betrachten.

Wir können jedoch ausgefeiltere Modelle mit mehr Parametern verwenden, die besser darstellen, wie die Reaktionszeiten tatsächlich variieren. Nehmen Sie den einfachen Fall der Ex-Gaußschen Verteilung. Diese Verteilung ist die Kombination einer Exponentialverteilung und einer Gaußschen Verteilung. Die Form einer Ex-Gauß-Kurve ist viel näher an einer Verteilung der beobachteten Reaktionszeiten als nur die Gauß-Kurve allein. Reaktionszeiten, die mit einem Ex-Gauß-Modell modelliert werden, beinhalten das Anpassen von zwei Parametern; eine für die Gaußsche und eine für die exponentiellen Komponenten des Modells. In diesem Fall würden wir also diese Parameter für jede Bedingung und jeden Teilnehmer berechnen. Dann würden wir diese Sätze von Parametern in ANOVAs mit zwei wiederholten Messungen eingeben; eine für die Gaußschen Parameter und eine für die Exponentialparameter. Dann können wir beurteilen, ob sich die Behandlung verändert, wie die Reaktionszeiten variieren.

Hier sind Diffusionsmodelle nützlich, da die Parameter im Modell psychologisch bedeutsam sind und es uns ermöglichen, interessante Rückschlüsse aus Änderungen der Parameter unter den Bedingungen zu ziehen.

Gleiches Model oder das beste Model oder jeder Teilnehmer?

Ich bin kein Experte für Diffusionsmodelle, aber ich würde erwarten, dass das gleiche Modell auf jeden Teilnehmer angewendet werden sollte. Andernfalls würden Sie von einem anderen Modell für Ihre Reaktionszeitverteilungen über die Teilnehmer ausgehen.

HDDM ermöglicht die Anpassung eines hierarchischen Driftdiffusionsmodells und gibt Ihnen die Posterior-Effekte der Gruppe.

Das heißt, das Modell ist für alle Fächer gleichzeitig fit. Subjekte dürfen variieren, aber es wird ein zugrunde liegender gemeinsamer Effekt angenommen (und dasselbe Modell ist für alle Subjekte geeignet, obwohl natürlich ein Parameter für ein Subjekt 0 sein kann). Das Modell ist Bayesianisch und die Ergebnisse sind direkt als Bayesianische Inferenz interpretierbar.

Es ist in Python.

Wenn Sie die Parameter vergleichen möchten, sollten Sie dasselbe Modell anwenden. Bei nur 80 Beobachtungen pro Sitzung und Probanden müssen Sie jedoch möglicherweise das hierarchische Bayes'sche Framework verwenden, da sequentielle Stichprobenmodelle bei so wenigen Beobachtungen ziemlich instabil sind.

Hier ist ein nettes Papier zum Kombinieren von RT-Modellen mit neuronalen Daten unter Verwendung eines hierarchischen Bayes'schen Frameworks: http://www.newcl.org/publications/TurForWagBroSedSte13.pdf