帕特里克·萨迪尔;罗斯玛丽·科威尔(Rosemary A.Cowell)。;大卫·E·休伯(David E.Huber)。 一种分层贝叶斯状态跟踪分析,用于评估单调性,同时考虑主题、项目和试验级依赖性。 (英语) Zbl 1431.62555号 数学杂志。精神病。 90, 118-131 (2019). 摘要:状态跟踪分析通过询问两个因变量的均值是否符合一组条件下的单调函数来评估认知过程的潜在维度。最近提出的统计测试使用了度量之间的独立性假设,解决了双变量测量误差,允许对单调性进行频率分析和贝叶斯分析(例如。,C.P.戴维斯-斯托伯等[J.Math.Psychol.72,116-129(2016;Zbl 1359.62499号)];M.L.卡利什等[J.Math.Psychol.70,1-11(2016;Zbl 1359.62502号)]). 然而,统计推断可能会因测量之间未确认的依赖性而产生偏差,特别是当数据不足以推翻之前错误的独立性假设时。为了解决这一限制,我们开发了一个分层贝叶斯模型,该模型明确地对两个指标之间的受试者、项目和试验水平依赖性的单独作用进行建模。然后,通过拟合单独的模型来评估单调性,这些模型允许或不允许条件效应之间存在非单调关系(即相同与不同的秩序)。广泛适用的信息标准(WAIC)和伪贝叶斯模型平均——这两种模型拟合的交叉验证措施——用于模型比较,提供了关于潜在心理空间维度的推断结论。我们使用模型恢复模拟研究验证了这一新的状态跟踪分析技术,该研究假设了关于单调性以及受试者和试验水平依赖性的方向/幅度的不同基本事实。我们还提供了这项新技术在视觉对象学习研究中的应用示例,该研究比较了视觉检索任务(强制选择部分识别)和言语检索任务(线索回忆)的表现。 MSC公司: 第62页,共15页 统计学在心理学中的应用 2015年1月62日 贝叶斯推断 60埃15 不平等;随机排序 62B10型 信息理论主题的统计方面 关键词:层次贝叶斯状态跟踪分析;单调性;信息准则 引文:Zbl 1359.62499号;Zbl 1359.62502号 软件:业务风险管理系统 PDF格式BibTeX公司 XML格式引用 \textit{P.Sadil}等人,《数学杂志》。精神病。90、118--131(2019年;Zbl 1431.62555) 全文: 内政部 链接 参考文献: [1] Akaike,H.,《关于时间序列模型的可能性》,《统计学家》,27,3/4,217(1978) [2] Bamber,D.,状态跟踪分析:测试简单因果关系理论的方法,《数学心理学杂志》,19,2,137-181(1979) [3] Betancourt,M.(2017)。哈密顿蒙特卡罗概念介绍。检索自http://arxiv.org/abs/1701.02434; Betancourt,M.(2017)。哈密顿蒙特卡罗概念介绍。检索自http://arxiv.org/abs/1701.02434 [4] 贝当古,M。;Girolama,M.,层次模型的哈密尔顿蒙特卡罗,(Upadhyay,S.K.;Singh,U.;Dey,D.K.;Loganathan,A.,《贝叶斯方法及其应用的当前趋势》(2015),CRC出版社),检索自http://arxiv.org/abs/13120906 [5] Bürkner,P.-C.,Brms:使用stan的贝叶斯多级模型的R包,统计软件杂志,80,1(2017) [6] Bürkner,P.C.和Charpentier,E.(预印本)。单调效应:在回归模型中包含序数预测因子的原则方法。PsyArXiv预印本,1-20。http://dx.doi.org/10.31234/OSF.IO/9QKHJ; Bürkner,P.C.和Charpentier,E.(预印本)。单调效应:在回归模型中包含序数预测因子的原则方法。PsyArXiv预印本,1-20。http://dx.doi.org/10.31234/OSF.IO/9QKHJ [7] Davids-Stober,C.P。;莫雷,R.D。;格雷顿,M。;Heathcote,A.,状态跟踪分析的贝叶斯因子,《数学心理学杂志》,72116-129(2016)·兹比尔1359.62499 [8] Duane,S。;A.D.肯尼迪。;彭德尔顿,B.J。;Roweth,D.,《混合蒙特卡罗》,《物理快报》。B、 195、2、216-222(1987) [9] Dunn,J.C.,记忆-知道任务的维度:状态追踪分析,《心理学评论》,115,2426-446(2008) [10] Dunn,J.C。;James,R.N.,《符号差异分析:理论与应用》,《数学心理学杂志》,47,4,389-416(2003)·兹比尔1077.91041 [11] Dunn,J.C。;Kalish,M.L.,状态跟踪分析(2018),Springer [12] Dunn,J.C。;Kalish,M.L。;Newell,B.R.,状态追踪分析可以成为评估认知系统数量的合适工具:对Ashby(2014)的回复,《心理通报与评论》,21,4,947-954(2014) [13] Dunn,J.C。;Kirsner,K.,《发现功能独立的心理过程:反向联想原则》,《心理学评论》,95,1,91-101(1988) [14] Gelman,A.,我们如何选择默认方法?,(统计科学的过去、现在和未来(2014),查普曼和霍尔/CRC),293-301 [15] Gelman,A。;Rubin,D.B.,使用多序列从迭代模拟中推断,《统计科学》,第7、4、457-472页(1992年)·Zbl 1386.65060号 [16] Greene,W.H.,《计量经济分析》(2017),皮尔逊出版社 [17] Jang,Y。;Lee,H。;Huber,D.E.,《学习和回忆重复判断的基础是多少维度:回忆潜伏期的考虑揭示了先前隐藏的非单调性》,《数学心理学杂志》(2019) [18] Kalish,M.L。;Dunn,J.C。;伯达科夫,O.P。;Sysoev,O.,《潜在顺序相等性的统计检验》,《数学心理学杂志》,70,1-11(2016)·Zbl 1359.62502号 [19] Kruschke,J.K.(2014)。进行贝叶斯数据分析:R、JAGS和Stan教程,第二版。《进行贝叶斯数据分析:R、JAGS和Stan教程》,第二版。http://dx.doi.org/10.1016/B978-0-12-405888-0.09999-2; Kruschke,J.K.(2014)。进行贝叶斯数据分析:R、JAGS和Stan教程,第二版。《进行贝叶斯数据分析:R、JAGS和Stan教程》,第二版。http://dx.doi.org/10.1016/B978-0-12-405888-0.09999-2 ·Zbl 1300.62001号 [20] Lewandowski,D。;Kurowicka,D。;Joe,H.,基于藤蔓和扩展洋葱方法生成随机相关矩阵,多元分析杂志,100,91989-2001(2009)·Zbl 1170.62042号 [21] Loftus,G.R。;Oberg,M.A。;Dillon,A.M.,线性理论、维度理论和面部倒置效应,《心理学评论》,111,4835-863(2004) [22] 北卡罗来纳州麦克米伦。;Creelman,C.D.,《检测理论:用户指南》(2005),劳伦斯·埃尔鲍姆联合公司:劳伦斯·埃尔鲍姆联合有限公司,新泽西州马哈瓦 [23] Morey,R.D.,归一化数据的置信区间:对Cousineau的修正(2005),心理学定量方法教程,4,2,61-64(2008) [24] Neal,R.M.(1996)。神经网络的贝叶斯学习,118。http://dx.doi.org/10.1007/978-1-4612-0745-0; Neal,R.M.(1996)。神经网络的贝叶斯学习,118。http://dx.doi.org/10.1007/978-1-4612-0745-0 ·Zbl 0888.62021号 [25] Pan,K.,二元正态分布的分析表达式,SSRN电子期刊(2017) [26] 普拉特,M.S。;Rouder,J.N.,《评估再认记忆中回忆和熟悉的分离性》,《实验心理学杂志》。学习、记忆和认知,38,6,1591-1607(2012) [27] 普林斯,M。;布朗,S。;Heathcote,A.,《状态追踪实验的设计与分析》,《心理学方法》,17,1,78-99(2012) [28] Rouder,J.N。;Lu,J.,《贝叶斯层次模型介绍及其在信号检测理论中的应用》,《心理学报》&;评论,12,4,573-604(2005) [29] Sadil,P.、Potter,K.、Huber,D.E.和Cowell,R.A.(提交)。在没有自上而下知识的情况下连接点:视觉处理层次中层次可分性的证据。;Sadil,P.、Potter,K.、Huber,D.E.和Cowell,R.A.(提交)。在没有自上而下知识的情况下连接点:视觉处理层次结构中层次可分性的证据。 [30] Stan开发团队。(2017a)。RStan:与Stan的R接口。检索自http://mc-stan.org; Stan开发团队。(2017a)。RStan:与Stan的R接口。检索自http://mc-stan.org [31] Stan开发团队。(2017b)。Stan建模语言用户指南和参考手册。检索自http://mc-stan.org; Stan开发团队。(2017b)。Stan建模语言用户指南和参考手册。检索自http://mc-stan.org [32] 北津町。;Koch,C.,《持续闪光抑制减少负面后像》,《自然神经科学》,第8、8、1096-1101页(2005年) [33] Vehtari,A.、Gabri,J.、Yao,Y.和Gelman,A.(2018年)。loo:贝叶斯模型的高效leave-on-out交叉验证和WAIC。检索自https://cran.r-project.org/package=loo; Vehtari,A.、Gabri,J.、Yao,Y.和Gelman,A.(2018年)。loo:贝叶斯模型的高效leave-on-out交叉验证和WAIC。检索自https://cran.r-project.org/package=loo ·兹比尔1505.62409 [34] Vehtari,A。;Gelman,A。;Gabry,J.,使用留一交叉验证和WAIC的实用贝叶斯模型评估,统计与计算,27,51413-1432(2017)·Zbl 1505.62408号 [35] Wagenmakers,E。;Farrell,S.,《使用Akaike权重选择AIC模型》,《心理学通报与评论》,第11、1、192-196页(2004年) [36] Watanabe,S.,贝叶斯交叉验证的渐近等价性和奇异学习理论中广泛适用的信息准则,机器学习研究杂志(JMLR),113571-3594(2010)·Zbl 1242.62024号 [37] 姚,Y。;Vehtari,A。;D.辛普森。;Gelman,A.,《使用叠加平均贝叶斯预测分布》(带讨论),贝叶斯分析,13,3,917-1003(2018)·Zbl 1407.62090号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。