Tengo dos grupos (13 participantes experimentales y 13 de control) realizando dos tareas cognitivas. Tengo precisión (omisiones, comisiones) y medición del tiempo de reacción de cada prueba para cada persona. Para evitar el error de tipo I, me sugirieron que redujera mi número de DV, ahora tengo d-prime (d') y tiempo de reacción (RT) como los DV (ambos continuos). Me gustaría comparar los desempeños en ambas tareas, en ambos grupos. Mis preguntas relacionadas con este diseño son:
¿Es d-prime una buena medida para sustituir las puntuaciones de precisión? o podría sugerir un índice unitario que refleje el desempeño del comportamiento (a partir de omisiones, comisiones, datos de RT)
¿Debo hacer un MANOVA unidireccional? (grupos IV; DV- test1 d', test2 d', test1 RT, test2 RT)?
o debo hacer un modelo mixto MANOVA? (en caso afirmativo, ¿cómo hacer esto, cuáles son mis DV)?
Si tiene datos de un solo ensayo , el modelo de difusión de deriva/DDM y los modelos relacionados, que se originaron con Roger Ratcliff (1976/1978), pueden ajustarse simultáneamente a toda la distribución de respuesta, tanto RT como precisiones. Captura fenómenos tales que en algunos experimentos, los errores son sistemáticamente más rápidos o más lentos que las respuestas correctas.
Ajustar e interpretar el DDM puede no ser trivial, pero tiene muchas ventajas, como
El DDM funciona modelando el proceso de decisión como una caminata aleatoria junto a (generalmente dos) umbrales de decisión (por ejemplo, correspondientes al botón correcto e incorrecto en una tarea de elección falsa de 2 alternativas), que después de un período inicial de codificación comienza a desviarse hacia el límite correcto a una velocidad correspondiente a la efectividad de tomar evidencia. Ocasionalmente, el proceso de deriva llega al límite equivocado. Cuando se cruza un límite, se inicia la ejecución de la respuesta correspondiente.
El DDM se ajusta a toda la distribución RT y los parámetros resultantes pueden someterse a pruebas estadísticas entre condiciones. Para ver un ejemplo de estimación bayesiana jerárquica del modelo, considere HDDM .
Ratcliff, R. y Murdock, BB, Jr. (1976). Procesos de recuperación en la memoria de reconocimiento. Revisión psicológica, 83, 190-214.
Ratcliff, R. (1978). Una teoría de la recuperación de la memoria. Revisión psicológica, 85, 59-108.
Forstmann, BU, Ratcliff, R. y Wagenmakers, E.-J. (2016). Modelos de muestreo secuencial en neurociencia cognitiva: ventajas, aplicaciones y extensiones. Revisión Anual de Psicología, 67, 641-666.
Ratcliff, R., Smith, PL, Brown, SD y McKoon, G. (2016). Modelo de decisión de difusión: Temas actuales e historia. Tendencias en Ciencias Cognitivas, 20, 260-281.
Wiecki TV, Sofer I y Frank MJ (2013). HDDM: Estimación jerárquica bayesiana del modelo Drift-Diffusion en Python. Parte delantera. Neuroinformar. 7:14. doi: 10.3389/fninf.2013.00014
fuertemalo
Mibo