Soy un novato en la teoría de detección de señales. Tengo datos con un diseño SDT clásico: los participantes pueden responder SÍ o NO a una pregunta donde la respuesta correcta es SÍ o NO, dependiendo de la presencia o ausencia de una característica de estímulo. Busqué en línea un script para calcular d 'y encontré uno que me confunde.
Lo que es confuso es que el criterio se calcula de dos maneras diferentes. ¿Alguien tiene una idea de por qué este es el caso? Estas son las líneas relevantes de código (matlab):
% Convert to Z scores zHit = norminv(proportion_of_hits) ; zFA = norminv(proportion_of_false_alarms) ; % Calculate d-prime dPrime = zHit - zFA ; % calculate BETA beta = exp((zFA^2 - zHit^2)/2); % calculate C C = -.5 * (zHit + zFA);
Estoy interesado en beta y C: cómo se interpretan, en qué se diferencian entre sí, qué significa una puntuación alta/baja en cada uno de los dos. Y también, cuál es el que tiene más probabilidades de ser comprensible para un lector que conozca SDT.
Para este tipo de preguntas me gusta mucho Teoría de la detección: una guía del usuario de Macmillan y Creelman. Consideran 3 tipos de sesgo. La ubicación del criterio se calcula en relación con el punto de polarización cero y se expresa en unidades de desviaciones estándar, de modo que una de 1 significa que el criterio es 1 desviación estándar a la derecha de la ubicación de polarización cero y una de -2 significa que el criterio está 2 desviaciones estándar a la izquierda de la ubicación de polarización cero. Ya que es relativo a la ubicación de polarización cero, si se mantiene constante, entonces como cambia la distancia de a la media de los cambios de distribución. Podría decirse que esto significa que hay un cambio en el sesgo de respuesta, pero la medida de no refleja eso (después de todo, la distancia a la ubicación de polarización cero, que es , no cambia con los cambios en ). La métrica del sesgo de respuesta evita este problema tomando sensibilidad ( ) en cuenta. La tercera medida de sesgo Se define como (que si haces los cálculos es lo que calcula tu código). Esta medida de sesgo se basa en la razón de verosimilitud de las dos distribuciones. Debido a la relación matemática entre las medidas, te dicen lo mismo. No hay una medida correcta y es fácil cambiar entre las medidas, por lo que no importa cuál informe.
Para leer más, consulte también Stanislaw & Todorov (1999), Calculation of Signal Detection Theory Measures
nick stauner