ssessing goodness of fit is a neces

ssessing goodness of fit is a necessary component of any sound procedure for modeling data, and the importance of such tests cannot be stressed enough, given that fitted thresholds and slopes, as well as estimates of variability (Wichmann & Hill, 2001), are usually of very limited use if the data do not appear to have come from the hypothesized model. A common method of goodness-offit assessment is to calculate an error term or summary statistic, which can be shown to be asymptotically distributed according to c 2—for example, Pearson X2—and to compare the error term against the appropriate c 2 distribution. A problem arises, however, since psychophysical data tend to consist of small numbers of points and it is, hence, by no means certain that such tests are accurate. A promising technique that offers a possible solution is Monte Carlo simulation, which being computationally intensive, has become practicable only in recent years with the dramatic increase in desktop computing speeds. It is potentially well suited to the analysis of psychophysical data, because its accuracy does not rely on large numbers of trials, as do methods derived from asymptotic theory (Hinkley, 1988). We show that for the typically small K and N used in psychophysical experiments, assessing goodness of fit by comparing an empirically obtained statistic against its asymptotic distribution is not always reliable: The true small-sample distribution of the statistic is often insufficiently well approximated by its asymptotic distribution. Thus, we advocate generation of the necessary distributions by Monte Carlo simulation.

ผลลัพธ์ (ไทย) 1:

ความกตัญญู ssessing พอดีเป็นส่วนประกอบจำเป็นของกระบวนการเสียงสำหรับสร้างโมเดลข้อมูล และไม่เน้นความสำคัญของการทดสอบดังกล่าวเพียงพอ ที่ติดตั้งขีดจำกัด และลาด ตลอดจนประเมินความแปรผัน (Wichmann & ฮิลล์ 2001), มักใช้จำกัดมากหากไม่ปรากฏข้อมูลมาจากแบบจำลองค่า วิธีการประเมินความดี offit ทั่วไปจะคำนวณระยะข้อผิดพลาดในการสรุปสถิติ ซึ่งสามารถแสดง asymptotically กระจายตาม c 2 — เช่น เพียร์ X 2 — และ การเปรียบเทียบเงื่อนไขข้อผิดพลาดกับการกระจายที่เหมาะสม c 2 ปัญหาเกิดขึ้น อย่างไรก็ตาม เนื่องจาก psychophysical ข้อมูลมักจะ ประกอบด้วยตัวเลขขนาดเล็กของจุด และ เป็น ดังนั้น โดยไม่มีบางที่เช่นทดสอบถูกต้อง เทคนิคสัญญาที่แก้ไขปัญหาได้เป็นการจำลอง Carlo มอน ที่ถูกเร่งรัด computationally เป็น practicable ในปีที่ผ่านมาเท่ากับเพิ่มขึ้นอย่างมากในความเร็วของคอมพิวเตอร์เดสก์ท็อป ได้อาจเหมาะสมกับการวิเคราะห์ข้อมูล psychophysical เนื่องจากความแม่นยำต้องอาศัยจำนวนมากของการทดลอง ทำวิธีมาจากทฤษฎี asymptotic (Hinkley, 1988) แสดงว่า K และ N ที่ใช้ในการทดลอง psychophysical เล็ก ประเมินความกตัญญูพอดี โดยเปรียบเทียบสถิติการ empirically ได้รับกับการกระจายของ asymptotic ไม่เสมอเชื่อถือได้: การกระจายขนาดเล็กตัวอย่างจริงของสถิติมักจะ insufficiently ดีได้เลียนแบบ โดยการกระจายของ asymptotic ดังนั้น เราบอกรุ่นของการกระจายความจำเป็น โดยการจำลอง Carlo มอน

ผลลัพธ์ (ไทย) 2:

ssessing ความดีของพอดีเป็นส่วนประกอบที่จำเป็นของขั้นตอนเสียงใด ๆ สำหรับข้อมูลการสร้างแบบจำลองและความสำคัญของการทดสอบดังกล่าวไม่สามารถเน้นพอที่ระบุว่าเกณฑ์การติดตั้งและความลาดชันเช่นเดียวกับการประมาณการของความแปรปรวน (Wichmann & Hill, 2001), มักจะ การใช้งานที่ จำกัด มากถ้าข้อมูลที่ดูเหมือนจะไม่ได้มาจากรูปแบบการตั้งสมมติฐาน วิธีการทั่วไปของการประเมินความดี-Offit คือการคำนวณระยะผิดพลาดหรือสถิติสรุปซึ่งสามารถแสดงให้เห็นว่าการกระจาย asymptotically ตามค 2 เช่นเพียร์สัน X2 และเพื่อเปรียบเทียบความผิดเกี่ยวกับระยะที่เหมาะสมค 2 การจัดจำหน่าย ปัญหาเกิดขึ้น แต่เนื่องจากข้อมูลที่จิตมีแนวโน้มที่จะประกอบด้วยตัวเลขขนาดเล็กของจุดและมันก็เป็นจึงไม่ได้หมายความว่าบางอย่างที่การทดสอบดังกล่าวมีความถูกต้อง เทคนิคมีแนวโน้มที่นำเสนอโซลูชั่นที่เป็นไปได้คือการจำลอง Monte Carlo ซึ่งเป็นเข้มข้นคอมพิวเตอร์ได้กลายเป็นปฏิบัติเฉพาะในปีที่ผ่านมามีการเพิ่มขึ้นอย่างมากในความเร็วคอมพิวเตอร์เดสก์ทอป มันเป็นเรื่องที่อาจเกิดขึ้นเหมาะกับการวิเคราะห์ข้อมูลจิตเพราะความถูกต้องของมันไม่ได้ขึ้นอยู่กับจำนวนมากของการทดลองเช่นเดียวกับวิธีการที่ได้มาจากทฤษฎี asymptotic (Hinkley, 1988) เราแสดงให้เห็นว่า K ขนาดเล็กโดยทั่วไปและไม่มีใช้ในการทดลองจิต, การประเมินความดีของพอดีโดยการเปรียบเทียบสถิติได้สังเกตุกับการกระจาย asymptotic ของมันคือไม่เคยเชื่อถือได้: การกระจายขนาดเล็กตัวอย่างที่แท้จริงของสถ​​ิติมักจะเป็นห้วงไม่เพียงพออย่างดีจากมัน การกระจาย asymptotic ดังนั้นเราจึงสนับสนุนการสร้างการกระจายที่จำเป็นโดยการจำลอง Monte Carlo

ผลลัพธ์ (ไทย) 3:

ssessing ความสอดคล้องเป็นส่วนประกอบของกระบวนการเสียงใด ๆที่จำเป็นสำหรับการสร้างแบบจำลองข้อมูลและความสำคัญของการทดสอบดังกล่าวไม่สามารถตรึงเครียดเพียงพอให้ที่ติดตั้งธรณีประตูและความชัน รวมทั้งประเมินความแปรปรวน ( wichmann &ฮิลล์ , 2001 ) , มักจะมีใช้น้อยมาก ถ้าข้อมูลไม่ปรากฎว่ามีมาจาก การตั้งสมมุติฐานแบบวิธีการทั่วไปของการประเมิน offit ความดีคือ คำนวณผิดพลาด หรือ ระยะสรุปสถิติ ซึ่งสามารถแสดงเป็น asymptotically กระจายตาม C ตัวอย่าง 2-for Pearson X2 และเปรียบเทียบระยะเวลาที่เหมาะสมข้อผิดพลาดกับ C 2 กระจาย ปัญหาที่เกิดขึ้น อย่างไรก็ตาม เนื่องจากข้อมูลการมักจะประกอบด้วยตัวเลขขนาดเล็กของจุด และ มัน ดังนั้นโดยไม่แน่ใจว่า การทดสอบดังกล่าวจะถูกต้อง แนวโน้มเทคนิคที่เสนอทางออกที่เป็นไปได้คือการจำลองมอนติคาร์โล ซึ่งถูก computationally อย่างเข้มข้น กลายเป็นใช้งานเพียงในปีล่าสุดกับการเพิ่มขึ้นอย่างมากในเดสก์ทอปคอมพิวเตอร์ความเร็ว มันอาจเหมาะกับการวิเคราะห์ข้อมูล ,เพราะความถูกต้องไม่ต้องอาศัยตัวเลขขนาดใหญ่ของการทดลองที่ทำวิธีที่ได้มาจากทฤษฎีซีมโทติค ( ที่ตั้ง , 1988 ) เราแสดงให้เห็นว่าโดยทั่วไปขนาดเล็ก K และ N ทดลองใช้ในการ ประเมินความสอดคล้องโดยเปรียบเทียบ การใช้สถิติกับค่าของแหล่งกระจายไม่เป็นที่เชื่อถือได้เสมอ :ความจริงเล็กๆ แจกตัวอย่างของสถิติมักจะไม่ก็โดยประมาณ โดยเฉลี่ยการกระจาย ดังนั้นเราจึงสนับสนุนรุ่นของการกระจายที่จำเป็นโดยวิธีมอนติคาร์โล