Model ComparisonsIt is never very i

Model Comparisons
It is never very informative to evaluate the fit of a single model in isolation (Roberts and Pashler, 2000). Simply fitting a single model to data and finding a high proportion of variance predicted is not very informative because (a) several parameters may be needed to achieve a good fit and so the good fit may simply reflect the use of a lot of free parameters, and (b) simpler models may exist that fit just as well or even better than the model being promoted. Instead it is necessary to compare competing models. Ideally we would like to derive a priori predictions from each model (predictions that do not depend on any parameter estimation from the data), and then determine experimental conditions for which the models make different a priori predictions, and finally experimentally test these a priori predictions. This is the basic approach used for simple axiomatic models described in Chapter 1. Usually, however, our models are too complex to derive a priori and parameter-free predictions. Instead we need to turn to methods that allow predictions to be computed after estimating parameters from the data for the models. In the latter case, we need to perform quantitative model comparisons that evaluate the two scientific criteria of model accuracy and model parsimony.

Usually the competing models differ in their substantive assumptions about the cognitive and or decision processes involved in the decision task. It is important to distinguish between two types of model comparisons. One type is called a nested model comparison in which case a simple model is compared to a more complex model, and the simple model is derived from the more complex model by imposing constraints on the parameters of the more complex model. For example, comparing the four parameter PVL model with a three parameter version produced by setting the loss aversion parameter equal to λ=1 is a nested model comparison. Another type is called a non-nested model comparison in which case one model is not nested within the other model. For example, comparing the decay (4.2a) to the delta (4.2b) learning rule models is a non-nested comparison. Different model comparison methods are used depending on the method of parameter estimation.

ผลลัพธ์ (ไทย) 1:

รุ่นเปรียบเทียบ
ไม่ท่องไปพอดีรุ่นเดียวแยก (โรเบิตส์และ Pashler, 2000) พอดีแบบเดียวกับข้อมูล และการค้นหาสัดส่วนที่สูงของผลต่างก็ทำนายไม่มากข้อมูลเนื่องจากพารามิเตอร์ต่าง ๆ (a) อาจจำเป็นเพื่อให้พอดี และเพื่อให้ พอดีอาจเพียงแสดงใช้จำนวนมากของพารามิเตอร์ฟรี และ (b) รูปแบบเรียบง่ายอาจมีอยู่ที่พอเพียงด้วย หรือยิ่งกว่ารูปแบบการส่งเสริม แต่ จำเป็นต้องเปรียบเทียบรูปแบบการแข่งขัน เชิญเราอยากมา priori ความคาดคะเนจากแต่ละรุ่น (คาดคะเนที่ไม่ขึ้นอยู่กับการประเมินจากข้อมูลพารามิเตอร์ใด ๆ), แล้ว กำหนดเงื่อนไขทดลองซึ่งแบบจำลองทำการคาดคะเน priori ความแตกต่างกัน และสุดท้าย experimentally ทดสอบเหล่านี้คาดคะเนการแรกสุด นี้เป็นวิธีพื้นฐานที่ใช้สำหรับรุ่น axiomatic อย่างที่อธิบายไว้ในบทที่ 1 มักจะ อย่างไรก็ตาม รุ่นของเราได้ซับซ้อนเกินกว่าที่ได้รับการคาดคะเนเป็น priori และพารามิเตอร์ฟรี แต่ เราจำเป็นต้องเปิดวิธีที่ช่วยให้คาดคะเนจะถูกคำนวณหลังจากการประมาณพารามิเตอร์จากแบบจำลองข้อมูล ในกรณีหลัง เราจำเป็นต้องทำการเปรียบเทียบแบบจำลองเชิงปริมาณที่ประเมินเกณฑ์ทางวิทยาศาสตร์ 2 ความถูกต้องของแบบจำลองและจำลอง parsimony

ปกติรุ่นแข่งขันแตกต่างกันในสมมติฐานของเราเกี่ยวกับการรับรู้และหรือการตัดสินใจกระบวนการเกี่ยวข้องในงานการตัดสินใจ ต้องแยกระหว่างสองชนิดเปรียบเทียบรูปแบบได้ ชนิดหนึ่งเรียกว่าการเปรียบเทียบรูปแบบซ้อนกันซึ่งกรณีแบบง่ายเมื่อเทียบกับรูปแบบที่ซับซ้อนมากขึ้น และแบบอย่างมาจากแบบซับซ้อน โดยสถานะข้อจำกัดของพารามิเตอร์ของแบบจำลองซับซ้อนมากขึ้น ตัวอย่าง เปรียบเทียบแบบ PVL พารามิเตอร์สี่พารามิเตอร์สามรุ่นผลิต โดยการตั้งค่าพารามิเตอร์ aversion ขาดทุนเท่ากับλ = 1 เป็นการเปรียบเทียบรูปแบบซ้อนกัน อีกชนิดหนึ่งเรียกว่าการเปรียบเทียบแบบไม่ซ้อนกันซึ่งรุ่นหนึ่งกรณีไม่จัดกลุ่มภายในแบบอื่น ๆ เทียบผุ (4.2a) กับเดลต้า (4.2b) เรียนรู้กฎรุ่นตัวอย่าง การเปรียบเทียบไม่ซ้อนกัน ใช้วิธีการเปรียบเทียบรูปแบบที่แตกต่างกันขึ้นอยู่กับวิธีการประมาณพารามิเตอร์

ผลลัพธ์ (ไทย) 2:

การเปรียบเทียบรูปแบบ
ไม่เคยมีข้อมูลมากในการประเมินความเหมาะสมของรูปแบบเดียวในการแยก (โรเบิร์ตและ Pashler 2000) เพียงแค่กระชับแบบเดียวกับข้อมูลและหาสัดส่วนของความแปรปรวนที่คาดการณ์ไม่ได้ข้อมูลมากเพราะ (ก) หลายพารามิเตอร์อาจมีความจำเป็นเพื่อให้บรรลุแบบที่ดีและเพื่อให้เหมาะสมก็อาจสะท้อนให้เห็นถึงการใช้จำนวนมากของพารามิเตอร์ฟรี, และ (ข) รูปแบบที่เรียบง่ายอาจมีอยู่พอดีว่าเช่นเดียวกับดีหรือดียิ่งขึ้นกว่ารุ่นที่ได้รับการส่งเสริมการลงทุน แต่มันเป็นสิ่งที่จำเป็นเพื่อเปรียบเทียบรูปแบบการแข่งขัน จะเป็นการดีที่เราต้องการที่จะได้รับการคาดการณ์เบื้องต้นจากแต่ละรุ่น (การคาดการณ์ที่ไม่ได้ขึ้นอยู่กับการประมาณค่าพารามิเตอร์ใด ๆ จากข้อมูล) และกำหนดเงื่อนไขการทดลองที่รุ่นทำให้การคาดการณ์เบื้องต้นที่แตกต่างกันและในที่สุดก็ทดลองทดสอบเหล่านี้คาดการณ์เบื้องต้น . นี้เป็นวิธีการพื้นฐานที่ใช้ในการจำลองซึ่งเป็นจริงง่ายๆที่อธิบายไว้ในบทที่ 1 โดยปกติ แต่รุ่นของเรามีความซับซ้อนเกินกว่าที่จะได้รับการคาดการณ์เบื้องต้นและพารามิเตอร์ฟรี แต่เราจำเป็นต้องหันไปวิธีการที่ช่วยให้การคาดการณ์ที่จะคำนวณหลังจากที่ประมาณค่าพารามิเตอร์จากข้อมูลสำหรับรุ่นที่ ในกรณีหลังนี้เราจำเป็นต้องดำเนินการเปรียบเทียบแบบจำลองเชิงปริมาณที่ประเมินสองเกณฑ์ทางวิทยาศาสตร์ของความถูกต้องและรูปแบบรูปแบบที่ประหยัดโดยปกติรูปแบบการแข่งขันที่แตกต่างในสมมติฐานที่สำคัญของพวกเขาเกี่ยวกับกระบวนการคิดและการตัดสินใจหรือมีส่วนร่วมในงานการตัดสินใจ มันเป็นสิ่งสำคัญที่จะแยกแยะระหว่างสองประเภทของการเปรียบเทียบรูปแบบ ประเภทหนึ่งที่เรียกว่าการเปรียบเทียบรูปแบบการซ้อนกันซึ่งในกรณีรูปแบบที่เรียบง่ายเมื่อเทียบกับรูปแบบที่ซับซ้อนมากขึ้นและรูปแบบที่เรียบง่ายที่ได้มาจากรูปแบบที่ซับซ้อนมากขึ้นโดยการจัดเก็บภาษีข้อ จำกัด ในพารามิเตอร์ของรูปแบบที่ซับซ้อนมากขึ้น ตัวอย่างเช่นการเปรียบเทียบรูปแบบการ PVL สี่พารามิเตอร์กับรุ่นสามพารามิเตอร์ที่ผลิตโดยการตั้งค่าพารามิเตอร์การสูญเสียความเกลียดชังเท่ากับλ = 1 คือการเปรียบเทียบรูปแบบที่ซ้อนกัน อีกประเภทหนึ่งที่เรียกว่าการเปรียบเทียบรูปแบบที่ไม่ซ้อนกันในกรณีที่หนึ่งแบบไม่ซ้อนกันในรูปแบบอื่น ๆ ตัวอย่างเช่นการเปรียบเทียบการสลายตัว (4.2a) กับรุ่นเดลต้า (4.2b) กฎการเรียนรู้คือการเปรียบเทียบที่ไม่ซ้อนกัน วิธีการเปรียบเทียบรูปแบบที่แตกต่างกันถูกนำมาใช้ขึ้นอยู่กับวิธีการประมาณค่าพารามิเตอร์

ผลลัพธ์ (ไทย) 3:

รูปแบบการเปรียบเทียบ
มันไม่เคยเป็นข้อมูล เพื่อประเมินความเหมาะสมกับรูปแบบเดียวในการแยก ( โรเบิร์ตและ pashler , 2000 ) เพียงแค่รูปแบบเดียวที่เหมาะสมและข้อมูลการค้นหาสูงอัตราส่วนของความแปรปรวน คาดการณ์ไม่ได้ ข้อมูลมาก เพราะ ( ) พารามิเตอร์หลาย อาจจะต้องให้พอดี แล้วพอดีก็อาจสะท้อนให้เห็นถึงการใช้มากของพารามิเตอร์ฟรีและ ( ข ) ง่ายกว่ารุ่นอาจมีอยู่ที่พอดีก็เช่นกันหรือดีกว่ารุ่นที่ได้เลื่อนตำแหน่ง แทนจะต้องเปรียบเทียบกับรุ่นแข่งขัน ซึ่งเราอยากจะสืบทอด priori คาดคะเนจากแต่ละรุ่น ( คาดคะเนว่า ไม่ได้ขึ้นอยู่กับการประมาณค่าพารามิเตอร์ใด ๆจากข้อมูล )และจากนั้น ตรวจสอบสภาวะการทดลองที่แตกต่างกันระหว่างรุ่นให้คาดคะเน และในที่สุดผลการทดสอบเหล่านี้ priori คาดคะเน นี้เป็นวิธีขั้นพื้นฐานที่ใช้สำหรับรุ่นที่ง่ายอธิบายในสัจพจน์บทที่ 1 โดยปกติ แต่โมเดลของเรามีความซับซ้อนเกินไปที่จะสืบทอด priori และพารามิเตอร์คาดคะเนฟรีแต่เราต้องเปลี่ยนวิธีการที่ช่วยให้คาดคะเนจะคำนวณหลังประมาณค่าจากข้อมูลสำหรับรุ่น ในกรณีหลังนี้เราต้องแสดงรูปแบบการเปรียบเทียบเชิงปริมาณที่ประเมินสองเกณฑ์ทางวิทยาศาสตร์ของความถูกต้องและแบบจำลองความตระหนี่ .

โดยปกติแล้วการแข่งขันรูปแบบแตกต่างกันในเนื้อหาสาระของสมมติฐานเกี่ยวกับการคิดและการตัดสินใจ หรือกระบวนการที่เกี่ยวข้องในการตัดสินใจในงาน มันเป็นสิ่งสำคัญที่จะแยกแยะความแตกต่างระหว่างสองประเภทของการเปรียบเทียบรูปแบบ ประเภทหนึ่งเรียกว่ารูปแบบที่เปรียบเทียบซึ่งในกรณีแบบง่าย ๆ คือเมื่อเปรียบเทียบกับรูปแบบซับซ้อนมากขึ้นและรูปแบบง่าย ๆได้มาจากโมเดลที่ซับซ้อนมากขึ้นโดยกำหนดข้อจำกัดในพารามิเตอร์ของแบบจำลองที่ซับซ้อนมากขึ้น ตัวอย่างเช่น การเปรียบเทียบสี่พารามิเตอร์กับสามพารามิเตอร์ pvl รุ่นรุ่นที่ผลิตโดยการตั้งค่าพารามิเตอร์เท่ากับขาดทุน aversion λ = 1 เป็นรูปแบบที่เปรียบเทียบได้ชนิดหนึ่งเรียกว่าไม่ซ้อนกันแบบเปรียบเทียบในกรณีใดรุ่นหนึ่งไม่ซ้อนกันในรูปแบบอื่น ๆ ตัวอย่างเช่น การเปรียบเทียบผุ ( 4.2a ) เดลต้า ( 4.2b ) รูปแบบการเรียนรู้กฎคือไม่ซ้อนกันการเปรียบเทียบ วิธีการเปรียบเทียบแบบต่าง ๆที่ใช้ขึ้นอยู่กับวิธีการของการประมาณค่าพารามิเตอร์