For all rats except one (Rat 5), ar

For all rats except one (Rat 5), arousal was very high at the beginning of the experiment. Initial associative strength was also much higher than what would be expected if the CSs were novel. Arousal grew faster than it declined, and acquisition was faster than extinction (see also Rescorla, 2002). With the exception of 2 rats, whose ‘acquisition’ was immediate (αV = 1.0), arousal changed faster (i.e., parameter values were higher) than learning. For all rats except one (Rat 2), responding persisted over consecutive trials at levels of 21% to 36%.

2.3.3. Model evaluation
We tested alternatives to the full-scale model – the “target” – by systematically removing some of its components and adding new ones. These changes sometimes involved a removal or addition of free parameters. Alternative models were evaluated by taking the difference between each of their MLE and that of the target model (i.e., ΔMLE). Larger positive ΔMLE were indicative of stronger evidence favoring the alternative model; negative ΔMLE favored the target model. Following the Akaike Information Criterion (AIC; Burnham and Anderson, 2002), the removal of one parameter was justified when ΔMLE ≥ −1, whereas the addition of one parameter was justified when the ΔMLE ≥ 3. This model selection rule favors more parsimonious models, even when goodness of fit is reduced slightly (i.e., −1 ≤ ΔMLE < 0), over more complex models, except when the latter provides a substantially superior fit to the data.
Next we discuss each alternative model and evaluate it on the basis of its corresponding ΔMLE (shown in Table 3). We also discuss possible explanations for the shortcomings of each model, on the basis of visual inspection of its best fit to the data (fits are not shown).

ผลลัพธ์ (ไทย) 1:

หนูทั้งหมดยกเว้นหนึ่ง (5 หนู) ความตื่นตัวสูงมากที่จุดเริ่มต้นของการทดลอง ความแรงของการเชื่อมโยงเริ่มต้นก็ยังสูงกว่าสิ่งที่จะคาดว่าถ้า css ที่เป็นนวนิยาย ความตื่นตัวเพิ่มขึ้นเร็วกว่ามันปฏิเสธและซื้อกิจการได้เร็วกว่าการสูญเสีย (เห็น Rescorla, 2002) ด้วยข้อยกเว้นของ 2 หนูซึ่ง 'ซื้อ' ในทันที (αv = 1.0),เร้าอารมณ์ที่เปลี่ยนไปได้เร็วขึ้น (เช่นค่าพารามิเตอร์สูงกว่า) การเรียนรู้ สำหรับหนูทั้งหมดยกเว้นหนึ่ง (2 หนู), การตอบสนองยืนกรานทดลองติดต่อกันที่ระดับ 21% 36%.

2.3.3 การประเมินผลรูปแบบ
เราทดสอบทางเลือกในรูปแบบเต็มรูปแบบ - "เป้าหมาย" - โดยระบบการลบบางส่วนและเพิ่มใหม่การเปลี่ยนแปลงเหล่านี้บางครั้งที่เกี่ยวข้องกับการกำจัดหรือการเพิ่มขึ้นของตัวแปรอิสระ รูปแบบทางเลือกที่ได้รับการประเมินโดยใช้ความแตกต่างระหว่างแต่ละ MLE ของพวกเขาและที่ของรูปแบบเป้าหมาย (เช่นΔmle) Δmleบวกขนาดใหญ่เป็นหลักฐานที่บ่งบอกถึงความแข็งแกร่งความนิยมรูปแบบทางเลือกΔmleเชิงลบได้รับการสนับสนุนรูปแบบเป้าหมาย ดังต่อไปนี้ Akaike ข้อมูลบรรทัดฐาน (AIC;burnham และ Anderson, 2002), การกำจัดของหนึ่งพารามิเตอร์เป็นธรรมเมื่อΔmle≥ -1, ในขณะที่การเพิ่มขึ้นของตัวแปรหนึ่งที่ได้รับการพิสูจน์เมื่อΔmle≥ 3 กฎนี้การเลือกรูปแบบโปรดปรานรูปแบบเค็มมากขึ้นแม้ในขณะที่ความดีของพอดีจะลดลงเล็กน้อย (เช่น -1 ≤Δmle <0), กว่ารุ่นที่ซับซ้อนมากขึ้นยกเว้นเมื่อหลังให้พอดีกับที่ดีกว่าอย่างมีนัยสำคัญกับข้อมูล.
ต่อไปเราจะหารือในแต่ละรูปแบบทางเลือกและการประเมินบนพื้นฐานของΔmleที่สอดคล้องกัน (แสดงในตารางที่ 3) เรายังหารือเกี่ยวกับคำอธิบายที่เป็นไปได้สำหรับข้อบกพร่องของแต่ละรุ่นอยู่บนพื้นฐานของการตรวจสอบภาพจากแบบที่ดีที่สุดเพื่อให้ข้อมูล (พอดีจะไม่แสดง).

ผลลัพธ์ (ไทย) 2:

สำหรับหนูทั้งหมดยกเว้นหนึ่ง (ราช 5), เร้าอารมณ์ได้มากเมื่อเริ่มต้นทดลอง ยังสูงกว่าที่จะคาดได้ว่า CSs นวนิยายเริ่มต้นความสัมพันธ์ได้ เร้าอารมณ์เพิ่มขึ้นเร็วกว่ามันปฏิเสธ และซื้อได้เร็วกว่าการสูญพันธุ์ (ดู Rescorla, 2002) ยกเว้นหนู 2 ที่ 'ซื้อ' ได้ทันที (αV = 1.0), เร้าอารมณ์เปลี่ยนแปลงเร็ว (เช่น ค่าพารามิเตอร์ได้สูง) มากกว่าการเรียนรู้ สำหรับหนูทั้งหมดยกเว้นหนึ่ง (หนู 2), ตอบสนองยังคงอยู่เหนือการทดลองต่อเนื่องที่ระดับ 21% เป็น 36%

2.3.3 แบบจำลองประเมิน
เราทดสอบแทนแบบเต็มรูปแบบ – "ปลายทาง" – โดยเอาบางส่วนของส่วนประกอบของระบบ และเพิ่มใหม่ บางครั้งการเปลี่ยนแปลงเหล่านี้เกี่ยวข้องกับเอาออกหรือเพิ่มพารามิเตอร์ฟรี รุ่นอื่นถูกประเมิน โดยใช้ความแตกต่างระหว่างแต่ละพื้นฐานของพวกเขาและของรูปแบบเป้าหมาย (เช่น ΔMLE) ΔMLE ใหญ่บวกได้ส่อนความแบบอื่น หลักฐานที่แข็งแกร่ง ลบ ΔMLE ปลอดแบบเป้าหมาย ตามเกณฑ์ Akaike ข้อมูลที่ (AIC เบิร์นแฮมและแอนเดอร์สัน 2002), การกำจัดของพารามิเตอร์ถูกชิดเมื่อ ΔMLE ≥ −1 โดยการเพิ่มพารามิเตอร์เป็นธรรมเมื่อ ΔMLE ≥ 3 กฎการเลือกแบบจำลองนี้สนับสนุนรูปแบบเพิ่มเติม parsimonious แม้ความกตัญญูพอดีจะลดลงเล็กน้อย (เช่น −1 ≤ ΔMLE < 0), ผ่านโมเดลที่ซับซ้อนมากขึ้น ยกเว้นเมื่อหลังให้เหมาะสมข้อมูลที่เหนือกว่ามาก
ถัดไปเราอภิปรายแต่ละรูปแบบทางเลือก และประเมินตามความ ΔMLE สอดคล้องกัน (แสดงในตารางที่ 3) เรายังกล่าวถึงคำอธิบายได้สำหรับการแสดงของแต่ละรุ่น ตามตรวจสอบภาพของข้อมูล (พอดีกับไม่มีแสดง) ที่เหมาะสมสุด

ผลลัพธ์ (ไทย) 3:

สำหรับพวกหนูทั้งหมดยกเว้นคนหนึ่ง(หนู 5 )มุ่งกระตุ้นเรื่องก็อยู่ในระดับสูงเป็นอย่างมากในช่วงต้นของการทดลอง กำลังเชื่อมโยง.ครั้งแรกก็ยังสูงกว่านี้มากกว่าที่คาดว่าหาก CSS เป็นนวนิยาย มุ่งกระตุ้นเรื่องขยายตัวรวดเร็วกว่าที่ลดลงและการควบรวมกิจการได้เร็วกว่าการสูญพันธุ์(ดูที่ยัง rescorla 2002 ) โดยได้รับการยกเว้นของ 2 หนูซึ่งมี"ซึ่งเป็นได้ทันที( αv = 1.0 )มุ่งกระตุ้นเรื่องการเปลี่ยนแปลงได้เร็วขึ้น(เช่นค่าพารามิเตอร์ก็สูงขึ้น)มากกว่าการเรียนการสอน สำหรับพวกหนูทั้งหมดยกเว้นหนึ่ง(หนู 2 )การตอบสนองโดยรวมมากกว่าการทดลองกันอย่างต่อเนื่องที่ระดับ 21% เป็น 36% .

2.3.3 การประเมินผลของรุ่น
ซึ่งจะช่วยเราได้ทำการทดสอบมีทางเลือกในการที่ขนาดใหญ่รุ่น - "เป้าหมาย"โดยระบบการถอดของส่วนประกอบและการเพิ่มใหม่"การเปลี่ยนแปลงเหล่านี้ในบางครั้งอาจมีส่วนเกี่ยวข้องกับการถอดหรือการเพิ่มค่าพารามิเตอร์แบบไม่เสียค่าบริการ รุ่นทางเลือกมีการประเมินจากการความแตกต่างระหว่างแต่ละ MLE ต้องของพวกเขาและว่าเป้าหมายของรุ่นที่(เช่น δmle ) δmle ในทางบวกมีขนาดใหญ่กว่าจะถูกแสดงถึงความแข็งแกร่งมากขึ้นมีหลักฐานเชิดชูรุ่น δmle ติดลบเป็นทางเลือกที่ได้รับสิทธิพิเศษรุ่นเป้าหมาย ข้อมูลต่อไปนี้ akaike เกณฑ์(ระดมBurnham แอนเดอร์สันและ 2002 )การลบหนึ่งพารามิเตอร์มีข้ออ้างว่าเมื่อ δmle ≥ 1 ในขณะที่การกำหนดค่าพารามิเตอร์หนึ่งมีข้ออ้างว่าเมื่อ δmle ที่กำหนดขั้นต่ำไม่น้อยกว่า≥ 3 กฎข้อที่ทางเลือกของรุ่นนี้รุ่นตระหนี่ความเมตตามากเมื่อความดีในความเหมาะสมจะลดลงเล็กน้อย(เช่น 1 :≤ δmle < 0 )ในรุ่นความซับซ้อนมากขึ้นยกเว้นเมื่อหลังที่จัดให้บริการอย่างเหมาะสมกับระดับ Superior First Class ในข้อมูล.
ถัดไปเราพูดคุยกันถึงแต่ละรุ่นเป็นทางเลือกและการประเมินในแต่ละที่ของ δmle ที่เกี่ยวข้อง(แสดงไว้ในตาราง 3 ) นอกจากนั้นเรายังพูดคุยชี้แจงเป็นไปได้สำหรับแก้ไขจุดอ่อนของแต่ละรุ่นที่อยู่บนพื้นฐานของการตรวจสอบ ภาพ ในความเหมาะสมที่ดีที่สุดของข้อมูล(ใช้ได้พอดีกับไม่ได้แสดงไว้)..