in which case we choose the complex

in which case we choose the complex over the simple if the difference is positive. The first part of the BIC difference compares the accuracy of the two models, and the second part compares the complexity as measured by number of parameters. For example, Ahn et al. (2008) compared the four-parameter PVL model described earlier with the another model called the expectancy valence learning model (EVL) ( Busemeyer and Stout, 2002). The EVL model assumed that α=1 (no risk aversion) and it used the delta learning rule. The two models differ by one parameter (α) and they are also non-nested because of the learning rule. The BIC difference favored the PVL model over the simpler EVL model ( Ahn et al., 2008).

ผลลัพธ์ (ไทย) 1:

ซึ่ง เราเลือกซับซ้อนมากกว่านำถ้าผลต่างเป็นจำนวนเต็มบวก ส่วนแรกของความแตกต่าง BIC เปรียบเทียบความถูกต้องของแบบจำลองที่สอง และส่วนที่สองเปรียบเทียบซับซ้อนวัดจากจำนวนของพารามิเตอร์ ตัวอย่าง อาห์น et al (2008) เปรียบเทียบแบบ PVL 4 พารามิเตอร์ที่อธิบายไว้ก่อนหน้านี้กับแบบจำลองอื่นที่เรียกว่าแบบเรียนเดาเวเลนซ์ (EVL) (Busemeyer และสเตาท์ 2002) รุ่น EVL สันนิษฐานว่าα = 1 (ไม่เสี่ยง aversion) และใช้เดลต้ากฎการเรียนรู้ สองรุ่นแตกต่างกัน โดยหนึ่งพารามิเตอร์ (α) และพวกเขาจะไม่ซ้อนกันเนื่องจากกฎการเรียนรู้ ความแตกต่าง BIC ปลอดรุ่น PVL กว่ารุ่น EVL ง่ายกว่า (อาห์น et al., 2008)

ผลลัพธ์ (ไทย) 2:

ซึ่งในกรณีที่เราเลือกที่ซับซ้อนกว่าง่ายถ้าความแตกต่างที่เป็นบวก ส่วนแรกของความแตกต่าง BIC เปรียบเทียบความถูกต้องของทั้งสองรูปแบบและส่วนที่สองเปรียบเทียบความซับซ้อนที่วัดจากจำนวนพารามิเตอร์ ตัวอย่างเช่น Ahn และคณะ (2008) เมื่อเทียบกับรุ่นที่สี่พารามิเตอร์ PVL อธิบายไว้ก่อนหน้ากับรุ่นอื่นที่เรียกว่ารูปแบบการเรียนรู้ที่คาดหวังความจุ (EVL) (Busemeyer และอ้วน, 2002) รูปแบบ EVL สันนิษฐานว่าα = 1 (ไม่มีการรังเกียจความเสี่ยง) และจะใช้กฎการเรียนรู้เดลต้า สองรูปแบบที่แตกต่างกันโดยหนึ่งพารามิเตอร์ (α) และพวกเขายังไม่ซ้อนกันเพราะกฎการเรียนรู้ ความแตกต่าง BIC ได้รับการสนับสนุนในรูปแบบ PVL กว่ารุ่น EVL ง่าย (Ahn et al., 2008)

ผลลัพธ์ (ไทย) 3:

ซึ่งในกรณีนี้เราเลือกที่ซับซ้อนกว่าง่ายถ้าความแตกต่างที่เป็นบวก ส่วนแรกของความแตกต่าง BIC เปรียบเทียบความถูกต้องของแบบจำลอง และส่วนที่สองเปรียบเทียบความซับซ้อนเป็นวัดโดยจำนวนของพารามิเตอร์ ตัวอย่างเช่น อาน et al .( 2008 ) เมื่อเทียบกับสี่พารามิเตอร์ pvl แบบจำลองอธิบายไปก่อนหน้านี้กับอีกรุ่นที่เรียกว่า ความคาดหวังที่ 2 แบบ ( evl ) ( busemeyer แล้วอ้วน , 2002 ) การ evl รูปแบบสันนิษฐานว่าα = 1 ( รังเกียจความเสี่ยง ) และใช้เดลต้าการเรียนรู้กฎ สองรุ่นที่แตกต่างกันหนึ่งพารามิเตอร์ ( α ) และพวกเขาจะไม่ซ้อนกัน เพราะกฎการเรียนรู้ความแตกต่างบิ๊ก ชอบ pvl รูปแบบเรียบง่ายแบบ evl ( อาน et al . , 2008 )