Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Ước lượng phân phối dữ liệu đồng bộ cảm giác-vận động: Một phương pháp mô hình hóa phân cấp Bayesian
Tóm tắt
Mô hình đồng bộ cảm giác-vận động được sử dụng khi nghiên cứu sự phối hợp của các phản ứng vận động nhịp điệu với một kích thích điều hòa và là một mô hình quan trọng trong nghiên cứu thời gian và nhận thức về thời gian của con người. Hai chỉ số của hiệu suất thường được tính toán từ dữ liệu đồng bộ cảm giác-vận động là độ trễ trung bình và độ biến thiên của sự bất đồng bộ giữa kích thích và phản ứng - các độ trễ giữa các kích thích và các phản ứng motor. Tại đây, chúng tôi cho thấy rằng giả định rằng sự bất đồng bộ phân phối theo phân phối chuẩn khi ước lượng các chỉ số này có thể dẫn đến việc đánh giá thấp đáng kể cả độ trễ trung bình và độ biến thiên. Điều này là do xu hướng phân phối của sự bất đồng bộ thường có dạng hai cực và lệch trái khi khoảng thời gian giữa các kích thích lớn hơn 2 giây. Chúng tôi lập luận rằng (1) sự bất đối xứng này là kết quả của việc phân phối bất đồng bộ là sự pha trộn giữa hai loại phản ứng - phản ứng dự đoán và phản ứng phản ứng - và (2) mối quan tâm chính trong một nghiên cứu đồng bộ cảm giác-vận động là các phản ứng dự đoán. Một phương pháp mô hình hóa phân cấp Bayesian được đề xuất, trong đó dữ liệu đồng bộ cảm giác-vận động được mô hình hóa như đến từ một phân phối chuẩn bị trái một cách hiệu quả tách biệt các phản ứng dự đoán khỏi các phản ứng phản ứng. Đánh giá bằng cả dữ liệu mô phỏng và dữ liệu thực nghiệm từ một nghiên cứu của Repp và Doggett (2007) cho thấy rằng phương pháp đề xuất tạo ra các ước lượng chính xác hơn cho độ trễ trung bình và độ biến thiên, với mức độ đánh giá thấp đáng kể hơn.
Từ khóa
#đồng bộ cảm giác-vận động #bất đồng bộ #phân phối chuẩn #mô hình hóa phân cấp #phản ứng dự đoán #phản ứng phản ứng #ước lượng chính xácTài liệu tham khảo
Andrews, M., & Baguley, T. (2013). Prior approval: The growth of Bayesian methods in psychology. British Journal of Mathematical and Statistical Psychology, 66, 1–7. doi:10.1111/bmsp.12004
Aschersleben, G. (2002). Temporal control of movements in sensorimotor synchronization. Brain and Cognition, 48, 66–79. doi:10.1006/brcg.2001.1304
Bååth, R., & Madison, G. (2012). The subjective difficulty of tapping to a slow beat. In E. Cambouropoulos, C. Tsourgas, P. Mavromatis, & C. Pastiadis (Eds.), Proceedings of the 12th International Conference on Music Perception and Cognition (pp. 82–85). Jyväskylä, Finland: European Society for the Cognitive Sciences of Music. Retrieved from icmpc-escom2012.web.auth.gr/?q=node/67.
Baayen, R., Davidson, D., & Bates, D. (2008). Mixed-effects modeling with crossed random effects for subjects and items. Journal of Memory and Language, 59, 390–412. doi:10.1016/j.jml.2007.12.005
Chen, Y., Ding, M., & Kelso, J. (1997). Long memory processes (1/f α type) in human coordination. Physical Review Letters, 79, 4501–4504. doi:10.1103/PhysRevLett.79.4501
Corriveau, K. H., & Goswami, U. (2009). Rhythmic motor entrainment in children with speech and language impairments: Tapping to the beat. Cortex, 45, 119–130. doi:10.1016/j.cortex.2007.09.008
Craigmile, P. F., Peruggia, M., & van Zandt, T. (2010). Hierarchical Bayes models for response time data. Psychometrika, 75, 613–632. doi:10.1007/s11336-010-9172-6
Development Core Team, R. (2012). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing.
Farrell, S., & Ludwig, C. J. H. (2008). Bayesian and maximum likelihood estimation of hierarchical response time models. Psychonomic Bulletin & Review, 15, 1209–1217. doi:10.3758/PBR.15.6.1209
Forsman, L. J., Madison, G., & Ullén, F. (2009). Neuroticism is correlated with drift in serial time interval production. Personality and Individual Differences, 47, 229–232. doi:10.1016/j.paid.2009.02.020
Gelman, A. (2006). Prior distributions for variance parameters in hierarchical models. Bayesian Analysis, 1, 515–534. doi:10.1214/06-BA117A
Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge, UK: Cambridge University Press.
Gibbon, J., Church, R. M., & Meck, W. H. (1984). Scalar timing in memory. Annals of the New York Academy of Sciences, 423, 52–77. doi:10.1111/j.1749-6632.1984.tb23417.x
Gottsdanker, R. (1982). Age and simple reaction time. Journal of Gerontology, 37, 342–348. doi:10.1093/geronj/37.3.342
Green, J. T., Ivry, R. B., & Woodruff-Pak, D. S. (1999). Timing in eyeblink classical conditioning and timed-interval tapping. Psychological Science, 10, 19–23. doi:10.1111/1467-9280.00100
Grondin, S. (2012). Violation of the scalar property for time perception between 1 and 2 seconds: Evidence from interval discrimination, reproduction, and categorization. Journal of Experimental Psychology: Human Perception and Performance, 38, 880–890. doi:10.1037/a0027188
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. New York, NY: Springer.
Hohle, R. H. (1965). Inferred components of reaction times as functions of foreperiod duration. Journal of Experimental Psychology, 69, 382–386. doi:10.1037/h0021740
Holm, L., Ullén, F., & Madison, G. (2011). Intelligence and temporal accuracy of behaviour: Unique and shared associations with reaction time and motor timing. Experimental Brain Research, 214, 175–183. doi:10.1007/s00221-011-2817-6
Jeffreys, H. (1946). An invariant form for the prior probability in estimation problems. Proceedings of the Royal Society A, 186, 453–461. doi:10.1098/rspa.1946.0056
Kruschke, J. K. (2011a). Doing Bayesian data analysis. Amsterdam, The Netherlands: Elsevier.
Kruschke, J. K. (2011b). Introduction to special section on Bayesian data analysis. Perspectives on Psychological Science, 6, 272–273. doi:10.1177/1745691611406926
Lee, M. D., & Wagenmakers, E.-J. (2014). Bayesian cognitive modeling: A practical course. Cambridge University Press.
Limpert, E., Stahel, W. A., & Abbt, M. (2001). Log-normal distributions across the sciences: Keys and clues. BioScience, 51, 341. doi:10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2
Löwgren, K., Bååth, R., Lindgren, M., Sahlén, B., & Hesslow, G. (2014). The cerebellum, timing and age: Eyeblink conditioning, isochronous interval tapping and prism adaptation in children and adults. (Manuscript in preparation).
Lunn, D., Jackson, C., Best, N., Thomas, A., & Spiegelhalter, D. (2012). The BUGS book: A practical introduction to Bayesian analysis. Boca Raton, FL: Chapman & Hall/CRC.
Madison, G., Forsman, L., Blom, B., Karabanov, A., Ullén, F., & Blom, O. (2009). Correlations between intelligence and components of serial timing variability. Intelligence, 37, 68–75. doi:10.1016/j.intell.2008.07.006
Mates, J., Müller, U., Radil, T., & Pöppel, E. (1994). Temporal integration in sensorimotor synchronization. Journal of Cognitive Neuroscience, 6, 332–340. doi:10.1162/jocn.1994.6.4.332
Miyake, Y., Onishi, Y., & Pöppel, E. (2004). Two types of anticipation in synchronization tapping. Acta Neurobiologiae Experimentalis, 64, 415–426.
Moore, G. P., & Chen, J. (2010). Timings and interactions of skilled musicians. Biological Cybernetics, 103, 401–414. doi:10.1007/s00422-010-0407-5
Palmer, E. M., Horowitz, T. S., Torralba, A., & Wolfe, J. M. (2011). What are the shapes of response time distributions in visual search? Journal of Experimental Psychology: Human Perception and Performance, 37, 58–71. doi:10.1037/a0020747
Plummer, M. (2003, March). JAGS: A program for analysis of Bayesian graphical models using Gibbs sampling. Article presented at the 3rd International Workshop on Distributed Statistical Computing, Vienna, Austria. Retrieved from www.ci.tuwien.ac.at/Conferences/DSC-2003/Drafts/Plummer.pdf
Repp, B. H. (2005). Sensorimotor synchronization: A review of the tapping literature. Psychonomic Bulletin & Review, 12, 969–992. doi:10.3758/BF03206433
Repp, B. H. (2006). Musical synchronization. In E. Altenmüller, M. Wiesendanger, & J. Kesselring (Eds.), Music, motor control and the brain (pp. 55–76). Oxford, UK: Oxford University Press.
Repp, B. H. (2008). Metrical subdivision results in subjective slowing of the beat. Music Perception, 26, 19–39. doi:10.1525/mp.2008.26.1.19
Repp, B. H., & Doggett, R. (2007). Tapping to a very slow beat: A comparison of musicians and nonmusicians. Music Perception, 24, 367–376. doi:10.1525/mp.2007.24.4.367
Repp, B. H., & Su, Y.-H. (2013). Sensorimotor synchronization: A review of recent research (2006–2012). Psychonomic Bulletin & Review, 20, 403–452. doi:10.3758/s13423-012-0371-2
Robert, C. (2007). The Bayesian choice: From decision-theoretic foundations to computational implementation. Heidelberg, Germany: Springer.
Roeckelein, J. E. (2008). History of conceptions and accounts of time and early time perception research. In S. Grondin (Ed.), Psychology of time (pp. 1–50). Bingley, UK: Emerald.
Rouder, J. N., Sun, D., Speckman, P. L., Lu, J., & Zhou, D. (2003). A hierarchical Bayesian statistical framework for response time distributions. Psychometrika, 68, 589–606. doi:10.1007/BF02295614
Schulze, H. (1992). The error correction model for the tracking of a random metronome: Statistical properties and an empirical test. In M. Françoise, V. Pouthas, & W. J. Friedman (Eds.), Time, action and cognition: Towards bridging the gap (pp. 275–286). Dordrecht, The Netherlands: Kluwer.
Stevens, L. T. (1886). On the time-sense. Mind, 11, 393–404.
Tukey, J. (1977). Exploratory data analysis. Reading, MA: Pearson.
Ulrich, R., & Miller, J. (1994). Effects of truncation on reaction time analysis. Journal of Experimental Psychology: General, 123, 34–80. doi:10.1037/0096-3445.123.1.34
Ulrich, R., & Stapf, K. H. (1984). A double-response paradigm to study stimulus intensity effects upon the motor system in simple reaction time experiments. Perception & Psychophysics, 36, 545–558. doi:10.3758/BF03207515
van Zandt, T. (2000). How to fit a response time distribution. Psychonomic Bulletin & Review, 7, 424–465. doi:10.3758/BF03214357
Vorberg, D., & Wing, A. (1996). Modeling variability and dependence in timing. In H. Heuer & S. W. Keele (Eds.), Handbook of perception and action (Vol. 2, pp. 181–262). San Diego, CA: Academic Press.