1 / 15

Entscheidungstheorie für Unentschlossene In decision Theory

Entscheidungstheorie für Unentschlossene In decision Theory. Christian Kaernbach Institut für Allgemeine Psychologie Universität Leipzig.  0.  d‘. 0. 2. e. Entscheidungstheorie Decision Theory.

wilona
Download Presentation

Entscheidungstheorie für Unentschlossene In decision Theory

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Entscheidungstheorie für UnentschlosseneIndecision Theory Christian Kaernbach Institut für Allgemeine Psychologie Universität Leipzig

  2. 0 d‘ 0 2 e EntscheidungstheorieDecision Theory • Jeder Stimulus löst eine interne Repräsentation aus, die sich durch einen eindimensionalen Parameter e beschreiben läßt. • e ist Gauß-verteilt , mit Standardabweichung  = 1 und Mittelwert µ = 0 (Rauschen) bzw. µ = d‘ (Signal).

  3. 0 d‘ e EntscheidungstheorieDecision Theory • Bei Ja/Nein-Aufgaben setzt die VP ein Kriterium c und sagt „Ja“ wenn e > c. • Bei Wahlaufgaben (forced choice) wählt die VP den Stimulus mit dem größten e.  „Ja“  „Signal“

  4. B AB A  Wahrscheinlichkeitsrechnung • bedingte Wahrscheinlichkeit:  : 100 A : 30 B : 40 AB : 24 • Wahrscheinlichkeit für Hypothesen nach Bayes:

  5. 0 d‘ d‘(e) 0 (e) e Entscheidungstheorie bei Ja/Nein-Aufgaben  pcor wächst monoton mit e  Kriterium in pcor Kriterium ine

  6. 0 d‘ 0 (e3) d‘(e2) 0 (e1) Entscheidungstheorie bei Wahlaufgaben  am größten für emax =es  am größten für emax =es e1 e3 e2 e

  7. Wahlaufgaben ohne Entscheidungszwangunforced choice • Es war der • 1. Stimulus • 2. Stimulus • 3. Stimulus • ich weiß es nicht

  8. 0 d‘ e1 e1 e3 e3 e2 e2 e1 e3 e2 Wahlaufgaben ohne Entscheidungszwangunforced choice pcor 1/N +  D

  9. |e1 – e2|> C/d’  D |e1 – e2|> c D 0 d‘ e1 e2 Wahlaufgaben ohne Entscheidungszwangunforced choice pcor 1/N +  D |e1 – e2|  d’ > C D eS – eR

  10. Anwendungsbeispiel: Adaptive Verfahren Signalstärke anpassen, um Wahrnehmungsschwelle zu finden • Ja/Nein-Aufgabensimple up-down: Ja Nein  • führt zu 50% „Ja“ • kriterienabhängig • Wahl-Aufgaben, N=2,3,4...:weighted up-down(hier N=2):  • führt zu 75%  • kriterienfrei • Stochastik (random walk) • Raten wird erzwungen • Wahl ohne Zwang (hier N=2)unforcedweighted up-down   • führt zu 75%  + / 2 • Stochastik müßte reduziert werden • Komfortgewinn • Test des Verfahrens in Simulation und Experiment

  11. Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen • optimaler Nicht-Entscheider bei festem d‘: pcor > 1/N +  oder (N=2): |e1–e2| > c • optimaler Nicht-Entscheider bei variablem d‘ ? optimal wäre:  konstant halten. Erfordert Kenntnis von d‘. ohne Kenntnis von d‘ : c konstant halten (geht nur für N=2) N > 2:  konstant halten. • je 100.000 virtuelle adaptive Versuchsläufe für verschiedene konstant gehaltene Werte von c (N = 2) bzw.  (N  2) Messung des statistischen und systematischen Fehlers

  12. Simulation des optimalen Nicht-Entscheidersin adaptiven Versuchsläufen • je 100.000 virtuelle adaptive Versuchsläufe für verschiedene konstant gehaltene Werte von c (N = 2) bzw.  (N  2) Messung des statistischen und systematischen Fehlers

  13. Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang 6 Versuchspersonen, Sinuston in Rauschen, Startpunkt randomisiert, Schrittweite 4/2/1 dB, 120 bzw. 360 (N=4) Durchläufe (runs) N=4, letzte 180 runs N=6, erste 120 runs „schlechtes“ Cluster (N=3) „gutes“ Cluster (N=3) –SUD–UWUD –WUD–WUD erste 120 runs (N=6) –3.45.5 0.030.5 letzte 180 runs (N=4) –0.32.4 0.090.3

  14. Experimenteller Vergleich:Ja/Nein, Wahl, Wahl ohne Zwang 6 Versuchspersonen, Sinuston in Rauschen, Startpunkt randomisiert, Schrittweite 4/2/1 dB, 120 bzw. 360 (N=4) Durchläufe (runs)

  15. Fazit vor Bayes (vage): „Ich weiß nicht...“ nach Bayes (bestimmt): „Ich weiß, daß ich nichts weiß!“ (Goethe oder so)

More Related