标签归档:HDDM

工作坊 | 心理学研究中的(统计)模型思维

内容来源:清华大学心理学系

在本次工作坊中,胡博士将以自己博士论文中的部分实验为例,分享不同研究问题可以采用的不同模型。重点包括:假设检验中Bayes factor (贝叶斯因子)及其如何在JASP中实现、认知模型HDDM(Hierarchical drift diffusion model, 层级扩散模型)及其如何Python中实现。胡博士希望通过本次工作坊,能够激发听众思考统计模型思维在研究中的作用,同时学会如何使用JASP计算贝叶斯因子,如何使用HDDM工具包探索反应时数据。

时间:

2019年12月27日(周五)

下午 13:30–17:00;晚上 18:30–20:00

地点:

清华大学伟清楼507室(暂定,具体场地根据报名情况而定)


工作坊初步拟定大纲如下:

1. 引言:研究问题及其对应的统计模型

2. 研究问题类型I:效应是否存在?

2.1 频率主义的NHST

2.2 贝叶斯学派的贝叶斯因子 (重点)

3 研究问题类型 II:效应有多大?

3.1 频率主义的效应量及其置信区间

3.2 贝叶斯学派的估计

4 研究问题类型III:效应的异质性(略讲)

混合线性模型在估计效应异质性中的作用

5 研究问题类型IV:对机制的描述

反应时数据的扩散模型(重点)


对象及费用:

面向所有高年级本科生、研究生(方向不限)

工  作  坊  费  用:免  费

(但需要提前报名,以便主办方做准备)

报名链接:https://www.wenjuan.com/s/ZNZ3Ef/

(扫描报名工作坊)


参考文献
1. Wagenmakers, E.-J., Love, J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., . . . Morey, R. D. (2018). Bayesian Inference for Psychology. Part II: Example Applications with JASP. Psychonomic Bulletin & Review, 25(1), 58-76. doi:10.3758/s13423-017-1323-7
2. Wagenmakers, E.-J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., . . . Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. Psychonomic Bulletin & Review, 25(1), 35-57. doi:10.3758/s13423-017-1343-3
3. Wiecki, T. V., Sofer, I., & Frank, M. J. (2013). HDDM: Hierarchical Bayesian estimation of the Drift-Diffusion Model in Python. Frontiers in Neuroinformatics, 7. doi:10.3389/fninf.2013.00014
4. 胡传鹏, 孔祥祯, Wagenmakers, E.-J., Ly, A., 彭凯平. (2018). 贝叶斯因子及其在JASP中的实现. 心理科学进展, 26(6), 951-965.  doi:10.3724/SP.J.1042.2018.00951