Психология направление: Направление «Психология» (бакалавриат) — Пермский государственный национальный исследовательский университет

Текущие направления в психологической науке — Ассоциация психологических наук — APS

Current Directions in Psychological Science , второй старейший журнал Ассоциации психологических наук, публикует обзоры ведущих экспертов, охватывающие всю научную психологию и ее приложения.Каждый выходящий раз в два месяца выпуск Current Directions содержит разнообразный набор отчетов по различным темам, таким как язык, память и познание, развитие, нейронные основы поведения и эмоций, различные аспекты психопатологии и теории разума. Эти статьи позволяют читателям оставаться в курсе важных событий в подполях, выходящих за рамки их областей знаний и исследований, о которых они иначе могли бы не знать. Статьи в Current Directions также написаны так, чтобы быть доступными для неспециалистов, что делает их идеально подходящими для использования в классе в качестве учебных пособий.Этот журнал является членом Комитета по этике публикаций (COPE).

Слушайте подкаст Current Directions in Psychological Science , чтобы услышать интервью редактора Роба Голдстоуна с авторами CDPS , чтобы получить более глубокое представление о наиболее убедительных исследованиях, опубликованных в журнале. К отдельным эпизодам также можно получить доступ через дополнительные материалы в опубликованных статьях.

Прочтите «Преподавание текущих направлений психологической науки», , колонку в Observer , предлагающую советы и рекомендации по преподаванию определенной области исследования или темы, освещаемой в журнале.

Текущий выпуск: члены APS | Не-члены | Nxtbook Edition (доступно только для членов APS)

OnlineПервые статьи: члены APS | Не члены

Список проблем: члены APS | Не члены

Перейти в редакцию

Просмотреть правила предложения

Ознакомьтесь с последней редакционной политикой Комитета по публикациям APS

Краткая информация

Направления науки — Практики психологии

Психология может показаться совершенно разрозненным собранием различных и отдельных дисциплин.Каким образом нейрохимические взаимодействия в мозгу, межличностные взаимодействия в близких отношениях и агрессивные взаимодействия на игровой площадке подпадают под сферу применения научной психологии? Философский ответ заключается в том, что всю психологию объединяет цель понять человеческое познание, эмоции и поведение. Материальным объектом исследования могут быть животные, методом выбора может быть математическое моделирование, а исследуемый фрагмент человеческого опыта может быть невероятно узким, но цель остается той же: распутать и объяснить некоторые аспекты человеческого опыта.

Многие области исследований стремятся достичь того же понимания. Поэты, художники, философы, историки и другие исследователи человеческого существования стремятся объяснить феномены человеческого существования. Что делает дисциплину психологии уникальной, так это то, что мы стремимся к такому пониманию с помощью научного метода. Но есть еще одна общая связь, которая связывает всю психологию — практическая ценность получаемых нами знаний. Независимо от того, руководствуется ли исследователь любопытством или необходимостью решить практическую проблему, дисциплина психологии ценится за ее вклад в благосостояние людей.

Именно благодаря пониманию человеческого познания мы можем улучшить педагогику, помочь в принятии решений и диагностировать заболевания центральной нервной системы. Благодаря пониманию человеческих эмоций мы можем сглаживать проблемные отношения, улучшать психическое здоровье и сдерживать агрессию. Именно благодаря пониманию человеческого поведения мы можем сделать общественные места более безопасными, способствовать здоровому образу жизни и повысить качество жизни.

Практическая ценность психологии проистекает из вопросов, на которые мы стремимся ответить, и понимания, которое дает наша наука при ответе на эти вопросы.Даже самые эзотерические фундаментальные исследования способствуют накоплению базы знаний, которые могут быть применены на практике. Линия исследования не обязательно должна быть мотивирована целью применения, чтобы в конечном итоге внести практическую ценность. В этом прелесть научной психологии — приложения могут быть найдены сознательно или просто возникать из базового понимания.

Для перехода от базовых знаний к практическому применению требуется перевод. Это работа практикующих дисциплину.Те, кто специализируется на переводе психологической науки , являются практикующими психологами. Те, кто транслирует знания из других дисциплин, являются практиками этих дисциплин, но не психологии. Таким образом, наука психология однозначно и неразрывно связана с практикой психологии.

В случае психологии, однако, важно распознавать множество разновидностей потенциальной практики. Любой перевод и применение базы научных знаний по праву считается практикой психологии.Чаще всего мы предполагаем оказание медицинских вмешательств. Однако психология предлагает гораздо больше.

Рассмотрим тех, кто работает над применением научных дисциплин в области человеческого фактора, образования, производственной и организационной динамики, юридических процессов, поведения потребителей, окружающей среды, тестирования, оценки и многих других. Это тоже практикующие психологи. Как и их коллеги, работающие в сфере здравоохранения, эти врачи каждый день работают над переводом науки психологии в практическое применение.

Стремясь извлечь максимальную практическую ценность из психологической науки, мы всегда должны помнить о разнообразных и разнообразных потребностях всего профессионального практикующего сообщества психологов. Это лучший способ обеспечить, чтобы дисциплина психологии продолжала вносить свой вклад в благосостояние людей и в 21 веке.

границ | Одно направление? Учебное пособие по круговому анализу данных с использованием R с примерами в когнитивной психологии

1.Введение

Круговые данные возникают практически во всех областях исследований, от экологии, где исследуются данные о направлении движения животных (Rivest et al., 2015), до медицинских наук, где исследуется структура белка (Mardia et al., 2006) или нейронная активность ( Rutishauser et al., 2010) исследуется с использованием периодических и, следовательно, круговых измерений. Наиболее прямые примеры циркулярных данных в социальных науках возникают в когнитивной и экспериментальной психологии. Например, в экспериментах с когнитивными картами человеческое чувство направления исследуется, когда участников исследования просят указать на север (Brunyé et al., 2015) или дойти до целевого объекта (Warren et al., 2017). Чем ближе участники указывали направление движения или ходили к фактическому северу или целевому объекту, тем лучше они чувствовали направление. Другие примеры включают визуальное восприятие пространства (Matsushima et al., 2014), визуальную рабочую память (Heyes et al., 2016) и сенсомоторную синхронизацию при создании музыки (Kirschner and Tomasello, 2009).

Однако, несмотря на то, что циклические данные собираются в различных областях когнитивной и экспериментальной психологии, знания этого типа данных не получили широкого распространения.Циркулярные данные принципиально отличаются от линейных данных из-за своей периодической природы. На круге измерения при 0 ° и 360 ° представляют одно и то же направление, тогда как в линейной шкале они будут расположены на противоположных концах шкалы. По этой причине циркулярные данные требуют специальных методов анализа. Было написано несколько менее технических учебников по методам анализа круговых данных (Batschelet, 1981; Fisher, 1995; Pewsey et al., 2013). Однако эти работы не являются частью «стандартных» текстов по статистическому анализу в психологии или социальных науках в целом и не очень хорошо известны среди исследователей социальных наук.

Таким образом, эта статья направлена ​​на предоставление учебного пособия по работе с циркулярными данными и их анализу для исследователей когнитивной психологии и социальных наук в целом. Основная цель этого руководства — объяснить, как проверять и анализировать данные, когда переменная результата является круговой. Мы обсудим проверку данных, соответствие модели, оценку и проверку гипотез в общих линейных моделях (GLM) и моделях со смешанными эффектами. В этом руководстве мы решили в основном сосредоточиться на одном конкретном подходе к анализу циклических данных — подходу встраивания.Мы делаем это для гибкости этого подхода и вытекающего из этого разнообразия типов моделей, которые уже были описаны в литературе по циклическим данным для этого подхода. Обратите внимание, что для оптимального понимания статьи читатель в идеале должен иметь некоторые знания о R (R Core Team, 2017), а также о моделях GLM и смешанных эффектов в линейной настройке. Читателю не обязательно быть знакомым с круговыми данными.

Структура учебного пособия такова, что читатель будет руководствоваться двумя примерами на протяжении всей статьи.Один является примером модели ANOVA, а другой — модели смешанных эффектов. Однако сначала мы дадим краткое введение в круговые данные в целом. Затем мы представляем пример ANOVA, после которого описательные методы для циклических данных объясняются в разделе, посвященном проверке данных для этого примера. После этого мы продолжим анализ примеров наборов данных. Сначала мы анализируем набор данных ANOVA, используя метод круговой GLM, и даем рекомендации по интерпретации этой модели. Впоследствии мы представим и проанализируем данные примера смешанных эффектов.Опять же, мы анализируем эти данные и включаем рекомендации по интерпретации. Анализ обоих наборов данных, ANOVA и набора данных со смешанными эффектами, выполняется с использованием пакета R bpnreg (Cremers, 2018). Для обеих моделей, GLM и модели со смешанными эффектами для кругового результата, мы пишем небольшой технический раздел, в котором приводятся математические детали соответствующих моделей. Наконец, в заключительных замечаниях мы приводим резюме статьи и дополнительные ссылки на литературу по другим моделям для круговых данных.

2. Циркулярные данные

Во введении мы кратко упомянули, что круговые данные — это данные периодического характера. Самая интуитивно понятная форма круговых данных — это направления на компасе. Например, участнику эксперимента можно было приказать переместиться или указать на определенную цель. Затем мы можем измерить направление, север, юг, восток или запад по шкале от 0 до 360 °. График с смоделированными данными, содержащий такие измерения для нескольких участников, показан на рисунке 1.На этом графике мы можем легко увидеть периодичность данных, 0 ° представляет ту же точку данных, что и 360 °. Более того, мы можем увидеть, что произойдет, если мы будем обрабатывать эти данные «обычным» линейным способом. Участники, которые двигались на северо-восток, получили оценку 45 °, а участники, которые двигались на юго-восток, получили оценку 315 °. На круге мы можем видеть, что это расстояние всего 90 °, в то время как в линейном масштабе оно намного дальше и составляет 315 ° –45 ° = 270 °. Однако, что еще более важно, для этих данных существует разница между круговыми и линейными средними.На рисунке 1 мы видим, что среднее круговое направление равно 0 °. Однако среднее линейное значение составляет 180 ° и противоположно фактическому среднему направлению данных. Очевидно, что линейная обработка данных на рисунке 1 может привести к неверным выводам.

Рисунок 1 . Данные участников эксперимента, которым было приказано переехать на восток. На графике слева показаны данные по шкале от 0 до 360 °. График справа показывает данные по компасу.

Часы — это еще один тип циклических данных.Например, нас может интересовать, в какое время дня происходит определенное событие, например, время суток, когда положительный эффект наиболее высок. На рисунке 2 показаны смоделированные данные для времени суток, в которое положительный эффект наиболее высок для двух групп участников, например, двух групп психиатрических пациентов, которые лечатся от депрессии в разных клиниках. Из графиков ясно видно, что пик положительного аффекта для двух групп приходится примерно на одно и то же время суток, один — чуть раньше 12 p.м. и один чуть позже. Однако, если бы мы проанализировали эти данные, используя стандартную статистику для линейных данных, и сравнили бы средние значения двух групп, в 23:00. и в час ночи мы пришли бы к совершенно другому выводу. Эти два средних значения находятся на двух противоположных концах линейной шкалы с 00:00 до 12:00, и мы можем сделать вывод, что время суток, в которое положительный эффект наиболее высок, для этих двух групп разное.

Рисунок 2 . Данные за час, в который положительный аффект является максимальным для двух групп психиатрических пациентов, проходящих лечение от депрессии в разных клиниках.

Два примера циклических данных, которые мы только что привели, показывают, почему важно обрабатывать циклические данные иначе, чем линейные данные. Это касается как описания ваших данных, например, вычисления циклических средств, так и их анализа, например, проверки того, различаются ли циклические средние двух групп. В следующем разделе мы представим пример набора данных, на котором мы покажем несколько способов проверки и вычисления описательных показателей для циклических данных.

3. Проверка ваших данных

В предыдущем разделе мы видели, что вычисление кругового среднего отличается от вычисления линейного среднего.Методы проверки данных, вычисления описательной статистики и методы построения графиков различны для циклических данных. Поскольку проверка данных должна выполняться перед выполнением любого логического вывода, мы опишем основной способ проверки циклических данных с использованием пакетов R bpnreg (Cremers, 2018) и круговых (Agostinelli and Lund, 2017). Мы обсудим графики и несколько описательных мер для круговых данных на примере набора данных — данных резонанса двигателя.

3.1. Данные о моторном резонансе

В этом разделе мы представляем данные из статьи Puglisi et al.(2017) о моторном резонансе человека. С этого момента мы будем называть эти данные данными резонанса двигателя. Моторный резонанс — это реакция головного мозга в первичной моторной коре и спинномозговых цепях, вызванная наблюдением за действиями других людей. В своем исследовании Puglisi et al. (2017) проводят эксперимент, в котором «наблюдателей» просят посмотреть на движение руки «движущегося» или на другой объект, чтобы оценить роль внимания в двигательной резонансной реакции. Эксперимент имеет три условия: условие «явного наблюдения» ( n = 14), когда наблюдателям явно дано указание наблюдать за рукой, условие «полунявного наблюдения» ( n = 14), когда наблюдатели должны выполнять задачу, которая требует неявного наблюдения за рукой движущегося и условия «неявного наблюдения» ( n = 14), когда наблюдатели должны выполнять задачу, которая не зависит от наблюдения за рукой движущегося.Идея моторного резонанса состоит в том, что «наблюдатель» начинает двигать рукой так же, как «движущийся», потому что он или она явно или неявно наблюдает за рукой «движущегося». Это резонансный ответ. Предполагается, что этот резонансный отклик будет наиболее сильным и более синхронизированным с движением руки движущегося в явном состоянии и наименьшим в неявном. В каждом случае измерялись движения рук наблюдателей и вычислялась разность фаз между движением руки наблюдателя и руки движущегося.Разность фаз может быть выражена в градусах или во времени и формально определяется как разность в определенный момент времени между двумя волнами, имеющими одинаковую частоту. В данных о резонансе двигателя разность фаз является мерой силы резонансного отклика и круговой переменной. Таким образом, его можно описать и проанализировать с помощью круговой статистики. Помимо разности фаз вычислялась средняя амплитуда движения руки наблюдателя. Обратите внимание, что в исходной статье также было базовое условие ( n = 14) без движителя.В этом состоянии наблюдатели должны были смотреть на неодушевленный объект, который движется идентично руке движущегося в других условиях. Однако исходные условия не включены в данные примера, поскольку в соответствии с первоначальным исследованием в руке наблюдателей не наблюдалось резонансного отклика.

Данные резонанса двигателя можно найти в пакете bpnreg как фрейм данных Motor. Motor — это фрейм данных с 42 строками и семью переменными. Переменная Cond указывает условие (явное, полунявное и неявное), в которое был помещен участник, переменная AvAmp содержит среднюю амплитуду, а переменные PhaseDiff и Phaserad содержат измеренную разность фаз между «наблюдателем» и «движущимся» в градусах. и радианы соответственно.Обратите внимание, что круговые данные могут быть представлены как в градусах по шкале от 0 ° до 360 °, так и в радианах по шкале от 0 до 2π (1 градус = 1 * π / 180 ° радиан).

3.2. Графики для круговых данных

Главный вопрос, представляющий интерес для данных резонанса двигателя, заключается в том, различается ли разность фаз между тремя экспериментальными условиями. Чтобы быть более точным, есть ли меньшая разность фаз в явном условии, чем в двух других. Наблюдаемые различия в разности фаз интерпретируются как различия в силе резонансного отклика (Puglisi et al., 2017). Меньшая разность фаз указывает на более сильный и синхронизированный резонансный отклик. Первым шагом к исследованию интересующего вопроса является нанесение на график разностей фаз трех состояний. Мы можем сделать это с помощью проспекта по упаковке.

На рис. 3 показаны графики разностей фаз для каждого состояния. Мы видим, что разности фаз в явном условии гораздо меньше разбросаны по окружности, чем разности фаз в двух других условиях. Также кажется, что средние разности фаз различаются в зависимости от условий.В следующем разделе мы покажем меры для среднего и дисперсии выборки циклических данных.

Рисунок 3 . Графики разности фаз для каждого состояния данных резонанса двигателя.

3.3. Среднее круговое, результирующая длина и дисперсия

В таблице 1 приведены описания данных резонанса двигателя. Для каждой группы таблица содержит выборочную статистику для среднего кругового и средней результирующей длины разности фаз. Круговое среднее значение совокупности, μ, указывает на среднее направление определенной переменной в совокупности.Средняя результирующая длина для генеральной совокупности, ρ, представляет собой статистику от 0 до 1, которая дает нам информацию о распространении круговой переменной в совокупности. Это интерпретируется как мера точности, где 0 означает, что разброс большой, а 1 означает, что все данные сосредоточены в одном значении. Статистика выборки для этих значений: θ¯ для среднего и R¯ для средней результирующей длины.

Таблица 1 . Описательные данные для данных резонанса двигателя со средним направлением (θ¯), средней результирующей длиной (R¯), круговой дисперсией ( V _м ) и круговым стандартным отклонением ( v ) разности фаз для каждого условия .

Графически мы можем проиллюстрировать вычисление θ¯ и R¯, как показано на рисунке 4. В левой части этого рисунка мы видим два набора круглых данных. Мы представляем круговую точку данных как вектор, состоящий из косинуса и синуса точки данных, а не одного значения, измеряемого в градусах (или радианах). Пример для оценки 90 ° у нас есть следующий вектор (cos (90 °), sin (90 °)). Каждый сплошной вектор на рисунке 4 представляет одну круглую точку данных. Чтобы вычислить средние направления и результирующие длины для наборов данных слева, мы разместим векторы головой к пяткам, как показано на правой стороне рисунка 4.Затем мы соединяем кончик первого вектора с головкой последнего вектора. В результате в правой части рисунка 4 появляются пунктирные векторы. Направление пунктирного вектора — это среднее направление θ¯ векторов, из которых он был создан. Длина пунктирного вектора — это результирующая длина. Средняя результирующая длина R¯ — это длина этого вектора, деленная на количество векторов, из которых он был создан. На рисунке 4 мы видим, что данные на нижнем левом рисунке гораздо больше сосредоточены на круге, чем данные на верхнем левом рисунке.Это означает, что результирующая длина в правом нижнем углу больше, чем результирующая длина (длина пунктирного вектора) в правом верхнем углу. Формулы для вычисления θ¯ и R¯ можно найти в Фишере (1995).

Рисунок 4 . Вычисление кругового среднего и (средней) результирующей длины (справа) для двух наборов круговых данных (слева) . Сплошные линии — это векторы, представляющие круговые точки данных. Направление пунктирного вектора — это среднее направление, а длина пунктирного вектора — это результирующая длина.

В таблице 1 мы видим, что в данных резонанса двигателя среднее круговое значение разности фаз для условий явного наблюдения является самым высоким и составляет 49,55 °. Средние разности фаз для полунявных и неявных условий наблюдения ниже на 18,45 ° и 31,94 °. Более того, средние результирующие длины трех групп различаются. Разности фаз особей в условиях явного наблюдения наиболее сконцентрированы с R¯ = 0,77. Фазовые различия больше различаются между людьми в полунявных и неявных условиях наблюдения, где разброс больше при R¯s, равном 0.54 и 0,56 соответственно.

В таблице 1 также показаны круговая дисперсия и стандартное отклонение. Значение выборки, V _m для круговой дисперсии определяется как 1-R¯. Его интерпретация прямо противоположна интерпретации средней результирующей длины. Разница в единицу означает, что переменная имеет очень большой разброс, а дисперсия, равная 0, означает, что все данные сосредоточены в одной точке. Обратите внимание, что в отличие от линейной дисперсии круговая дисперсия ограничена от 0 до 1.Также можно вычислить типовое круговое стандартное отклонение, v (Fisher, 1995). Это отклонение идет от 0 до бесконечности, где более высокие значения указывают на большую дисперсию.

Мы видели, что как средняя разность фаз, так и отклонения разности фаз кажутся разными для трех условий в данных резонанса двигателя. Чтобы проверить, существуют ли эти различия в круговых средних также в популяции, мы можем использовать спроектированную нормальную круговую GLM. В следующем разделе мы представим эту модель и подгоним ее под данные резонанса двигателя.

4. Общая линейная модель с круговым исходом

В этом разделе мы представим модель прогнозируемой нормальной круговой регрессии. Обратите внимание, что, поскольку это регрессионная модель, мы также можем подогнать под нее модели типа AN (C) OVA, поэтому мы можем называть ее спроектированной нормальной (PN) круговой GLM. Циклическая GLM PN подпадает под встраивание циклических данных. Подход встраивания характеризуется тем фактом, что он использует косвенный подход к моделированию циклических данных. Вместо прямого определения модели на круговом исходе θ мы используем математический прием, который позволяет нам определять модель в двумерном линейном пространстве.Затем результаты модели в двумерном линейном пространстве можно преобразовать обратно в круг. Далее мы изложим теоретические основы круговой GLM PN и подхода к встраиванию. Впоследствии мы продолжим подбирать ANOVA для данных резонанса двигателя. В конце этого раздела мы кратко рассмотрим различные методы кругового дисперсионного анализа.

4.1. Подход к встраиванию круговых данных

В предыдущем разделе при вычислении кругового среднего мы видели, что круговая переменная θ, e.g., разность фаз в данных резонанса двигателя, может быть выражена как единичный вектор u , состоящий из синуса и косинуса угла u = (cosθ, sinθ). Если мы переведем это в двумерное реальное пространство, косинус будет x-составляющей, а синус — y-составляющей угла. В подходе встраивания мы предполагаем, что u происходит от двумерной нормальной переменной y . Эта двумерная переменная не измеряется, поэтому ее можно рассматривать как скрытую переменную.На рисунке 5 показана связь между u и y для набора данных с размером выборки n = 10. Он показывает, что круговые точки данных могли происходить из разных наборов двумерных точек данных y . Поскольку y не наблюдаются, нам нужны специальные методы вывода, такие как методы максимизации ожидания в частотном подходе или методы вспомогательных переменных в байесовском подходе для оценки модели.В этой статье мы будем использовать байесовский подход. Причина выбора байесовского подхода вместо частотного заключается в том, что он позволяет моделировать более сложные данные, например, не существует частотной версии круговой модели смешанных эффектов, которую мы будем использовать в разделе 5. Подробнее о байесовском подходе подход можно найти в Nuñez-Antonio et al. (2011) и Cremers et al. (2018).

Рисунок 5 . Набор круглых точек данных (закрытые точки), связанных с двумя наборами точек данных в двумерном пространстве (открытые точки), которые могли их произвести.

Из предположения, что y имеет двумерное нормальное распределение, следует, что θ имеет прогнозируемое нормальное распределение (Presnell et al., 1998). При подгонке модели с использованием распределения PN мы моделируем средний вектор μ базовых двумерных данных y .

Поскольку y является двумерным, средний вектор μ имеет две компоненты, обозначенные верхними индексами I и II .Следовательно, эти верхние индексы относятся к осям x и y декартовой плоскости или к косинусу и синусоиде в u соответственно. В модели множественной регрессии этот μ определяется следующим образом:

, где i = 1,…, n , x _i — вектор значений предиктора для отдельных i и каждого β — вектор с коэффициентами перехвата и регрессии .Верхний индекс t для β0I и β0II означает, что выполняется транспонирование этих векторов. Чтобы иметь возможность оценить точку пересечения, первый компонент x _i равен 1. Обратите внимание, что векторы x _i могут различаться для двух компонентов I и II . В следующем разделе мы приспособим этот тип модели к данным резонанса двигателя.

С точки зрения интерпретации кругового эффекта переменной двухкомпонентная структура в (1) представляет проблему.Обратите внимание, что мы могли вращать и сдвигать компоненты (оси) в двумерном пространстве так, что для категориального предиктора x-компонент указывает на среднее значение эталонной категории, а бета-веса y-компонента относятся к отклонению от этого эталонного среднего. . Таким образом, мы могли проверить, различаются ли средние значения групп в двумерном пространстве. Однако это все еще не приводит к средствам или эффектам, которые можно интерпретировать на круге. Эти два компонента не обязательно имеют полезную интерпретацию для каждого типа циклических данных, например.g., мы не можем говорить о 12-часовой (синусоидальный компонент) и 3-часовой оси (косинусный компонент) на рисунке 2. Чтобы иметь возможность интерпретировать эффекты на окружности, мы преобразуем эффекты на двух компонентах в эффект по кругу. Это преобразование было введено Cremers et al. (2018) и будет применяться в обоих примерах наборов данных.

4.2. Подгонка модели ANOVA к данным моторного резонанса

В этом разделе мы подгоним круговую модель ANOVA к данным моторного резонанса, используя PN круговую GLM из пакета bpnreg.Обратите внимание, что модель из этого пакета на самом деле является регрессионной моделью, которую мы можем специфицировать таким образом, чтобы она была математически эквивалентна ANOVA. Сначала мы подробно расскажем об этой модели, а затем обсудим и интерпретируем результаты.

4.2.1. Установка модели

Чтобы исследовать влияние условия на разность фаз, мы задаем уравнение прогнозирования для среднего вектора в круговой GLM PN следующим образом:

, где переменные semi.implicit и implicit являются фиктивными переменными, указывающими на принадлежность к условию, β0I и β0II — точки пересечения, а β1I, β2I, β1II и β2II — коэффициенты регрессии модели. Обратите внимание, что в этой модели мы берем явное условие наблюдения в качестве эталонного условия. Когда мы переводим это в контекст ANOVA, пересечения, β0I и β0II, представляют собой среднее значение для явного условия, β0I + β1I и β0II + β1II — выражения для среднего значения для полунеявного условия, а β0I + β2I и β0II + β2II являются выражениями для среднего неявного условия.

Используем пакет bpnreg под модель. Поскольку это байесовский метод, мы должны указать некоторые параметры для сэмплера цепей Маркова Монте-Карло (MCMC), который оценивает параметры модели. Методы MCMC являются итеративными, поэтому нам нужно указать количество итераций, которые мы хотим выполнить. Мы выбираем относительно большое количество итераций вывода (его = 10000), чтобы убедиться, что сэмплер сходится и нам не нужно запускать его снова, если это не так. Мы выбираем период приработки, состоящий из 100 итераций (burn = 100).Это означает, что мы отбрасываем первые 100 итераций, чтобы убедиться, что сохраняемые итерации — это те, на которых сэмплер достиг своего равновесия. Мы также выбираем задержку, то есть сколько итераций мы хотим сохранить, в данном случае каждую третью итерацию (n.lag = 3). Мы устанавливаем задержку, чтобы предотвратить возможную автокорреляцию между оценками параметров. В следующем разделе мы подробнее рассмотрим, как проверить сходимость и разумно выбрать эти параметры MCMC. Но сначала подбираем модель:

4.2.2. Схождение

В байесовской модели, в которой для оценки используется выборка MCMC, мы всегда должны оценивать сходимость цепочки MCMC для всех параметров модели. График трассировки — это один из способов оценить сходимость параметра. В качестве иллюстрации мы показываем только график трассировки цепочек MCMC для одного из параметров модели на рисунке 6.

Рисунок 6 . График зависимости параметра β2I модели от данных резонанса двигателя.

Из графика на рисунке 6 мы можем сделать вывод, что цепочка MCMC сходилась за 10 000 итераций и выгорание 100. В целом, если график трассировки показывает правильную сходимость, нет плоских частей, где цепочка остается в том же состоянии в течение тоже длинные или части со слишком большим количеством шагов в одном направлении. Мы хотим увидеть паттерн, в котором цепочка движется снизу от определенного равновесия к верхнему и наоборот всего за несколько итераций. Тогда график будет выглядеть как так называемая «толстая гусеница», означающая, что цепочка достигла равновесия вокруг определенного значения и, таким образом, сошлась.В случае, если цепочка MCMC не сходится, мы могли бы добавить больше итераций, увеличить запаздывание или больше итераций приработки. Мы также можем оценить другие средства диагностики сходимости. Однако в этой статье основное внимание уделяется не байесовскому анализу данных, поэтому мы ссылаемся на другие работы (например, Gelman et al., 2014) для получения дополнительной информации об оценке конвергенции.

4.2.3. Результат

Чтобы ответить на вопрос, различаются ли разности фаз в трех состояниях данных резонанса двигателя, мы исследуем их средние круговые значения.Для этого мы используем методы Cremers et al. (2018), чтобы преобразовать результаты из двух компонентов μ в круг. Обратите внимание, что исследование коэффициентов регрессии для двух компонентов двух переменных по отдельности может привести к неправильным выводам о влиянии на круг, разности фаз. Это связано с тем, что даже несмотря на то, что переменная влияет на каждый из двух компонентов, это не означает, что мы также можем видеть влияние на круг. Для более подробного объяснения мы отсылаем к Cremers et al.(2018).

Поскольку мы используем байесовский метод, мы получаем апостериорные распределения трех круговых средних. С философской точки зрения в байесовской статистике считается, что каждый параметр имеет свое собственное распределение. Апостериорное распределение является результатом априорных знаний, которые мы имеем о параметре до проведения исследования, формализованного как «априорное» распределение (в этой статье мы выбираем неинформативные априорные значения для параметров) и информации, которая содержится в полученных данных. из исследования, формализованного как вероятность.Тот факт, что мы получаем распределение параметра, удобен для целей вывода, поскольку это означает, что у нас есть не только точечная оценка параметра (среднее значение или мода апостериорного распределения), но мы также автоматически получаем оценки неопределенности ( стандартное отклонение апостериорного распределения). Дополнительные сведения о байесовской статистике (см., Например, Gelman et al., 2014).

Сводная статистика для апостериорных распределений круговых средних для каждого условия показана в таблице 2.В этой таблице показаны апостериорное среднее значение, мода, стандартное отклонение (sd), а также нижняя и верхняя границы 95% самого высокого интервала апостериорной плотности (HPD). Стандартное отклонение апостериорного значения — это оценка стандартной ошибки параметра. Интервал HPD — это наименьший интервал, в котором находится 95% апостериорного распределения. С точки зрения интерпретации, он отличается от частотного доверительного интервала, поскольку интервалы HPD позволяют делать вероятностные утверждения. Например, если 95% интервал HPD для параметра μ находится в диапазоне от 2 до 4, мы можем сказать, что вероятность того, что μ находится между 2 и 4, равна 0.95.

Таблица 2 . Апостериорные оценки круговых средних разности фаз для трех условий данных моторного резонанса.

интервалов HPD также можно использовать для проверки того, отличается ли параметр от определенного значения или разные оценки параметров. В таблице 2 мы видим, что интервалы HPD круговых средних для трех условий в данных резонанса двигателя перекрываются. Среднее круговое значение разности фаз оценивается в 47.70 ° (22,26 °; 67,99 °) для явного условия, 37,22 ° (–2,25 °; 68,22 °) для неявного условия и 21,08 ° (–18,27 °; 55,22 °) для полунеявного условия. Поскольку интервалы HPD этих оценок перекрываются, мы заключаем, что недостаточно доказательств, чтобы отвергнуть нулевую гипотезу о том, что круговые средние для трех условий не различаются и что нет влияния условия на среднюю разность фаз. Обратите внимание, что отсутствие разницы может быть связано с недостатком мощности, вызванным относительно небольшим размером выборки ( N = 14).

В дополнение к проверке того, различаются ли круговые средние трех условий, круговой дисперсионный анализ также позволяет нам проверить, есть ли влияние условия на круговые дисперсии разностей фаз. В таблице 3 показаны сводные статистические данные для апостериорных распределений круговой дисперсии для каждого условия. Как и ожидалось, оценочная круговая дисперсия для явного условия самая низкая. Однако дисперсия трех групп существенно не различается; их интервалы HPD перекрываются.Таким образом, мы заключаем, что нет никаких доказательств влияния условия на дисперсию разности фаз. Обратите внимание, что функция для вычисления этих отклонений еще не реализована в версии 1.0.0 программы bpnreg. Однако можно получить оценки MCMC из объекта подбора и впоследствии использовать уравнение 3 из Кендалла (1974) для оцененного среднего вектора для каждой из групп для вычисления дисперсии.

Таблица 3 . Апостериорные оценки круговых дисперсий разности фаз для трех условий данных моторного резонанса.

4.3. Другие подходы к круговому дисперсионному анализу ANOVA

В предыдущем разделе мы проверили, различаются ли средние разности фаз трех состояний данных моторного резонанса в популяции, используя байесовский PN круговой GLM. Мы также можем сделать это, используя частотный дисперсионный анализ для круговых данных, который проверяет гипотезу H ₀ : μ _явный = μ _{полу — неявный} = μ _{неявный} .Одним из таких тестов является тест Уотсона-Вильямса. Этот тест может быть выполнен с использованием функции watson.williams.test в круговом пакете и аналогичен ANOVA для линейной интерпретации данных. Обратите внимание, что тест Уотсона-Вильямса относится к другому подходу к моделированию циклических данных, внутреннему подходу. В этом подходе мы непосредственно моделируем круговые данные вместо использования математического трюка, который позволяет нам моделировать данные в биварайтном пространстве, а затем переводить результаты обратно в круг.Для простых моделей, таких как ANOVA, этот подход к моделированию отлично работает. Однако для более сложных структур данных у нас есть гораздо больший выбор моделей в подходе встраивания. Например, недостатком теста Уотсона-Вильямса является то, что он не позволяет добавлять ковариаты и, следовательно, не может оценивать модели AN (C) OVA. Циркулярная GLM PN не позволяет добавлять ковариаты.

Как и в моделях ANOVA для линейных данных, мы должны выполнить ряд допущений, чтобы этот тест был действительным.Во-первых, в тесте Уотсона-Вильямса предполагается, что образцы из различных условий распределены по фон-Мизесу. Как и прогнозируемое нормальное распределение, это распределение для круговых данных. Он одномодален со средним μ и концентрацией κ. Во-вторых, предполагается, что выборки имеют одинаковую круговую дисперсию. Это предположение об однородности дисперсии проверяется в самой функции watson.williams.test. Для данных о моторном резонансе это предположение было выполнено. Предположение о фон-мизесенстве можно проверить с помощью e.g., критерий согласия Ватсона для распределения фон Мизеса. Если мы выполним этот тест на разностях фаз трех подгрупп, мы сделаем вывод, что только разности фаз из полу-неявного и неявного условий распределены по фон-Мизесу ( H ₀ не отклоняется). Это означает, что нельзя полностью выполнять тест Уотсона-Вильямса на данных резонанса двигателя.

Однако мы решили провести этот тест в образовательных целях.Подобно спроектированной нормальной круговой GLM, мы делаем вывод из этого теста, что средние разности фаз трех условий существенно не различаются: [ F _{(2, 39)} = 1,02, p > 0,05].

5. Модели смешанных эффектов с круговым исходом

Преимущество использования подхода встраивания к циклическим данным по сравнению с внутренним подходом состоит в том, что легче моделировать более сложные данные, например, данные с повторяющимися измерениями, поскольку мы можем «заимствовать» методы из двумерного линейного контекста.В этом разделе мы представим такой метод: модель круговых смешанных эффектов. Сначала мы представим новый набор данных, данные когнитивных карт и дадим описательную статистику. Затем мы кратко изложим теоретические основы модели смешанных эффектов и сопоставим ее с данными когнитивных карт.

5.1. Данные когнитивных карт

Данные когнитивных карт — это часть данных исследования Warren et al. (2017) о геометрии знаний человека о навигационном пространстве. В своем исследовании Warren et al.(2017) среди других проводят эксперимент, в котором в общей сложности 20 участников использовали гарнитуры виртуальной реальности для навигации по одному из двух виртуальных лабиринтов. Задача навигации заключалась в переходе от стартового объекта к целевому. На этапе обучения они научились перемещаться между разными парами начальных и целевых объектов в одной из двух версий лабиринта. Было записано количество испытаний, выполненных каждым участником на этом этапе обучения. На тестовой фазе эксперимента участники сначала подошли к стартовому объекту.Когда они достигли этого объекта, лабиринт исчез, и осталась видимой только «текстурированная поверхность» лабиринта. Затем участники повернулись к месту нахождения целевого объекта, которое они запомнили во время фазы обучения, и начали идти к цели. Угловая разница между начальным направлением ходьбы участника от стартового объекта и положением целевого объекта, то есть угловая ошибка, регистрировалась как исходная переменная в эксперименте.

Тип лабиринта — это фактор между субъектами, участники должны были пройти либо через «евклидов» лабиринт, либо через «неевклидов». Евклидов лабиринт — это стандартный лабиринт и лабиринт в том виде, в каком мы его знаем в реальном мире. Другая версия лабиринта, неевклидова лабиринт, имеет точно такую ​​же схему, что и стандартный лабиринт, но имеет виртуальные особенности, которых нет в реальности. В нем есть кротовые норы, с помощью которых участники могут «телепортироваться» из одного места лабиринта в другое.

На тестовой фазе эксперимента все участники должны были выполнить 8 испытаний. В каждом из этих испытаний участники должны были идти к определенному целевому объекту. Внутрисубъектный фактор — это тип целевого объекта. Пары стартовых и целевых объектов были двух типов: пробные и эталонные. В неевклидовом лабиринте зондирующие объекты располагались возле входа и выхода червоточины, тогда как стандартные объекты располагались на некотором расстоянии от червоточин. Для каждого из этих двух типов объектов участники должны были найти 4 различных мишени, в результате чего на каждого участника было проведено 8 попыток.

Для этого эксперимента нас может интересовать вопрос, используют ли участники неевклидова лабиринта червоточины при навигации к целевым объектам и верно ли это как для зонда, так и для стандартных целевых объектов. Из-за конструкции лабиринтов ожидаемая угловая ошибка была больше, если участник использовал червоточину, чтобы пройти к целевому объекту в неевклидовом лабиринте. Таким образом, мы можем использовать угловую ошибку, нашу конечную переменную, чтобы различать участников, которые использовали червоточину, и тех, кто пошел другим путем к целевому объекту.Кроме того, мы можем контролировать количество испытаний, которые участник завершил на этапе обучения.

5.2. Описательная статистика

Данные когнитивных карт включены в пакет bpnreg как карты фрейма данных. Этот фрейм данных имеет 160 строк; есть 20 субъектов, каждый из которых завершил 8 испытаний. Данные содержат индексную переменную для объекта Subject ( N = 20) и номер испытания Trial.no ( n = 8). Он также включает переменные, указывающие тип лабиринта Лабиринт, фактор между субъектами и тип испытания.тип, внутрисубъектный фактор. Переменная Learn указывает количество выполненных обучающих проб. L.c — это центрированная версия этой переменной. Угловая ошибка содержится в переменных Error и Error.rad в градусах и радианах соответственно. Описание этих данных показано в таблице 4. Обратите внимание, что мы усреднили по субъектам и испытаниям каждого типа. Среднее круговое значение угловой ошибки для стандартных испытаний в евклидовом лабиринте составляет, таким образом, среднее значение для 10 участников и 4 испытаний., для неевклидова лабиринта отклонение от 0 ° (направление целевого объекта) больше, чем для евклидова лабиринта.

Таблица 4 . Описание данных когнитивных карт со средним направлением (θ¯) и средней результирующей длиной (R¯) угловой ошибки для каждого условия.

5.3. Подгонка модели смешанных эффектов к данным когнитивных карт

В этом разделе мы сначала представим круговую модель смешанных эффектов и подгоним эту модель к данным когнитивных карт.Затем мы обсудим вывод, производимый пакетом bpnreg. Мы обсудим интерпретацию фиксированных и случайных эффектов и соответствие модели.

5.3.1. Подход встраивания для моделей со смешанными эффектами

Модель циклических смешанных эффектов из пакета bpnreg также основана на подходе встраивания в циклические данные. Основная идея этого подхода та же, что изложена ранее. В реальном наборе данных у нас есть набор векторов результатов u _ij , по одному для каждого измерения j в рамках наблюдения более высокого уровня i .Однако мы оцениваем модель для базовых двумерных данных y _ij . Байесовский метод, используемый в пакете bpnreg для оценки круговых моделей со смешанными эффектами, описан в Nuñez-Antonio and Gutiérrez-Peña (2014).

Для данных когнитивных карт с i = 1,…, 20 индивидуумами и j = 1,…, 8 измерениями на индивидуума мы подбираем модель смешанных эффектов для исследования влияния типа лабиринта, типа испытания и количество попыток обучения угловой ошибке.Прогноз для среднего вектора в этой модели, μ , задается следующим образом:

Эта таксономия обеспечивает, например, основу для отличия структуры, вызывающей рефлексы, от структуры, используемой для того, чтобы взять чашку кофе или начать разговор. Он также обеспечивает основу для сравнения животных с точки зрения их способности использовать различные типы информации.

Безопасность | Стеклянная дверь

Мы получаем подозрительную активность от вас или кого-то, кто пользуется вашей интернет-сетью.Подождите, пока мы убедимся, что вы настоящий человек. Ваш контент появится в ближайшее время. Если вы продолжаете видеть это сообщение, напишите нам чтобы сообщить нам, что у вас проблемы.

Nous aider à garder Glassdoor sécurisée

Nous avons reçu des activités suspectes venant de quelqu’un utilisant votre réseau internet. Подвеска Veuillez Patient que nous vérifions que vous êtes une vraie personne. Вотре содержание apparaîtra bientôt. Si vous continuez à voir ce message, veuillez envoyer un электронная почта à pour nous informer du désagrément.

Unterstützen Sie uns beim Schutz von Glassdoor

Wir haben einige verdächtige Aktivitäten von Ihnen oder von jemandem, der in ihrem Интернет-Netzwerk angemeldet ist, festgestellt. Bitte warten Sie, während wir überprüfen, ob Sie ein Mensch und kein Bot sind. Ihr Inhalt wird в Kürze angezeigt. Wenn Sie weiterhin diese Meldung erhalten, informieren Sie uns darüber bitte по электронной почте: .

We hebben verdachte activiteiten waargenomen op Glassdoor van iemand of iemand die uw internet netwerk deelt.Een momentje geduld totdat, мы выяснили, что u daadwerkelijk een persoon bent. Uw bijdrage zal spoedig te zien zijn. Als u deze melding blijft zien, электронная почта: om ons te laten weten dat uw проблема zich nog steeds voordoet.

Hemos estado detectando actividad sospechosa tuya o de alguien con quien compare tu red de Internet. Эспера mientras verificamos que eres una persona real. Tu contenido se mostrará en breve. Si Continúas recibiendo este mensaje, envía un correo electrónico a para informarnos de que tienes problemas.

Hemos estado percibiendo actividad sospechosa de ti o de alguien con quien compare tu red de Internet. Эспера mientras verificamos que eres una persona real. Tu contenido se mostrará en breve. Si Continúas recibiendo este mensaje, envía un correo electrónico a para hacernos saber que estás teniendo problemas.

Temos Recebido algumas atividades suspeitas de voiceê ou de alguém que esteja usando a mesma rede. Aguarde enquanto confirmamos que Você é Uma Pessoa de Verdade.Сеу контексто апаресера эм бреве. Caso продолжить Recebendo esta mensagem, envie um email para пункт нет informar sobre o проблема.

Abbiamo notato alcune attività sospette da parte tua o di una persona che condivide la tua rete Internet. Attendi mentre verifichiamo Che sei una persona reale. Il tuo contenuto verrà visualizzato a breve. Secontini visualizzare questo messaggio, invia un’e-mail all’indirizzo per informarci del проблема.

Пожалуйста, включите куки и перезагрузите страницу.

Это автоматический процесс. Ваш браузер в ближайшее время перенаправит вас на запрошенный контент.

Подождите до 5 секунд…

Перенаправление…

Код объявления: CF-102 / 6579ad246869163a.

(PDF) Отказ от преступности и стиль объяснения Новое направление в психологии реформ

Эллис, А. (1962). Разум и эмоции в психотерапии. Нью-Йорк: Л. Стюарт.

Эммонс Р. (1999). Психология предельного беспокойства.Нью-Йорк: Гилфорд.

Гринвальд А.Г. (1980). Тоталитарное эго: фабрикация и пересмотр личной

истории. Американский психолог, 35, 603-618.

Герра, Н. Г., Хьюсманн, Л. Р., и Зелли, А. (1990). Атрибуция социальной неудачи и

агрессии у заключенных-правонарушителей. Журнал ненормальной детской психологии —

chology, 18, 347-355.

Харви, Дж. Х., Вебер, А. Л., и Орбуч, Т. Л. (1990). Межличностные счета: социальная

психологическая перспектива.Оксфорд, Великобритания: Блэквелл.

Хоффман, Дж. П., и Су, С. С. (1998). Стрессовые жизненные события и употребление психоактивных веществ подростками

и депрессия: условные и гендерно дифференцированные эффекты. Использование психоактивных веществ

и злоупотребление, 33, 2219-2262.

Лонг, Дж. С. (1995). Модели регрессии для категориальных и ограниченно зависимых переменных

шт. Таузенд-Оукс, Калифорния: Сейдж.

Маруна, С. (2001). Исправление: как бывшие заключенные исправляются и восстанавливают свою жизнь.

Вашингтон, округ Колумбия: Книги Американской психологической ассоциации.

МакАдамс, Д. П. (1994). Человек (2-е изд.). Форт-Уэрт, Техас: Харкорт Брейс.

Маклеод, Дж. Д., и Шанахан, М. Дж. (1993). Бедность, воспитание детей и психическое здоровье детей

. Американский журнал социологии, 58, 351-366.

О’Коннор, Т.Г., Макгуайр, С., Рейсс, Д., Хетерингтон, Э.М., и Пломин, Р. (1992).

Совместное возникновение депрессивных симптомов и антисоциального поведения в подростковом возрасте:

Общая генетическая предрасположенность. Журнал аномальной психологии, 107, 27-37.

Петерсон, К. (1992). Толковый стиль. В С. П. Смит и Дж. У. Аткинсон (ред.), Moti-

vation and identity: Handbook of theatic content analysis. Нью-Йорк: мост Cam-

(стр. 376-382).

Петерсон, К. (2000). Будущее оптимизма. Американский психолог, 55, 44-55.

Петерсон, К., Бьюкенен, Г. М., и Селигман, M.E.P. (1993). Пояснительный стиль: История и эволюция области. В Дж. М. Бьюкенен и М.Е.П. Селигман (ред.),

Толковый стиль. Хиллсдейл, Нью-Джерси: Эрлбаум.

Петерсон, К., Шульман, П., Кастеллон, К., и Селигман, M.E.P. (1993). Объяснительное руководство по выставлению оценок в стиле

. В С. П. Смит и Дж. У. Аткинсон (ред.), Мотивация и личность

. Нью-Йорк: Кембридж.

Петерсон К. и Селигман М. Э. (1984). Причинные объяснения как фактор риска для депрессии

: теория и доказательства. Психологический обзор, 91 (3), 347-374.

Польский, Н.(1969). Hustlers, beats и другие. Город-сад: Doubleday.

Куигл, Н. Л., Гарбер, Дж., Панак, В. Ф., и Додж, К. А. (1992). Обработка социальной информации —

у агрессивных и депрессивных детей. Развитие ребенка, 63, 1305-

1320.

Селигман, М.Е.П. (1991). Узнал оптимизм. Нью-Йорк: Кнопф.

Шовер, Н.