东南大学讲座.pptVIP

华南师范大学 张敏强2019-11 南京（东南大学学习科学研究中心讲座）;数据类型及其缺点 ; 近几十年来，由于统计学的不断发展，出现并发展了一些新的方法解决了很多问题（如结构方程模型、多水平线性模型、潜在类别模型）。然而，无论获得的是截面数据还是时间序列数据，我们只能进行某一横向研究 或纵向研究，同时其前提条件很多不能满足，因此常常导致数据分析结果的不可靠性。; ; 虽然面板数据模型将截面数据和时间序列数据结合起来，具有较强的因果推理属性，但是三者存在共同的缺陷：即所建立的模型都是线性的，而在实际应用过程中无法完全保证变量间的线性关系，并且也难以确保数据满足前提假设条件，从而使方法的具体应用及方法适用于数据的类型均具有一定的局限性。;函数型数据分析简介（Functional Data Analysis）; 函数型数据是指随着某一连续集（时间、空间等）变化的数据，形式多种，可以是曲线、平面或者三维图像等，但就其本质而言其，都是由函数构成的。 函数型数据分析基本原理 把观测数据当作一个整体（函数），而不是一系列单个离散的观测结果。之所以这样做是因为在研究中我们不仅关心的已得到的数据，更关心未得到的或者无法得到的数据。 前提假设：产生数据的潜在过程是光滑的 ; 离散数据转换成函数型数据;函数型数据分析方法基本步骤： （1）原始数据的收集、整理和组织 （2）将离散数据转换成函数型数据。采用基函数的线性组合，常用的B样条基和傅立叶基 （3）拟合函数型数据以及光滑化。常用非参数拟合法则——粗糙惩罚法 （4）函数型数据分析方法的应用。具体有函数型显著性检验、函数型线性模型、函数型主成份分析、函数型因素分析、函数型聚类分析、函数型主微分分析等;函数型数据分析的优点 （1）打破了连续型数据和离散型数据长期以来的分离状态，实现离散和连续的过渡 （2）可分析大批量的数据，实现从有限维数据到无限维数据的转换，得到的数据信息更丰富、更可靠 （3）很少依赖于模型构建及假设条件 （4）由于假设函数都是可导的，因此可进行微分分析，如：得到位相图，实现动能与势能之间的转换 （5）将多元统计分析方法进一步延伸;应用案例;实验目的 针对以往对于负性情绪刺激处于非注意条件下的加工机制的研究得出的矛盾的结论，进一步探讨了非注意条件下负性情绪面孔自动加工的特点;实验流程 备注：流程之一;实验任务 刺激呈现时间分别为90ms，100ms，130ms，150ms，200ms，220ms，要求同一样本不同被试分别对不同图片进行判断，并记录反应时（ms） （高、低负荷水平下的恐惧面孔、中性面孔、高兴面孔） 实验数据 自变量：刺激呈现时间（连续集） 因变量：反应时（连续变量） 显然，此批数据为典型的函数型数据分析（截面与时间序列相结合） ;数据处理结果比较 图1-1：传统的方差分析结果图 图1-2：函数型数据分析结果图 ;比较结果分析，在几乎所有时间点上，两种数据处理方法结果一致，然而，从函数型数据分析结果来看，170ms-175ms这个时间段更应该值得关注，但是，显然传统的方差分析结果无法得到这一结论，而且ERP脑电数据验证了该发现的可靠性，这也充分说明了函数型数据分析方法的优越性。;ERP行为研究数据(二)(情绪面孔对选择性注意时间进程的影响);实验设计 被试 北师大在校生19名 平均年龄21.94岁（SD=2.41） 实验仪器 Tobii1750眼动仪 眼动采样频率为50Hz 实验材料 Elkman面孔库：快乐、愤怒、中性（每种15张） 图片大小为12.5°*20° 共90个trials，每种条件30个trials（15*2） ;;图2-2 横坐标为注意时间进程0-1000ms，纵坐标为注意时间的概率 结果表明： 100-300ms，愤怒面孔会自动地获取注意朝向 ，而在300-600ms，快乐面孔会获取更多的注意资源 ，随后在600-1000ms,愤怒面孔会再次获取注意资源 ;函数型数据分析结果——拟合图;函数型数据分析结果—导数图; 从传统的方差分析结果和函数型数据分析结果可以看出，其结果是基本一致的，即情绪