认知建模中模型比较的方法.docxVIP

PAGE/NUMPAGES

认知建模中模型比较的方法

【摘要】认知建模近年来在科学心理学获得广泛应用，而模型比较是认知建模中关键的一环：研究者需要通过模型比较选择出最优模型，才能进行后续的假设检验或潜变量推断。模型比较不仅要考虑模型对数据的拟合(平衡过拟合与欠拟合)，也需要考虑模型的复杂度。然而，模型比较指标众多，纷繁复杂，给研究者的选用带来困难。本文将认知建模常用的模型比较指标分为三大类并介绍其计算方法及优劣，包括拟合优度指标(包括均方误差、决定系数、ROC曲线等)、基于交叉验证的指标(包括AIC、DIC等)和基于边际似然的指标。结合正交Go/No-Go范式的公开数据，本文展示各指标在R语言中如何实现。在此基础上，本文探讨各指标的适用情境及模型平均等新思路。

最近20年来，基于计算模型(Computationalmodels)对行为数据进行认知建模(Cognitivemodeling)的研究越来越多受到研究者关注。例如，在感知觉决策(Perceptualdecision-making)领域的贝叶斯感知觉模型(Bayesianperceptionmodel)(Wolpert，2006)和漂移扩散模型(Driftdiffusionmodel)(Forstmannetal.，2016；Ratcliffetal.，2016)等在认知神经科学得到广泛应