Fichas
Mathematische Psychologie II - Multinomiale Verarbeitungsbaummodelle
Fichas del conjunto (14)
- 11. Was besagt das Dekomponierungsproblem? 2. Welche zu lösende Aufgabe leitet sich daraus ab?1. AVs sind i.d.R nicht "prozess-" oder "systemrein" -> eine Beobachtung kann durch verschiedene Prozesse zustande kommen.
2. Wie lässt sich eine AV in prozess- / systemreine Prozesse dekomponieren? - 2Welche positiven Seiten Multinomialer Verarbeitungbaum-Modelle (MVB-Modelle) sind z.Zt. formulierbar?- Sie können das Dekomponierungsproblem prinzipiell lösen
- statistische Probleme der Modellklasse sind zufriedenstellend gelöst
- einfach anwendbare Computerprogramme -> Handwerk relativ leicht und schnell erlernbar - 3Was sind MVB-Modelle? Was sind ihre Eigenschaften?- eine Klasse formaler Modelle, die die Auftretenswahrscheinlichkeiten postulierter kognitiver Prozesse anhand experimenteller Daten schätzt
- stochastisch
- theoriegeleitet
- auf ein exp. Paradigma zugeschnitten - 4Welche eher negativen Seiten von MVB-Modellen sind z.Zt. formulierbar- erlauben keine routinemäßige Anwendung gleich SPSS (immer erst nachdenken, dann rechnen)
- können scheitern
- Anforderungen an Daten können so gravierend verletzt sein, dass Anwendung nicht möglich ist - 5Welche Anforderungen sind an die Daten für ein MVB-Modell zu stellen?- sie müssen kategorial (diskret) sein
- die Anzahl von Kategorien sollte begrenzt sein
- typisch ist außerdem die simultane Analyse mehrerer Versuchsbedingungen oder Gruppen (verbundene MVB-Modelle) - 61. Was ist die Zielsetzung von MVB-Modellen? 2. Zu welcher Klasse von Analyseverfahren gehören sie?1. die theoretische Erklärung von Kategoriewahrscheinlichkeiten anhand latenter Parameter (= Wahrscheinlichkeiten psych. Zustände / Prozesse)
2. Konfirmatorische Analyseverfahren (setzen ein a priori formuliertes Modell voraus) - 7Welche Annahmen liegen dem einfachen multinomialen Modell zugrunde?1. eine kategoriale Variable mit J Kategorien und deren Stichprobenhäufigkeiten (n1, n2.....nj) mit N als Summe der Häufigkeiten
2. N-maliges, unabhängigs Ziehen erzeugt für jede Stichprobenhäufigkeit eine Wahrscheinlichkeit (p1, p2....pj); Summe aller p entspricht 1
3. Pi als Vektor dieser Wahrscheinlichkeiten
4. Stichprobenhäufigkeiten sind multinomialverteilt - 8Um welche zusätzlichen Annahmen im vgl. zum einfachen liegen dem verbundenen multinomialen Modell zugrunde?1. Pro Versuchsbedingung k (k=1,....K) eine Kategoriale Variable mit J(k) Kategorien
2. Für jede Versuchsbedingung gilt ein Multnomialverteilungsmodell
3. Für die Beobachtung in unterschiedl. Versuchsbedingungen wird Unabhängigkeit postuliert - 9Bei einem parametrisierten multinomialen Modell lassen sich die Wahrscheinlichkeiten als Funktion sog. "latenter Parameter" ausdrücken. Wie hieße eine passende Gleichung...und was ist der "Parameterraum"?"Modellgleichung"
Parameterraum: Die Menge aller möglichen Wertekombinationen der S latenten Parameter - 10Welche Annahme stellen MVB-Modelle bzgl. der Kategoriewahrscheinlichkeiten und der Modellparameter auf? Warum?1. Dass die Kategoriewahrscheinlichkeiten pj als Polynome in den Modellparametern und deren Komplementen (1-Parameter) darstellbar sind.
2. Derartige Modelle sind als binäre probabilistische Ereignisbäume repräsentierbar. - 111. Was ist das Problem / die Aufgabenstellung der Parameterschätzung 2. Welche Distanzfunktion wird oft verwendet? Wie ist sie verteilt?1. Einen Vektor von Parameterwerten so zu schätzen, dass eine vorgegebene Distanzfunktion zwischen den beobachteten und den erwarteten Kategoriehäufigkeiten ein Minimum annimmt.
2. Die Likelihoodquotientenstatistik G², sie ist asymptotisch chi-quadrat verteilt. - 12Wann spricht man von "hierarchischen Modellfamilien"?Wenn innerhalb der Modellfamilie enthaltene Modelle Speziallfälle anderer enthaltener Modelle sind; z.B. Modell MA ist Spezialfall von MB.
- 13Welcher Umstand ermöglicht Modellvergleiche bei hierarchischen Modellfamilien? Erkläre.G² verhält sich additiv -> Gelten MA und MB, gleichermaßen, so sind nicht nur G²A (dfA) und G²B (dfB) chi-quadrat verteilt, sondern auch deren Differenz G²A-G²B (dfA-dfB)
- 141. Welche Kriterien sollte ein MVB-Modell grundsätzlich erfüllen? 2. Welche Validierungskriterien (schwach / stark) können für die Validierung herangezogen werden1. basieren auf bislang nicht verworfenen Theorien und Hypothesen; typische Datensätze des Paradigmas adäquat beschreiben; experimentell validiert
2. Schwach: Jeder Modellparameter wird durch eine UV vorhersagbar beeinflusst; Stark: ...selbige UV beeinflusst keinen anderen Modellparameter
Información
- Descripción
- Karteikarten zur VL 2 der MPT
- Creado por
- Johanna Brinkmann · ago 2016
- Actualizado
- 12 oct 2016
- Visitas
- 399
- Etiquetas
- Valoración