stimulus-coding or accuracy coding?怎么编码？上边界是正确还是选A？

Created: June 11, 2023 9:26 AM Last edited by: Pan Wanke Last edited time: June 11, 2023 9:26 AM Owner: Pan Wanke

问题：用correct和incorrect做DDM的两条边界，和用左右键做DDM的两条边界，他们的区别是什么呀？算出的参数含义上和解释上会发生什么变化

如果上边界是正确。

drift rate表示的是获得有效信息的速度。

drift越大，那么信息累计的速度越快。

如果上边界是选择A，相对于选择B。

drift rate表示的是获得偏好信息的倾向性。

drift越大，那么越偏好收集与A信息有关的信息。

此时的 drift rate不能直接表达为信息累计的速度，而更多反应的是一种偏好。

如果上边界是选择A，相对于选择B。

当z>0.5，表示个体对A选项的偏好存在倾向性或者偏差。

比如，在食物选择的研究中，个体可能对某一类零食存在偏好。

又比如，在歧视研究中，个体可能对黑人有判断偏差。

如果上边界是正确。

此时的z难以解释。如果z>0.5，z大概可以解释为在没有累计信息前就获得了有关正确反应的信息。

如点探测类任务，可能在正式决策前给被试提供cue，因此被试在没有累计信息前就获得了有关正确反应的信息。

一般以正确率为指标的任务，会将z设置为0.5，以避免难以解释的问题。

选择编码主要取决于实验任务和实验目的。

实验任务决定了你的指标是正确率还是选择比率；

实验目的决定了你如何解释参数，此时可以根据实验目的调整编码。比如在社会决策的sDDM中，选择的上边界可以是与他人选择一致，也可以是与自己之前的选择保持一致。

试图通过两个v来解释

当在考虑如何解释编码的影响时，研究者可能会想，我既然知道了被试选择A的drift偏好，那我是否能求他关于选项B的偏好呐？

进而，我是否可以比较被试在两种选择下drift偏好的差异性？

回答：一般来说，这是不可以的。

一方面，DDM会把上下两个方向的drift融和为一个，并且表达为上边界的drift，这使得另一个drift被忽略。比如，在四参数DDM中，上下边际drift的大小是一样的。在加入drift的trial层面变异sv后，对于下边界的drift的估计虽然会与上边界不同，但是彼此也相互影响。

另一方面，DDM的意义就是联合选择和rt共同解释。上述的操作等于把选择和rt分开分析了，这和把被试的选择作为自变量，把rt作为因变量进行GLM的区别很小。

由于编码对于数据的影响反映为对rt的翻转(flip)，如下图

Untitled

因此，如果以正确为上边界，那么错误的rt会翻转为负数。

如果以选择A为上边界，那么选择B的rt会翻转为负数。

stim coding的意义在于探查被试对某些反应是否存在偏好。

比如被试是否更喜欢按右键，而不是左键。

stim coding的本质

首先是多加入了一列协变量（stim）

然后假设，v或者z，对于stim1为正(z就是大于0.5)，对于stim2为负(z就是小于0.5)。

实际的模型设定也是这样。

对于stim1，

res = 1(可以是正确或者选择A)，使用wiener(…,v,z)

res = 0，使用wiener(…,-v,1-z)

对于stim2，

res = 1，使用wiener(…,-v,z) 或者 wiener(…,v,1-z)

res = 0，使用wiener(…,v,1-z) 或者 wiener(…,-v, z)

一般在代码中会默认使用accuary coding，如果需要stim coding ，可以参照https://hddm.readthedocs.io/en/latest/howto.html 里的代码进行设置

model = hddm.HDDMStimCoding(data, include='z', stim_col='stim', split_param='v')