信号检测论相关
Created: June 11, 2023 9:26 AM Last edited by: Pan Wanke Last edited time: June 11, 2023 9:26 AM Owner: Pan Wanke
报告标准 c的计算与假设
胡啸老师对于该问题的解释
郭老师计算公式的假设是，让噪音分布均值为0，信号分布均值为1，然后scale。JASP那个假设是噪音分布均值为-0.5d，信号分布均值0.5d，然后计算这种情况下c的位置。
其实就是个线性变换的事情。郭老师那个好像对刺激强度数轴进行了一次scaling，把原来的d’（2.399）scale为1，再计算新数轴上C的位置.
公式一中的I2和I1替代为2/d，因此 I2-21=d ，继续推到可得到公式二。
对于公式的解释
当z(H)相等于z(F) ，c为0，此时没有反应偏向。
当z(H)不变，如果z(F) 增大，那么c大于0，此时偏向于虚报。
如果z(H)不变，z(F) 变小，当c小于0，此时偏向于避免虚报。
虚报率(FA)为0或者击中率(Hit)为100
- 如果在信号检测论中碰到虚报率(FA)为0或者击中率(Hit)为100的情况，在计算d、β和c的时候该如何修正？
两种方法 （其中一种用每个cell+0.5修正）
psycho这个包中一种调整方法
但是这个不是最好的方法。最好的方法是同时校正每个cell的数据，这个方法在我们做元认知的领域被称为padding correction
统计一下你的任务中有多少种response type。比方说就是hit, miss, false alarm, correct rejection。然后四种条件下统计一个被试各有多少个trial，然后每个条件的trial数量加0.5.
这样的校正方法其实让最终的trial总数加2。在元认知领域，有时候我们会更保守点，让总trial数加1，平均分配。如果任务中带有confidence rating，就把所有的反应可能性（信号或噪音*confidence点数）考虑到，总trial数加1，然后平均分配。
confidence指的是你在考虑实验中一共有几种response type的时候，把confidence点数考虑上。比如，一个任务中有信号和噪音，被试需要判断是信号还是噪音，判断完之后做一个4点的信心判断。那整个实验的trial type就包括2（两种刺激类型）2（两种反应类型）*4（信心判断点数）=16种。
每种response type的trial各自加一个相同的数字就行了。我刚又看了一下，元认知领域其实也是总trial数加2的校正用的比较多，也就是跟Hautus 1995的方法保持一致。
其他资料
| [翻译 | 信号检测论的贝叶斯估计 (一)](https://mp.weixin.qq.com/s/IwmuQojTYy9zihi4EIP8tA) |