A Predictive Approach to Nonparametric Inference for Adaptive Sequential Sampling of Psychophysical Experiments.
A Predictive Approach to Nonparametric Inference for Adaptive Sequential Sampling of Psychophysical Experiments.
复制标题
用于心理物理实验自适应顺序采样的非参数推理的预测方法。
DOI：
10.1016/j.jmp.2012.04.002
复制
发表时间：
2012-06-01
影响因子：
1.8
通讯作者：
Elze T
中科院分区：
文献类型：
--
作者：
Poppe S;Benner P;Elze T
我们提出了一个预测帐户的心理物理实验中的刺激-反应关系的自适应序贯采样。我们的讨论适用于实验的情况下，有序的刺激时，只有弱的结构知识，参数化建模是没有选择。通过引入某种形式的部分交换，我们成功地开发了一个分层贝叶斯模型的基础上的混合波利亚瓮过程。适当的实用措施使我们能够优化整个实验采样过程。我们提供了几种措施，无论是基于简单的计数统计或更详细的信息理论的数量。信息论效用的实际计算往往是不可行的。这与我们的采样方法不同，它依赖于一个有效的算法来计算我们的后验预测和效用度量的精确解。最后，我们证明了我们的框架的优势，一个假设的抽样问题。
We present a predictive account on adaptive sequential sampling of stimulus-response relations in psychophysical experiments. Our discussion applies to experimental situations with ordinal stimuli when there is only weak structural knowledge available such that parametric modeling is no option. By introducing a certain form of partial exchangeability, we successively develop a hierarchical Bayesian model based on a mixture of Pólya urn processes. Suitable utility measures permit us to optimize the overall experimental sampling process. We provide several measures that are either based on simple count statistics or more elaborate information theoretic quantities. The actual computation of information theoretic utilities often turns out to be infeasible. This is not the case with our sampling method, which relies on an efficient algorithm to compute exact solutions of our posterior predictions and utility measures. Finally, we demonstrate the advantages of our framework on a hypothetical sampling problem.
登录
查看更多内容
影响因子：
1.8
作者：
Kujala, JV;Lukka, TJ
通讯作者：
Lukka, TJ
影响因子：
1.8
作者：
Kuss, M;Jäkel, F;Wichmann, FA
通讯作者：
Wichmann, FA
影响因子：
4.4
作者：
Hutter, Marcus
通讯作者：
Hutter, Marcus
影响因子：
4.5
作者：
BARRY, D;HARTIGAN, JA
通讯作者：
HARTIGAN, JA
影响因子：
2.2
作者：
Fearnhead, P
通讯作者：
Fearnhead, P