Modeling Psychophysical Data in R

بسیاری از روش‌های متداول مورد استفاده برای مدل‌سازی و برازش داده‌های روان‌فیزیکی، موارد خاصی از روش‌های آماری با قدرت و عمومیت زیاد، به ویژه مدل خطی تعمیم‌یافته (GLM) هستند. این کتاب نشان می‌دهد که چگونه می‌توان داده‌ها را از انواع پارادایم‌های روان‌فیزیکی با استفاده از روش‌های آماری مدرن و زبان آماری R تطبیق داد. این پارادایم‌ها شامل نظریه تشخیص سیگنال، برازش تابع روان‌سنجی، تصاویر طبقه‌بندی و موارد دیگر است. در دو فصل، روش‌های اخیراً توسعه‌یافته برای مقیاس‌بندی ظاهر، مقیاس‌بندی اختلاف احتمال حداکثر و اندازه‌گیری مشترک حداکثر احتمال بررسی می‌شوند. نویسندگان همچنین کاربرد مدل‌های اثرات مختلط را برای داده‌های روان‌فیزیکی در نظر می‌گیرند.

R یک زبان برنامه‌نویسی منبع باز است که به طور گسترده توسط آماردانان استفاده می‌شود و شاهد رشد بسیار زیادی در کاربرد آن برای داده‌ها در همه زمینه‌ها است. این تعاملی است و شامل بسیاری از امکانات قدرتمند برای بهینه‌سازی، ارزیابی مدل، انتخاب مدل و نمایش گرافیکی داده‌ها است. خواننده ای که داده ها را در R قرار می دهد به راحتی می تواند از این روش ها استفاده کند. محققی که از R برای برازش و مدل‌سازی داده‌های خود استفاده می‌کند، به جدیدترین روش‌های آماری توسعه‌یافته دسترسی دارد.

این کتاب فرض نمی‌کند که خواننده با R آشنا باشد، و تجربه کمی با هر زبان برنامه‌نویسی همه چیز است. که برای قدردانی از این کتاب لازم است. تعداد زیادی نمونه از R در متن وجود دارد و کد منبع همه نمونه‌ها در بسته R MPDiR موجود است.
Kenneth Knoblauch یک محقق در بخش علوم اعصاب یکپارچه است. در اینسرم واحد 846، موسسه تحقیقات سلول های بنیادی و مغز و مرتبط با دانشگاه کلود برنارد، لیون 1، در فرانسه.

لارنس تی مالونی استاد روانشناسی و علوم عصبی در دانشگاه نیویورک است. تحقیقات او بر کاربردهای مدل‌های ریاضی در ادراک، کنترل حرکتی و تصمیم‌گیری متمرکز است.

Many of the commonly used methods for modeling and fitting psychophysical data are special cases of statistical procedures of great power and generality, notably the Generalized Linear Model (GLM). This book illustrates how to fit data from a variety of psychophysical paradigms using modern statistical methods and the statistical language R. The paradigms include signal detection theory, psychometric function fitting, classification images and more. In two chapters, recently developed methods for scaling appearance, maximum likelihood difference scaling and maximum likelihood conjoint measurement are examined. The authors also consider the application of mixed-effects models to psychophysical data.

R is an open-source programming language that is widely used by statisticians and is seeing enormous growth in its application to data in all fields. It is interactive, containing many powerful facilities for optimization, model evaluation, model selection, and graphical display of data. The reader who fits data in R can readily make use of these methods. The researcher who uses R to fit and model his data has access to most recently developed statistical methods.

This book does not assume that the reader is familiar with R, and a little experience with any programming language is all that is needed to appreciate this book. There are large numbers of examples of R in the text and the source code for all examples is available in an R package MPDiR available through R.
Kenneth Knoblauch is a researcher in the Department of Integrative Neurosciences in Inserm Unit 846, The Stem Cell and Brain Research Institute and associated with the University Claude Bernard, Lyon 1, in France.

Laurence T. Maloney is Professor of Psychology and Neural Science at New York University. His research focusses on applications of mathematical models to perception, motor control and decision making.