Modelado cognitivo jerárquico bayesiano con el paquete EMC2

Área de la Ciencia:

• Ciencia Cognitiva
• Neurociencia Computacional
• Estadística Bayesiana

Sus antecedentes:

• Los modelos cognitivos de elección son cruciales para comprender la toma de decisiones.
• El análisis jerárquico bayesiano ofrece un marco poderoso para estos modelos.
• Los flujos de trabajo existentes pueden ser complejos y computacionalmente intensivos.

Objetivo del estudio:

• Presentar EMC2, un nuevo paquete de R para el análisis jerárquico bayesiano de modelos cognitivos.
• Proporcionar un flujo de trabajo integral de cinco fases para simplificar el análisis de modelos cognitivos.
• Facilitar la especificación, estimación, crítica e inferencia de modelos cognitivos complejos.

Principales métodos:

• Desarrollo del paquete R EMC2 con un flujo de trabajo de cinco fases.
• Integración de especificaciones de modelos lineales para parámetros de modelos cognitivos.
• Implementación de priors flexibles, estructuras jerárquicas y algoritmos de muestreo eficientes.
• Inclusión de funciones para la crítica e inferencia del modelo.

Principales resultados:

• EMC2 ofrece una interfaz fácil de usar para modelos cognitivos computacionalmente intensivos.
• El paquete une la regresión estándar y el modelado cognitivo.
• Se demostró el flujo de trabajo utilizando dos modelos de acumulación de evidencia.

Conclusiones:

• EMC2 facilita y guía significativamente el análisis de modelos cognitivos jerárquicos bayesianos.
• El paquete admite la evaluación, refinamiento, comparación e interpretación del modelo.
• EMC2 mejora la accesibilidad y eficiencia de las técnicas avanzadas de modelado cognitivo.