在密集的二进制纵向眼睛跟踪数据中,使用GAMM的副变量平滑函数来比较组间的功能趋势和学习

科学领域:

• 统计 统计 统计 统计
• 神经科学是一个神经科学.
• 心理语言学 心理语言学

背景情况:

• 密集的纵向眼睛跟踪数据提供了对实时认知过程的见解.
• 了解脑损伤和没有脑损伤的个体之间的语言理解差异至关重要.
• 在这些人群中,随着时间的推移量化学习效应需要先进的统计方法.

研究的目的:

• 介绍一个通用的添加混合模型 (GAMM),用于分析集团差异的功能趋势和学习在密集的二进制纵向眼睛跟踪数据.
• 应用这个模型来研究脑损伤和没有脑损伤的个体的实时语言理解.
• 通过模拟研究来评估模型在参数恢复和预测准确度方面的性能.

主要方法:

• 模型规范使用由变量平滑函数在一个通用的添加混合模型框架内.
• 在R中使用mgcv包实现模型.
• 应用到来自有或没有脑损伤的个体的密集二元纵向眼睛跟踪数据.

主要成果:

• 模拟研究表明,模型参数的恢复很好.
• 通过变量顺函数得到了充分的预测,验证了模型的预测能力.
• 该模型成功地捕获了眼睛跟踪数据中的功能趋势和学习效应.

结论:

• 拟议的GAMM为分析复杂的纵向眼睛跟踪数据提供了一个强大的框架.
• 这种方法有效地比较功能趋势和跨群体的学习,例如那些有和没有脑损伤的人.
• 该模型的表现表明它对于调查认知过程及其神经条件对语言理解和学习的影响有用.