在心理学和神经科学中的计算建模研究中解决低统计功率的问题
1Department of Psychology, University of Southern California, Los Angeles, CA, USA. piray@usc.edu.
Nature human behaviour
|November 18, 2025
概括
确定计算研究的样本大小对于准确的模型选择至关重要. 许多心理学和神经科学研究缺乏足够的统计能力,导致错误的模型识别和不可靠的结果.
科学领域:
- 计算建模计算建模
- 统计推断的统计推断.
- 贝叶斯的方法 贝叶斯的方法
背景情况:
- 计算建模有助于理解复杂的数据,但面临着挑战.
- 对于计算研究,特别是模型选择,确定适当的样本大小经常被忽视.
- 贝叶斯模型选择是一种用于比较替代模型的常见技术.
研究的目的:
- 为贝叶斯模型选择引入功率分析框架.
- 在心理学和人类神经科学中评估模型选择的统计能力.
- 为了突出固定效应模型选择的问题.
主要方法:
- 开发了用于贝叶斯模型选择的功率分析框架.
- 在已发表的研究中经验性地评估了模型选择的统计能力.
- 分析了样本大小和模型数量对统计能力的影响.
主要成果:
- 统计能力随样本大小增加而增加,但随着考虑更多模型而下降.
- 大多数经过审查的心理学和人类神经科学研究 (41/52) 没有足够的功率 (<80%) 进行正确的模型识别.
- 固定效应模型选择表现出高假阳性率和对异常值的敏感性.
结论:
- 心理学和神经科学当前的实践往往导致模型选择的统计能力较低.
- 依赖固定效应模型的选择带来了严重的统计风险.
- 开发的框架可以指导研究人员设计更强大的计算研究.
