Hallo zusammen,
Weiß jemand, wie man die Signalerfassungstheorie (z. B. Sensitivitätsmessungen, ROC-Kurve usw.) implementiert, um Daten im Bereich Psychologie mit JMP zu analysieren?
Vielen Dank.
Hallo @ Peter_Bartell .
Vielen Dank für Ihren Kommentar und Link. Ich bin Anfänger in JMP Basic und einige Details werden wie folgt angezeigt:
- Meine Analyse basiert auf einem Design für wiederholte Messungen (z. B. Zwischen-Subjekte = T1, T2, ...)
- Im Allgemeinen haben Sie eine Matrix M_2 x 2, deren Zeilen durch Stimulus event = {s, n} und Spalten Response event = {S, N} dargestellt werden.
Matrix M:
S N
s M [1,1] = "CA" = P (S / s) M [1,2] = "FR" = P (N / s)
n M [2,1] = "FA" = P (S / n) M [1,2] = "CR" = P (N / n)
wobei "richtig akzeptieren", "falsche Ablehnung", "FA" = "Fehlalarm" und "CR" = "korrekte Ablehnung" und P (* / *) eine bedingte Wahrscheinlichkeit ist.
Daher muss ich diese Matrix M (z. B. CA vs FA) unter Verwendung der Signalerkennungstheorie (SDT) über die ROC-Kurve und den Empfindlichkeitsindex in einem Repetead-Measures-Design analysieren.
Vielen Dank.
Messungen der Modellempfindlichkeit und der visuellen Kommunikation (ROC-Kurven, Konfusionsmatrizen usw.) sind in vielen JMP-Modellierungsplattformen für kategoriale Typantworten weit verbreitet. Eine unvollständige Liste der Plattformen ist die logistische Regression, die Partition und, wenn Sie ein JMP Pro-Benutzer sind, Bootstrap Forest usw. Wenn Sie also mehr Details zum Anwendungsfall in der Psychologie angeben können, können Community-Mitglieder möglicherweise zusätzliche Anleitungen geben. Hier ist der allgemeine Link zur JMP-Online-Dokumentation für ROC-Kurven. Weitere Einzelheiten finden Sie in der jeweiligen Plattformdokumentation.
https://www.jmp.com/support/help/13/ROC_Curve.shtml
