Hola a todos,
¿Alguien sabe cómo implementar la teoría de detección de señales (por ejemplo, medidas de sensibilidad, curva ROC, etc.) para analizar datos en el campo de la Psicología utilizando JMP?
Gracias.
Hola @Peter_Bartell ,
Gracias por tu comentario y enlace. Soy un usuario novato en JMP Basic y se muestran algunos detalles, como sigue:
- Mi análisis se basa en el diseño de medidas repetidas (por ejemplo, entre sujetos = T1, T2, ...)
- En general, tiene una matriz M_2 x 2 cuyas filas están representadas por el evento de estímulo = {s, n} y las columnas evento de respuesta = {S, N}.
Matriz M:
S norte
s M [1,1] = "CA" = P (S / s) M [1,2] = "FR" = P (N / s)
norte M [2,1] = "FA" = P (S / n) M [1,2] = "CR" = P (N / n)
donde "Aceptar correctamente", "Rechazo falso", "FA" = "Alarma falsa" y "CR" = "Rechazo correcto", y P (* / *) es una probabilidad condicional.
Así que necesito analizar esa matriz M (por ejemplo, CA vs FA) usando la teoría de detección de señal (SDT) a través de la curva ROC y el índice de sensibilidad en un diseño de repetición de medidas.
Gracias.
Las medidas de sensibilidad del modelo y los medios para comunicarlos visualmente (curvas ROC, matrices de confusión, etc.) están muy extendidas en muchas plataformas de modelado JMP para respuestas de tipo categórico. Una lista parcial de las plataformas son regresión logística nominal, partición, y si usted es un usuario de JMP Pro, Bootstrap Forest, etc. Entonces, si puede proporcionar algunos detalles más del caso de uso en psicología, tal vez los miembros de la comunidad pueden proporcionar orientación adicional. Aquí está el enlace general de documentación en línea JMP para curvas ROC ... detalles adicionales se pueden encontrar en la documentación específica de la plataforma.
https://www.jmp.com/support/help/13/ROC_Curve.shtml
