Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconocimiento. En segundo lugar se presentan cuatro modelos recientes que serán ajustados a los datos. La tercera parte describe en detalle cómo se ajusta un modelo usando el procedimiento de estimación de máxima verosimilitud. Por último se examina cómo el modelo ajustado pueden ser evaluado y qué pruebas estadísticas pueden aplicarse para ello.
Guardado en:
2011-2084
2011-7922
3
2010-06-30
140
149
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
International Journal of Psychological Research - 2010
| id |
53a2ee651933d1242e29b331fe91c46b |
|---|---|
| record_format |
ojs |
| spelling |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud memoria de reconocimiento Artículo de revista modelos de umbral alto modelos mixtos teoría de detección de señales Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud estimación de máxima verosimilitud El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconocimiento. En segundo lugar se presentan cuatro modelos recientes que serán ajustados a los datos. La tercera parte describe en detalle cómo se ajusta un modelo usando el procedimiento de estimación de máxima verosimilitud. Por último se examina cómo el modelo ajustado pueden ser evaluado y qué pruebas estadísticas pueden aplicarse para ello. http://purl.org/coar/resource_type/c_6501 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text International Journal of Psychological Research - 2010 https://creativecommons.org/licenses/by-nc-sa/4.0/ Inglés https://revistas.usb.edu.co/index.php/IJPR/article/view/859 International Journal of Psychological Research Universidad San Buenaventura - USB (Colombia) Publication application/pdf high threshold models The aim of this paper is to provide an introductory tutorial to how to fit different models of recognition memory using maximum likelihood estimation. It is in four main parts. The first part describes how recognition memory data is collected and analysed. The second part introduces four current models that will be fitted to the data. The third part describes in detail how a model is fit using maximum likelihood estimation. The fourth part examines how the fit of a model can be evaluated and the appropriate statistical test applied. C. Dunn, John Recognition memory Journal article maximum likelihood estimation signal detection theory Núm. 1 , Año 2010 : Special Issue of Statistics in Psychology 1 3 mixture models 140 https://revistas.usb.edu.co/index.php/IJPR/article/download/859/609 149 2010-06-30T00:00:00Z https://doi.org/10.21500/20112084.859 10.21500/20112084.859 2011-7922 2011-2084 2010-06-30T00:00:00Z 2010-06-30 |
| institution |
UNIVERSIDAD DE SAN BUENAVENTURA |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADDESANBUENAVENTURA_COLOMBIA/logo.png |
| country_str |
Colombia |
| collection |
International Journal of Psychological Research |
| title |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| spellingShingle |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud C. Dunn, John memoria de reconocimiento modelos de umbral alto modelos mixtos teoría de detección de señales estimación de máxima verosimilitud high threshold models Recognition memory maximum likelihood estimation signal detection theory mixture models |
| title_short |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| title_full |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| title_fullStr |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| title_full_unstemmed |
Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| title_sort |
cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud |
| description |
El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconocimiento. En segundo lugar se presentan cuatro modelos recientes que serán ajustados a los datos. La tercera parte describe en detalle cómo se ajusta un modelo usando el procedimiento de estimación de máxima verosimilitud. Por último se examina cómo el modelo ajustado pueden ser evaluado y qué pruebas estadísticas pueden aplicarse para ello.
|
| description_eng |
The aim of this paper is to provide an introductory tutorial to how to fit different models of recognition memory using maximum likelihood estimation. It is in four main parts. The first part describes how recognition memory data is collected and analysed. The second part introduces four current models that will be fitted to the data. The third part describes in detail how a model is fit using maximum likelihood estimation. The fourth part examines how the fit of a model can be evaluated and the appropriate statistical test applied.
|
| author |
C. Dunn, John |
| author_facet |
C. Dunn, John |
| topicspa_str_mv |
memoria de reconocimiento modelos de umbral alto modelos mixtos teoría de detección de señales estimación de máxima verosimilitud |
| topic |
memoria de reconocimiento modelos de umbral alto modelos mixtos teoría de detección de señales estimación de máxima verosimilitud high threshold models Recognition memory maximum likelihood estimation signal detection theory mixture models |
| topic_facet |
memoria de reconocimiento modelos de umbral alto modelos mixtos teoría de detección de señales estimación de máxima verosimilitud high threshold models Recognition memory maximum likelihood estimation signal detection theory mixture models |
| citationvolume |
3 |
| citationissue |
1 |
| citationedition |
Núm. 1 , Año 2010 : Special Issue of Statistics in Psychology |
| publisher |
Universidad San Buenaventura - USB (Colombia) |
| ispartofjournal |
International Journal of Psychological Research |
| source |
https://revistas.usb.edu.co/index.php/IJPR/article/view/859 |
| language |
Inglés |
| format |
Article |
| rights |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 International Journal of Psychological Research - 2010 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2010-06-30 |
| date_accessioned |
2010-06-30T00:00:00Z |
| date_available |
2010-06-30T00:00:00Z |
| url |
https://revistas.usb.edu.co/index.php/IJPR/article/view/859 |
| url_doi |
https://doi.org/10.21500/20112084.859 |
| issn |
2011-2084 |
| eissn |
2011-7922 |
| doi |
10.21500/20112084.859 |
| citationstartpage |
140 |
| citationendpage |
149 |
| url2_str_mv |
https://revistas.usb.edu.co/index.php/IJPR/article/download/859/609 |
| _version_ |
1798463823982624768 |