Sinyal algılama teorisinden türetilmiş metrikler kullanmadan sinyal algılama verilerini analiz etmek geçerli midir?

Bir sinyal algılama deneyi tipik olarak gözlemciye (veya teşhis sistemine) bir sinyal veya sinyalsiz bir özellik sunar ve gözlemciden sunulan öğenin bir sinyal veya sinyal olmadığını düşünmesi istenir. Bu tür deneyler, 2x2'lik bir matrisi dolduran veriler verir:

Sinyal algılama teorisi, "sinyal / sinyal olmayan" kararın, sinyal denemelerinin genellikle sinyal olmayan denemelere göre daha yüksek bir değere sahip olduğu bir sinyal-sürekliliğine dayandığı bir senaryoyu temsil eden verileri temsil eder ve gözlemci sadece üstünde "sinyal" bildirecekleri bir kriter değeri seçer:

Yukarıdaki şemada, yeşil ve kırmızı dağılımları sırasıyla "sinyal" ve "sinyalsiz" dağılımları temsil eder ve gri çizgi, belirli bir gözlemcinin seçtiği kriteri temsil eder. Gri çizginin sağında, yeşil eğrinin altındaki alan isabetleri ve kırmızı eğrinin altındaki alan yanlış alarmları temsil eder; gri çizginin solunda, yeşil eğrinin altındaki alan özlüyor ve kırmızı eğrinin altındaki alan doğru reddetmeleri temsil ediyor.

Tahmin edilebileceği gibi, bu modele göre, yukarıdaki 2x2 tablosunun her bir hücresine düşen cevapların oranı şu şekilde belirlenir:

1. Yeşil ve kırmızı dağılımlardan örneklenen denemelerin nispi oranı (taban ücret)
2. Gözlemci tarafından seçilen kriter
3. Dağılımlar arasındaki ayrım
4. Her dağılımın varyansı
5. Dağılımlar arasında varyans eşitliğinden sapma (varyans eşitliği yukarıda tasvir edilmiştir)
6. Her dağılımın şekli (her ikisi de yukarıdaki Gauss'tur)

Genellikle # 5 ve # 6'nın etkisi ancak gözlemcinin bir dizi farklı kriter seviyesinde karar vermesini sağlayarak değerlendirilebilir, bu yüzden şimdilik bunu göz ardı edeceğiz. Ek olarak, # 3 ve # 4, "ayrımcılık" (d 'olarak da bilinir) ölçüsüyle özetlenen, yalnızca birbirine göre anlamlı olur (örneğin, dağılımların değişkenliğine göre ayırma ne kadar büyüktür?). Bu nedenle, sinyal algılama teorisi, sinyal algılama verilerinden iki özelliğin tahmin edilmesini yasaklar: kriter ve ayırt edilebilirlik.

Bununla birlikte, araştırma raporlarının (özellikle tıbbi alandan) sinyal algılama çerçevesini uygulamadığını ve bunun yerine "Pozitif tahmin değeri", "Negatif tahmin değeri", "Hassasiyet" ve "Özgüllük" "bunların tümü yukarıdaki 2x2 tablosundan farklı marjinal değerleri temsil eder ( ayrıntılar için buraya bakın ).

Bu marjinal özellikler ne fayda sağlar? Eğilimim onları tamamen göz ardı etmek, çünkü kriterlerin ve ayrımcılıkların teorik olarak bağımsız etkilerini karıştırıyorlar, ancak muhtemelen faydalarını düşünmek için hayal gücümden yoksundur.

Pozitif Öngörücü Etki (PPV), sadece her iki mekanizmayı da (ayrımcılık ve yanıt yanlılığı) karıştırdığı için değil, aynı zamanda madde taban oranları nedeniyle de iyi bir önlem değildir. Öğe taban ücretlerini hesaba katan P (sinyal | "evet") gibi arka olasılıkların kullanılması tercih edilir:

$P(signal|yes) = \frac{P(signal)P(Hit)}{P(signal)P(Hit)+P(noise)P(False Alarm)}$

ama ... ne için iyi ?? belirli bir sonucun olasılığını en üst düzeye çıkarmak / en aza indirmek için yanıt kriterlerini ayarlamak için faydalıdır. Dolayısıyla, tepki yanlılığındaki değişikliklerin sonuçlarını özetlemeye yardımcı olması açısından duyarlılık ve tepki yanlılığı önlemlerini tamamlayıcı niteliktedir.

Bir tavsiye: sadece d 'gibi bir duyarlılık ölçüsü almanıza izin veren 2x2 sonuç matrisine bağlıysanız, SDT ile bile uğraşmayın ve sadece Hits-False Alarms kullanın. Her iki önlem (d 've (HF)) .96 arasında bir korelasyona sahiptir (BS algılama teorisyenlerinin ortaya çıkmasına bakılmaksızın)

umarım bu şerefe yardımcı olur

"Bilinen bir yaygınlık ve test kriteri göz önüne alındığında, pozitif bir test sonucunun doğru olma olasılığı nedir?" "Bilinmeyen bir sistemin bu tipteki çeşitli sinyallere duyarlılığı ve sapması nedir?"

Bana öyle geliyor ki ikisi de benzer bir teori kullanıyorlar ama gerçekten çok farklı amaçları var. Tıbbi testlerde kriter önemsizdir. Birçok durumda bilinen bir değere ayarlanabilir. Bu nedenle, test kriterinin belirlenmesi daha sonra anlamsızdır. Sinyal algılama teorisi, ölçütün bilinmediği sistemler için en iyisidir. Ayrıca, yaygınlık veya sinyal sabit (ve genellikle çok küçük) bir değer olma eğilimindedir. SDT ile çok karmaşık bir durumu birkaç basit tanımlayıcı olarak modelleyen değişken sinyaller üzerinde genellikle ortalama bir d 'ortaya çıkarırsınız. Hem kriter hem de sinyal sabitlendiğinde bilinen miktarlar SDT size ilginç bir şey söyleyebilir mi? Temelde daha basit bir problemle başa çıkmak için bir çok matematiksel karmaşıklık gibi görünüyor.

Bu aşırı basitleştirme olabilir, ancak özgüllük ve duyarlılık performans ölçümleridir ve sinyalin doğası hakkında nesnel bir bilgi olmadığında kullanılır. Yani yoğunluk ve sinyallilik grafiğiniz, sinyalliliği ölçen bir değişkeni varsayar. Çok yüksek boyutlu veya sonsuz boyutlu veriler için ve sinyalin üretilme mekanizmasının titiz, kanıtlanabilir bir teorisi olmadan, değişkenin seçimi önemsiz değildir. O zaman soru, böyle bir değişken seçildikten sonra, sinyalin ortalaması ve varyansı gibi sinyalsel özelliklerin sayısal olmayan nedenleri gibi istatistiksel özellikler olmasıdır. Çoğu durumda, değişken sadece normal, Poisson veya üstel olarak dağılmış olmayabilir. Parametrik olmayan bile olabilir, bu durumda ayırmayı varyansa göre ortalama fark olarak ölçmek, pek mantıklı değil. Ayrıca, biyomedikal alanındaki birçok literatür uygulamalara odaklanmıştır ve ROC, özgüllük-duyarlılık, vb., Problemin sınırlı doğası açısından yaklaşımları karşılaştırmak için objektif kriterler olarak kullanılabilir ve temel olarak gerekli. Bazen insanlar tarif etmekle ilgilenmeyebilirler, diyelim ki hastalıklılar ile kontrol deneklerinde gen1'e gen2 transkript bolluğu oranının gerçek ayrık versiyon log-gama dağılımı, bunun yerine tek önemli olan bunun yükselip yükselmediği ve fenotip veya hastalık olasılığını açıklar. yaklaşımın, sorunun sınırlı doğası açısından karşılaştırılması için nesnel ölçütler olarak kullanılabilir ve temel olarak tüm gereken budur. Bazen insanlar tarif etmekle ilgilenmeyebilirler, diyelim ki hastalıklılar ile kontrol deneklerinde gen1'e gen2 transkript bolluğu oranının gerçek ayrık versiyon log-gama dağılımı, bunun yerine tek önemli olan bunun yükselip yükselmediği ve fenotip veya hastalık olasılığını açıklar. yaklaşımın, sorunun sınırlı doğası açısından karşılaştırılması için nesnel ölçütler olarak kullanılabilir ve temel olarak tüm gereken budur. Bazen insanlar tarif etmekle ilgilenmeyebilirler, diyelim ki hastalıklılar ile kontrol deneklerinde gen1'e gen2 transkript bolluğu oranının gerçek ayrık versiyon log-gama dağılımı, bunun yerine tek önemli olan bunun yükselip yükselmediği ve fenotip veya hastalık olasılığını açıklar.