Глава 2. МЕТОДЫ ОБНАРУЖЕНИЯ СИГНАЛА
§1. Общие понятия
В этой главе рассматриваются методы, отличающиеся от предыдущей группы методов новым подходом к локализации точки на психологической шкале, иначе говоря, другим подходом к измерению граничного шкального значения, разделяющего имеющееся множество стимулов на два класса: обнаруживаемые и необнаруживаемые, различаемые и неразличаемые и т.п.
В классических психофизических методах, хотя и изучаются сенсорные способности наблюдателя, не ставится вопрос о вероятности обнаружения стимула, а учитывается лишь вероятность ответов испытуемого "Да" (слышу или вижу). Однако легко себе представить такую ситуацию, когда испытуемый, находясь в ситуации тестирования (экспертизы), захочет показать максимум своих сенсорных способностей, и будет давать ответ "Да" почти в каждой пробе. Естественно, что в таком случае количество утвердительных ответов не будет сколько-нибудь точно отражать его предельные сенсорные способности. Надежда психолога-эксперта на честность испытуемого, по-видимому, не самое лучшее средство для обеспечения надежности проводимых измерений. Таким образом, достаточно очевидно, что результат пороговых измерений может сильно зависеть от стратегии испытуемого давать ответы определенного рода, и, следовательно, появляется задача прямого учета поведения наблюдателя в ситуации принятия решения об обнаружении или различении сигнала.
Новая методология, называемая психофизической теорией обнаружения сигнала (Green, Swets, 1966), содержит в себе представление о наблюдателе как не о пассивном приемнике стимульной информации, но как об активном субъекте принятия решения в ситуации неопределенности.
Вкратце этот подход можно охарактеризовать следующим образом. В стимульном потоке выделяется та его часть, на которую указанием ее пространственной и/или временной области или ее характерного паттерна обращается внимание наблюдателя. Эта выделенная часть называется стимулом или предъявлением (стимула). Выделяется некоторый физический признак (свойство, характеристика стимульного потока), который может присутствовать в одних пробах — значащий или сигнальный стимул, и отсутствовать в других — пустой стимул. Наблюдатель, от которого требуется обнаруживать этот признак, решает задачу бинарной классификации: относит каждое предъявление к одному из двух классов — "Нет признака", "Есть признак". Эта задача решается путем установления схемы соответствия (которая называется также правилом принятия решения) между особенностями сенсорного образа предъявляемого стимула и выбираемым решением. Эта схема соответствия может корректироваться под влиянием как предварительного информирования наблюдателя о частоте сигнальных или пустых стимулов в последующих предъявлениях, так и обратной связи — оценки правильности принимаемых наблюдателем решений.
В следующих трех разделах будут описаны три классических метода обнаружения сигналов: метод "Да-Нет", двухальтернативный вынужденный выбор и метод оценки уверенности.
§2. Метод "Да-Нет"
В этом методе используются два стимула: один значащий — , и другой пустой — . Предъявления следуют друг за другом обыкновенно через более или менее регулярные интервалы времени и после каждого предъявления испытуемый отвечает "Да", если был сигнал, или "Нет", если он не обнаружил сигнала. Предъявление стимулов полностью рандомизировано, т.е. каждое очередное предъявление независимо от предыдущих может может быть с некоторой вероятностью P(S) сигнальным (и, следовательно, с вероятностью P(N) = 1 - P(S) — пустым); P(S) и P(N) сохранятся постоянными на протяжении всей серии предъявлений. Таким образом, если общее число предъявлений N в эксперименте достаточно велико, то число сигнальных и пустых предъявлений приблизительно равно, соответственно N ∙ P(S) и N ∙ P(N) (очевидно, N ∙ Р( S) + N ∙ P(N) = N).
Рассмотрим теперь возможные комбинации Предъявление — ответ>, которые могут встретиться в эксперименте. Их четыре: , , , , причем первые два сочетания являются правильными, два последние — ошибочными исходами. Каждое их этих сочетаний имеет свое специальное название, как это показано в табл. 1.
Таблица 1
Исходы эксперимента по обнаружению сигнала
Попадание и ложная тревога будут в дальнейшем обозначаться через Н (от английского hit) и FA (от английского false alarm). Обозначения для пропусков и правильных отрицаний — О (omission) и CR (correct rejection). Пусть мы пересчитали количество сочетаний каждого типа: h (Н), n (FA), n (О), n (CR). Очевидно, что:
Зная эти качества и нормировав каждое из них по N (т.е., поделив на общее количество предъявленных проб), мы получим статистические оценки вероятностей появления исходов каждого типа:
Р(Н) = n(H)/N, Р(0) = n(0)/N, ... и т.д. (3)
Однако такие вероятности еще не говорят нам прямо о способности наблюдателя обнаруживать сигнал. Действительно, величина р(Н) зависит не только от того, как часто наблюдатель идентифицирует как сигнал, но и от того, сколь часто предъявлялось в эксперименте . Поэтому, чтобы охарактеризовать деятельность испытуемого в данном эксперименте, отделив ее от деятельности экспериментатора (решающего, в частности, сколько раз предъявить , а сколько — ), принято представлять результаты эксперимента в виде оценок условных вероятностей — вероятностей того, что испытуемый ответит правильно (неправильно) при условии, что был предъявлен данный стимул. Такие вероятности обозначаются так: Р ("Да"/S), Р (W/N), P ("Heт"/S), P ("Нет"/ N). В частности, первая из этих вероятностей есть вероятность правильного ответа при условии, что было предъявлено . Легко видеть, что:
Если вычислены две эти условные вероятности, вычисление двух остальных уже не требуется. Они не несут дополнительной информации, т.к.:
Итак, при данных (выбранных экспериментатором) величинах N и P(S) результаты эксперимента обычно представляют только двумя условными вероятностями: вероятностью попадания — р(Н) = Р("Да"/S) и вероятностью ложной тревоги р(FА) = Р("Да"/N).
Заметим, что при всех приведенных выше расчетах из общего числа N предъявлений обычно исключают несколько первых (порядка 40—50), предполагая, что в этих первых пробах испытуемый постоянно меняет схему соответствия, "подстраивая" ее к информации, полученной от экспериментатора и в ходе эксперимента. Когда схема соответствия устанавливается стабильно, говорят, что решение задачи вышло на асимптотический уровень. Асимптотический уровень характеризуется тем, что если все число предъявлений (после исключения первых) произвольно разбито на несколько групп и по каждой из них в отдельности вычислено Р(Н) и P(FA), то все эти пары не будут статистически значимо отличаться друг от друга.
Полная характеристика эксперимента требует указания еще двух факторов: наличие/отсутствие предварительной информации и наличие/отсутствие обратной связи. Предварительная информация — это формальный признак, означающий сообщение испытуемому величины P(S). Например: "В 80% всех проб будет предъявляться пустой стимул" (т.е. P(S) = 0,2) или — "Сигнальное предъявление будет встречаться в 3 раза чаще пустого" (P(S)/P(N) = 3, т.е. P(S) = 0,75). Сама инструкция, разъяснение испытуемому формы предъявления, характера сигнала и т.п. — все это не входит в термин "предварительная информация". Заметим, что предварительная информация, если она вводится, может быть и ложной, т.е. испытуемому может сообщаться не та величина P(S), которая есть на самом деле. Эта специальная модификация "Да-Нет"-эксперимента, которая здесь рассматриваться не будет. Термин обратная связь включает информацию об истинности/ложности ответов испытуемого, сообщаемую ему после каждого предъявления, или сообщение о частоте правильных ответов, даваемое после некоторой группы (скажем, через каждые 50) предъявлений. В специальных модификациях метода такая обратная связь также не всегда должна быть истинной. Иногда, например, используют такой вариант, когда после каждой пробы (предъявления) испытуемому с вероятностью P(k) сообщают важную информацию о правильности или ложности его ответа, а с вероятностью 1 - P(k) его "обманывают" (в этом варианте P(k) — формальная мера правдивости обратной связи).
Цель введения обратной связи и предварительной информации — попытка контроля схемы соответствия между свойствами ощущений и принимаемыми решениями, которую устанавливает испытуемый (правила принятия решения). Очевидно, однако, что если испытуемый не очень заинтересован в том, чтобы почаще отвечать правильно, то такой контроль может оказаться неэффективным*. Кроме того, испытуемый может, устанавливая правило принятия решения, руководствоваться неизвестными экспериментатору субъективными "весами" различных типов ошибок. Например, он может стараться минимизировать число пропусков и не очень заботиться об уменьшении числа ложных тревог (т.е. "цена" пропуска выше "цены" ложной тревоги). Чтобы сделать контроль правила принятия решения более эффективным и дифференцированным, обратная связь может быть дополнена системой "выплат" и "штрафов", соответственно за верные и ложные ответы, организованной в денежной или какой-либо другой (например, просто игровой) форме. Это можно записать в форме следующей платежной матрицы:
где V и W — положительные числа. Такая форма представления особенно удобна, так как она позволяет ограничиться только двумя числами, V и W, для характеристики всей платежной матрицы. Матрица называется симметричной, если V = W. Для определения оптимального правила принятия решения, т.е. такого из имеющегося у наблюдателя набора возможностей, которое максимизирует выигрыши, решающее значение имеет соотношение не самих V и W, a P(S) ∙ V и P(N) ∙ W (они совпадают, только если P(S) = 0,5). Если P(S) ∙ V = P(N) ∙ W, правило принятия решения должно быть установлено так, чтобы минимизировать вероятности ошибок обоих родов. Если же P(S) ∙ V > P(N) ∙ W, то правило целесообразно изменить так, чтобы сделать возможно меньшей вероятность пропуска, 1-р(Н), даже если при этом увеличивается вероятность ложной тревоги, р(РА).
* Дополнительная информация о критериях оптимальности принимаемого наблюдателем решения приведена в приложении к данной главе.
Возникает вопрос: что ограничивает набор возможных схем соответствия? Почему, в частности, испытуемый не всегда может выработать "правильную" схему соответствия, при которой р(Н) = 1 и p(FA) = 0? Ответ на эти вопросы требует построения формальной модели следующих процессов: 1) какое соответствие существует между предъявлениями и и их сенсорными репрезентациями; 2) как по данной сенсорной репрезентации строится ответ ("Да" или "Нет"). Мы изложим здесь одну из простейших моделей, отвечающих на эти вопросы.
Суть модели состоит в следующем. Любой стимул ( или ) связан с его сенсорными репрезентациями стохастически (т.е. вероятностно, случайно), а не детерминистически. Это означает, что один и тот же стимул, повторяясь в различных пробах, вызывает различные сенсорные образы, так что в каждой отдельной пробе можно говорить только о вероятностях возникновения тех или иных сенсорных образов. Причины такой стохастичности многочисленны. С одной стороны, они могут лежать в природе самого стимула (например, количество квантов, излучаемых источником света в данном направлении в единицу времени — величина принципиально стохастическая) и в ограниченной точности приборных измерений. С другой стороны, стохастичность связана со случайными флуктуациями в сенсорной системе, например, со спонтанной нервной активностью в проводящих путях. Последняя, в частности, обеспечивает наличие различных сенсорных образов и в том случае, если пустой стимул представляет собой отсутствие энергии в данной пространственно-временной области. Кроме того, известный вклад в стохастичность сенсорных эффектов безусловно вносят и так называемые внешние факторы: нестабильность стимуляционной аппаратуры, различного рода помехи и т.д.
Далее в излагаемой модели предполагается, что установленное правило соответствия имеет детерминистическую структуру, т.е. данный сенсорный образ, если он в точности повторился в двух пробах (причем за время между пробами схема соответствия не изменилась), вызовет всегда один и тот же ответ. Другими словами, любое правило принятия решения однозначно разбивает множество всех возможных ощущений на два класса — один, связанный с ответом "Да", другой — с ответом "Нет". На рис. 1 точками заполнены те области, которые связаны с ответом "Да". На рис. 2 области с горизонтальной (вертикальной) штриховкой соответствуют ощущениям, которые могут быть вызваны стимулами и .
Линии 1, 2 и 3 показывают границы разбиения, соответствующего трем схемам соответствия, причем область "Да" при всех схемах соответствия лежит слева от этих границ. Рассмотрим сначала схему соответствия 1. Мы видим, что при такой схеме всегда будет идентифицироваться правильно, т.е. p(FA) = 0. Однако, иногда (когда ощущение, вызванное , попадает правее границы — эта область помечена точками) вызовет ответ "Нет", т.е. испытуемый будет иногда пропускать сигнал, р(Н) < 1. При схеме соответствия 2 ситуация обратна. Испытуемый всегда идентифицирует как "Да", т.е. р(Н) = 1, но иногда (эта область помечена точками) будет вызывать ответ "Да" (ложная тревога), т.е. p(FA) > 0. Легко видеть, однако, что при данном сорасположении ощущений, вызываемых и , испытуемый может в принципе выработать такую схему соответствия (граница 3, штриховая линия), при которой можно избежать ошибок, т.е. p(FA) = 0 и р(Н) = 1. Причина, обеспечивающая эту возможность, заключается в том, что указанные области не пересекаются, т.е. нет ни одного ощущения, которое могло бы быть вызвано (пусть с разной вероятностью) как , так и . Если это условие не выполняется (см. рис. 3), то, очевидно, при любой схеме соответствия испытуемый будет совершать ошибки того или иного рода (О или FA), либо и те, и другие.
Такова суть модели. Чтобы представить модель в количественной форме, допускаются два дополнительных упрощения. Первое из них может быть разъяснено следующим образом. Схема соответствия с содержательной точки зрения представляет собой соответствие данного ответа некоторому комплексу свойств сенсорного образа: "Если образ обладает свойствами таким-то и таким-то, то следует выбрать ответ "Да", в противном случае — "Нет". Очевидно, что не все свойства образа при этом используются. Рассматриваемое упрощение состоит в предположении, что решение принимается всегда на основе интенсивности какого-то одного качества сенсорных образов ("сладкость", "наклонность", "яркость" и т.п.), причем правило принятия решения имеет форму: "Если интенсивность (выраженность) качества больше некоторой величины С, то следует выбрать "Да", в противном случае — "Нет". Интенсивность качества, как это видно из предыдущей фразы, предполагается представимой действительным числом. Таким образом все возможные значения интенсивности данного качества занимают какую-то часть оси действительных чисел (например, всю положительную полуось), причем каждое из этих значений при предъявлении данного стимула может быть вызвано с тем или иным правдоподобием. Если значения интенсивности сенсорных образов образуют непрерывный континуум, то это правдоподобие выражается не вероятностью, а плотностью вероятности. Плотность вероятности возникновения ощущения со значением интенсивности ощущения Х при подаче стимула А условимся обозначать через f (X/A).
Вернемся теперь к нашей ситуации, где стимул есть либо , либо . Каждому из стимулов соответствует своя функция плотности вероятности: f (X/S) и f (X/N) (рис. 4).
Согласно принятому утверждению, правило принятия решения определяется выбором граничной точки С (ее еще называют критической точкой или величиной критерия принятия решения о наличии сигнала), такой, что если интенсивность Х в данной пробе превышает С, то следует ответ "Да", если же не превышает, то — "Нет". Легко видеть по рисунку, что вероятность ложной тревоги p(FA) равна вероятности того, что интенсивность Х (при условии, что предъявлен ) превзойдет С, т.е. равна заштрихованной области под кривой f (X/N). Вероятность попадания р(Н) равна вероятности того, что Х (при условии, что предъявлен ) превзойдет С, т.е. равна незаштрихованной области под кривой f (X/S).
Если критерий С находится далеко вправо (показано на рис. 4 одной стрелкой), то, очевидно, p(FA) = p(H) = 0. Если теперь начать двигать критерий справа налево, то при каждом очередном значении мы будем получать новую пару p(FA) и р(Н), причем оба значения будут возрастать (или по крайней мере не убывать), пока при достаточно далеком левом положении С оба не станут равны 1 (показано двумя стрелками на рис. 4). Поскольку каждое значение С однозначно определяет пару чисел p(FA) и р(Н), то ему можно поставить в соответствие точку внутри квадрата (рис. 5), на вертикальной стороне которого откладывается р(Н), а на горизонтальной — p(FA), и таким образом представить результат работы наблюдателя.
Полученная по этим точкам кривая называется рабочей характеристикой наблюдателя или просто — РХ. Любая пара распределений, f (X/S) и f (X/N) однозначно определяет РХ, но обратное неверно: одна и та же РХ может определяться различными парами f (X/S) и f (X/N). РХ идет из точки (0,0) квадрата в точку (1,1) и при этом располагается выше его главной диагонали. Последнее следует из того, что распределение f (X/S) сдвинуто вправо этносительно f (X/N), т.е. р(Н) превышает p(FA)*.
* Очевидно, что когда наблюдатель фактически не обнаруживает сигнал и p(H) = p(FA), точки РХ будут лежать на диагонали.
Вероятности р(Н) и p(FA) меняются содружественно, т.е. нельзя только путем изменения схемы соответствия одновременно увеличить одну из них и уменьшить другую (или, что то же самое, нельзя одновременно уменьшить или увеличить вероятности ошибок обоих родов, FA и О). Это очень важное положение верно для любых пар f (X/S) и f (X/N). Из него следует, что только пара этих вероятностей, а не каждая в отдельности, характеризует сенсорную способность наблюдателя.
Допустим, в эксперименте с симметричной платежной матрицей (V=W) и P(S) = 0,5) испытуемый установил положение критерия, как это показано на рис. 6а.
Результаты этого мысленного эксперимента с так называемым симметричным критерием представлены в таблице 3.
Таблица 2
Вероятности исходов эксперимента с симметричной платежной матрицей и P(S)=0.5
Это положение критерия оптимально в том смысле, что суммарный выигрыш испытуемого в этом случае будет максимален.
Пусть теперь в следующем эксперименте платежная матрица осталась симметричной, a P(S) = 0.9.
Таблица 3
Вероятности исходов эксперимента с симметричной платежной матрицей и P(S)=0.9
Теперь (рис. 6б), чтобы сохранить тот же выигрыш, наблюдателю необходимо сдвинуть критерий так, чтобы р(Н) резко возросло, даже за счет возрастания p(FA) — теперь важнее не пропустить сигнал, чем не дать ложную тревогу! Следовательно, критерий С сдвинется влево. В данном случае говорят, что наблюдатель использует либеральный критерий.
Пусть в третьем эксперименте при симметричной платежной матрице P(S) установили равной 0.1.
Таблица 4
Вероятности исходов эксперимента с симметричной платежной матрицей и P(S)=0.1
В этой ситуации (рис. 6в) критерий должен быть сдвинут вправо, и в этом случае говорят об использовании строгого критерия. Аналогичные изменения положения критерия принятия решения можно рассмотреть и при изменениях платежной матрицы при постоянной величине P(S).
Для каждой пары f (X/S) и f (X/N), если заданы V,W и P(S), может быть рассчитано оптимальное положение С — то, при котором выигрыш максимален. В соответствии с данной логикой можно исследовать вопрос, насколько реальное положение критерия, выбираемое испытуемым, близко к оптимальному. Но, разумеется, это можно сделать лишь в том случае, если мы можем восстановить по результатам экспериментов теоретическую схему, т.е. построить функции распределения f (X/S) и f (X/N) и найти критерий С.
Итак, перед нами стоит задача восстановления теоретической схемы по экспериментальным данным. Прежде всего, разберемся в том, что представляют собой экспериментальные данные. Пусть выбраны стимулы и и проведен эксперимент по методу "Да-Нет". Результатом эксперимента является пара вероятностей р(Н), p(FA). Далее какие-то параметры эксперимента меняются (из-менятеся P(S) и/или платежная матрица, или снимается обратная связь и заменяется на предварительную информацию или что-то еще), и эксперимент повторяется с теми же и . Получаем, вообще говоря, другую пару р(Н), p(FA). Повторяя эксперимент несколько раз, мы будем иметь в результате несколько пар р(Н), p(FA), т.е. несколько точек РХ. Разумеется, и это очень важно, мы можем считать все эти пары р(Н) и р(РА) точками одной РХ лишь постольку, поскольку предполагается, что изменения экспериментальных параметров могут привести только к изменению положения критерия С, но не к изменению схемы соответствия, в более широком смысле слова включающем возможное привлечение новых сенсорных качеств, замену одного качества на другое и в результате, если это новое качество одномерно, — получению новой пары распределений f(X/S) и f (X/N). Таким образом, проблема формулируется так: по нескольким точкам РХ нужно восстановить f (X/S), f (X/N) и С. Однако, мы уже говорили, что в таком виде проблема не решается, так как даже если бы была известна вся РХ (т.е. все точки, а не несколько, чего никогда, естественно, не бывает), распределения f (X/S) и f (X/N) не восстановимы однозначно. Поэтому в модели, которую мы излагаем (обычно называемой, хотя и не совсем точно, теорией обнаружения сигналов, ТОС) принимается еще одно упрощающее предположение (впрочем, в отличие от первого, оно допускает прямую экспериментальную проверку, о чем речь пойдет ниже): существует такая монотонная трансформация оси интенсивности, в результате которой оба распределения становятся нормальными. Для краткости трансформированную ось мы будем обозначать просто через z и говорить о z-значениях. Под монотонной трансформацией понимается система всевозможных растяжений и сжатий различных областей оси Х так, что если точка q лежит левее r, то после трансформации это отношение сохраняется. Примером такой трансформации является логарифмирование, растягивающее положительную полуось действительных чисел на всю действительную ось. Итак, мы имеем два нормальных распределения, причем всегда можно считать, что на оси выбрана такая позиция нуля и такой масштаб, что f (Z/N) имеет центр в нуле и стандартное отклонение, равное 1. Для восстановления теоретической картины, таким образом, необходимо определить положение центра и стандартное отклонение распределения f (Z/S).
Если допустить, что σs,n = 1, т.е. дисперсии обоих распределений равны, а центр распределения f (Z/S) сдвинут вправо от центра распределения f(Z/N) на величину а, тогда
В этом случае вместо а обыкновенно пишут специальный символ d' и называют эту величину мерой чувствительности наблюдателя к сигналу. Чувствительность к сигналу характеризуется степенью отличия Z-величин, вызываемых , от Z-величин, вызываемых . Чем меньше величина d', тем больше перекрываются области Z-значений, соответствующих и (рис. 7).
Легко видеть, что при одном и том же положении критерия С, а следовательно, при одной и той же величине p(FA), величина р(Н) тем ближе к p(FA), чем меньше d'. Если d' = 0, то p(FA) = р(Н) при всех С и, следовательно, РХ в таком эксперименте совпадает с главной диагональю квадрата (рис. 8). Если d' > 0, РХ лежит выше диагонали и имеет гладкий и симметричный вид относительно побочной диагонали, идущей из (0,1) в (1,0). Чем больше d', тем более выпукла РХ влево-вверх и тем дальше она отстоит от главной диагонали. Как же практически вычислить d' и С по результатам эксперимента? Сколько точек РХ следует для этого иметь?
Оказывается, достаточно только одной точки, т.е. только одной пары p(FA), p(H). Действительно,
Это уравнение необходимо решить относительно С. Введем новый термин: нахождение С по Р в уравнении (12):
Сделать Z-преобразование можно по обычной таблице нормального распределения. Если есть таблица, показывающая для каждого С значение интеграла (12), то нужно попросту отыскать в таблице значение интеграла, наиболее близкое к Р, и посмотреть слева, какому С оно соответствует. Легко показать, что уравнение (11) в терминах Z-преобразования имеет решение:
Теперь допустим, что С найдено. Как, зная р(Н), найти величину d'? Рассмотрим теоретическую картинку, из которой удалено распределение, соответствующее N (оно уже не понадобится, см. рис. 9а). Сдвинем все распределение вдоль оси Z вместе с критерием С влево так, чтобы центр совместился с точкой 0. Критерий С при этом, очевидно, займет позицию (С - d'), а заштрихованная область не изменится и останется равной по площади р(Н) (см. рис. 9б). Но наше сдвинутое распределение имеет центр в нуле и единичную дисперсию.
Следовательно:
Допустим теперь, что проведен новый эксперимент с измененными параметрами, так что получена новая пара p(FA) и р(Н). Если наше предположение относительно f (Z/S) и f (Z/N) верно (т.е. они оба нормальны и имеют одну и ту же дисперсию), то, несмотря на изменение величины С прямо определяемой по формуле (14), величина d’, определяемая по формуле (17), должна оставаться постоянной. Мы приходим к важному заключению: если по оси абсцисс откладывать величины Z[p(FA)], а по оси ординат — z[p(H)], то точки РХ должны выстроиться в прямую линию, описываемую уравнением (17): z[p(H)] = z[p(FA)] + d', и наклоненную под 45° к оси абсцисс. График зависимости Z[p(H)] от Z[p(FA)] (см. рис. 10) называется РХ в двойных нормальных координатах. Из соотношения (17) вытекает способ экспериментальной проверки предположений, принятых о нормальности распределений и равенстве дисперсий. Пусть мы провели К экспериментов и получили К точек РХ (К ≥ 2).
Построим РХ в двойных нормальных координатах: z[p(FA)] и z [p(H)j. Поскольку вероятности р(Н) и p(FA) оценивались по частотам (т.е. мы имеем лишь их приблизительные значения), то точки; соответствующие z-преобразованиям, будут отклоняться от теоретической прямой (с наклоном 45 градусов) даже в том случае, если проверяемые предположения верны. Следовательно, надо провести прямую наилучшего приближения и проверить с помощью стандартных статистических средств, значимо или не значимо ее наклон отличается от 45°. Если отличие не значимо, исходные предположения могут считаться верными, а величина свободного члена в формуле прямой дает нам статистическую оценку d'. Разумеется, всем этим выводам должна предшествовать проверка того, является ли расположение экспериментальных точек хорошим приближением к прямой линии, т.е. необходимо провести статистический тест на линейность.
Допустим теперь, что удалось показать, что z-преобразованная РХ не является прямой с наклоном в 45 градусов. Тогда мы можем обратиться к более общему варианту нашей теоретической схемы: допустить, что σs распределения f(z/S) произвольна, но оба распределения нормальны. Очевидно, формула (14) сохраняет свою силу, так как С определяется только по p(FA). Изменения по отношению к случаю с σs,n = 1 появляются лишь в том месте, где распределение f(z/S) вместе с критерием С сдвигается влево до совмещения центра с нулевой точкой. Теперь мы уже не можем написать формулы (15) и (16), так как сдвинутое распределение описывается формулой:  . Однако, если мы вдобавок к сдвигу сожмем ось Z ровно в σ раз, то распределение приобретет нужную нам табличную форму. При этом критерий С, который после сдвига занял позицию С - а (мы уже не напишем d' вместо а), займет позицию . Итак:
Итак, если оба распределения нормальны, то график РХ в двойных нормальных координатах должен быть прямой линией с наклоном 1/σ (см. рис.11). Для проверки предположения о нормальности нужно оценить возможность описания экспериментальных точек линейной функцией или, (другими словами) "хорошесть" подгонки прямой линии к экспериментальным точкам.
На основании статистических оценок предположение о нормальности отвергается, если даже наилучшая (в смысле метода наименьших квадратов, например) прямая плохо подходит к данным.
Предположим, что распределения f(z/S) и f(z/N) имеют одинаковые дисперсии, то есть РХ в двойных нормальных координатах является прямой линией с наклоном 1. Положение каждой отдельной точки на РХ соответствует некоторому положению критерия С.
Можно показать, что при сделанных нами допущениях о нормальности распределений и равенстве дисперсий каждому положению С взаимно однозначно соответствует так называемое отношение правдоподобия (в точке С) — β, которое определяется как:
Здесь f(C/S) и f(C/N) представляют собой значения функций плотности вероятности f(X/S) и f(X/N), взятые в критической точке С. Отношение правдоподобия β характеризует то, во сколько раз правдоподобнее, что сенсорная репрезентация, равная по величине значению С, будет вызвана значащим стимулом, чем стимулом пустым.
По некоторым теоретическим соображениям положение критерия принято характеризовать именно этим значением β, а не самой величиной С.
Значения f(C/S) и f(C/N) легко найти, зная р(Н) и p(FA). Для этого необходимо воспользоваться таблицей плотности нормального распределения: найти значения плотностей, соответствующие Z[p(H)] и Z[p(FA)] (что мы уже умеем делать). Эти значения обозначаются через f[p(H)] и f[p(FA)]. Таким образом:
Оказывается, однако, что не обязательно искать f-преобразования для того, чтобы вычислить β. Вместо этого проще (и полезнее) вычислить lnβ прямо по z-преобразованным вероятностям. Дело в том, что в формулы, выражающие р(Н) и p(FA) через d' и β, последняя входит только в форме lnβ (попытайтесь сами вывести эти соотношения):
|
