Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos de Procesamiento Multinomial en La Monitorizacion de La Fuente
Modelos de Procesamiento Multinomial en La Monitorizacion de La Fuente
fuente
Artículo completo en: Psychological Review, 1990, vol. 97, No. 4, 548-564.
Normalmente se aplican tests estadísticos separados (entre grupos) para cada una de
estas medidas.
Debemos realizar varias observaciones sobre la aproximación al análisis de datos
presentado por los estadísticos H, F e I. En primer lugar, los estadísticos combinan datos de
diversas fuentes y esto puede enmascarar la detectabilidad diferencial y la discriminabilidad de
cada fuente. Algunos autores responden a esta crítica calculando puntuaciones I
separadamente para cada fuente, esto es, trabajan con dos puntuaciones I:
para cada i = 1, 2.
En segundo lugar, si la variable “fuente” se ignora, entonces H y F representan las
medidas usuales de Aciertos y Falsas Alarmas en una tarea de memoria de reconocimiento
Si/No. Está bien documentado que el análisis separado (entre grupos) de los aciertos y las
falsas alarmas puede llevar a una visión errónea de la memoria de reconocimiento. Es por ello
que durante décadas la práctica estándar ha sido combinar los éxitos y las falsas alarmas en un
único estadístico que mide la detectabilidad del ítem (v.g., d’ de la Teoría de Detección de
Señales o su simple diferencia, es decir H-F).
Una tercera observación es que el índice I puede interpretarse como una estimación
de la probabilidad condicional de una identificación de la fuente correcta dado que el ítem se
informó (correctamente) como viejo. Mientras que el estadístico I tiene cierta validez para
medir la discriminabilidad de la fuente, se ha demostrado que estadísticos superficiales tales
como I pueden reflejar los efectos combinados de diferentes procesos cognitivos. Por
consiguiente, estos tipos de estadísticos pueden ser difíciles de interpretar y en algunas
circunstancias incluso pueden llevar a conclusiones erróneas. En definitiva, sin un modelo
sustantivo no hay una forma racional de eliminar del estadístico I de aquellos factores
contaminantes que le pueden afectar (por ejemplo, los sesgos de respuesta o guessing).
Detección estimular
Discriminación de la fuente
Condicionado a que un ítem haya sido correctamente detectado como viejo, el sujeto
o bien es capaz de identificar correctamente la fuente de ese ítem o no es capaz de ello.
Definamos d1 y d2 como las probabilidades de discriminar la fuente de ítems detectados A y B,
respectivamente. De nuevo, estos parámetros pueden diferir para una fuente u otra y por ello
se mantienen separados en árboles de procesamiento diferentes y, por ello, con símbolos
diferenciados.
Sesgos de respuesta
Los restantes parámetros son parámetros que denotan varios sesgos de respuesta. El
parámetro b es la probabilidad de responder “viejo” a un ítem no detectado como viejo.
Cuando un ítem es detectado pero la fuente no se puede discriminar (con probabilidad Di (1-
di)), entonces el parámetro a representa la probabilidad de adivinar que el ítem pertenece a la
fuente A. El parámetro g también es la probabilidad de adivinar que un ítem pertenece a la
fuente A pero para ítems no detectados que el sujeto ha “supuesto” o adivinado que son
viejos. En el caso general, permitimos la posibilidad de que los parámetros a y g puedan diferir
ya que en términos psicológicos se podría sesgar los ítems detectados y los no detectados de
manera diferente.
Hay dos rasgos obvios en el modelo de la Figura 1 que son importantes. En primer
lugar, los parámetros individuales son probabilidades condicionales que se corresponden con
los vínculos en los árboles y se producen en más de un lugar en los árboles. En segundo lugar,
a menudo hay varias ramas en los árboles que se combinan en la misma categoría observable.
Así, por ejemplo, en el árbol para los ítems de la fuente A, se puede responder A desde tres
ramas diferentes:
- D1 → d1 → A
- D1 → 1-d1 → a → A
- 1-Dd → b → g → A
Ω7 = {< 𝐷1 , 𝐷2 , 𝑑1 , 𝑑2 , 𝑏, 𝑎, 𝑔 >}
en donde cada parámetro es una probabilidad que mide alguna capacidad de procesamiento.
Debido a que el modelo general de las ecuaciones implica sólo 6 grados de libertad (los 9
valores de la tabla T en la población menos 2 grados de libertad ya que para cada fuente deben
cumplirse dos restricciones:
1ª) que los valores de los parámetros, al ser probabilidades, deben situarse entre 0 y 1,
y
2ª) la suma de estos tres valores debe ser igual a la unidad
pero disponemos de 7 parámetros, resulta que el modelo técnicamente no es identificable.
Esto significa que un conjunto de valores numéricos para las probabilidades de la
matriz T puede ser generado, no a través de un único conjunto sino a través de múltiples
conjuntos de parámetros en Ω7 . Esto complica el análisis del modelo ya que los métodos
clásicos de estimación de parámetros y de prueba de hipótesis (v.g., máxima verosimilitud o X2
mínimo) pueden no producir una estimación única de los parámetros. Una forma de solventar
el problema de la falta de identificabilidad para el modelo Ω7 es adoptar una perspectiva
Bayesiana. Una segunda forma de manejar el problema de la no identificabilidad es considerar
casos especiales de Ω7 imponiendo restricciones sobre los parámetros. Hay tres tipos de
restricciones en el modelo actual que son de interés psicológico: a) Asumir que los parámetros
de detección son iguales, es decir, D1 = D2; b) Asumir que los parámetros de discriminación son
iguales, es decir, d1 = d2; c) asumir que las tasas de sesgo son iguales, es decir, a = g.
Combinando la presencia o ausencia de cada restricción independientemente, esto crea ocho
posibles modelos que se presentan en la Figura 2.
Figura 2
El modelo en lo alto de la Figura 2 es el modelo de 7 parámetros original. La segunda
fila de la Figura 2 presenta tres modelos, cada uno con 6 parámetros. El modelo 6a simplifica el
modelo general imponiendo la restricción de que D1 = D2. El modelo 6b exige d1 = d2 y el
modelo 6c exige que a = g. En la siguiente fila hay versiones de 5 parámetros del modelo, cada
una con dos de las restricciones previas (v.g., el modelo 5a agrupa las restricciones de los
modelos 6a y 6b). Por último, la versión del modelo en la parte inferior de la Figura 2 es un
modelo de 4 parámetros que resulta de imponer todas las restricciones.
Desde un punto de vista estadístico, la Figura 2 representa una jerarquía anidada de
árboles de procesamiento para la monitorización de la fuente, cada uno de los cuales se
corresponde con un modelo multinomial para la estructura de datos de T.
Cada uno de los modelos de la Figura 2 impone alguna restricción probabilística sobre
las 9 probabilidades que caracterizan el modelo general. Algunas de estas restricciones son
restricciones de desigualdad. Desafortunadamente, estas restricciones no producen una
disminución en el número de parámetros funcionalmente independientes, es decir, no hay una
reducción en el número de grados de libertad. Un ejemplo familiar de una restricción de este
tipo que no produce disminución de los grados de libertad es imponer la condición de que la
probabilidad de aciertos no sea menor que la probabilidad de falsas alarmas en la mayor parte
de los modelos de detección de señales Si/No, es decir que
𝑃(𝐴) ≥ 𝑃(𝐹)
Otras restricciones implican igualdades entre algunas probabilidades del modelo
general. Estas, normalmente, sí resultan en una reducción en el número de variables
independientes y, por ello, en una reducción del número de grados de libertad. Un ejemplo
familiar de tales restricciones es la regla de las razones constantes de Luce para modelos
probabilísticos.
Esta expresión muestra que I depende de los 7 parámetros de Ω7 , en vez de solo d1 o d2, que
son los parámetros reales de discriminación de la fuente en el modelo.
𝐷(1 − 𝑏 + 𝑑) + 𝑏
𝐼=
2(𝐷(1 − 𝑏) + 𝑏)
Esta ecuación muestra que I depende sistemáticamente de los tres parámetros del
modelo. De hecho, simples cálculos con derivadas parciales muestran que I se incrementa
uniformemente con d, como se desea; sin embargo, también se incrementa uniformemente
con D y decrece uniformemente con b. Esto muestra que el estadístico I depende del nivel de
reconocimiento global. Por ello que el estadístico I no es una buena medida de discriminación
de la fuente excepto en el caso improbable de que los grupos que se comparen estén
igualados en el resto de capacidades de procesamiento. De otra forma, podría cambiar
sistemáticamente entre grupos sin que realmente cambie la capacidad de discriminación de la
fuente.
Debido a estos problemas potenciales con los estadísticos empíricos o superficiales,
recomendamos a cualquiera que realiza investigación en monitorización de la fuente que se
utilice algún tipo de modelo de árbol de procesamiento, al menos, como suplemento a las
medidas empíricas tradicionales. Para decirlo de forma sucinta, simplemente no hay una forma
a-teórica de interpretar los datos sobre monitorización de la fuente. Además, hay buenas
razones teóricas para dudar sobre la validez de un análisis basado en las medidas tradicionales.
Preguntas:
2.- Busque y explique en qué consiste la Teoría de Detección de Señales y cómo se aplica al
reconocimiento de ítems.
4.- Explique en términos procesuales el árbol de procesamiento para los ítems A y para los
ítems nuevos.
6.- ¿Qué es una restricción de desigualdad? ¿Cree que la restricción de desigualdad que se ha
puesto como ejemplo en el texto es psicológicamente razonable?
7.- ¿Qué aspecto de este resumen sobre los árboles de procesamiento le ha resultado más
impactante o sorprendente?
8.- Busque y explique en qué consiste la regla de las razones constantes de Luce.