Detailansicht
Bayesian workflow for cognitive scientists
an accessible tutorial
Jakob Weickmann
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Psychologie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Psychologie
Betreuer*in
Claus Lamm
Mitbetreuer*in
Lei Zhang
DOI
10.25365/thesis.70174
URN
urn:nbn:at:at-ubw:1-11174.76957.536137-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Von einem beobachtbaren Effekt auf dessen Ursache zu schließen, das war der Traum des Pastoren Thomas Bayes, Begründer des Bayestheorems. Der Bayesianische Ansatz ist ein statistisches Framework, welches mächtige und doch flexible Modellierungsprozesse und Analysen erlaubt. Dieses Framework erlaubt die Integrierung von Vorwissen und fachlicher Expertise in das Modell in Form von a-priori Wahrscheinlichkeitsverteilungen. Dies trägt dazu bei, dass Bayesianische Modelle selbst bei kleinen Stichprobengrößen besonders robust in der Parameterschätzung sind (Lee, 2011; van de Schoot et al., 2021). Daher ist es nicht verwunderlich, dass Bayesianische Statistik eine beliebte und verlockende Wahl für Kognitionswissenschaftler*innen geworden ist, insbesondere auch für hierarchische Computermodelle (Nicenboim & Vasishth, 2016; van de Schoot, Winter, Ryan, Zondervan-Zwijnenburg, & Depaoli, 2017). Auch wenn die Beliebtheit Bayesianischer Statistik gemeinsam mit der Entwicklung leistungsfähiger Rechenhardware und -software zugenommen haben mag, besteht noch immer einen Mangel an umfassenden und zugänglichen Tutorials, die die Implementierung and Anwendung eines vollständigen Bayesianischen Workflows für statistische und kognitive Modelle vermitteln. Die ersten Schritten können durchaus einschüchternd sein, da das Bayesianische Modellieren anfällig für die Wahl der a-priori-Verteilungen sowie für die Formulierung des passenden generativen statistischen Modells ist. In diesem Tutorial demonstriere ich einen vollständigen Bayesianischen Workflow in R und der probabilistischen Programmiersprache Stan anhand zweier Beispiele: Einer linearen Regression sowie eines komplexeren hierarchischen Modells von bestärkendem Lernen (reinforcement learning). Dieses Tutorial sollte besonders hilfreich für all jene sein, die anfangen möchten, eigene Bayesianische Rechenmodelle zu erstellen.
Abstract
(Englisch)
Going from an observable effect back to its cause, this was the dream of reverend Thomas Bayes, father of the Bayes’ theorem. The Bayesian approach is a statistical framework that allows for powerful yet flexibel modelling processes and analyses. In Bayesian models, existing domain expertise is integrated via the choice of prior probability distributions, making Bayesian models robust in their parameter estimation, even when the data samples are small. This makes Bayesian statistics especially attractive in the cognitive sciences, where prior knowledge is relatively abundant, yet sample sizes are usually small (Lee, 2011; van de Schoot et al., 2021). Therefore it is not surprising, that Bayesian statistics have become a popular and compelling choice for cognitive scientists, especially when it comes to hierarchical computational modelling (Nicenboim & Vasishth, 2016; van de Schoot, Winter, Ryan, Zondervan-Zwijnenburg, & Depaoli, 2017). However, although the popularity of Bayesian statistics is has been growing alongside the increasing accessibility of high-performing computing hardware and software, there is still a lack of accessible and comprehensive tutorials for cognitive scientists that demonstrate the implementation and application of a full Bayesian workflow for statistical and cognitive modelling. The first steps can be intimidating, as Bayesian modelling is sensitive to the choice of prior and the formulation of the generative statistical model. In this tutorial, I demonstrate a full Bayesian workflow with two examples - a linear regression model as well as a more complex hierarchical reinforcement learning model - using R and the probabilistic programming language Stan. This tutorial should be particularly useful for all those who want to begin making their own computational models within the Bayesian framework.
Schlagwörter
Schlagwörter
(Englisch)
linear regression reinforcement learning prior predictive checks posterior predictive checks hierarchical modelling Stan rstan
Schlagwörter
(Deutsch)
Lineare Regression bestärkendes Lernen a-priori-Verteilungen a-posteriori-Verteilungen hierarchische Modelle Stan rstan
Autor*innen
Jakob Weickmann
Haupttitel (Englisch)
Bayesian workflow for cognitive scientists
Hauptuntertitel (Englisch)
an accessible tutorial
Paralleltitel (Deutsch)
Bayesianischer Workflow für Kognitionswissenschaftler*innen
Paralleluntertitel (Deutsch)
ein zugängliches Tutorial
Publikationsjahr
2021
Umfangsangabe
v, 68 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claus Lamm
Klassifikation
77 Psychologie > 77.03 Methoden und Techniken der Psychologie
AC Nummer
AC16463817
Utheses ID
60084
Studienkennzahl
UA | 066 | 840 | |