Лада Приора
- Подробности
Замена передних стоек Лада Приора своими руками.
Замена передних стоек Лада Приора производится в случае их выхода из строя. Признаками неисправности передних стоек чаще всего являются: глухие стуки, скрипы и щелчки, которые возникают во время движения автомобиля по неровной дороге и доносятся из-под колесных арок.
- Подробности
Замена ремня ГРМ на Лада Приора.
Замена ремня ГРМ на Лада Приора можно сказать стандартный, как на всех переднеприводных ВАЗах, если не учесть тот момент что на Лада Приора два распредвала.
- Подробности
Замена термостата на Лада Приора своими руками.
Необходимость замены термостата на автомобиле Лада Приора возникает при его неисправности или при появлении течи охлаждающей жидкости (антифриза, тосола). Первый признак, который должен насторожить автолюбителей, что термостат неисправен — очень долго машина работает на высоких оборотах двигателя и не нагревается.
Лада Приора технические характеристики ТТХ: размеры и масса, узлыЛада Приора стала приемником ВАЗ-2110, переняв от нее несколько элементов и получив симпатию отечественных автовладельцев — куда же мы без тазов. Около 400 деталей было переделано. В своем сегменте Лада Приора получает одну из лучших оценок благодаря своей неприхотливости и хорошим показателям. Но что точно стоит сказать о машине, технические характеристики автомобиля Приора вполне приличны для своего класса. АвтоВАЗ представил модель ВАЗ-2170 в середине нулевых годов, Приора выпускалась с 2007 по 2018 годы, а в 2013 году претерпела рестайлинг с небольшими изменениями. За все время было выпущено большое количество автомобилей ВАЗ, появилось немало идей по улучшению и стилизации машин Лада Приора. Технические характеристики это тот момент по которому опытный водитель выбирает себе машину, не за красивые глаза же ее брать. Хотя посмотрите на рисунок ниже и на ее глаза. 🙂 ТТХ двигателя автомобиля Приора: 126 и 127 сколько лошадиных сил и крутящего моментаТехнические характеристики мотора автомобиля Приора показывают на борту 98 и 106 лошадиных сил. Это касается моторов с рабочим объемом 1,6 л.
Мотор 21127 является модифицированной версией 126 модели, но оба они выпускаются шестнадцатиклапанными. Кроме этого на Приоре есть два восьмиклапанных мотора рабочим объемом 1,6 л, которые выдают 81 и 87 л.с., но они не так распространены, как более новые версии. Что интересно, есть моторы с объемом 1,8 л.
В сопоставлении с весом автомобиля, шестнадцатиклапанных двигателей достаточно для свободного передвижения. Что касается технического состояния, ВАЗ-21126 и последующие модели превосходят восьмиклапанные версии движков, поэтому автовладельцы их выбирают чаще. К самой распространенной «компоновке» можно отнести Приору седан с двигателем 21126 и механической коробкой передач. Характеристики(ТТХ): коробки передач ПриорыПриора комплектуется двумя коробками передач:
Пятиступенчатая МКПП всегда стабильна. Задача владельца – следить за ней и давать ей должный уход, не уповая на то, что машина «починится сама». Передаточные числа таковы, что заставляют машину с шестнадатиклапанными двигателями достигать «сотни» всего за 11 секунд. Роботизированная АКПП также идет с пятью ступенями. Она является небольшой доработкой старой надежной японской коробки Jatco. По заявлению автоВАЗа, в разгоне не уступает машинам с МКПП. Могут возникнуть ошибки вроде пинков при разгоне. Убираются при помощи перепрограммирования ЭБУ. Сцепление сухое однодисковое, внутри – диафрагменная нажимная пружина. Привод выключения сцепления тросовый с авторегулировкой. Размеры кузова и масса автомобиля Лада Приора — хэтчбэк, универсал, седан, купе, лонгИдеальная машина для каждого своя – все зависит от того, зачем ее покупают. ХэтчбекКогда речь заходит про габаритные размеры, Лада Приора не может не радовать – с ней можно проехать даже по самому узкому двору. Снаряженная масса хэтчбека – 1163 кг, максимально допустимая – 1578 кг. Объем багажника – 360 л, а с разложенными сиденьями – 705 л. Высота равна 143,5 см, длина – 421 см. СеданГабариты седана немного отличаются, но масса автомобиля остается неизменной. Объем багажника при это равен 430 л. Размеры кузова седана составляют 142 см в высоту, длина равна 435 см. УниверсалУлучшенные технические характеристики Лада Приора универсал разрешают серьезно нагружать багажник – об усиленной подвеске заранее позаботились. В отличие от хэтчбека у универсала длина на 13 см больше – 434 см. Высота составляет 150,8 см. Объем багажника равен 444 л и 777 л при разложенных сиденьях. Полная масса может быть равна 1598 кг. КупеТрехдверный хэтчбек Lada Priora выпускался в спортивной версии и отличался улучшенными характеристиками – после рестайлинга под его капотом оказалось 123 лошади. Кузовные элементы пришлось переделать, что не так сильно сказалось на габаритах. Длина равна 424,3 см, высота 143,5 см. Лонг кузовУдлиненная Приора – это версия «Премьер», премиальная. Ее базу удлинили на 17,5 см, сделали заднюю дверь больше, а в стекло добавили дополнительную секцию. Под капотом появилось заметное преимущество – нужно больше «лошадей», чтобы тащить более тяжелую машину. Салон отделан изысканно и стильно. Характеристики подвескиХодовая часть Приоры была создана для спокойного проезда по ухабам и препятствиям, а также проезда по проселочной дороге. Конечно, ВАЗ-2170 – это не внедорожник, но она легко пройдет по многим местам. Передняя часть подвески является независимой, а задняя – полузависимой, за счет чего получается сделать машину мягче. Рычаги стабилизатора поперечной устойчивости вместе со стойками многие владельцы, почти сразу меняют на спортивный комплект – для того, чтобы машина не шаталась, когда выполняется резкий поворот. Телескопические амортизаторы стабильно гасят колебания при проезде препятствий, так что проблем с ней не возникнет.
Что касается дорожного просвета, для дорестайлинговой версии он составлял 165 мм, а для рестайлинговой – 170 мм. Колесная база равна 249,2 см, ширина передней колеи – 141 см, задней – 138 см. Подвеску можно занизить или завысить при желании – готовые комплекты для модернизации есть в открытой продаже. Тормозная системаТормоза спереди и сзади отличаются. Спереди установлены дисковые вентилируемые тормоза с однопоршневым плавающим суппортом и авторегулировкой зазора между колодками и диском, а сзади – барабанные тормоза. Тормозная система диагональная двухконтурная, гидравлическая. Оснащается вакуумным усилителем. Возможна работа с антипробуксовочной системой. Также сзади можно самостоятельно установить дисковые тормоза вместо штатных барабанных. Новая тормозная система также будет поддерживать работу ABS. Стояночный тормоз ручной, на тросике с приводом задних колес. priorik.ru
razmery.info Технические характеристики Lada PrioraВыпуск рестайлинговой LADA Priora («Лада Приора») начался с ноября 2013 г. С конвейера ОАО «АВТОВАЗ» сходят следующие автомобили этого семейства: ВАЗ-2170 — с кузовом седан, ВАЗ-2171 — с кузовом универсал, ВАЗ-2172-с кузовом хэтчбек (пятидверный и трехдверный). На автомобили могут устанавливаться два четырехцилиндровых шестнадцатиклапанных двигателя объемом 1596 см3 и мощностью 98 и 106 л.с. Нормы токсичности соответствуют стандарту Евро-4. Автомобили комплектуются пятиступенчатой механической коробкой передач с приводом на передние колеса. Обновленная LADA Priora соответствует современным требованиям по пассивной безопасности. Передний и задний бамперы изготовлены из ударопрочного материала, что обеспечивает поглощение энергии удара при столкновении. Центральные стойки, крыша и пороги имеют усиленную конструкцию. Во всех дверях для повышения стойкости при боковом ударе установлены металлические усилители. Информация актуальна для моделей Приора 2013, 2014, 2015, 2016, 2017, 2018 года выпуска.
В базовую комплектацию автомобиля входят: регулируемая по углу наклона рулевая колонка, электростеклоподъемники передних дверей, подушка безопасности водителя, наружные зеркала с электроприводом. Фары автомобиля могут работать в режиме дневных ходовых огней, которые не слепят водителей на встречной полосе и значительно снижают энергопотребление. Для более полного удовлетворения потребностей клиентов в комплектации автомобиля предусмотрены различные опции. К ним относятся: подушка безопасности переднего пассажира, преднатяжители ремней безопасности передних сидений, антиблокировочная система тормозов (ABS), система электронного контроля устойчивости (ESC), круиз-контроль, кондиционер, электростеклоподъемники всех дверей, электрическая регулировка зеркал, современная мультимедийная система, бортовой компьютер, автоматическое управление очистителем ветрового стекла, автоматическое управление внешним освещением, повторители поворотов в боковых зеркалах заднего вида, противотуманные фары, электрообогрев ветрового стекла. LADA Priora — это компактный, экономичный автомобиль, хорошо адаптированный к условиям нашего климата и особенностям российских дорог.
carpod. ru Характеристики Лада Приора. Комплектации, вес и модификацииЛада Приора была создана на базе седана десятой модели и увидела свет в 2007 году. От своей предшественницы она получила практически только боковой силуэт и целевую ориентацию: этот бюджетный автомобиль очень востребован у большинства автолюбителей благодаря оптимальному сочетанию цены и качества, из-за чего внимание к нему не ослабевает. Разумеется, покупатели, привлеченные небольшой стоимостью, интересуются его техническими характеристиками, о которых мы и рассказываем. Сводные данные по Ладе Приора (до рестайлинга 2013 года)ВАЗ 2170 (именно такую индексацию получила Приора) имеет улучшенный по сравнению с «десяткой» салон, 16-клапанный двигатель, объемом 1596 куб. см., и 5-ступенчатую механическую коробку передач во всех комплектациях (в первых комплектациях седана и хэтчбека с двигателем на 80 л.с. устанавливался 8-клапанный мотор). Сколько весит Лада ПриораВес автомобиля до рестайлинга 2013 года был следующим:
Таким образом, универсал – самый грузоподъемный из всех типов кузова Приоры. На сколько хватает бензобакаС максимальным наполнением объема бензобака Лада Приора, питаясь АИ-95 (по паспорту!) проедет:
Однако, дальность езды на полном баке приводится нами по грубой прикидке, поскольку в зависимости от комплектации и модификации она может несколько изменяться, хотя во всех случаях объем бензобака один и тот же: 43 литра. ГрузовместимостьГрузовая вместимость (не грузоподъемность!) Приор варьируется в зависимости от типа кузова. Так, багажники имеют разные объемы:
Как мы видим, этот объем не сильно отличается от седановского, поэтому говорить о том, что Приора-универсал создана для решения широкого ряда хозяйственных задач (относительно других вариантов этого авто), можно с очень большой натяжкой. Габариты ВАЗ 2170 и других модификаций ПриорыГабариты автомобиля – это то, что нужно учитывать при покупке, поскольку размеры парковочных мест, гаража, поворотов или въездных арок далеко не всегда универсальны. Высота измеряется от крайней точки переднего, до крайней точки заднего бампера. Ширина меряется в самом широком месте, а высота – от поверхности земли до крайней верхней точки крыши. Рейлинги и багажники не входя в высоту кузова. С учетом этого, габариты Приоры следующие:
Во всех четырех случаях ширина Приоры одна и та же – 1680 мм. Клиренс – 165 мм., хотя в комплектации Приора-спорт он несколько уменьшен, но это уже не так важно, поскольку в таком варианте этот автомобиль больше не производится. Модификации Лада Приора до 2013 годаАвтомобили ВАЗ 2170 Lada Priora I поколения имеют такие варианты кузова: 4-дверный седан, 5-дверные хэтчбек и универсал, и 3-дверный купе. В зависимости от года выпуска и комплектации, мощность двигателя может быть разной, что выглядит следующим образом. Двигатель Лада Приора 2007, седан, 1 поколениеИсходя из комплектации, седаны до рестайлинга 2013 года снабжаются такими двигателями:
Двигатель Лада Приора 2008, хэтчбек, 1 поколение5-дверные хэтчбеки выпускаются с 2008 года. В зависимости от комплектации они оснащаются:
Двигатель лада приора 2008, универсал, 1 поколениеС универсалом все проще. С самого начала выпуска он имел только один, но зато самый мощный в то время двигатель на 98 л/с, который разгонял автомобиль до 183 км/ч и потреблял 7,2 литра бензина на 100 км. пути в смешанном цикле. Двигатель лада приора 2010, купе, 1 поколениеС 2010 года Приора получает еще одну модификацию – трехдверный купе-хэтчбек. С ним тоже все достаточно просто, т.к. оснащается он 98-сильным 16-клапанным мотором, дающим наибольшую скорость 183 км/ч, потребляя в смешанном цикле 7,4 литра бензина на каждые 100 км., т.е. чуть больше, чем все остальные кузовные модификации. Рестайлинг Лада Приора 2013 годаРестайлинг 2013 года заключался в некоторых изменениях, касающихся внешнего вида, кое-какого оборудования, интерьера и двигателя. В числе таких изменений у Приор мы назовем:
Также с 2013 года Приоры выпускаются в другой двигательной комплектации, из которой убрали 80-сильный, но зато добавили новый двигатель на 106 л/с, который, как и все, развивает скорость до 183 км/ч, и сокращает расход топлива до 6,8 – 6,9 литра на каждую сотню км. Этим двигателем оснащаются «люксовые» комплектации Приоры. Конечно, такое уменьшение расхода топлива очень привлекает потребителя. Остается надеяться, что разработчики будут и дальше трудиться в этом направлении.
Комплектации Лады Приора ВАЗ 2170 и других модификацийВАЗ 2170 известен в таких комплектациях:
Конечно же, это не полный, а лишь ориентировочный обзор комплектаций Лады Приоры, который в пределах одной статьи вряд ли возможно привести целиком. Кроме того, комплектация несколько отличается также от типа кузова. Например:
vaz-russia.com Какой вес, двигатель и размер у Лада Приора Хетчбек(ВАЗ 2172)Лада Приора изначально производилась в четырех вариациях кузова: универсал, седан и хэтчбек (в том числе хэтчбек-купе). Однако наибольшую жизнеспособность, что вполне очевидно, имеют только два типа кузова: седан и хэтчбек, поскольку универсал пользуется не таким потребительским интересом, и в настоящий момент Приоры с таким кузовом больше не производятся. К слову, ВАЗ собирался производить Приору и в кузове кабриолет, но от этой идеи отказались, т.к. в нашей стране эта машина просто не найдет покупателя. Двигатели на Ладе Приоре хэтчбекНа 5-дверный хэтчбек ВАЗ 2172, выпускавшийся с 2007 года, устанавливается три двигателя с разной номинальной мощностью, объемом 1596 куб.см:
Двигатель Приоры Хэтчбек после рестайлинга 2013 годаВ 2013 создатели Приоры решили обновить ее дизайн, улучшить эргономику и дооснастить автомобиль согласно требованиям времени, вследствие чего из комплектации убрали 81-сильный и 89-сильный мотор. Вместо них устанавливаются новые 16-клапанные двигатели, хотя и прежнего объема:
Объем багажника лады приора хэтчбек: размер и характеристикиСреди всех Приор хэтчбек имеет самый маленький объем багажника – 360 литров против 430 у седана и 444 в универсальном кузове. Конечно же, багажник любого хэтчбека всегда меньше, чем у того же автомобиля в кузове седан. Однако, 360 литров – это много или мало? Вообще, современные легковые автомобили оснащаются багажниками, объемом от 300 до 500 литров, если не учитывать сугубо спортивные или полугрузовые машины с кузовом «универсал», которые пользуются небольшим потребительским интересом. Поэтому багажник хэтчбека Приора можно считать средним по емкости. И если разработчики изначально ставили бы перед собой задачу создать хэтчбек с более вместительным багажником, то им бы пришлось увеличивать габариты авто, выйдя за пределы заданного класса, ценового сегмента, или убрать задний диван. Если 360 литров кому-то мало, то вместимость Приоры можно увеличить, сложив спинки заднего сиденья или убрав его полностью. Габаритные размеры Лады Приоры ХэтчбекХэтчбек Приора имеет наименьшие габариты по длине против всех остальных кузовных исполнений. Его длина – 4240 мм в 5-дверном кузове, и 4210 – в 3-дверном кузове купе. Высота при этом представляет собой промежуточную позицию между низким седаном и высоким универсалом, и равняется 1435 мм. Вес хэтчбека Лада Приора (ВАЗ 21723)Снаряженная масса хэтчбека ВАЗ 21723 составляет:
Надо сказать, что полная масса (т.е. максимальный вес автомобиля с полной загрузкой, при котором возможна его эксплуатация) после рестайлинга осталась прежней, а именно – 1578 кг. Это означает, что грузовые возможности хэтчбека после рестайлинга сократились примерно на 100 кг, несмотря на прежний размер багажника. Чем хорош Лада Приора в кузове хэтчбек?Ответ на этот вопрос лежит в плоскости того, какими вообще достоинствами обладает такая кузовная вариация.
vaz-russia.com Габаритные размеры Приоры | PrioraPROАвтомобили Лада Приора разработаны специально для динамичных и стремительных городских дорог. Внешний вид их отличается своей собранностью, универсальностью и резвостью. Габаритные размеры Приоры подчеркивают её индивидуальность – для каждой модели, будь то хетчбек, седан или универсал, разработаны свои собственные габариты: — хетчбек по своей натуре, автомобиль более молодежный, за счет этого и более легкий и спортивный – его размеры: длина 4210 мм, ширина 1680 мм, высота 1435 мм; — более увесистый седан имеет размеры: длина 4400 мм, ширина 1680 мм, высота 1420 мм; — приземистый и солидный универсал соответствует следующим параметрам: длина 4340 мм, ширина 1680 мм, высота 1508 мм; — красавец Сoupe, быстрый и динамичный, имеет габариты: длина 4243 мм, ширина 1680 мм, высота 1435 мм. Габаритные размеры Лада Приоры мягко сочетаются со стилем её кузова. Это подчеркивается геометричными линиями, изящно выполненной решеткой радиатора, элегантными фарами как задними, так и передними. Добавляют уникальности открытые передние и задние арки колес, которые подтянуты к колесной арке задним бампером. Такое сочетание делает автомобиль приподнятым, обращающим на себя внимание. Кроме этого, габаритные размеры на Приоре может уверенно сопоставить прекрасной аэродинамике. При движении на высоких скоростях, в автомобиле обеспечен баланс подъемных и прижимных сил на передней и задней осях, а коэффициент сопротивления воздуха в кузове седан равен 0,34, что соответствует уровню лучших мировых аналогов. Во время краш-тестов, автомобиль Лада Приора, габаритные размеры которой достаточно невелики, в сравнении с авто её ценового сегмента, показала себя в лучшем виде: он соответствует последним европейским требованиям при боковом и фронтовом ударе. Абсолютная безопасность обеспечивается с помощью ремней безопасности для каждого пассажира, подушкой безопасности водителя, а в комплектации «люкс» еще и переднего пассажира. Также в Приоре были улучшены боковые стойки, пороги пола, установлены стальные брусья безопасности дверей. В обивку дверей встроены специальные демпфирующие вставки, которые позволяют обеспечить повышенную безопасность при боковом ударе. При возможном столкновении на невысоких скоростях, безопасность переднего пассажира увеличивается, благодаря мягкой накладке на панели приборов. priorapro.ru Новая Лада Приора багажник, размеры, габариты, клиренс, дорожный просвет Lada Priora рестайлингРазмеры рестайлинговой Лады Приоры существенно не изменились. Хотя за счет новых передних и задних бамперов длина Lada Priora изменилась на несколько миллиметров. По прежнему седан Lada Priora рестайлинг имеет самую большую длину, которая в новой версии составляет 4 350 мм. Длина универсала на 1 сантиметр короче, а вот хэтчбек Приора еще меньше, длина этой версии кузова составляет 4210 мм. Ширина всего семейства составляет 1 680 мм и колесная база одинакова для всех 2 492 мм. А вот высота у всех разная, седан Лада Приора 1 420 мм, хэтчбек 1 435 мм, а вот универсал вообще 1 508 мм в высоту. Большая высота универсала Priora объясняется наличием рейлингов на крыше. У хэтчбека же конструкция задней части кузова такова, что автомобиль получился выше седана. Что касается дорожного просвета или клиренса Лада Приора, то производитель указывает на цифру 165 мм у седана и хэтчбека, а у универсала Lada Priora клиренс составляет 170 мм. Однако по факту дорожный просвет больше, достаточно взять в руки рулетку и убедится в этом. Но производитель не ошибается, просто указывает дорожный просвет автомобиля при полной загрузке. В то же самое время производители иномарок хитрят и указывают дорожный просвет своих автомобилей в не нагруженном состоянии. поэтому реальный дорожный просвет иномарок и их официальные данные часто не совпадают. Объемы багажного отделения у новой версии Лада Приора во всех трех кузовах мало изменились. Объем багажника седана составляет 430 литров. Объем багажного отделения хэтчбека Priora меньше, всего 306 литров, но если сложить задние сидения (чего нельзя сделать в седане), то объем возрастает до 705 литров. В Приора универсал объем багажного отделения составляет 444 литров, а при сложенных сидениях достигает 777 литров. К сожалению задние сидения не складываются в ровень с полом, да и большие колесные арки съедают довольно много багажного пространства. Далее подробные данные о габаритах Лада Приора в таблице ниже.
Что касается размера шин Лада Приора, то производитель рекомендует устанавливать диски 14 дюймов. Размер покрышек может быть такой 175/65 R14 или 185/60 R14 или такой 185/65 R14. Самое интересное, что сегодня даже на Лада Гранта или Калина в хорошо упакованных комплектациях “Автоваз” предлагает 15-дюймовые колеса в качестве штатных. Почему такого нет на Приоре не понятно, хотя это не останавливает владельцев этих машин, которые ставят на свои Lada Priora колеса гораздо большего размера. myautoblog.net Lada Priora хэтчбек — технические характеристики
Эксплуатационные характеристики Лада Приора хэтчбек 1 поколения Максимальная скорость: 183 км/ч Модификации двигателей
Характеристики двигателя Расположение: спереди, поперечно Тормозная система Передние тормоза: Дисковые, вентилируемые Рулевое управление Усилитель руля: есть Трансмиссия Привод: Передний Подвеска Передняя подвеска: независимая, пружинная Кузов Тип кузова: хэтчбек Производство Год выпуска: с 2007 по 2013 kuruh.ru Технические характеристики Лады Приоры: Седан, Хэтчбэк, УниверсалВступлениеЛада Приора впервые сошла с конвейера в далеком 2007 году и сразу же завоевала популярность на рынке. Приора является доступным и практичным автомобилем, имеющим в себе ряд качеств, которые так сильно полюбились отечественному потребителю. Приора это рейстайлинг модели ВАЗ 2110, но с огромным количеством изменений, как по технической части, так и по внешности. Новая Лада получила индекс 2170-72 в зависимости от типа кузова, как и с десятым семейством. По сравнению с ВАЗ 2110 в ней появилось более 2000 новых инженерных решений. При проектировании ВАЗ 2170 большое количество внимания уделялось именно «болячкам» предыдущей модели, от которых, кстати, получилось избавиться. Новая Лада получилась более симпатичной и изящной, появились более привлекательные формы и современный вид. Со временем первичная модель подверглась ряду изменений и пережила несколько рейсталингов где менялись как внешняя часть, так и салон и даже технические характеристики. В последних годах выпуска она получила более мощный двигатель и новую трансмиссию. Технические характеристикиНиже поговорим о каждом элементе Лады Приоры отдельно, а именно рассмотрим в отдельности кузов, двигатель, багажник и т.д. КузовПриора выпускалась в нескольких кузовах. В 2007 году появился только седан, позже уже в 2008 году с конвейера сошел первый хэтчбэк и универсал. Седан 2170 Данный кузов получился весьма симпатичным и наиболее популярным среди молодежи. Приору начали покупать молодые люди и подвергать ее различному тюнингу. Это стало своего рода молодежным движением. Универсал 2171 Этот вид кузова является отличным решением для семейных людей. Универсал оснащён огромным багажником. Хэтчбэк 2172 Хэтчбэк не отличается от седана по техническим характеристикам и фронтальной частью кузова, но является короче на несколько сантиметров, что заметно не вооруженным глазом. ДвигательНа Ладу устанавливалось несколько типов двигателей с разной мощностью и количеством клапанов. Ниже в таблице приведены все устанавливаемые двигателя и их характеристики.
Коробка переключения передачПриора оснащалась несколькими КПП в зависимости от комплектации и года выпуска автомобиля. Все КПП является 5-ти ступенчатыми КПП с кулисой Данная коробка передач устанавливалась на автомобили с 2007 года до 2013 г.в. Является довольно надежной и неприхотливой КПП, основная ее «болячка», слабая вторая передача, которая со временем начинает вылетать. Тросиковая КПП Устанавливалась на автомобили с 2014 года выпуска. Получила большое количество положительных отзывов, изменилось положение передач, а именно задней передачи. Снизились вибрации, передаваемые в салон от КПП. Роботизированная КПП В 2014 году на люксовых комплектациях автомобиля начали устанавливать роботизированную КПП. Является очень надежной и неприхотливой, но ощутимо теряет в динамике по сравнению с механической КПП. Остальные характеристики
Фотогалерея← Замена ремня ГРМ на 8-ми клапаном моторе Замена помпы Лада Приора →enginehack.ru Лада Приора Хэтчбек White Horse › Бортжурнал › Меняем местами «габариты» и «стоп-сигналы»Посмотрел я на несколько БЖ про перестановку местами габаритов и стоп-сигналов и мне понравилось. А потом, в тот же день, заметил эту задумку на приорке в потоке. Это и послужило решающим моментом) В стоке (заводском исполнении) габариты сверху, а стоп сигналы снизу, что на мой взгляд смотрится не очень ( ночью машина похожа на каблук ), да и ниже кажется когда габариты снизу))) До переделки: Габариты Вкл. туманки Стопы Начинаем работу: Это отсносится к старым приорам, не обновленным, где уже идут диоды на габаритах. 1. Идем в багажник, открываем обивку фонаря, она на липучках. Находим коннектор и отсоединяем его… отсоединяем коннектор 2. Далее выкручиваем по три барашка на каждом фонаре. барашек) 3. Снимаем, достаем фонарь и находим патроны габарита и стопа: Патроны И наблюдаем картину… не лезет))) Чтоб народ не смог перепутать местами габарит, задний ход, повороты и габариты, на заводе придумали решение у каждого плафона есть своя форма, показано на рисунке, по месту увидите различия, наша задача отрезать лишнее простым канцелярским ножом. Как видим, на патронах по бокам разные выпуклости! У патрона габаритов, есть полость в одной выпуклости и в самом фонаре под эту полость есть нарост своего рода: Было 4. Берём и обычным канцелярским ножом срезаем этот нарост. Стало Теперь патрон стопа влазит в патрон габарита. А для того чтобы патрон габарита влез в то место в фонаре где раньше был стоп, берём и расширяем тем же ножом узкое место в патроне бывшего стопа: Было 5. Расширяем тем же ножом узкое место в патроне бывшего стопа. Стало Теперь все везде влазит! 6. Собираем всё в обратной последовательности. Для тех кто боится переделки, и сомневается что потом уже назад не вернёшь, скажу — всё легко становится назад! Места в плафоне хватит. Фото проделанной работы: Габариты Туманки Стопы Ночь: Габариты Стопы Слева переделка, справа сток Выводы делать вам, мне лично нравится больше вариант слева) В процессе работы Я не делал фотографий. Поэтому взял фото с соседних обзоров. www.drive2.ru Американские габариты на приоре! — Лада Приора Седан, 1.6 л., 2008 года на DRIVE2Всем привет, решил замутить себе такую тему, как габариты в поворотники, но на приоре оказалось посложнее, чем на десятках например или на девятках, там можно просто дополнительным патроном отделаться, но здесь все посложнее, собственно и расскажу… 1. Реле пятиконтактное 2шт соответственно на одну и другую сторону (реле можно абсолютно любые, самое главное пять контактов что бы было и все). Полный размер реле Полный размер колодка для реле Полный размер конденсатор Полный размер диод Следующее нужно все это дело спаять… Собственно паялось все по этой схеме Полный размер Далее получилась вот такая штукенция Следущеем днем полетел в гараж, начал колдовать! Полный размер отсоединить фишку с фары, снять штатную гофру. Теперь ищем в этом пучке три провода: Масса Габарит поворотник ТАм все просто, все контакты под своими цифрами: 6 — Габарит Оголяем провода как на этой фотографии Итак: 1 — Синий провод на поворотники у нас разрезан, часть которая идет с основной гофры в пучок на нее прикручиваем провод с 87 контакта 3 — Оранжевый провод который идет на габариты, прикручиваем к нему провод с 88 контакта 4 — Черный провод — это масса соответственно, к нему проводок с 85 контакта. Полный размер Далее прокладываем реле как вам удобно, все изолируем, я проложил в гофру и изолентой матанул еще! Полный размер Ну собственно результат, повортники моргают, габариты горят. Все как надо! ВСЕМ ДОБРА! www.drive2.ru |
Тест-драйв Hyundai Veloster и Citroen DS4: неформал против хипстера
Казалось, после кризиса класс «эмоциональных» автомобилей – тех, что выбирают не разумом, а сердцем – умрет совсем. Не считая премиум-сегмента, представители заграничных брендов убрали с нашего рынка кабриолеты, купе, а некоторые даже просто трехдверные хэтчбеки. Неужто останутся только «бюджетные» седаны да кроссоверы?
Особенно нам хотелось познакомиться с Veloster. Уж этот-то действительно уникальный образец! Да к тому же у него новый мотор и новая коробка передач – преселективный «робот» собственной разработки. В общем, грех пройти мимо.
А вот с DS4 мы хорошо знакомы, впервые встретившись ещё в 2012 году. Так что «француз» будет выступать у нас в качестве уже проверенного товарища, к тому же с классическими техническими решениями и некоторыми прагматичными особенностями. Вот и посмотрим, кто из двух оригиналов оригинальнее и чей функционал окажется интереснее.
С виду Hyundai Veloster оставляет одни эмоции! «Ну надо же! Обалдеть! А зачем? Умудрились же?! А ведь круто же получилось!», — это самый частый набор фраз и их последовательность, которую нам приходилось слышать от окружающих.
Действительно, сделать серийным автомобиль, у которого с одной стороны одна дверь, а с другой две – то есть Велостер единственный в мире четырехдверный (!) хэтчбек – было крайне смелым решением. Однако, одного этого хода явно бы не хватило. Именно поэтому создатели надели машину агрессивной внешностью в стиле спортивных тюнинг-проектов. Припавший к земле и раскаченный «кореец» в модном матовом окрасе особенно хорош сзади: огромная двухстволка выхлопа, массивный бампер с диффузором и хитрые изгибы кузова – не иначе раллийный болид, просто без спонсорских наклеек.
Необычное наблюдение за две недели теста: на Hyundai Veloster почему-то особое внимание обращали не просто молодые водители (на которых машина и рассчитана), а именно владельцы тюнингованных Приор, Калин и Самар. На мойках, заправках и во дворах «четкие пацаны» живо интересовались «валит ли» и «чё стоит».
Привычный за несколько лет продаж Citroen DS4 ажиотажа вокруг себя уже не собирает, хотя на заре появления взгляды «француз» к себе приковывал. Но публика у машины совсем другая и преимущественно женская. Она ценит его по-французски утонченный стиль, лишенный стремительности и состоящий из необычных линий и выраженных штрихов, создающих крайне привлекательный образ.
Апогеем художественного оформления тоже стали задние и тоже замаскированные двери с эффектной оконной линией. И хотя у Дээса створки есть с обоих сторон, каждая из них на треть короче обычных. Так создатели пытаются приблизить автомобили к модным молодежным купе. Но актуально это скорее для приспортивленного Hyundai, а вот для Citroen и его российских покупателей намного важнее то, что его клиренс, по сравнению с донором C4, увеличен на 30 мм. Французы на полном серьезе позиционируют модель как городской кроссовер.
Интересный факт в истории DS4: в 2012 году французский автомобиль получил сомнительный для России титул Gay Car of the Year.
Внутри DS4 от своего прародителя отличается не сильно. Основные особенности возложены на разницу в комплектациях и фактурах кожаной отделки, в которую, в отличие от C4, может быть завёрнут весь салон. Однако в доставшейся нам не самой богатой версии всех этих «премиум-фишек» нет. Интерьер всё равно радует европейской добротностью, качеством материалов и узнаваемым ситроеновским стилем, который почти не разошёлся с немецким построением эргономики.
Одна из ярких особенностей – фирменное панорамное лобовое стекло, заходящее на крышу. Вторая – возможность выбора цвета подсветки щитка приборов.
А вот Hyundai Veloster внутри, что твой Солярис. Несмотря на футуристично нарисованную переднюю панель в эдаком «десептиконовом» стиле, с качеством пластика и разнообразием фактур, мягко говоря, дела обстоят бедновато. Всё в темно-серых тонах и дубовенькое на ощупь.
Радует исключительное удобство пользование всем функционалом, приборка в спортивно-итальянском стиле и очень хорошие спортивные кресла с насыщенной поддержкой по бокам.
Задние же пассажиры, как и положено любому эгоистичному автомобилю, в обоих случаях подвержены всяческим невзгодам. И особенно достанется обитателям галёрки Hyundai, причем только двоим – по центру дивана сделана жесткая вставка с подстаканниками. Сначала нужно будет протиснуться в узкую заднюю дверь, ну а затем упереться головой в стеклянный потолок.
Veloster не только единственный четырехдверный хэтчбек, но ещё и единственный обладатель заводской наклейки «место для удара головой» — особенность задней части кузова такова, что человек среднего роста и выше оказывается на улице при открытой двери багажника, и может запросто получить ей при закрытии.
На этом фоне пассажиры Ситроена в фаворе – они только не смогут открыть окна, вклеенные намертво, и вытрут спиной задние стойки, протискиваясь через столь же узкие проёмы. В остальном задний ряд DS4 представляет традиционный хэтчбек с неплохим запасом места над головой и по ногам.
Оба автомобиля обладают вполне достаточным местом для хранения багажа, но очень большой высотой погрузки и небольшим проёмом – издержки дизайна. Однако «француз» переигрывает «корейца». У DS4 под пятой дверью 385 литров, добротная ворсовая отделка, крючки, розетка на 12В и даже выносной фонарик. У Veloster – 320 литров, оформленные недорогой пластмассой и частично «съеденные» сабвуфером.
Ну а что же в движении? У обоих наших оригиналов под капотом бензиновые турбомоторы 1.6. Французы оставили двигатель в средней форсировке 150 лошадиных сил и оснастили его классическим шестиступенчатым «автоматом», а корейцы выжали 186 «коней» и внедрили новейший семиступенчатый преселективный «робот» 7-DCT, аналогичный фольксвагеновоской коробке DSG.
Несмотря на то, что скоростные показатели у хэтчбеков почти идентичны (DS4 уступает Veloster всего 0,5 секунды в разгоне и 2 км/ч в «максималке») ощущения от автомобилей очень разнятся.
Начнем, конечно же, с новичка. В размеренном ритме движения Hyundai Veloster почти никак не проявляет свои спортивные турбо-амбиции. Мягкая притупленная эко-педалька газа сбивает предстартовый накал «почти двухсот лошадей». Работать акселератором нужно активно, не боясь. Тем более, что дальше в работу вступает трансмиссия.
И вот она-то, честно сказать, оставила крайне неоднозначные впечатления. Если водитель целеустремлен — то есть точно решил, что он будет делать, тормозить или разгоняться – вопросов минимум. Надавил как следует, и Veloster под методичное отщелкивание передач, рвется вперед, лихо обгоняя соседей по потоку. Заметил в дали красный – такое же уверенное и однозначное нажатие на тормоз, и «робот» быстро спустился до первой.
Как только начинается езда в стиле «разгон-торможение-разгон», то есть обычный городской ритм, коробка начинает жить своей жизнью: когда среагирует на акселератор, скинув пару передач вниз, когда нет. Когда сразу убежит на седьмую, когда задержится на третьей. На переключениях вниз может ощутимо толкнуться, когда не поймёт на две передачи опуститься или на три, а иногда на первой и «затроить» у светофора, передавая вибрации в салон.
Veloster – самый «рулёжный» на фоне всех своих собратьев из Hyundai, на которых мы ездили. Корейцы никогда не баловали искушенных водителей, ну а тут немного постарались. Машина хорошо идёт за «баранкой», отлично держится на дуге и неплохо докручивается в поворотах. Система изменения усилия на руле, по-прежнему, больше игрушка — искусственое пережатие в режиме Sport не улучшает связь с колесами.
Совершенно неожиданно новый «робот» загнал Veloster и заодно нас в ловушку. Проезд ремонтируемого участка дороги по зыбкой щебёнке закончился тросом и тягачом. Как оказалось, коробка совершенно не умеет плавно трогаться и тихонько катиться в небольшой натяг. На аккуратные миллиметровые нажатия акселератора 7-DCT реагирует только запахом сжигаемых сцеплений, но двигать машину отказывается, а дальнейшее даже плавное продавливание педали газа тут же отражается проворотом и зарытием ведущих колес с укладкой машины на передний бампер.
В общем, работа 7-DCT заставила вспомнить самую первую версию «робота» DSG7, который фольксвагеновцы потом доводили до ума несколько лет. Корейцам, судя по всему, предстоит пройти тот же путь.
Citroen DS4 на фоне нервного «корейца» — сама уверенность. Несмотря на малый проигрыш в ТТХ, в реальной схватке на прямике «француз» всегда в роли догоняющего, но не отстающего. Просто характер у мотора тут атмосферный – DS4 включается в реальную работу после 2500 оборотов, тогда сразу и сочный подхват, и интенсивный рывок вперед. А в обычном режиме, да ещё с довольно тугой и такой же демпфированной педалью газа Citroen – обычный житель мегаполиса, размеренному передвижению которого способствует и плавный японский автомат Aisin. Хочется сразу динамики? Тогда коробку в Sport – линейность и информативность отдачи повышается заметно, причем без потери комфорта. В общем, старый гидромеханический друг, лучше новых двух… сцеплений.
Одно из главных отличий DS4 от просто C4 – перенастроенная подвеска и управление. Премиальный «француз», в отличии от пассажирской направленности обычного, настроен на водителя. Тут и руль острее, и подвеска собранней, и крены меньше. Правда явного актива, конечно, нет — машина просто интересна в движении, но, увы, до первой приличной колдобины. Младшие «французы» концерна PSA по-прежнему скептически относятся к неровностям русского асфальта, громко возмущаясь по этому поводу периодическими пробоями. Хотя стараются всеми силами — новый Peugeot 308, например, уже научили ездить по нашим дорогам.
Каков итог?
Для того, чтобы понять все противоречия Hyundai Veloster, надо вспомнить для кого и для чего он создавался. Впервые машину показали в 2011 году на автосалоне в американском Детройте – то есть, главным рынке её сбыта.
А покупателями должны были стать американские подростки, пропитанные духом азиатского тюнинга из популярной серии фильмов «Форсаж» — отсюда и агрессивный боди-кит, и кислотные цвета в гамме. Да к тому же по американским меркам Veloster – практически «бюджетник», продающийся в Штатах от 18 000 долларов. Недорого стоить и сногсшибально выглядеть – вот главные задачи автомобиля для поступившего в колледж бойскаута.
Именно свои первоочередные задачи машина и выполняет. Никто и не обещал никаких изысканных настроек управления, отточенного баланса характеристик двигателя или трансмиссии и дорогого интерьера. Причем в России, судя по нашим наблюдениям, на Велостер «повелась» та же самая аудитория. Только вот денег у неё на такую машину нет. А у той части обеспеченной молодёжи, у которой есть, предпочтение другого значка на капоте.
Стильному и приятному Citroen DS4 пора обновляться – первородная яркость и оригинальность притухла. Да и на фоне экспрессивного «корейца» «француз» более выдержан, а главное – совершенно не эмоционален в ездовых характеристиках, каждая из которых ровно такая, какую и ждешь.
Честно признаться, насильственная отправка этой машины в условный премиум-сегмент только мешает. DS4 – это то, каким на самом деле должен быть обычный Ситроен «гольф»-класса. Традиционно авангардным, интересным, чуть-чуть неправильным, но привычно по-французски приемлемым по цене. А с последним у экспортной машины теперь большие трудности, которые могут самым печальным образом отразиться на её дальнейшей судьбе.
Редакция журнала «Движок» выражает благодарность компании «Axis Петербург», официальному дилеру Citroen в Санкт-Петербурге и российскому представиельству Hyundai за предоставленные автомобили.
Александр Васильев получил предупреждение за превышение скорости в Амурской области
Лидер сообщества «Убитые дороги Пскова» Александр Васильев получил предупреждение от ГИБДД Амурской области за превышение скорости, сообщает блог автопробега Владивосток — Калининград.
На 414 километре сегодняшнего пути автомобиль под управлением Александра Васильева остановили сотрудники УГИБДД Амурской области. Водителю показали фотографию автомобиля и показания радара, зафиксировавшего превышение установленной на этом участке дороги скорости на 14 км/ч. После продолжительной воспитательной беседы Александр отделался предупреждением.
Виновник инцидента связывает свой проступок с ТТХ новой «Приоры»-купе. За 20 минут до этого Васильев впервые за время пробега сел за руль этого автомобиля на трассе (до этого он управлял ею на улицах Хабаровска) – специально, чтобы записать синхрон для амурского телевидения. Воодушевившись динамичным разгоном, маневренностью и непревзойденной эргономикой 100-сильной машины, Александр сам не заметил, как стрелка спидометра перескочила допустимый законодательством РФ предел.
«Вполне вероятно, что на неосмотрительность водителя повлияло и то, что предыдущие 2200 километров за рулем болида сидел мастер спорта по ралли Александр Горланов. Возможно, гоночные флюиды еще не в достаточной степени рассеялись, и сознание Васильева оказалось подвержено их влиянию», — предполагает автор блога, журналист Даниил Новиков.
Один из участников автопробега, фотограф Александр Сидоренко в беседе с корреспондентом Псковского агенства информации рассказал, что буквально пару часов назад псковичи остановились в придорожной гостинице, «приличной и недорогой». «Завтра рано утром стартанём в Читу. 1000 км примерно. За это время пересечём часовой пояс, а потому станем ближе к вам ещё на часик. Но сутки у нас будут состоять из 25 часов», — добавил Александр Сидоренко.
Напомним, что весь путь участники пробега преодолеют на автомобилях отечественного производства, предоставленных компаниями АвтоВАЗ и Соллерс. В авторейд отправился лидер движения «Убитые дороги Пскова» Александр Васильев, исполнительный директор Российской автомобильной Федерации Сергей Иванов, член Федерации автоспорта Псковской области Александр Горланов, журналист Даниил Новиков и фотограф Александр Сидоренко. Всего в экспедиции 13 человек, которые передвигаются на трёх «Ладах» и двух джипах SsangYong. Им предстоит преодолеть расстояние в 11 тысяч километров от Владивостока до Калиниграда.
Двигатель Приора 21126 | Тюнинг двигателя приоры и ремонт
Двигатель Приора характеристики
Годы выпуска – (2007 – наши дни)
Материал блока цилиндров – чугун
Система питания – инжектор
Тип – рядный
Количество цилиндров – 4
Клапанов на цилиндр – 4
Ход поршня – 75,6мм
Диаметр цилиндра – 82мм
Степень сжатия – 11
Объем двигателя приора – 1597 см. куб.
Мощность двигателя лада приора – 98 л.с. /5600 об.мин
Крутящий момент – 145Нм/4000 об.мин
Топливо – АИ95
Расход топлива — город 9,8л. | трасса 5,4 л. | смешанн. 7,2 л/100 км
Расход масла в двигателе Приора– 50 г/1000 км
Вес двигателя приоры — 115 кг
Геометрические размеры двигателя приора 21126 (ДхШхВ), мм —
Масло в двигатель лада приора 21126:
5W-30
5W-40
10W-40
15W40
Сколько масла в двигателе приоры : 3,5л.
При земене лить 3-3,2л.
Ресурс двигателя Приора:
1. По данным завода – 200 тыс. км
2. На практике – 200 тыс. км
ТЮНИНГ
Потенциал – 400+ л.с.
Без потери ресурса – до 120 л.с.
Двигатель устанавливался на:
Лада Приора
Лада Калина
Лада Гранта
Лада Калина 2
ВАЗ 2114 Супер Авто (211440-26)
Неисправности и ремонт двигателя Приора 21126
Двигатель 21126 это продолжение десяточного мотора ВАЗ 21124, но уже с облегченной на 39% ШПГ производства Federal Mogul, лунки под клапаны стали меньше, другой ремень привода ГРМ с автоматическим натяжителем, благодаря которому решена проблема подтягивания ремня на 124 блоке. Сам блок двигателя приора тоже претерпел небольшие изменения, вроде более качественной обработки поверхностей, хонингование цилиндров теперь производится в соответствии с более жесткими требованиями компании Federal Mogul. На этом же блоке над картером сцепления располагается место с номером двигателя приора, чтоб увидеть его, нужно снять воздушный фильтр и вооружиться небольшим зеркалом.
Двигатель ВАЗ 21126 1,6 л. инжекторный рядный 4-х цилиндровый с верхним расположением распределительных валов, газораспределительный механизм имеет ременный привод. Ресурс мотора 21126 приора, по данным завода изготовителя составляет 200 тыс. км, сколько ходит двигатель на практике… как повезет, в среднем примерно так и есть.
Кроме того, существует облегченный вариант этого мотора — калина мотор 1.4 ВАЗ 11194, так же спортивный форсированный вариант — двигатель ВАЗ 21126-77 120 л.с., статья о нем находится ТУТ.
Из недостатков данного силового агрегата стоит отметить неустойчивую работу, потерю мощности, ремень грм. Причинами неустойчивой работы и отказа запускаться может быть проблемы с давлением топлива, нарушение работы ГРМ, неисправность датчиков, подсос воздуха через шланги, неисправность дроссельной заслонки. Потеря мощности может быть связана с низкой компрессией в цилиндрах из-за прогоревшей прокладки, износ цилиндров, поршневых колец, прогорание поршней.
Значительный недостаток – двигатель приоры 21126 гнет клапаны. Решение проблемы – замена поршней на безвтыковые.
Тем не менее, приора мотор на данный момент один из самых совершенных отечественных двигателей, возможно надежность похуже, чем у 124-го, но мотор так же очень неплохой и достаточно мощный для комфортного передвижения в городе. В 2013 году вышла модернизированная версия этого мотора, маркировка нового двигателя приоры ВАЗ 21127, статья о нем находится ЗДЕСЬ.
В 2015 году начался выпуск спортивного двигателя НФР под названием 21126-81, который использовал базу 21126. А с 2016 года доступны автомобили с 1.8 литровыми моторами 21179, который также использовался 126-ой блок.
Самые основные неисправности 126 мотора
Перейдем к неисправностям и недостаткам, что делать если приора двигатель троит, иногда промывка форсунок решает вопрос, возможно дело в свечах или в катушке зажигания, но обычное дело в данном случае померять компрессию чтоб отбросить проблему прогара клапана. Но самый дешевый вариант заехать в сервис на диагностику.
Еще одна распространенная проблема когда плавают обороты двигателя приора 21126 и двигатель работает неровно, обычная болезнь вазовских шеснадцати клапанников, ваш ДМРВ сдох! Не сдох? Тогда прочищайте дроссельную заслонку, есть вероятность что просит замены ДПДЗ(датчик положения дроссельной заслонки), возможно приехал РХХ(регулятор холостого хода).
Что делать если машина не прогревается до рабочей температуры, возможно проблема в термостате или слишком сильные морозы, тогда придется колхозить картонку на решетку радиатора 😀 По поводу перегревов и прогревов, нужно ли прогревать двигатель? Ответ: хуже точно не будет, прогрейте 2-3 минуты и все будет хорошо.
Вернемся к косякам и проблемам моторов, ваш приора двигатель не заводится, проблема может быть в аккумуляторе, стартере, катушке зажигания, свечах зажигания, бензонасосе, топливном фильтре или регуляторе давления топлива.
Следующая проблема, шумит и стучит двигатель приоры, это встречается на всех двигателях Лада. Проблема в гидрокомпенсаторах, могут стучать шатунные и коренные подшипники(это уже серьезно) либо сами поршни.
Ощущаете вибрацию в двигателе приора, дело в проводах высоковольтных или в РХХ, возможно форсунки загадились.
Тюнинг двигателя Приоры 21126 1,6 16V
Чип тюнинг двигателя Приоры
В качестве баловства можно поиграться со спорт прошивками, но явного улучшения не будет, как правильно поднимать мощность смотрим ниже.
Тюнинг мотора Приоры для города
Ходят легенды, что двигатель Приоры выдает 105, 110 и даже 120 л.с, а мощность занизили для снижения налога, даже проводились различные замеры в которых авто выдавало подобную мощность… чему верить каждый решает сам, остановимся на показателях заявленных заводом изготовителем. Итак, как увеличить мощность двигателя приоры, как зарядить ее не прибегая ни к чему особенному, для небольшой прибавки нужно дать мотору свободно дышать. Ставим ресивер, выхлоп 4-2-1, дроссельную заслонку 54-56 мм получаем около 120 л.с., что для города вполне себе ничего.
Форсирование двигателя приоры не будет полноценным без спортивных распредвалов, например валики СТИ-3 с вышеописанной конфигурацией обеспечат около 140 л.с. и это будет быстро, отличный городской мотор.
Доработка двигателя приоры идет дальше, пиленая ГБЦ, валы Стольников 9.15 316, легкие клапаны, форсунки 440сс и ваш автомобиль легко выдает уже более 150-160 л.с.
Компрессор на Приору
Альтернативный метод получения подобной мощности – установка компрессора, например самый популярный вариант это Авто Турбо кит на базее ПК-23-1, данный компрессор легко устанавливается на 16 клапанный двигатель приоры, но с понижением степени сжатия. Дальше есть 3 варианта:
1. Самый популярный, понизить СЖ прокладкой от двенашки, поставить этот компрессор, выхлоп на 51 трубе, форсунки бош 107, устанавливаем и едем на трассу смотреть как машина валит. А машина не очень то и валит… потом бежать продавать компрессор, писать что Автотурбо не едет и все такое… не наш вариант.
2. Понижаем СЖ установкой толстой прокладки ГБЦ от 2112, для питерского нагнеталея в давлением 0,5 бар этого будет достаточно, подбираем оптимальные узкофазные валы (Нуждин 8.8 или подобные), выхлоп 51 труба, форсунки волга BOSCH 107, ресивер и дроссельная заслонка стандарт. Для полного отжима конфигурации отдаем ГБЦ на распил каналов, устанавливаем увеличенные легкие клапана, это не дорого и даст дополнительную мощность во всем диапазоне. Все это дело нужно настраивать онлайн! Получим отличный валящий в любом (!) диапазоне мотор с мощностю более 150-160л.с.
3. Понижаем СЖ заменой поршневой на тюнинговую под турбо, можно поставить проверенную нивовскую поршню с лужей под турбо на шатунах 2110, на такой конфиг можно поставить более производительный компрессор, мерседесовский например, дуть 1-1,5 бара с мощностью далеко за 200+ л.с. и валить как дьявол! )
Плюсом конфига является возможность в будущем установить на него турбину и задуть хоть все 300+ л.с. если поршневая не разлетиться к чертям))
Расточка двигателя Приоры или как увеличить объем
Начнем с того, как не нужно увеличивать объем, примером будет известный двигатель ВАЗ 21128, не делайте так)). Один из самых простых вариантов увеличить объем установить мотокомплект, например СТИ, выбираем его для нашего блока 197,1 мм, но не забывайте про косяки 128-го мотора, не спешите ставить длинноходное колено. Можно пойти другим путем и приобрести высокий блок 199,5 мм приора, 80 мм коленвал, расточить цилиндры до 84мм и шатун 135,1 мм палец 19 мм, это в сумме даст 1,8 объем и без ущерба R/S, мотор можно будет свободно крутить, ставить злые валы и отжимать больше мощности нежели на обычном 1.6л. Чтоб раскрутить ваш мотор еще больше можно нарастить стандартный блок плитой, как это делать, как это крутится на 4-х дроссельном впуск и широких валах и главное, как это едет показано в видео ниже, смотрим:
Внимание МАТ (18+)
Приора на дросселях
Для повышения стабильности работы движка и отклика педали газа ставят 4 дросселя на впуск. Суть в том, что каждый цилиндр получает свою дроссельную заслонку и благодаря этому пропадают резонансные колебания воздуха между цилиндрами. Имеем более стабильную работу мотора от низов до верхов. Самый народный метод это установка 4-х дроссельного впуска от Toyota Levin на ВАЗ. Необходимо приобрести: сам узел, изготовить коллектор-переходник и дудки, дополнительно к этому нужен фильтр нулевик, форсунки бош 360сс, ДАД (датчик абсолютного давления), регулятор давления топлива, валы широкие(фаза за 300), пилим каналы ГБЦ 40/35, легкие клапаны, пружины опель, жесткие толкатели, выхлоп паук 4-2-1 на 51 трубе, а лучше на 63 трубе.
В продаже встречаются готовые комплекты 4-х дроссельного впуска, которые вполне годятся к использованию.
С правильной конфигурацией приора мотор выдает порядка 180-200 л.с. и больше. Для выхода за пределы 200 л.с. на ваз атмосфере, нужно брать валы вроде СТИ Спорт 8 и раскручивать за 10.000 об/мин, ваш мотор выдаст более 220-230 л.с. и это будет уже совсем адский драговый корч.
К недостаткам дросселей, можно отнести сокращение ресурса двигателя и это неудивительно, ведь даже городские движки на дудках крутятся более 8000-9000 и более об/мин, так что постоянных поломок и ремонта двигателя 21126 приора вам не избежать.
Приора турбо двигатель
Много существует методов постройки турбо приор, посмотрим городской вариант, как более приспосбленный к эксплуатации. Такие варианты чаще всего строятся на турбине TD04L, нива поршни с проточками, валы идеально Стольников 8.9 можно УСА 9.12 или подобные, форсунки 440сс, 128 ресивер, 56 заслонка, выхлоп на 63 мм трубе. Все это барахло даст более 250 л.с., а как это будет ехать смотрим видео
Внимание МАТ (18+)
А что насчет нешуточного валилова? Для постройки таких моторов низ оставляем тот же на усиленном блоке, голова пиленная, валы Нуждин 9.6 или подобные, жесткие шпильки от 8 клапанника, насос более 300 л/ч, форсунки плюс-минус 800сс, турбину ставим TD05, выхлоп прямоточный на 63 трубе. Этот набор железа сможет надуть в ваш моторчик приоры 400-420 л.с., для легкой машины весом чуть больше тонны этого хватит чтоб взлететь в космос)
РЕЙТИНГ ДВИГАТЕЛЯ: 3+
<<НАЗАД
характеристики, бензиновые и дизельные, лучшее масло
Двигатель внутреннего сгорания ВАЗ 21011 объемом 1,3 литра является более современным вариантом первого мотора «копейки». Основное отличие заключается в увеличении диаметра поршня с 76 мм до 79 мм, что позволило увеличить объем и более удачно скомпоновать короткий ход поршня и больший диаметр цилиндра, гарантирующие двигателю высокие обороты, весьма небольшой расход топлива и лучшую динамику. Читать больше проДвигатель ВАЗ 21011 1.3 …
ВАЗ 2101 – это один из первых массовых советских автомобилей, который производился в течение двух десятков лет. Знаменитая «копейка» оснащалась карбюраторным четырехцилиндровым двигателем объемом 1,2 литра. Бензиновый двигатель ВАЗ 2101 зарекомендовал себя как неприхотливый, экономичный и простой в ремонте мотор, который мог работать на 76 бензине и без каких-либо модернизаций продержался на конвейере более 20 лет. Читать больше проДвигатель ВАЗ 2101 1.2 …
Мотор ВАЗ-11194 это младший брат двигателя ВАЗ 21126. Уменьшение рабочего объема до 1.4 литра достигнуто благодаря новому блоку цилиндров с меньшим диаметром цилиндров. Это привело к неоднозначным результатам – потеря и без того низкого крутящего момента на низких и средних оборотах, максимальной мощности почти на 10 л.с. Читать больше проДвигатель ВАЗ 11194 1.4 …
Движок Renault Logan K4M 1,6 л. 102 л.с. не нов, и был много раз модифицирован, его варианты использует производитель Renault еще с 1999 г. для Renault Megane, Renault Clio II, Renault Laguna. Движок развивает идеи K7M серии, с обновленной ГБЦ, с 16 клапанами. Отличается новой головой с парой распредвалов (они облегченные), другими поршнями, гидрокомпенсаторами. Читать больше проДвигатель Renault K4M 1.6 л …
Двигатель ВАЗ 2103 с рабочим объемом 1,5 л представляет собой третье из четырех поколений тольяттинской классики. Он явился наследником моторов 2101 на 1,2 л и 21011 на 1,3 л. А сам мотор 2103 стал основой для создания движка 2106 на 1,6 л. На этом классическая линейка моторов закончилась, уступив место инжектору и переднему приводу. Читать больше проДвигатель ВАЗ 2103 1.5 …
Двигатель ВАЗ 2108 1.3 л являлся базовым для всех моделей семейства. Среди его особенностей следует назвать верхнее расположение распределительного вала, использование ремня в приводе газораспределительного механизма. Заводской ресурс на мотор был установлен из расчета 120 тыс. км до капитального ремонта. Читать больше проДвигатель ВАЗ 2108 1.3 …
Двигатель ВАЗ 21126 1.6 л предназначен для автомобиля ВАЗ 2170 Приора. В основе этого двигателя модель 21124. Целью конструкторов было увеличение надёжности двигателя и повышение его мощности. Двигатель четырехтактный, с распределенным впрыском топлива, рядный, с верхним расположением распределительного вала. Система охлаждения двигателя — жидкостная, закрытого типа, с принудительной циркуляцией жидкости. Двигатель имеет комбинированную систему смазки: под давлением и разбрызгиванием. Читать больше проДвигатель ВАЗ 21126 1.6 …
Главной отличительной чертой всех моделей двигателей на ВАЗ 2114 является то, что на них установлен инжектор. Электронное управление впрыском топлива в зависимости от показаний большого количества различных датчиков, контролирующих самые разные параметры, вплоть до состава выхлопных газов, конечно же способствует сбалансированной и экономичной работе двигателя. Говоря о двигателе, специалисты всегда напоминают о важности механизма охлаждения ВАЗ-2111. Система охлаждения здесь зависит от залитой жидкости, поэтому во избежание перегрева двигателя необходимо следить за уровнем антифриза. Читать больше проДвигатель 2111/2114 …
Двигатель ВАЗ 2130 объемом 1,8 литра устанавливался на автомобили ВАЗ-2120 Надежда, ВАЗ 2121 и ВАЗ-2131 Нива. Мотор ВАЗ-2130 изначально разрабатывался для полноприводного минивэна “Надежда”. За основу взят двигатель 21213, применен новый высокий блок цилиндров под установку коленчатого вала с увеличенным радиусом кривошипа, за счет чего добились увеличения рабочего объема до 1,8 литра. Существуют карбюраторная и инжекторная версии мотора (второй чуть мощнее). Двигатель обладает увеличенным крутящим моментом, по сравнению с 21213-ым мотором, и пик его приходится на более низкие обороты. Читать больше проДвигатель 2130 …
На рестайлинговую модификацию ВАЗ-21213 устанавливался карбюраторный двигатель ВАЗ-21213 с увеличенным до 1690 см³ рабочим объёмом, мощностью 81,9 л.с. при 5100 об/мин и максимальным крутящим моментом 126,1 Н·м при 3000 об/мин. Данный ДВС разрабатывался специально под автомобиль «Нива» ВАЗ-21213. По межцентровому расстоянию цилиндров в 95 мм., его можно отнести к группе ДВС устанавливаемых на заднеприводные автомобили. Располагались они в моторном отделении продольно оси автомобиля. На следующую модификацию ВАЗ-21214 (LADA 4×4) устанавливался двигатель ВАЗ-21214 (1,7 л, 82,8 л.с., 127,5 Н·м) оснащенный центральным впрыском топлива. Читать больше проДвигатель 21213 / 21214 …
До недавнего времени тольяттинская компания «Супер-Авто», являющаяся дочерним предприятием АвтоВАЗа, производила 1,8-литровые силовые агрегаты 21128 путём расточки цилиндров мотора 21126. Новый 28-й мотор имеет рабочий объём 1,8 л, построен на базе 16-клапанного двигателя 21126 и выпускается малыми партиями на заводе «Супер-Авто». Большее значение объёма, чем характерно для базовой конструкции, получено только за счёт использования ШПГ с увеличенной длиной хода. Поршни для этой ШПГ изготовляет концерн Federal-Mogul, а наборы коленчатых валов и шатунов закупают в Италии. Читать больше проДвигатель 21128 …
Двигатель ВАЗ-21127 может применяться для установки на автомобилях Лада Приора, Лада Калина 2 и Лада Гранта. На автомобилях LADA Vesta и LADA Xray данный мотор идет с индексом 21129 (новый блок управления под Евро-5 и адаптацией под КПП от Renault). ДВС ВАЗ-21127 это усовершенствованная модификация 1,6-литрового мотора ВАЗ-21126. Эти ДВС практически не отличаются. Главная особенность заключается в том, что двигатель ВАЗ-21127, в отличие от ВАЗ-21126, оснащен регулируемым впуском (оригинальной системой впуска с резонансной камерой и системой заслонок). Читать больше проДвигатель ВАЗ-21127 …
Маркировка двигателей ВАЗ-2108 была взята по обозначению марки (кроме инжекторной модели). Так, базовой считалась модель с мотором на 1,3 литра, ее и обозначили как ВАЗ-2108. ВАЗ-2108 с 1,1-литровым мотором получили после некоторой переработки базового мотора (уменьшили ход поршня), тем самым повлияв на объем. Двигатель этот выдавал всего 53,9 л.с., а крутящий момент составлял 79 Нм при тех же оборотах мотора. Читать больше проДвигатель ВАЗ 21081 1.1 …
Двигатель ВАЗ 2106 1,6 — четырехтактный, карбюраторный, рядный, с верхним расположением распределительного вала. Система охлаждения двигателя — жидкостная, закрытого типа, с принудительной циркуляцией жидкости. Двигатель имеет комбинированную систему смазки: под давлением и разбрызгиванием. Читать больше проДвигатель ВАЗ 2106 1,6 …
Двигатель Renault-Nissan HR16DE/h5M является логическим продолжением ДВС Renault K4M. Мотор модернизировали, в основном, изменениям подверглись газораспределительный механизм и электронное управление. Также двигатель стал оснащаться цепным приводом ГРМ, новыми распредвалами и двумя топливными форсунками на каждый цилиндр. С двигателя убрали гидрокомпенсаторы (раз в 100 тыс. км регулировка путем подбора толкателей). Система изменения фаз газораспределения сохранилась на впускном валу. Двигатель стал экономичнее своего предшественника, мощнее и более экологичным. Читать больше проДвигатель HR16DE/h5M …
Аккумуляторы AGM и GEL (гелевые): что выбрать?
При решении задачи по бесперебойному питанию часто сталкиваются с непростым выбором между аккумуляторами AGM и GEL.Разобравшись в особенностях технологий изготовления АКБ и эксплуатационных характеристиках, мы сможем сделать выводы о сфере оптимального применения.
AGM технология аккумуляторных батарей
AGM расшифровывается как Absorbent Glass Mat и означает “абсорбирующее стекловолокно”. По сути, это обычные свинцово-кислотные аккумуляторы, только в них электролит находится не в виде свободно перетекающей жидкости, а в виде обильно пропитанной раствором серной кислоты стекловаты (своеобразный подгузник для электролита ). Что это даёт:
- Есть место для выделяющегося в процессе заряда водорода – он “запирается” в стекловолокне. Иными словами газ полностью рекомбинируется внутри АКБ. Это позволяет безопасно использовать AGM АКБ в помещении.
- Герметичная конструкция позволяет их эксплуатировать в любом положении
- Не требуют обслуживания, но это не исключает необходимости переодической “тренировки” батарей
AGM технология
Специально для наших читателей мы не пожалели и распилили популярную батарейку CSB GP 12120, давайте посмотрим что у неё внутри:
Распил CSB GP 12120
Свинцовые пластины с абсорбированным стекловатой электролитом
Сам AGM – обильно пропитан электролитом
Свинцовая пластина
Gel технология
Конструктив гелевого аккумулятора аналогичен AGM, но электролит абсорбирован не стекловолокном, а загущен при помощи силикагеля (SiO2). Гель удерживает в своей структуре электролит, поддерживая целостность свинцовых пластин. Движение молекул электролита происходит через микропоры гелевой структуры.
Теперь давайте сравним характеристики и стоимость аналогичных аккумуляторов, сделанных по разной технологии. На основании дата-листов (ТТХ) и опроса инженера произведем сопоставления характеристик на примере аккумуляторов Delta и Challenger.
1) Заряд
Классическим для свинцово-кислотных АКБ считается ток заряда 0,1С или 10% от ёмкости аккумулятора, но максимальный допустимый ток заряда у AGM и гелевых аккумуляторов различный:
Заряд максимальным током несколько сокращает срок жизни аккумулятора (на 5-7%), но может быть очень кстати в случаях, когда зарядить батарею требуется быстро. Например, при работе в гибридных системах с генератором. Таким образом, минимально возможное время заряда (с учетом КПД) для полностью севшего AGM аккумулятора составит около 6 часов, а у GEL – 8 часов.
2) Кол-во циклов
Давайте сравним количество циклов для АКБ различного типа по двум различным сериям
Delta HR 12-100 (AGM): 100 % DOD – 275 циклов, 50% – 575 циклов, 30% – 1325 циклов
Delta GX 12-100 (GEL): 100% – 325 циклов, 50% – 700 циклов, 30% – 1850циклов
Delta DTM 12-200 L (AGM): 100% – 275 циклов, 50% – 550 циклов, 30% – 1200 циклов
Delta GX 12-200 (GEL): 100% – 325 циклов, 50% – 700 циклов, 30% – 1850 циклов
Итак, разница в цикличности между сериями HR (AGM) и GX (GEL) при DOD 50% – 21,7% в пользу последнего; между DTM и GX: 27,2% в пользу последнего.
Для объективности представим график и данные по АКБ Challenger серия A (AGM) и G (GEL) при разряде до 80%
Challenger A12-200 – 80% DOD – 525циклов
Challenger G12-200 – 80% DOD – 645циклов
Разница в 19%.
3) Текущая розничная цена и стоимость цикла
Из-за нестабильного курса пришлось указать в ненавистных долларах. В соотношении с количеством циклов при разряде 50%:
У Challenger:
4) Глубокий разряд
Гелевый аккумулятор благодаря использованию загустителя электролита более устойчив к глубоким разрядам, иными словами разряд до 1.6В/эл (9,6В) наносит меньше вреда для аккумулятора. Глубокий разряд батарей присущ альтернативной энергетике (солнечные панели, ветряки), в буферных режимах ИБП и инверторы не допускают разряд аккумулятора ниже 10.5В.
5) Срок жизни
Срок жизни аккумулятора относительно абстрактная вещь ввиду того, что провести профессиональное исследование с параллельной эксплуатацией выборки двух типов АКБ различных серий длительностью 10-12 лет и сопоставить его результаты сложно и затратно. В документации срок жизни аккумуляторов указан одинаковый. Ввиду этого, мы должны опираться на косвенные данные, которые нам дают инженеры производств, мнение которых основывается на особенностях технологий изготовления. Итак:
- DTM – стандартный аккумулятор AGM
- HR и HRL – отличается составом электролита, в который добавлены специальные присадки, которые увеличивают энергоотдачу и замедляют процесс сульфатации и коррозии свинцовых пластин аккумулятора, заметно продлевая срок его службы
- Gel – электролит загущен силикагелем
На основании опроса экспертов, рейтинг жизнеспособности и сроков работы в буферном режиме от меньшего к большему выстраивается так:
- GX – ориентир на цикличность
- DTM L – присадки Long Life
- HR – присадки + высокая энергоотдача
Выводы
- AGM аккумуляторы имеют преимущество в системах требующих быстрого заряда аккумуляторов, например, в случае гибридных схем “инвертор+генератор” (мы сокращаем время работы генератора и увеличиваем время тишины), т.к. выдерживают больший зарядный ток.
- В случае решения задачи автономного питания на базе солнечных панелей или ветрогенератора при достаточности бюджета гелевые аккумуляторы предпочтительнее, так как устойчивы к глубокому разряду и имеют больше ресурс циклов заряда-разряда.
- Для работы в буферном режиме, т.е. в системах резервного питания на базе ИБП, инверторов предпочтение следует отдавать AGM-технологии, т.к. батарейный банк получается дешевле и он дольше прослужит (срок жизни аккумуляторов при буферном режиме исчисляется в годах, а не в циклах). Самая живучая серия аккумуляторов HR и HRL благодаря различным присадкам в электролит, снижающим процессы разрушения свинцовых пластин.
- В мощных системах с высокими токами разряда и автономией до 30 минут рекомендуется использование серий HR и HRL, т.к. эти АКБ обладают самой большой энергоотдачей в единицу времени при коротких циклах.
Наше видео с семинара по обучению партнеров. Технологии AGM и Gel
Оставляйте комментарии и задавайте вопросы!
границ | Важность предварительного анализа чувствительности в байесовской статистике: демонстрации с использованием интерактивного блестящего приложения
Введение
Благодаря недавнему систематическому обзору литературы в области психологических наук мы знаем, что использование байесовских методов растет (van de Schoot et al., 2017). Однако этот обзор также выявил тревожный факт: многие прикладные пользователи байесовских методов не применяют их должным образом или не сообщают о них. Целью данной статьи является решение одной из основных проблем, выделенных в этом систематическом обзоре, а именно, изучение влияния априорных распределений с помощью анализа чувствительности.Понимание влияния априорных факторов и последующее принятие решений относительно этих априорных факторов, возможно, является самым сложным элементом реализации байесовских методов. Многие пользователи байесовских методов оценки пытаются избежать этой проблемы, используя «диффузные» априорные значения, но это не всегда жизнеспособный подход, поскольку некоторые модели нуждаются в информативных априорных значениях. Влияние априорных значений (диффузных или иных) сильно зависит от проблем, связанных со сложностью модели и структурой данных. В нашей статье основное внимание уделяется тому, как прозрачным образом исследовать влияние предыдущих распределений.
В качестве мотивирующего примера мы провели небольшое имитационное исследование, показывающее влияние различных предшествующих спецификаций на окончательные результаты модели. Это имитационное исследование показывает важность тщательного изучения влияния априорных факторов с помощью анализа чувствительности. Мы также разработали интерактивное веб-приложение (например, Shiny App), чтобы пользователи могли больше узнать о влиянии априорных значений и необходимости анализа чувствительности в эмпирических ситуациях. Это приложение позволяет пользователям исследовать влияние различных настроек предварительного распределения на окончательные результаты модели, гарантируя, что пользователь полностью осознает существенное влияние предварительного выбора.Изучение влияния априорных значений имеет центральное значение для того, насколько байесовские результаты являются жизнеспособными, полностью понятыми и правильно переданными. Наше приложение Shiny помогает еще раз проиллюстрировать эту проблему.
Цели текущей статьи
Настоящая статья предлагает читателям пошаговое представление о байесовской статистике и использовании априорных значений. Априорные распределения оказываются одним из наиболее важных элементов любого байесовского анализа, в основном из-за того, какой вес и влияние они могут иметь в отношении окончательных результатов модели и существенных выводов.Наши цели:
1. Представьте читателям дружеское введение в байесовские методы и использование априорных значений. Мы стремимся сделать статью доступной для людей из самых разных областей статистики, а также из самых разных областей.
2. Проиллюстрируйте тот факт, что изучение влияния априорных значений является невероятно важной задачей при интерпретации окончательных результатов модели в условиях прикладного исследования. Чтобы проиллюстрировать этот момент, мы используем небольшое исследование с использованием моделирования.
3. Представьте новое интерактивное приложение Shiny, которое мы разработали для помощи в визуализации важных элементов предыдущего анализа чувствительности.
4. Продемонстрируйте потенциальное влияние априорных факторов на эмпирическом примере с использованием интерактивного приложения Shiny и предоставленных нами данных, которые предоставляют читателям инструмент для изучения предыдущего влияния на практике.
5. Представьте набор часто задаваемых вопросов относительно априорных значений и предварительного анализа чувствительности, а также откровенных ответов на каждый вопрос.
Целевая аудитория и организация статьи
Эта статья предназначена для начинающих пользователей байесовской методологии. Мы разработали этот документ, чтобы помочь студентам и исследователям, имеющим широкий спектр статистических знаний. Например, студенты бакалавриата могут найти приложение Shiny полезным, чтобы поэкспериментировать с некоторыми основами байесовской статистики и визуализировать, как выглядят различные предыдущие настройки. Более продвинутые аспиранты или исследователи могут найти исследование с помощью моделирования как полезную иллюстрацию для понимания важности предшествующего анализа чувствительности.В свою очередь, они также могут найти приложение, представленное в приложении Shiny, особенно полезным для понимания конкретного влияния априорных факторов на модель, представленную здесь. Документ и приложение Shiny были созданы для студентов и исследователей из самых разных областей социальных и поведенческих наук, и все материалы для реконструкции представленных здесь анализов доступны в Интернете по адресу: https://osf.io/eyd4r /.
Остальная часть этого документа организована следующим образом. В следующем разделе освещаются основные причины, по которым можно было бы использовать байесовские методы в контексте прикладных исследований.Одна из основных причин, которые мы рассмотрим в этом разделе, заключается в том, что некоторые исследователи могут захотеть включить предыдущие знания в процесс оценки. Обычно это делается с помощью так называемого априорного распределения , (или , предшествующего ), и в следующем разделе описывается потенциальное влияние априорного распределения. Этот раздел особенно актуален для разработанного нами приложения Shiny, и проблемы, связанные с априорными значениями, в основном остаются в основе распознавания случаев неправильного использования байесовских методов или их неточного изображения.
Далее мы представляем информацию о модели множественной регрессии, на которую ссылаются в следующих разделах. Затем мы представляем небольшое исследование с помощью моделирования, цель которого — подчеркнуть влияние, которое различные предварительные настройки могут оказать на точность полученных окончательных оценок модели. Эти результаты указывают на важность проведения предварительного анализа чувствительности. В следующем разделе представлена информация о нашем Shiny App, о том, как оно работает и какую пользу читатели могут извлечь из его использования.Мы подчеркиваем, как можно использовать приложение, чтобы узнать больше о важном вопросе предварительного анализа чувствительности в рамках байесовской статистики, а также предоставляем интерактивную платформу для читателей, чтобы они могли глубже понять проблемы, описанные здесь. Наконец, документ завершается обсуждением часто задаваемых вопросов относительно предварительного анализа чувствительности, а также заключительными мыслями о важности прозрачности в исследованиях, проводимых с помощью байесовской системы оценки.
Почему байесовские методы полезны в прикладных исследованиях?
Существует множество причин, по которым исследователь может предпочесть использование байесовской оценки традиционной частотной оценке (например,g., максимальное правдоподобие) оценка. Основными причинами использования байесовских методов являются следующие: (1) модели слишком «сложны» для традиционных методов (см., Например, Depaoli, 2013; Kim et al., 2013; Cieciuch et al., 2014; Depaoli and Clifton, 2015; Zondervan-Zwijnenburg et al., 2019), (2) доступны только относительно небольшие размеры выборки (см., Например, Zhang et al., 2007; Depaoli et al., 2017a; Zondervan-Zwijnenburg et al., 2019 ), (3) исследователь хочет, чтобы включил исходную информацию в процесс оценки (см. E.g., Zondervan-Zwijnenburg et al., 2017) и (4) предпочтение отдается типам результатов, которые дают байесовские методы (см., например, Kruschke, 2013). Важно отметить, что независимо от причин, по которым были реализованы байесовские методы, всегда важно включать анализ чувствительности априорных значений. В следующих разделах мы более подробно обсудим этот вопрос априорной информации.
Что мы знаем о влиянии приора?
Байесовская литература (с использованием моделирования и прикладных данных) обнаружила несколько важных выводов, касающихся потенциального влияния предшествующих распределений на окончательные результаты модели.В некоторой литературе показано, что априорное влияние сильно зависит от сложности модели, и невероятно важно полностью изучить влияние априорных факторов на окончательные оценки модели. В этом разделе мы подробнее рассмотрим эту проблему, выделив причины, по которым можно было бы изучить их априорные значения.
Приоры могут повлиять на результаты (иногда в большой степени!)
Одной из причин, по которой использование байесовских методов считается спорным, является представление о том, что априорные значения могут (и влияют!) На окончательные результаты модели.В практическом смысле это означает, что исследователь может иметь очень твердое мнение о значениях параметров модели, и это мнение (через априорное) может определять окончательные оценки модели. В байесовском контексте существует множество исследовательских сценариев, в которых информативные (или определяемые пользователем) априорные значения влияют на окончательные оценки модели. Некоторые примеры включают исследования с такими моделями, как модель смеси скрытого роста (Depaoli et al., 2017b; van de Schoot et al., 2018), аналитическая модель подтверждающих факторов (Golay et al., 2013) и логистической регрессии (Heitjan et al., 2008).
Верно и обратное, поскольку в литературе показано, что полностью диффузные априорные значения также могут влиять на окончательные результаты модели. Хотя байесовская теория показывает, что большие размеры выборки могут преодолеть (или скопить) информацию, содержащуюся в предыдущем (см., Например, Ghosh and Mukerjee, 1992), некоторые исследования показывают, что диффузные априорные значения могут влиять на окончательные оценки модели даже при больших размерах выборки — иногда неблагоприятным образом. Примеры ситуаций моделирования, когда при моделировании было показано, что диффузные априорные факторы отрицательно влияют на окончательные оценки модели, включают пробит-регрессионные модели (Натараджан и МакКуллох, 1998), метаанализ (Lambert et al., 2005), теория отклика элементов (Sheng, 2010), моделирование структурным уравнением (van Erp et al., 2018), в том числе рекомендации по анализу чувствительности для моделей структурных уравнений, моделей смеси латентного роста (Depaoli, 2013) и многоуровневые модели структурных уравнений (Depaoli, Clifton, 2015). Во всех этих случаях исследователи обнаружили, что диффузные априорные значения оказали существенное (отрицательное) влияние на полученные оценки.
Точные оценки одних параметров получить труднее, чем других.В частности, более сложные модели (особенно в сочетании с меньшими размерами выборки) могут потребовать дополнительной информации для определенных параметров модели, чтобы дополнить более плоские вероятности. Например, в некоторых из наших собственных исследований дисперсию может быть труднее оценить, чем средние значения, когда вероятность относительно плоская (и более пиковая для среднего). Модели, которые имеют много параметров, которые трудно оценить, могут потребовать более информативных априорных значений, по крайней мере, по некоторым параметрам модели.Если параметр связан с более плоской вероятностью и реализованы диффузные априорные значения, то информации (из вероятности данных или априорной вероятности) может быть недостаточно для получения точной оценки. Наиболее частые случаи, когда эта проблема возникает, связаны с более сложными моделями (например, смешанными моделями, многоуровневыми моделями или моделями со скрытыми переменными), но проблема достаточно распространена, поэтому влияние априорных значений следует исследовать независимо от информативности предыдущих настроек. . Важный вывод из этого должен заключаться в том, чтобы не полагаться слепо на предыдущие настройки, не понимая их влияния, даже если они предназначены для распространения или являются программно определяемыми по умолчанию приоритетами.
Если априор используется, чтобы помочь учесть степень (не) уверенности в отношении параметра модели, то мы ожидаем, что он будет иметь или влияние. Однако действительно важно понимать это влияние и учитывать его при вынесении существенных выводов. Поэтому байесовские эксперты часто соглашаются, что важным и необходимым элементом байесовской оценки является включение анализа чувствительности , априорных значений.
Что такое анализ чувствительности априорных ценностей?
Анализ чувствительности позволяет исследователю изучить окончательные результаты модели, основанные на исходной (или справочной) априорной, в сравнении с результатами, которые будут получены с использованием других априорных значений.Многие байесовские эксперты (например, Muthén and Asparouhov, 2012; Kruschke, 2015) рекомендуют всегда проводить анализ чувствительности, и даже был разработан контрольный список (Depaoli and van de Schoot, 2017), который помогает в проведении и интерпретировать такие результаты прозрачно. Прикладные статьи, реализующие анализ чувствительности априорных значений, см .: Müller (2012), Depaoli et al. (2017a) или van de Schoot et al. (2018).
Процесс происходит следующим образом:
1.Исследователь заранее определяет набор априорных значений, которые будут использоваться для оценки модели. Эти априорные значения могут быть априорными по умолчанию из статистического программного обеспечения, или они могут быть указаны пользователем на основе предыдущих знаний параметров модели (например, на основе простого предположения, метаанализа предшествующей литературы, интервью с экспертами по содержанию и т. Д. ).
2. Модель оценена, и получена сходимость для всех параметров модели.
3. Исследователь придумывает набор «конкурирующих» априорных точек для изучения; мы опишем, как может выглядеть этот набор априорных точек, в примерах ниже.Дело здесь , а не переделывать оригинальные приоры. Скорее, это исследование того, насколько устойчивы исходные результаты при изменении априорных значений и переоценке модели. Это также может быть метод, используемый для определения априорных значений, которые послужили бы плохим выбором для модели или вероятности — вопрос, который мы более подробно рассмотрим в ходе обсуждения.
4. Результаты получены для «конкурирующих» предварительных оценок, а затем сравниваются с исходными результатами посредством серии визуальных и статистических сравнений.
5. Окончательные результаты модели записываются, чтобы отразить результаты исходной модели (полученные в пункте 1 из исходных априорных значений), а также представлены результаты анализа чувствительности, чтобы прокомментировать, насколько надежна (или нет) окончательная модель. результаты относятся к другим предыдущим настройкам.
Последний пункт особенно важен. Систематический обзор байесовской статистики в Психологических науках (van de Schoot et al., 2017) показал, что анализ чувствительности проводился только в 16.2% прикладных исследований в течение 25 лет. Это означает, что большинство прикладных байесовских статей, опубликованных в этой области, не исследовали досконально роль или влияние априорных факторов.
Одним из важнейших помощников для изучения роли или влияния априорных факторов может быть визуальное изучение полученных апостериорных распределений по множеству различных априорных настроек. Мы выделим некоторые важные способы визуализации априорных значений и результатов анализа чувствительности в следующем разделе, представляющем наше интерактивное приложение Shiny.
Наглядные пособия особенно важны здесь, потому что они могут помочь исследователю более легко определить: (1) насколько отличаются или похожи апостериорные распределения при формировании разных априорных значений, и настройки) по существу важно. В конце концов, последний пункт действительно важнее всего. Если несколько наборов априорных значений дают несколько разные апостериорные оценки, но результаты по существу сопоставимы, то результаты демонстрируют стабильность (или надежность) для различных априорных настроек.В этом случае исследователь может быть более уверен в том, что предварительные настройки не оказывают большого влияния на существенные выводы.
Эти последние утверждения могут означать, что мы подразумеваем, что противоположные результаты будут как-то отрицательными или плохими. Другими словами, это проблема, если результаты моего анализа чувствительности показывают, что результирующие апостериорные изменения существенно значимы, когда апостериорные изменяются? Ответ — нет. Здесь не обязательно есть «проблема». Для теоретических исследований невероятно информативно обнаруживать, что результаты зависят от конкретной теории (т.е., ранее) в процессе реализации. Это совсем не плохой результат . Это просто тот, который требует немного большей осторожности при описании. Какими бы ни были результаты анализа чувствительности (например, являются ли результаты стабильными или нет), они должны быть подробно изложены в разделах, посвященных результатам и обсуждению этого документа. Эти результаты могут быть представлены с точки зрения визуального изображения апостериорных зубов из нескольких наборов априорных элементов, как это определено с помощью анализа чувствительности. Аналогичным образом, результаты также могут быть представлены в статистической форме, где процентное «смещение» или отклонение вычисляется для оценок параметров, полученных при различных предшествующих настройках.Другой альтернативой при работе с диффузными априорными значениями может быть сообщение результатов по ряду диффузных априорных значений в качестве основного анализа. Эта тактика может облегчить иллюстрацию неопределенности, окружающей точную априорную спецификацию, особенно если различные диффузные априорные значения дают разные результаты.
Если априорные значения сдвинуты только на небольшую величину в анализе чувствительности, и они дают очень разных результатов, то было бы полезно более внимательно изучить код модели, чтобы убедиться, что все указано правильно.Тем не менее, небольшие или умеренные сдвиги в основных выводах не вызывают беспокойства, и их следует просто сообщить вместе с выводами, а затем рассмотреть их в разделе обсуждения, чтобы узнать что-то об устойчивости результатов в различных предшествующих условиях.
Обратите внимание, что исходные предыдущие настройки не изменяются в процессе анализа чувствительности. Вместо этого представлены результаты анализа чувствительности, которые могут использоваться в качестве доказательства того, что априорные значения следует каким-то образом сместить в будущем анализе на другом наборе данных.По соображениям прозрачности важно сохранить оригинал и не изменять его из-за того, что было обнаружено в ходе анализа чувствительности. Это было бы примером байесовского HARKing (выдвижение гипотез после того, как результаты известны; Kerr, 1998), который столь же сомнительный, как и частотный HARKing.
Моделирование доказательства концепции: демонстрация влияния предварительных решений
Далее мы представляем небольшое исследование с помощью моделирования, иллюстрирующее влияние различных предшествующих настроек на окончательные оценки модели.Поскольку невозможно узнать истинное значение параметра совокупности в приложении, невозможно узнать, сколько оценок смещения содержат оценки смещения, если не будет проведено имитационное исследование. Это имитационное исследование закладывает основу для важности изучения предшествующего воздействия на приложение — концепции, на которой мы сосредоточимся в интерактивном приложении Shiny, представленном в следующем разделе.
Модель
В целях иллюстрации мы использовали модель множественной регрессии, которая является очень распространенной моделью, которая встречается в прикладной психологической литературе.В свою очередь, он также служит основой для многих других продвинутых моделей [например, (многоуровневых) моделей смешанной регрессии или моделей скрытой кривой роста]. Эти причины делают модель множественной регрессии хорошим кандидатом для демонстрации. Кроме того, мы чувствовали, что эту модель, даже если она незнакома читателю, можно концептуально описать и понять, не имея серьезных базовых знаний о модели. Хотя мы ограничиваем наше обсуждение множественной регрессией, продемонстрированные нами ранее принципы анализа чувствительности могут быть широко обобщены на другие формы моделей (например,ж., модели кривой роста, подтверждающий факторный анализ, смешанные модели).
Эта модель использовалась в различных условиях исследований в области социальных и поведенческих наук. Например, его использовали для прогнозирования академической успеваемости (Adeyemo, 2007), уверенности в себе (Kopala-Sibley et al., 2013) и качества сна (Luyster et al., 2011). База модели включает одну (непрерывную) переменную результата, которая прогнозируется несколькими различными переменными-предикторами; модель представлена на рисунке 1А.На этом рисунке есть одна переменная результата (называемая «Y») и два коррелированных предиктора (называемых « X 1 — X 2 ») с весами регрессии β 1 — β 2 .
Рисунок 1. (A) Модель множественной регрессии, используемая в имитационном исследовании, с одной переменной результата, Y , и двумя предикторами, X 1 — X 2 . (B) Модель множественной регрессии, использованная в прикладном примере, с результатом Цинизм и двумя предикторами.
Байесовские методы могут быть реализованы в этом контексте моделирования относительно просто. Для базовой формы модели, как показано на рисунках 1A, B, исследователь может быть особенно заинтересован в размещении информативных априорных значений для весов регрессии (т. Е. Путей направления на рисунке), которые связывают предикторы с результатом. В этом случае это может означать, что у исследователя есть определенная идея (или теория) о том, как связаны переменные, а также о том, насколько сильным предиктором может быть каждая переменная в модели.
Как правило, информативность априора определяется одной из трех категорий: информативная, малоинформативная и диффузная. Информационные априорные значения обычно концептуализируются как априорные значения с большим объемом информации, относящейся к определенному параметру. Это означает, что большая вероятностная масса колеблется в относительно узком диапазоне возможных значений параметра. Например, на рис. 2А показан информативный априор с суженной вариацией вокруг среднего значения 75.Слабо информативный априор имеет больший разброс или вариацию, чем информативный априор. Рисунок 2B иллюстрирует слабо информативный априор, выделяя более широкий разброс распределения. Наконец, диффузный априор не предлагает практически никакой информации о значении параметра. Один из способов концептуализации этой априорной формы — использовать нормальное априорное значение с очень большим разбросом, что делает его практически равномерным по широкому диапазону значений. На рис. 2С показана предварительная диффузная установка для нормального распределения.На всех трех графиках нормальное априорное значение было сосредоточено на 75, но разброс априорных значений отличался от малого (рисунок 2A) до большого (рисунок 2C).
Рисунок 2. Примеры пред. Распределения, которые являются: (A) информативным, (B) слабоинформативным и (C) диффузным.
Далее мы проиллюстрируем, как априорные значения могут повлиять на окончательные оценки модели, даже для такой простой модели, как модель множественной регрессии. В частности, мы провели небольшое имитационное исследование, иллюстрирующее влияние различных предшествующих настроек.
Моделирование дизайна
В имитационном исследовании использовалась модель множественной регрессии, как показано на рисунке 1A. Он содержал два непрерывных предиктора, параметр корреляции, связывающий эти предикторы, и непрерывный результат. Значения совокупности для этих параметров перечислены в таблице 1. В этом моделировании мы реализовали различные наборы априорных значений для коэффициентов регрессии, связывающих два предиктора с результатом. Эти предварительные условия перечислены в Таблице 1. Всего было исследовано 11 предварительных условий для каждого размера выборки.
Таблица 1. Значения совокупности и условия моделирования для модели множественной регрессии.
Условия 1–5 определяют информативные априорные значения параметров регрессии, связывающие каждый из предикторов с результатом. Эти информативные априорные значения не были всеми правильными в том смысле, что некоторые из них имели неточные средние настройки гиперпараметров для априорного (то есть нормальное априорное значение не было сосредоточено на значении совокупности, скорее, оно было смещено). Условие 3 является правильным информативным предварительным значением, поскольку оно сосредоточено на значении совокупности и имеет относительно суженную дисперсию.Условия 1–2 имели приоры, которые были смещены вниз от значения популяции, а условия 4–5 имели приоры, которые были смещены вверх.
Условия 6–10 представляли малоинформативные априорные значения, поскольку гиперпараметр дисперсии был увеличен по сравнению с информативными условиями (1–5). Такая же картина была продемонстрирована, когда Условие 8 представляло предварительную настройку со средним гиперпараметром, который был точным для значения совокупности. Условия 6–7 имели средние значения гиперпараметров, которые были смещены вниз от истинного значения совокупности, а условия 9–10 имели средние гиперпараметры, смещенные вверх.
Наконец, Условие 11 представляет собой диффузную априорность, в которой реализованы настройки по умолчанию из M плюс (Muthén and Muthén, 1998-2017) для параметров регрессии. Каждое из этих условий представляло собой либо информативные (1–5), либо малоинформативные (6–10), либо размытые априорные значения. В условиях информативности и слабой информативности мы указали (по среднему гиперпараметру) либо точные априорные значения (3 и 8), либо априорные значения, смещенные вниз (1-2, 6-7), либо априорные значения, смещенные вверх от истины (4-5 , 9–10).Целью этих условий было выделить закономерности отклонения в анализе чувствительности с акцентом на чувствительность результатов к среднему гиперпараметру (т. Е. Точность среднего априорного значения) и гиперпараметру дисперсии (т. Е. Разброс априорных значений). распределение).
Кроме того, мы также изучили результаты трех разных размеров выборки: n = 25, 100 и 1000. Эти размеры выборки варьировались от относительно малых до относительно больших, и они были выбраны для предоставления информации о том, как априорные значения по-разному влияют на результаты. по мере изменения размеров выборки.
Всего в этом моделировании было 33 ячейки, и мы запросили 500 итераций на ячейку. Все анализы проводились в M plus версии 8.4 (Muthén and Muthén, 1998-2017) с использованием байесовской оценки с использованием выборки Гиббса. Для простоты все ячейки были настроены так, чтобы иметь одну цепочку для каждого параметра, при этом 5000 итераций в цепочке и первая половина отбрасывалась как выгорание (т.е. 2,500 итераций оставалось для формирования оценочной апостериорной оценки). Сходимость отслеживали с помощью потенциального коэффициента уменьшения масштаба (PSRF или R-hat; Гельман и Рубин, 1992a, b), и все цепи сходились для всех ячеек в дизайне при настройке 1.01 для критерия сходимости. Еще один показатель, который можно проверить, — это эффективный размер выборки (ESS), который напрямую связан со степенью зависимости (или автокорреляцией , ) внутри цепочки. Zitzmann and Hecht (2019) рекомендуют, чтобы для обеспечения достаточной точности в цепи требовалось более 1000 ESS. Результаты моделирования показали, что, хотя части цепочки после прожига составляли всего 2500 итераций, все параметры в исследованных ячейках превышали минимум ESS = 1000.
Результаты моделирования
Таблица 2 представляет относительную погрешность в процентах для всех параметров модели по размеру выборки и 11 предварительным условиям. Следует отметить, что условия 3 и 8 представляют точные априорные значения (информативные и малоинформативные, соответственно), а условие 11 отражает диффузные априорные настройки. Все остальные априорные значения либо сдвигаются вверх, либо вниз, как было бы реализовано в анализе чувствительности. Значения, выделенные жирным шрифтом в таблице, представляют собой проблемные уровни смещения, превышающие смещение ± 10%.
Таблица 2. Параметр модели оценивает процентное отклонение (MSE) для исследования моделирования.
Наиболее примечательным открытием является то, как влияние априорных значений уменьшается по мере увеличения размера выборки. К тому времени, когда размер выборки был увеличен до n = 1000 (что было бы довольно большим для такой простой модели), предыдущие настройки практически не повлияли на результаты. Однако при меньших размерах выборки, особенно n = 25, мы можем увидеть заметное влияние на результаты.По мере смещения априорных значений для параметров регрессии величина смещения увеличивалась. Этот эффект имел место в более экстремальных условиях, даже когда n = 100, что не является необоснованным размером выборки, которого можно ожидать в прикладных исследованиях, реализующих такую модель.
Среднеквадратичные ошибки (MSE) также представлены в таблице 2 для каждого параметра. MSE представляет собой меру изменчивости и систематической ошибки. Обратите внимание, что значения MSE довольно высоки для n = 25, но они уменьшаются до относительно меньшего диапазона по мере увеличения размеров выборки до n = 100 и выше.Эта закономерность указывает на то, что размер выборки играет большую роль в эффективности и точности оценок, измеряемых с помощью MSE. Кроме того, MSE намного больше для априорных значений, центрированных от значения популяции.
Практическое значение этого моделирования показало, что априорные значения могут повлиять на результаты (что неоспоримо в байесовской литературе), даже если размеры выборки — это то, что мы можем считать разумным. Этот факт делает анализ чувствительности незаменимым при изучении влияния априорных значений на окончательные результаты модели, а изучение априорного влияния особенно важно при меньших размерах выборки.На практике исследователи не знают , верны ли субъективные априорные значения истине. Мы утверждаем, что исследователи должны предполагать, что априорные значения имеют хотя бы некоторую степень неточности, и они должны оценивать влияние априорных значений на окончательные оценки модели, имея в виду это понятие. Единственный способ по-настоящему изучить влияние априорного значения при работе с эмпирическими данными — это провести анализ чувствительности.
Это доказательство концептуального моделирования обеспечивает основу для приложения Shiny App, в котором используются эмпирические данные для дополнительной иллюстрации важности проведения анализа чувствительности.В следующем разделе мы представляем приложение Shiny в качестве обучающего инструмента, чтобы подчеркнуть влияние предыдущих настроек. Основная цель приложения — проиллюстрировать процесс проведения анализа чувствительности, а также тип результатов, которые следует изучить и сообщить при распространении результатов анализа. В частности, мы описываем, как можно манипулировать настройками, чтобы исследовать влияние априорных значений на окончательные результаты модели. Приложение Shiny можно использовать для более глубокого понимания влияния априорных значений, а также для понимания различных элементов, необходимых для правильного отображения результатов анализа чувствительности.
Анализ чувствительности в действии: интерактивное приложение
Чтобы проиллюстрировать важность и использование предварительного анализа чувствительности, мы создали интерактивное приложение, используя rstan (Stan Development Team, 2020), Shiny (Chang et al., 2020) и RStudio (R Core Team, 2020; RStudio Team, 2020 ). Доступ к приложению можно получить в Интернете по адресу https://ucmquantpsych.shinyapps.io/sensitivityanalysis/. Кроме того, он доступен для загрузки в Open Science Framework. Чтобы запустить приложение на вашем персональном компьютере, откройте ui.Файлы R и server.R в RStudio и нажмите ссылку «Запустить приложение» в правом верхнем углу раздела R Script окна RStudio. Для получения дополнительной информации о Shiny Apps мы обращаемся к команде RStudio (2020).
Наше приложение состоит из семи различных вкладок, каждая из которых содержит информацию, которая поможет пользователю понять, как оценить существенное влияние предыдущего выбора. При первой загрузке приложения по умолчанию используется первая вкладка. На этой вкладке представлено приложение, описаны основные этапы анализа чувствительности и описаны другие вкладки приложения.На второй вкладке представлены вымышленный исследователь и его исследование. В частности, исследователь собрал выборку из 100 участников, чтобы проверить, является ли пол человека или отсутствие доверия к другим предсказанием цинизма человека (см. Рисунок 1B для иллюстрации модели). На вкладке обсуждаются предыдущие распределения, указанные исследователем. Хотя большинство априорных распределений относительно расплывчатые (т. Е. Плоские), исследователь указывает информативный априор для регрессионного эффекта цинизма при отсутствии доверия.Остальная часть вкладки посвящена оценке апостериорных результатов исходного анализа с использованием графиков кривых, графиков апостериорной плотности и гистограмм, а также соответствующей сводной статистики [например, апостериорное среднее, стандартное отклонение, 90% -ный интервал максимальной апостериорной плотности (интервал HPD) ].
На следующих четырех вкладках пользователи могут указать альтернативные априорные распределения для каждого параметра в модели: перехват цинизма (третья вкладка), регрессивный эффект цинизма в отношении секса (четвертая вкладка), влияние цинизма на отсутствие доверия ( пятая вкладка) и остаточная дисперсия цинизма (шестая вкладка).На этих вкладках априорные значения для других параметров остаются неизменными. Пользователь может указать и оценить влияние двух альтернативных предшествующих распределений одновременно. Каждый раз, когда указывается новый набор априорных значений, выполняются дополнительные анализы с использованием пакета rstan. Вкладки содержат визуальные и числовые сравнения, которые могут помочь оценить влияние указанных ранее распределений.
На седьмой вкладке пользователи могут комбинировать альтернативные априорные спецификации из предыдущих четырех вкладок, чтобы исследовать комбинированное влияние альтернативных априорных значений на апостериорные оценки.Использование приложения будет продемонстрировано в следующем разделе.
Процесс анализа чувствительности
В этом разделе мы будем использовать приложение Shiny для выполнения анализа чувствительности и составления отчета. Первым шагом является определение исходных (сравнительных) приоритетов, которые должны быть реализованы в расследовании. Затем исследователь будет проводить анализ чувствительности, чтобы проверить надежность результатов при различных предварительных спецификациях. Исследователь должен указать альтернативные априорные значения для изучения в процессе анализа чувствительности.В этом разделе мы выделим анализ чувствительности для двух параметров модели, каждый из которых может быть получен с помощью нормального распределения. Несмотря на то, что существует множество форм распределения, которые могут принимать априорные значения, нормальное распределение является эффективным местом для начала, поскольку оно наглядно иллюстрирует различные формы, которые может принимать нормальное априорное распределение. В результате мы обсуждаем анализ чувствительности с точки зрения этой априорной задачи, но важно понимать, что проблемы и процессы, которые мы выделяем, могут быть обобщены на другие формы распределения.Например, анализ чувствительности для остаточной дисперсии цинизма также можно проверить через приложение. Априор для этого параметра следует обратному гамма-распределению (IG). В дополнение к сопряженным распределениям (т. Е. Априорное и апостериорное распределения находятся в одном семействе распределения вероятностей), используемым в Приложении, также можно исследовать неконъюгированные априорные значения (например, априорную ссылку). Мы не включили альтернативные, несопряженные, дистрибутивы в наше приложение, так как считали, что это отвлекает от его основной педагогической цели.Для получения дополнительной информации о неконъюгированных приорах см. Gelman et al. (2014, с. 36+). Пример описания предыдущего анализа чувствительности можно увидеть в Приложении.
Определение первоочередности для некоторых параметров модели
Приоры указаны по всем параметрам модели. В этом примере мы сосредоточимся только на двух параметрах модели, чтобы проиллюстрировать процесс анализа чувствительности. Эти два параметра являются коэффициентами регрессии, связывающими два предиктора с результатом Cynicism .Отдельный анализ чувствительности может быть проведен по каждому параметру, а другой анализ исследует комбинированную спецификацию априорных факторов. Этот последний комбинированный анализ помогает точно определить комбинированное влияние набора альтернативных априорных факторов на все параметры модели.
Параметр 1:
Цинизм на СексИсследователь может изучить конкурирующие предыдущие спецификации на предмет влияния Cynicism на Sex . Например, если эксперты изначально предполагали, что эффекта Sex не было, то можно было бы указать априор, такой как N (0,10), где основная часть распределения сосредоточена вокруг нуля.Обратите внимание, что это априорное значение является слабо информативным в окружении нуля (т.е. оно по-прежнему содержит большой разброс среднего значения, а не является строго информативным). Для этого примера эту предварительную настройку можно рассматривать как исходную предварительную при анализе.
Альтернативные предварительные спецификации могут быть исследованы с помощью анализа чувствительности, чтобы изучить влияние различных априорных значений (возможно, отражающих различные существенные теории) на окончательные результаты модели. Например, другая теория может утверждать, что мужчины (обозначенные цифрой 1) обладают более высоким уровнем цинизма, чем женщины, что предполагает положительный эффект.Информативный априор, сосредоточенный вокруг положительного значения, может быть исследован, чтобы проверить это априорное убеждение: например, N (5, 5). В качестве альтернативы могут проводиться конкурирующие исследования, указывающие на то, что мужчины обладают более низким уровнем цинизма, чем женщины, что предполагает негативный эффект. Информативный априор, сосредоточенный вокруг отрицательного значения, может быть исследован, чтобы изучить влияние этого априорного убеждения на апостериорные результаты: N (-10, 5). Эти предыдущие настройки приведут к исходной предыдущей и двум альтернативным спецификациям, таким как:
• Исходный = N (0, 10)
• Вариант 1 = N (5, 5)
• Вариант 2 = N (−10, 5).
График, иллюстрирующий эти предыдущие различия, можно найти на Рисунке 3.
Рисунок 3. Альтернативные априорные распределения для Пол в качестве предиктора Цинизма .
Параметр 2:
Цинизм на НедовериеДля этого содержательного примера, предсказывающего цинизм (рис. 1B), мы можем предположить, что исследователи основывали свои предварительные спецификации распределения на предыдущих исследованиях, что указывает на то, что Отсутствие доверия имеет сильную положительную связь с Цинизм .В частности, предположим, что исходный априор (указанный исследователями) был установлен на N (6, 1), где значение 6 представляет средний гиперпараметр (или центр) распределения, а значение 1 представляет дисперсию. Эта априорная плотность с гиперпараметром дисперсии, равным 1, указывает на то, что около 95% плотности попадает между 4 и 8. Это относительно суженное априорное значение предполагает, что у исследователя было относительно сильное ожидание увеличения на один пункт в Отсутствие доверия связан с увеличением на 4-8 пунктов в Цинизм .
Можно представить несколько конкурирующих предшествующих спецификаций для этого коэффициента регрессии Цинизм на Отсутствие доверия , каждая со своей степенью информативности. Влияние этих других предшествующих форм можно изучить с помощью анализа чувствительности. Например, исследователь может исследовать диффузное априорное распределение с намерением преуменьшить влияние априорного распределения и в большей степени подчеркнуть закономерности данных. В этом случае в качестве априорного можно использовать нормальное распределение, но распределение будет иметь очень большой разброс, совпадающий с отсутствием знаний о значении параметра.Один из способов определения этого предшествующего коэффициента регрессии — N (0, 100). При таком большом разбросе (сродни рис. 2С) этот априор будет в значительной степени плоским по пространству параметров, что представляет собой диффузное априорное значение для этого параметра.
Другая версия предыдущей спецификации может исходить из альтернативной теории о взаимосвязи между Отсутствие доверия и Цинизм . Возможно, некоторые эксперты по теме цинизма считают, что степень (или отсутствие) доверия к другим не влияет на то, насколько циничен человек.Информативный априор, сосредоточенный вокруг нуля, с более узкой дисперсией по сравнению с априорным, описанным выше, отражает это априорное убеждение: N (0, 5).
Эти предыдущие настройки приведут к исходной предыдущей и двум альтернативным спецификациям, таким как:
• Исходный = N (6, 1)
• Вариант 1 = N (0, 100)
• Вариант 2 = N (0, 5).
График, иллюстрирующий эти предыдущие различия, можно найти на Рисунке 4.
Рисунок 4. Альтернативные априорные распределения для Отсутствие доверия как предиктор Цинизма .
Одновременная проверка приоритетных значений параметра 1 и параметра 2
Наконец, комбинацию каждой из этих альтернативных предшествующих спецификаций также можно сравнить, чтобы изучить, как предыдущие спецификации, согласованные с альтернативными теориями и предыдущими исследованиями, влияют на апостериорные результаты. В общей сложности мы можем использовать приложение для одновременного сравнения шести разных моделей.
Оценка конвергенции
Альтернативная предварительная спецификация может повлиять на сходимость параметров в модели. Таким образом, всегда следует оценивать сходимость модели, даже если не было проблем сходимости с исходной предыдущей спецификацией. Сходящаяся цепочка представляет собой точную оценку истинной формы апостериора.
Например, см. Рисунок 5, на котором представлены два разных графика, показывающих цепочку для одного параметра. Каждый образец, взятый из апостериорной области, представляет собой точку, и эти точки затем соединяются линией, которая представляет собой цепочку.Достижение стабильности или сходимости внутри цепочки является важным элементом, прежде чем результаты можно будет интерпретировать. Среднее значение по оси y на фиг. 5 представляет собой среднее значение апостериорного распределения, а высота цепочки представляет собой величину отклонения в апостериорном распределении. Сходимость определяется стабильностью в среднем (т. Е. Горизонтальным центром в соответствии с осью y ) и дисперсией (т. Е. Высотой цепочки). Рисунок 5A показывает, что существует большая нестабильность среднего и дисперсии этой цепочки.Цепь не имеет стабильного горизонтального центра, а высота цепи непостоянна по всей длине. Напротив, Рисунок 5B показывает стабильность в обеих областях, визуально указывая на то, что они сошлись. Существуют статистические инструменты, которые могут помочь определить сходимость, и они всегда должны сопровождать визуальный осмотр графиков, подобных тем, что показаны на рисунке 5. Некоторые статистические инструменты для оценки сходимости включают диагностику сходимости Гевеке (Geweke, 1992) и потенциальный коэффициент уменьшения масштаба. или R-hat (Гельман и Рубин, 1992a, b; Гельман, 1996; Брукс и Гельман, 1998).
Рис. 5. Две цепочки, показывающие разные модели (не) конвергенции. Панель (A) демонстрирует значительную нестабильность по всему графику, что указывает на несовпадение. Панель (B) показывает относительно стабильное горизонтальное среднее значение и дисперсию, что указывает на сходимость. Обратите внимание, что оба графика демонстрируют некоторую степень автокорреляции, но это выходит за рамки текущего обсуждения. Более подробную информацию по этой проблеме можно найти здесь: Kruschke (2015) и Depaoli and van de Schoot (2017).
Начальная часть цепочки часто сильно зависит от начальных значений цепочки (которые могут быть произвольно сгенерированы в программе). Поэтому эту раннюю часть цепочки часто отбрасывают и называют фазой приработки . Эта часть цепочки не является репрезентативной для апостериорной, поскольку она может быть нестабильной и сильно зависеть от начального значения, с которого началась цепочка. Только фаза после прижигания (то есть фаза цепи после обозначенной фазы приработки) рассматривается для построения оценки апостериорной части.Пользователь обычно определяет продолжительность выгорания с помощью некоторой статистической диагностики, принимая во внимание сложность модели [например, простая регрессионная модель может потребовать нескольких сотен итераций в выгорании, но смешанная модель (скрытый класс) может требуется несколько сотен тысяч]. Если сходимость не достигается для параметра модели, практикующий может удвоить (или больше) количество итераций, чтобы увидеть, решит ли проблему более длинная цепочка. Если несовпадение все еще сохраняется, то, возможно, априор не очень подходит для модели или вероятности.В случае анализа чувствительности этот результат может указывать на то, что есть доказательства против выбора этого конкретного априорного значения с учетом текущей модели и вероятности. Для получения дополнительной информации о сходимости и длине цепи см. Sinharay (2004) или Depaoli and van de Schoot (2017).
В приложении мы оценили сходимость модели визуально, используя графики трассировки апостериорных цепей, и с помощью диагностики, используя R-шляпу и ESS. Рисунок 6 показывает, что графики трассировки, R-шляпа (<1,01) и ESS ( > 1000) для всех параметров в исходном анализе указывает на сходимость.Для этой иллюстрации на рисунке 7 показаны графики трассировки анализа, в котором используются альтернативные предварительные спецификации для обоих эффектов регрессии: N (-10, 5) для Пол в качестве предиктора цинизма и N (0 , 5) для Отсутствие доверия как предиктор Цинизма . На этом рисунке мы можем видеть, что график кривой для эффекта Sex выглядит более изменчивым (хотя и относительно плоским) при использовании этой альтернативной предшествующей спецификации; это наиболее очевидно при рассмотрении разностей осей y- на рисунках 6, 7.В целом кажется, что альтернативные априорные значения не оказывают существенного влияния на сходимость цепи, несмотря на некоторые различия в дисперсии цепочки для коэффициента Cynicism от Sex (т.е. дисперсия для этого параметра шире на рисунке 6).
Рисунок 6. Графики трассировки исходного анализа.
Рисунок 7. Графики трассировки анализа с априорным распределением N (–10, 5) для Пол в качестве предиктора цинизма и N (0, 5) для Отсутствие доверия в качестве предсказатель цинизма .
Проверка графиков апостериорной плотности
Следующим шагом в анализе чувствительности является изучение того, как альтернативные априорные спецификации повлияли на апостериорные распределения параметров модели. Если апостериорные распределения очень похожи по диапазону априорных распределений, это означает, что апостериорная оценка устойчива к различным априорным распределениям. Напротив, если апостериорное распределение резко изменилось в результате альтернативного априорного распределения, то это показывает, что апостериорное распределение в большей степени зависит от конкретного используемого априорного распределения.Для этой иллюстрации мы сосредоточим наше обсуждение двух альтернативных предшествующих распределений для Отсутствие доверия как предиктора Цинизма . На рисунке 8 показано, что апостериорное распределение эффекта Отсутствие доверия изменяется в результате альтернативных предшествующих спецификаций. Оба апостериорных распределения смещаются в более низкий диапазон значений. Этот результат означает, что на апостериорное распределение исходного анализа влияет выбранное априорное распределение и что альтернативные (более размытые) априорные распределения привели бы к немного другим апостериорным распределениям.Кроме того, апостериорное распределение точки пересечения цинизма сдвигается к более высокому значению для обоих альтернативных априорных распределений, что указывает на существенно иное определение точки пересечения модели (т.е. среднее значение цинизма , когда предикторы равны нулю). Наконец, апостериорные распределения Пол в качестве предиктора Цинизма , по-видимому, не подвержены влиянию альтернативных априорных значений для эффекта Отсутствие доверия , в то время как остаточная дисперсия Цинизм была затронута.
Рис. 8. Графики апостериорной плотности для исходных и альтернативных априорных точек для Отсутствие доверия как предиктора цинизма .
Сравнение предварительных оценок
Другой способ изучить влияние априорного распределения — вычислить процентное отклонение средней апостериорной оценки между моделями с разными априорными распределениями. Для этой иллюстрации мы снова сосредоточим наше обсуждение на двух альтернативных предшествующих распределениях для Отсутствие доверия как предиктора Цинизма .На рисунке 9 показана сводная статистика анализов с альтернативными предыдущими спецификациями, полученная из приложения. В последних двух столбцах показаны средние апостериорные оценки исходного анализа и процентное отклонение между исходным и каждым альтернативным анализом. В соответствии со смещением вниз апостериорных плотностей эффекта Отсутствие доверия в различных предшествующих спецификациях, процентное отклонение составляет -23,040% или -24,851%, в зависимости от альтернативной предшествующей спецификации.Другой способ зафиксировать влияние предшествующего распределения — сравнить 90% интервалы HPD и посмотреть, изменится ли существенный вывод о существовании эффекта Отсутствие доверия . В этом случае ноль всегда находится за пределами 90% интервала HPD, независимо от предшествующего распределения, используемого в анализе. Таким образом, существенный вывод относительно роли Недостаточного доверия как предиктора цинизма не меняется в предыдущих рассмотренных здесь распределениях.
Рис. 9. Апостериорные оценки альтернативных априорных значений для Отсутствие доверия как предиктора Цинизма .
Дополнительные инструкции по использованию приложения
Мы создали приложение таким образом, чтобы пользователи не могли изучить комбинацию различных априорных значений в модели, прежде чем указывать и рассматривать каждую из них по отдельности. Это дизайнерское решение было принято из педагогических соображений. Мы считаем, что изучение каждого предыдущего по отдельности полезно при первоначальном изучении предшествующего воздействия.Практика изменения предшествующих настроек и отслеживания последующего изменения обеспечивает визуальный опыт обучения, который улучшает дискуссии, связанные с анализом чувствительности. Однако на практике реализация и изменение априорных порядков более сложны. В окончательной оценке модели комбинация априорных значений является главным аспектом, который имеет значение. Есть исследования, подчеркивающие, что априорные значения в одном месте модели могут повлиять на результаты в другом месте (см., Например, Depaoli, 2012). Из-за этого важно изучить результаты с комбинацией априорных факторов, реализованных сразу.Эти результаты отражают истинное влияние предыдущих настроек (в отличие от изучения одного параметра за раз). Хотя это приложение позволяет пользователю изучать по одному (в качестве обучающего инструмента), мы отмечаем, что это может быть невыполнимой практикой в некоторых контекстах моделирования. Например, некоторые модели теории ответов на вопросы имеют тысячи параметров, и было бы возможно исследовать только комбинацию априорных факторов (а не по одному за раз).
Приложение было разработано для повышения педагогической эффективности визуальной демонстрации анализа чувствительности.Тем не менее, мы предупреждаем читателя, что на самом деле именно комбинация предшествующих настроек определяет существенное влияние априорных параметров.
Заключение
Наша цель состояла в том, чтобы представить примеры (с помощью моделирования и приложения), иллюстрирующие важность предварительного анализа чувствительности. Мы представили приложение Shiny, которое помогает проиллюстрировать некоторые важные аспекты изучения результатов анализа чувствительности. Мы отформатировали текущий раздел, чтобы ответить на часто задаваемые вопросы (FAQ), чтобы дать краткий обзор наиболее важных компонентов, на которых прикладные исследователи могут сосредоточиться.
Часто задаваемые вопросы о предварительном анализе чувствительности
(1) Почему анализ чувствительности важен в рамках байесовской модели и что мы можем извлечь из него?
Анализ чувствительности во многих отношениях является одним из наиболее важных элементов, необходимых для полного понимания байесовских результатов в условиях прикладных исследований. Имитационное исследование и демонстрация, представленная в приложении Shiny, показали, что априорные значения могут иметь существенное влияние на апостериорное распределение.Без анализа чувствительности невозможно отделить влияние априорного значения от роли, которую данные играют на этапе оценки модели. Анализ чувствительности может помочь исследователю понять влияние предыдущего по сравнению с влиянием данных. Другими словами, этот анализ может помочь установить, насколько теория [например, обоснованная теория или ее недостаток (например, диффузные априорные вероятности)] влияет на окончательные результаты модели и насколько результаты обусловлены закономерностями в выборочных данных.
(2) Сколько различных предварительных условий я должен проверить во время анализа чувствительности? Другими словами, насколько обширным должен быть анализ чувствительности?
В статистике есть ходячее высказывание (или шутка), что ответ на любой статистический вопрос — «это зависит от обстоятельств». Это высказывание, безусловно, справедливо и здесь. В данном случае однозначного ответа на этот вопрос нет, и он действительно зависит от нескольких факторов. Объем анализа чувствительности будет зависеть от сложности модели, предполагаемой роли априорных сторон (например,g., информативный или рассеянный), а также задаваемые вопросы по существу. Мы можем предоставить несколько общих рекомендаций. Например, если в исходном анализе реализованы диффузные априорные значения, то включение информативных априорных значений в анализ чувствительности, вероятно, не будет актуальным. Вместо этого практикующему врачу будет лучше протестировать различные формы диффузных априорных вероятностей. Однако, если информативные априорные значения использовались в первоначальном анализе, то было бы рекомендовано изучить различные формы информативных априорных значений, а также диффузные априорные установки в анализе чувствительности.Практикующий специалист должен тщательно взвесить эти различные аспекты и соответственно принять решение об объеме анализа чувствительности. Основная цель здесь — понять влияние и роль, которую играет каждый из предшествующих. Не существует установленных правил для достижения этой цели, поскольку все сценарии исследования будут существенно отличаться.
(3) Как лучше всего отображать результаты анализа чувствительности?
Не слишком много заимствую из предыдущего FAQ, но ответ на этот текущий вопрос зависит от: (1) того, что показывают результаты анализа чувствительности, (2) сложности модели — i.е., количество параметров модели и (3) количество условий, исследуемых при анализе чувствительности. В случае, когда результаты относительно схожи при различных предшествующих условиях, исследователь может выбрать пару предложений, указывающих на объем анализа чувствительности и сопоставимость результатов. Однако в случае, когда результаты изменяются, когда априорные значения различаются (например, как в некоторых примерах, представленных в нашем приложении Shiny), исследователь может выбрать более крупное отображение результатов.Это может быть обеспечено с помощью визуальных эффектов, подобных представленным нами графикам Shiny App (например, рисунки 3, 4, 8, 9), или в виде таблицы, указывающей степень несоответствия в оценках или интервалах HPD по параметрам. В крайних случаях, когда десятки параметров пересекаются со многими условиями анализа чувствительности, исследователю может потребоваться поместить большую часть результатов в онлайн-приложение и просто изложить результаты в тексте рукописи. Во многом это будет зависеть от степени различий, наблюдаемых при анализе чувствительности, а также от ограничений места в журнале.Важным вопросом является то, что результаты должны отображаться в некоторой ясной форме (в виде текста, изображений или таблиц результатов), но то, как это будет выглядеть, будет во многом зависеть от характера расследования и полученных результатов.
(4) Как мне интерпретировать результаты анализа чувствительности?
Результаты анализа чувствительности не предназначены для изменения или изменения представленных окончательных результатов модели. Вместо этого они помогают правильно интерпретировать влияние предыдущих настроек.Это может быть полезно для понимания того, какое влияние имеют априорные значения, а также насколько надежны окончательные оценки модели по отношению к различиям в априорных параметрах — будь то небольшие или большие различия в априорных значениях. Результаты анализа чувствительности следует сообщать вместе с окончательными полученными оценками модели (т. Е. Оценками, полученными из исходных реализованных априорных оценок). Эти результаты могут быть использованы для поддержки раздела обсуждения, а также для более ясного понимания окончательных оценок. Кроме того, мы обсудили выше альтернативу, касающуюся результатов анализа чувствительности отчета, когда реализованы диффузные априорные значения.В этом сценарии практикующий специалист может выбрать отчет о результатах по ряду диффузных априорных значений в качестве окончательного анализа. Это стратегия, которая может помочь осветить любую неопределенность, связанную с точной априорной спецификацией, если различные формы диффузных априорных значений дают разные результаты. Наконец, если процесс анализа чувствительности дает априорное (или набор априорных значений), которое дает бессмысленные результаты в соответствии с апостериорным (например, апостериорное значение не имеет смысла, см. Depaoli and van de Schoot, 2017), или приводит к цепочкам которые не сходятся, то это может указывать на плохой априорный выбор с учетом модели или вероятности.В этом случае следует описать предыдущие и результаты, и может быть полезно описать, почему эти предварительные настройки могут быть нежизнеспособными, учитывая плохие результаты, которые были получены.
(5) Что произойдет, если существенные результаты будут отличаться от предыдущих настроек, реализованных в анализе чувствительности?
Сначала может показаться неудобным получение результатов анализа чувствительности, которые показывают, что априорные значения имеют сильное влияние на окончательные оценки модели. Однако на самом деле это не проблема , концерн .Предположим, что результаты анализа чувствительности показали, что даже небольшое колебание предыдущих настроек изменило окончательные результаты модели значимым (то есть существенным) образом. Это важный вывод, поскольку он может указывать на то, что точная теория, использованная для определения предшествующей (потенциально), имеет большое влияние на окончательные результаты модели. Обнаружение этого открытия может помочь построить более глубокое понимание того, насколько стабильна модель (или теория). Напротив, если результаты модели относительно стабильны при различных предшествующих настройках, то это указывает на то, что теория (т.е., предыдущий) оказывает меньшее влияние на выводы. В любом случае результаты интересны и должны быть подробно описаны в обсуждении. Понимание роли, которую играют априорные факторы, в конечном итоге поможет привести к более точным и обоснованным теориям в данной области.
(6) Как записать результаты анализа чувствительности?
Результаты анализа чувствительности должны быть включены в основную часть раздела результатов любой прикладной байесовской статьи. Окончательные оценки модели могут быть представлены и интерпретированы на основе исходных ранее примененных настроек.Затем анализ чувствительности может быть представлен в контексте построения более глубокого понимания влияния априорных факторов. Байесовские результаты могут быть полностью поняты только в контексте влияния определенных ранее реализованных настроек. После отчета об окончательных оценках модели с исходными предыдущими настройками к результатам можно добавить раздел, озаглавленный примерно так: «Понимание влияния предварительных оценок». В этот раздел следует включить визуальное или табличное отображение результатов анализа чувствительности.Результаты анализа должны быть описаны, и должно быть рассмотрено некоторое представление об устойчивости (или нет!) Результатов к различным предыдущим настройкам. Эти результаты могут быть затем расширены в разделе обсуждения, и могут быть даны рекомендации о том, какие предварительные значения, по мнению исследователя, должны быть дополнительно изучены в последующих исследованиях. Цель состоит в том, чтобы дать подробное описание анализа и предоставить читателям обширную информацию для оценки роли априорных значений в данном конкретном контексте моделирования.
Последние мысли
Как мы продемонстрировали в исследовании моделирования и в приложении Shiny, априорные значения могут иметь заметное влияние на конечные результаты модели. Крайне важно, чтобы прикладные исследователи тщательно изучили масштабы этого воздействия и представили результаты в окончательном аналитическом отчете. Наглядные пособия могут быть огромным преимуществом при представлении результатов анализа чувствительности, поскольку они быстро указывают на уровень (несогласованности) результатов по различным предыдущим параметрам.
Ключевым вопросом при составлении отчета о любом анализе, особенно таком сложном, как байесовский анализ, является прозрачность. Важно всегда четко понимать, какие анализы проводились, как они проводились и как можно интерпретировать результаты. Эта проблема прозрачности является ключевой в любой статистической структуре, но она особенно актуальна для байесовской структуры из-за того, насколько легко, , манипулировать результатами, изменяя предыдущие настройки. Байесовские методы — очень полезные инструменты, и это зависит от нас (т.д., пользователи, издатели и потребители исследований), чтобы установить приоритет прозрачности и тщательности при сообщении результатов. Мы надеемся, что приложение Shiny сыграет свою роль в повышении важности этой проблемы.
Авторские взносы
SD разработал концепцию и написал рукопись. SW и MV создали приложение Shiny. Все авторы внесли свой вклад в статью и одобрили представленную версию.
Конфликт интересов
Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.
Сноски
Список литературы
Адейемо, Д. А. (2007). Модерирующее влияние эмоционального интеллекта на связь между академической самоэффективностью и успеваемостью студентов вузов. Psychol. Dev. Soc. 19, 199–213. DOI: 10.1177 / 097133360701
4
CrossRef Полный текст | Google Scholar
Брукс, С. П., и Гельман, А. (1998). Общие методы контроля сходимости итерационных расчетов. J. Comput. График. Стат. 7, 434–455. DOI: 10.1080 / 10618600.1998.10474787
CrossRef Полный текст | Google Scholar
Чанг, В., Ченг, Дж., Аллер, Дж. Дж., Се, Ю., и Макферсон, Дж. (2020). shiny: Платформа веб-приложений для пакета R. R версии 1.5.0. Доступно в Интернете по адресу: https://CRAN.R-project.org/package=shiny (по состоянию на 10 сентября 2020 г.).
Google Scholar
Cieciuch, J., Davidov, E., Schmidt, P., Algesheimer, R., and Schwartz, S.Х. (2014). Сравнение результатов точного и приближенного (байесовского) теста на инвариантность измерений: иллюстрация для разных стран со шкалой для измерения 19 человеческих ценностей. Фронт. Psychol. 5: 982. DOI: 10.3389 / fpsyg.2014.00982
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Депаоли, С. (2012). Разделение классов измерительной и структурной модели в смеси-CFA: ML / EM по сравнению с MCMC. Struct. Equat. Модель. 19, 178–203. DOI: 10.1080 / 10705511.2012.659614
CrossRef Полный текст | Google Scholar
Депаоли, С. (2013). Восстановление классов смеси в GMM при различной степени разделения классов: частотная или байесовская оценка. Psychol. Методы 18, 186–219. DOI: 10.1037 / a0031609
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Депаоли С., Клифтон Дж. (2015). Байесовский подход к моделированию многоуровневых структурных уравнений с непрерывными и дихотомическими результатами. Struct.Equat. Модель. 22, 327–351. DOI: 10.1080 / 10705511.2014.937849
CrossRef Полный текст | Google Scholar
Депаоли, С., Рус, Х., Клифтон, Дж., Ван де Шут, Р., и Тименсма, Дж. (2017a). Введение в байесовскую статистику в психологии здоровья. Health Psychol. Ред. 11, 248–264. DOI: 10.1080 / 17437199.2017.1343676
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Депаоли, С., и ван де Шут, Р. (2017). Повышение прозрачности и репликации в байесовской статистике: контрольный список WAMBS. Psychol. Методы 22, 240–261. DOI: 10.1037 / met0000065
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Депаоли С., Янг Ю. и Фелт Дж. (2017b). Использование байесовской статистики для моделирования неопределенности в смешанных моделях: анализ априорной чувствительности. Struct. Equat. Модель. 24, 198–215. DOI: 10.1080 / 10705511.2016.1250640
CrossRef Полный текст | Google Scholar
Гельман А. (1996). «Вывод и мониторинг сходимости», в Цепь Маркова Монте-Карло на практике , ред.Р. Гилкс, С. Ричардсон и Д. Дж. Шпигельхальтер (Нью-Йорк: Чепмен и Холл), 131–143.
Google Scholar
Гельман А., Карлин Дж. Б., Стерн Х. С., Дансон Д., Вехтари А. и Рубин Д. Б. (2014). Байесовский анализ данных (3-е изд.). Бока-Ратон, Флорида: Чепмен и Холл.
Google Scholar
Гельман А., Рубин Д. Б. (1992a). Вывод из итеративного моделирования с использованием нескольких последовательностей. Stat. Sci. 7, 457–511. DOI: 10.1214 / SS / 1177011136
CrossRef Полный текст | Google Scholar
Гельман, А., и Рубин, Д. Б. (1992b). «Отдельная серия из сэмплера Гиббса дает ложное ощущение безопасности», в Bayesian Statistics 4 , ред. Дж. М. Бернардо, Дж. О. Бергер, А. П. Давид и А. Ф. М. Смит (Oxford: Oxford University Press), 625–631.
Google Scholar
Гевеке, Дж. (1992). «Оценка точности основанных на выборке подходов к вычислению апостериорных моментов», в Bayesian Statistics 4 , ред. Дж. М. Бернардо, Дж. О. Бергер, А. П. Давид и А.Ф. М. Смит (Oxford: Oxford University Press), 169–193.
Google Scholar
Гош, Дж. К., и Мукерджи, Р. (1992). «Неинформативные априорные значения (с обсуждением)», в Bayesian Statistics , 4 Edn, ред. Дж. М. Бернардо, Дж. О. Бергер, А. П. Давид и А. Ф. М. Смит (Oxford: Oxford University Press), 195–210.
Google Scholar
Голей П., Реверте И., Россье Дж., Фавез Н. и Лесерф Т. (2013). Дальнейшее понимание французской факторной структуры WISC-IV с помощью моделирования байесовским структурным уравнением. Psychol. Оценивать. 25, 496–508. DOI: 10.1037 / a0030676
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Густафсон П. и Вассерман Л. (1995). Диагностика локальной чувствительности для байесовского вывода. Ann. Стат. 23, 2153–2167. DOI: 10.1214 / aos / 1034713652
CrossRef Полный текст | Google Scholar
Heitjan, D. F., Guo, M., Ray, R., Wileyto, E. P., Epstein, L.H., and Lerman, C. (2008). Идентификация фармакогенетических маркеров в терапии отказа от курения. Am. J. Med. Genet. B Neuropsychiatr. Genet. 147, 712–719. DOI: 10.1002 / ajmg.b.30669
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Хоффман М. Д., Гельман А. (2011). Пробоотборник без разворота: адаптивная установка длины пути в гамильтонианах Монте-Карло. arXiv [Препринт] Доступно в Интернете по адресу: https://arxiv.org/abs/1111.4246 (по состоянию на 10 сентября 2020 г.), Google Scholar
Керр, Н. Л. (1998). HARKing: выдвижение гипотез после того, как результаты известны. чел. Soc. Psychol. Rev. 2, 196–217. DOI: 10.1207 / s15327957pspr0203_4
CrossRef Полный текст | Google Scholar
Ким, С. Ю., Сух, Ю., Ким, Дж. С., Альбанезе, М., и Лангер, М. М. (2013). Оценка единственной и множественной способности в рамках SEM: неинформативный байесовский подход к оценке. Multiv. Behav. Res. 48, 563–591. DOI: 10.1080 / 00273171.2013.802647
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Копала-Сибли, д.К., Зурофф, Д. К., Лейбман, М. Дж., И Хоуп, Н. (2013). Вспомнил опыт взаимоотношений со сверстниками и текущий уровень самокритики и самоуверенности. Psychol. Psychother. 86, 33–51. DOI: 10.1111 / j.2044-8341.2011.02044.x
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Крушке, Дж. К. (2015). Выполнение байесовского анализа: Учебное пособие с R, Jags и STAN. Сан-Диего, Калифорния: Academic Press.
Google Scholar
Ламберт, П.К., Саттон, А. Дж., Бертон, П. Р., Абрамс, К. Р., и Джонс, Д. Р. (2005). Насколько расплывчато расплывчато? Имитационное исследование влияния использования неопределенных предшествующих дистрибутивов в MCMC с использованием WinBUGS. Stat. Med. 24, 2401–2428. DOI: 10.1002 / (ISSN) 1097-0258
CrossRef Полный текст | Google Scholar
Луйстер, Ф. С., Чейзенс, Э. Р., Васко, М. К. М., и Данбар-Джейкоб, Дж. (2011). Качество сна и функциональная инвалидность у пациентов с ревматоидным артритом. J. Clin. Sleep Med. 7, 49–55. DOI: 10.5664 / jcsm.28041
CrossRef Полный текст | Google Scholar
Мюллер, У. К. (2012). Измерение априорной чувствительности и априорной информативности в больших байесовских моделях. Дж. Моне. Экон. 59, 581–597. DOI: 10.1016 / j.jmoneco.2012.09.003
CrossRef Полный текст | Google Scholar
Мутен, Б., Аспарухов, Т. (2012). Моделирование байесовскими структурными уравнениями: более гибкое представление основной теории. Psychol.Методы 17, 313–335. DOI: 10.1037 / a0026802
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Мутен, Л. К., и Мутен, Б. (1998–2017 гг.). Руководство пользователя Mplus. Издание восьмое. Лос-Анджелес, Калифорния: Muthén and Muthén.
Google Scholar
Натараджан Р. и Маккаллох К. Э. (1998). Выборка Гиббса с диффузными собственными априорными аргументами: действительный подход к логическому выводу, основанному на данных? J. Comput. График. Стат. 7, 267–277. DOI: 10.1080 / 10618600.1998.10474776
CrossRef Полный текст | Google Scholar
R Основная команда (2020). R: язык и среда для статистических вычислений. Вена: Фонд R для статистических вычислений.
Google Scholar
Роос М., Мартинс Т. Г., Хелд Л. и Рю Х. (2015). Анализ чувствительности для байесовских иерархических моделей. Байесовский анал. 10, 321–349. DOI: 10.1214 / 14-ba909
CrossRef Полный текст | Google Scholar
Команда RStudio.(2020). RStudio: комплексная разработка для R. Boston, MA: RStudio, Inc.
Google Scholar
Шэн Ю. (2010). Анализ чувствительности выборки Гиббса для моделей 3PNO IRT: влияние предшествующих спецификаций на оценки параметров. Behaviormetrika 37, 87–110. DOI: 10.2333 / bhmk.37.87
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Синхарай, С. (2004). Опыт оценки сходимости цепи Маркова методом Монте-Карло на двух психометрических примерах. J. Educ. Behav. Стат. 29, 461–488. DOI: 10.3102 / 1076998602
61
CrossRef Полный текст | Google Scholar
Stan Development Team (2020). RStan: R-интерфейс для Stan. Пакет R версии 2.21.2. Доступно на сайте: http://mc-stan.org/ (по состоянию на 10 сентября 2020 г.)
Google Scholar
ван де Шут, Р., Сиджбранди, М., Депаоли, С., Винтер, С., Олфф, М., и ван Лой, Н. (2018). Байесовский анализ траектории посттравматического стрессового расстройства с информированной априорной информацией, основанный на систематическом поиске литературы и привлечении экспертов. Multiv. Behav. Res. 53, 267–291. DOI: 10.1080 / 00273171.2017.1412293
PubMed Аннотация | CrossRef Полный текст | Google Scholar
ван де Шут, Р., Винтер, С., Зондерван-Цвейненбург, М., Райан, О., и Депаоли, С. (2017). Систематический обзор байесовских приложений в психологии: последние 25 лет. Psychol. Методы 22, 217–239. DOI: 10.1037 / met0000100
PubMed Аннотация | CrossRef Полный текст | Google Scholar
ван Эрп, С., Малдер, Дж., И Оберски, Д. Л. (2018). Предварительный анализ чувствительности при моделировании байесовских структурных уравнений по умолчанию. Psychol. Методы 23, 363–388. DOI: 10.1037 / met0000162
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Чжан З., Хамагами Ф., Ван Л., Гримм К. Дж. И Нессельроаде Дж. Р. (2007). Байесовский анализ продольных данных с использованием моделей кривой роста. Внутр. J. Behav. Dev. 31, 374–383. DOI: 10.1177 / 0165025407077764
CrossRef Полный текст | Google Scholar
Цицманн, С., и Хехт, М. (2019). Выходя за рамки конвергенции в байесовской оценке: почему точность тоже важна и как ее оценивать. Struct. Equat. Модель. Многопрофильный. J. 26, 646–661. DOI: 10.1080 / 10705511.2018.1545232
CrossRef Полный текст | Google Scholar
Зондерван-Цвейненбург, М. А. Дж., Депаоли, С., Петерс, М., и ван де Шут, Р. (2019). Расширяя границы: эффективность машинного обучения и байесовской оценки с небольшими и несбалансированными выборками в модели скрытого роста. Методология 15, 31–43. DOI: 10.1027 / 1614-2241 / a000161
CrossRef Полный текст | Google Scholar
Zondervan-Zwijnenburg, M.A.J., Peeters, M., Depaoli, S., and van de Schoot, R. (2017). Откуда берутся приоры? Применение руководящих принципов для построения информативных априорных точек в небольших выборочных исследованиях. Res. Гм. Dev. 14, 305–320. DOI: 10.1080 / 15427609.2017.1370966
CrossRef Полный текст | Google Scholar
В следующем разделе представлена гипотетическая запись результатов анализа чувствительности, которая имитирует пример, представленный в приложении Shiny.
На первом этапе анализа чувствительности мы рассмотрели параметры, представляющие наибольший интерес в нашем исследовании. В случае нашего примера регрессии нас особенно интересовали коэффициенты регрессии, связанные с Пол как предиктором цинизма и Отсутствие доверия как предиктор цинизма . После четкого определения интересующих параметров мы определили наиболее подходящие априорные факторы для исходных (сравнительных) априорных точек в анализе.Например, мы выбрали N (0,10) в качестве априорного значения для Пол в качестве предиктора цинизма и N (6,1) в качестве априорного значения для Отсутствие доверия в качестве предиктора Цинизм . Априорные значения N (0,10) предполагают, что Цинизм и Пол не связаны, а N (6,1) указывает на положительную связь между Цинизм и Отсутствие доверия . В дополнение к выбору априорных значений для параметров, представляющих существенный интерес, мы также установили N (41,10) как до точки пересечения и IG (0.5,0.5) как априор для остаточной дисперсии.
Чтобы понять влияние различных априорных значений на апостериорное распределение, мы определили набор альтернативных априорных значений для сравнения с каждым из наших исходных априорных значений. Для нашего примера регрессии мы выбрали альтернативные априорные значения N (5,5) и N (-10,5) для Пол , предсказывающий Цинизм . Предварительная альтернатива N (5,5) предполагает, что у мужчин более высокая степень цинизма, чем у женщин, а альтернатива N (-10,5) предшествующая означает, что у мужчин степень цинизма ниже, чем у женщин.Кроме того, мы выбрали альтернативные априоры N (0,100) и N (0,5) для Отсутствие доверия , предсказывающего Цинизм . Альтернатива N (0,100) была гораздо более расплывчатой, чем исходная предыдущая, что свидетельствует об отсутствии знаний об этом параметре. N (0,5) имеет нулевое среднее значение, что указывает на отсутствие связи между Cynicism и Отсутствие доверия . Для перехвата мы выбрали N (0,100) и N (20,10) в качестве альтернативных априорных точек. N (0,100) приор — это диффузный плоский приор, а N (20,10) смещает среднее значение исходного приора вниз. Обе априоры предполагают более низкие значения цинизма. Для остаточной дисперсии мы выбрали IG (1,0,5) и IG (0,1,0,1) в качестве альтернативных априорных точек. IG (1,0,5) более информативен, чем исходный предшествующий, а IG (0,1,0,1) более размытый, чем исходный предшествующий. Наконец, мы также указали комбинации этих альтернативных априорных значений, чтобы понять совокупное влияние различных априорных факторов на результаты модели.
После выбора альтернативных приоров мы оценили ряд моделей с разными приорами. Каждая модель была проверена на сходимость путем визуального осмотра графиков трассировки, а также с помощью диагностики R-hat. Кроме того, отслеживались эффективные размеры выборки (ESS), чтобы гарантировать отсутствие проблем с автокорреляцией. Выбранные альтернативные априорные значения дали адекватную сходимость модели и значения ESS. Поэтому мы перешли к следующему этапу анализа чувствительности и изучили графики апостериорной плотности.Визуальный осмотр графиков апостериорной плотности выявил изменение апостериорных распределений для Отсутствие доверия , предсказывающего Цинизм при указании альтернативных априорных значений. В частности, апостериорное распределение для Отсутствие доверия , предсказывающего Цинизм , смещается к более низким значениям при обоих альтернативных априорных значениях, предполагая, что предыдущая спецификация влияет на результаты. Апостериорное распределение перехвата и остаточная дисперсия Cynicism изменялось в зависимости от указанных априорных значений, что указывает на существенно различную интерпретацию перехвата в зависимости от априорных значений.Напротив, графики апостериорной плотности для Sex как предиктора цинизма были относительно схожими, независимо от альтернативной предшествующей спецификации.
Мы также проверили надежность результатов, сравнив апостериорные оценки моделей с разными предшествующими спецификациями. Если апостериорные оценки мало влияют на результаты, тогда будет небольшой процент отклонений в апостериорных оценках между моделями. Однако, если априорные значения имеют значительный эффект, мы увидим более высокое процентное отклонение между моделями.Как и ожидалось, учитывая графики апостериорной плотности, мы видим сдвиг вниз в оценке Отсутствие доверия как предиктора Цинизма в различных предшествующих спецификациях. В частности, процентное отклонение составляет -23,040% или -24,851%, в зависимости от альтернативной предыдущей спецификации.
Дальнейшие доказательства влияния априорного распределения на апостериорное распределение могут быть получены путем сравнения 90% интервалов наивысшей апостериорной плотности (HPD). Если существенные выводы относительно изменения параметра в зависимости от предшествующего, то есть свидетельства менее надежных результатов.В случае Отсутствие доверия в качестве предиктора Цинизма , ноль всегда находится за пределами 90% интервала HPD, независимо от предшествующего распределения, используемого в анализе. Таким образом, основной вывод относительно роли Недостаточного доверия как предиктора Цинизма не меняется в предыдущих распределениях. Это, пожалуй, самый важный результат анализа чувствительности. Хотя на некоторые параметры в модели более легко повлияли указанные априорные распределения, содержательная интерпретация результатов модели не изменилась в зависимости от того, что было указано ранее.”
% PDF-1.3 % 642 0 объект > эндобдж xref 642 81 0000000016 00000 н. 0000003556 00000 н. 0000003748 00000 н. 0000003784 00000 н. 0000004037 00000 н. 0000004185 00000 н. 0000004304 00000 н. 0000004423 00000 н. 0000004542 00000 н. 0000004703 00000 н. 0000004941 00000 н. 0000005817 00000 н. 0000010589 00000 п. 0000010848 00000 п. 0000011236 00000 п. 0000011403 00000 п. 0000012149 00000 п. 0000013026 00000 п. 0000013735 00000 п. 0000014134 00000 п. 0000014615 00000 п. 0000014977 00000 п. 0000021547 00000 п. 0000021584 00000 п. 0000021991 00000 п. 0000022045 00000 п. 0000022534 00000 п. 0000030836 00000 п. 0000031442 00000 п. 0000031875 00000 п. 0000032006 00000 п. 0000033344 00000 п. 0000033617 00000 п. 0000033952 00000 п. 0000034653 00000 п. 0000035117 00000 п. 0000035310 00000 п. 0000035985 00000 п. 0000036070 00000 п. 0000036304 00000 п. 0000036605 00000 п. 0000037529 00000 п. 0000038276 00000 п. 0000039005 00000 п. 0000039837 00000 п. 0000040541 00000 п. 0000041134 00000 п. 0000047428 00000 п. 0000047672 00000 п. 0000048046 00000 п. 0000048431 00000 н. 0000049213 00000 п. 0000050087 00000 п. 0000050473 00000 п. 0000050617 00000 п. 0000050841 00000 п. 0000055128 00000 п. 0000055470 00000 п. 0000055868 00000 п. 0000055972 00000 п. 0000057693 00000 п. 0000057933 00000 п. 0000058276 00000 п. 0000059000 00000 н. 0000059654 00000 п. 0000062347 00000 п. 0000062411 00000 п. 0000062838 00000 п. 0000063056 00000 п. 0000063117 00000 п. 0000063604 00000 п. 0000063835 00000 п. 0000064119 00000 п. 0000064219 00000 п. 0000066000 00000 п. 0000066251 00000 п. 0000066587 00000 п. 0000066648 00000 п. 0000067291 00000 п. 0000067517 00000 п. 0000001916 00000 н. трейлер ] / Назад 498913 >> startxref 0 %% EOF 722 0 объект > поток h ޤ VyLW {13 «» «- xdʒ1ƴ ,, \ * eZA-x`ID & P5Mhk? emM}.6ly շ ƂSlAGH͘ԅgtn; >> 1лW # mD [;
~ do4Pi`YD z0 «b, sz (ce.b
Тестирование влияния априорных значений преобладания черт в байесовском моделировании генетического прогнозирования черт внешнего вида человека
Основные моменты
- •
Прогнозирование фенотипов внешнего вида на основе генотипов имеет важное и другое значение
- •
Априорные значения распространенности признаков могут улучшить предсказание появления, но еще не были протестированы
- •
Использование априорных значений, основанных на распространенности признаков, позволяет повысить точность прогнозов.
- •
Однако неверно информированные априорные значения распространенности снижают точность прогнозов.
- •
Ограниченные данные о распространенности признаков внешнего вида делают использование таких априорных значений в настоящее время невозможным.
Abstract
Прогнозирование черт внешности с использованием исключительно генетической информации стало общепризнанным подходом, и для этой цели уже разработан ряд моделей статистического прогнозирования. Однако, учитывая ограниченные знания о генетике внешности, доступные в настоящее время модели неполны и не включают все причинно-следственные генетические варианты в качестве предикторов.Поэтому такие модели прогнозирования могут выиграть от включения дополнительной информации, которая выступает в качестве заместителя для этого неизвестного генетического фона. Использование априорных значений, возможно, основанных на значениях распространенности категорий признаков в группах биогеографического происхождения, в байесовской структуре может, таким образом, улучшить точность предсказания ранее предсказанных внешне видимых характеристик, но пока еще не исследовано. В этом исследовании мы оценили влияние использования априорных значений, основанных на распространенности черт, на эффективность прогнозирования в байесовских моделях для цвета глаз, волос и кожи, а также структуры волос и веснушек по сравнению с соответствующими моделями без априорного анализа.Эти бесплатные модели были либо определены аналогично, либо очень близки к уже установленным, с использованием сокращенного набора прогнозных маркеров. Однако эти различия в количестве прогностических маркеров не должны существенно влиять на наши основные результаты. Мы заметили, что такие априорные значения часто сильно влияли на эффективность прогнозирования, но в разной степени между разными признаками, а также разными категориями признаков, при этом некоторые категории практически не проявляли эффекта. Хотя мы обнаружили потенциал для повышения точности прогнозирования многих категорий черт внешнего вида, протестированных с использованием априорных значений, наш анализ также показал, что неправильное определение этих априорных значений часто сильно снижает точность по сравнению с соответствующим безаприорным подходом.Это подчеркивает важность точной спецификации априорных значений с учетом распространенности при моделировании байесовского прогнозирования черт внешности. Однако имеющиеся литературные данные о пространственной распространенности скудны для большинства черт внешности, включая те, которые исследуются здесь. Из-за ограничений в знаниях о распространенности черт внешнего вида наши результаты делают использование априорных значений, основанных на распространенности черт, в прогнозировании черт внешнего вида на основе ДНК в настоящее время невозможным.
Ключевые слова
Внешний вид
Генетическое предсказание
Влияние приоров
Прогнозирующий анализ ДНК
Криминалистическое ДНК-фенотипирование
Внешне видимые характеристики
Рекомендуемые статьиЦитирующие статьи (0)
Посмотреть Аннотация© 2020.Опубликовано Elsevier B.V.
Рекомендованные статьи
Цитирующие статьи
Проверка устойчивости результатов деятельности американских паевых инвестиционных фондов: байесовская динамическая панельная модель
Американская статистическая ассоциация. (2016). Заявление о p-значениях, контексте, процессе и цели, ASA (Том 70 (2)). Александрия: Американская статистическая ассоциация.
Google Scholar
Аннаерт, Дж., Ван ден Брок, Дж., И Вандер Веннет, Р. (2003). Детерминанты неэффективности взаимных фондов: байесовский стохастический пограничный подход. Европейский журнал операционных исследований, 151, 617–632.
Google Scholar
Барбер Д. (2012). Байесовское мышление и машинное обучение . Кембридж: Издательство Кембриджского университета.
Google Scholar
Басак, С., & Макаров, Д. (2014). Стратегическое распределение активов в управлении капиталом. The Journal of Finance, 69, 179–217.
Google Scholar
Биорн, Э. (2015). Динамика панельных данных с неверно измеренными переменными: моделирование и оценка GMM. Empirical Economics, 48, 517–535.
Google Scholar
Блейк, Д., Колфилд, Т., Иоаннидис, К., и Тонкс, И. (2014). Улучшенный вывод при оценке эффективности паевых инвестиционных фондов с использованием методов панельного бутстрапа. Journal of Econometrics, 183 (2), 202–210.
Google Scholar
Блейк Д., Колфилд Т., Иоаннидис К. и Тонкс И. (2017). Новые данные об эффективности паевых инвестиционных фондов: сравнение альтернативных методов начальной загрузки. Журнал финансового и количественного анализа, 52 (3), 1279–1299.
Google Scholar
Браун С. Дж., Гетцманн В. Н. и Парк Дж. (2001). Карьера и выживание: конкуренция и риск в хедж-фондах и индустрии CTA. The Journal of Finance, 56, 1869–1886.
Google Scholar
Браун, К. К., Харлоу, В. В., и Старкс, Л. Т. (1996). О турнирах и соблазнах: анализ управленческих стимулов в индустрии паевых инвестиционных фондов. Journal of Finance, 51, 85–110.
Google Scholar
Буссе, Дж. А. (2001). Еще один взгляд на турниры паевых инвестиционных фондов. Журнал финансового и количественного анализа, 36, 53–73.
Google Scholar
Кабельо, Дж. М., Руис, Ф., Перес-Глэдиш, Б., и Мендес-Родригес, П. (2014). Синтетические индикаторы экологической ответственности паевых инвестиционных фондов: применение метода контрольных точек. Европейский журнал операционных исследований, 236 (1), 313–325.
Google Scholar
Кархарт, М. М. (1997). О настойчивости в работе паевых инвестиционных фондов. Финансовый журнал, 52, 57–82.
Google Scholar
Casarin, R., & Marin, J.-M. (2009). Обработка данных онлайн: Сравнение байесовских регуляризованных букв частиц. Электронный статистический журнал, 3, 239–258.
Google Scholar
Чен Дж., Хонг Х., Хуанг М. и Кубик Дж. Д. (2004). Уменьшает ли размер фонда производительность? Организационная неэкономичность и активное управление капиталом. American Economic Review, 94, 1276–1302.
Google Scholar
Чен, Дж., Хун, Х., Цзян, В., & Кубик, Дж. Д. (2013). Аутсорсинг управления паевым инвестиционным фондом: границы компаний, стимулы и результаты. The Journal of Finance, 68, 523–558.
Google Scholar
Chevalier, J., & Ellison, G. (1997). Принятие риска взаимными фондами в ответ на стимулы. Журнал политической экономии, 105, 1167–1200.
Google Scholar
Шопен Н.(2002). Метод последовательной фильтрации частиц для статических моделей. Biometrika, 89 (3), 539–551.
Google Scholar
Шопен, Н. (2004). Центральная предельная теорема для последовательных методов Монте-Карло и ее приложение к байесовскому выводу. Анналы статистики, 32, 2385–2411.
Google Scholar
Кристофферсен, С.Э. и Мусто Д. К. (2002). Кривые спроса и ценообразование при управлении капиталом. Обзор финансовых исследований, 15, 1499–1524.
Google Scholar
Каллен, Г., Гасбарро, Д., Монро, Г. С., и Зумвалт, Дж. К. (2012). Изменения риска паевого инвестиционного фонда: преднамеренное или невосполнимое? Journal of Banking & Finance, 36, 112–120.
Google Scholar
Дарайо, К., И Симар, Л. (2006). Надежный непараметрический подход к оценке и объяснению эффективности паевых инвестиционных фондов. Европейский журнал операционных исследований, 175, 516–542.
Google Scholar
Дарем, Г., и Гевеке, Дж. (2013). Адаптивные последовательные апостериорные симуляторы для сред массово-параллельных вычислений . Рабочий документ.
Элтон, Э. Дж., Грубер, М. Дж., & Блейк, С. Р. (2012). Имеет ли значение размер паевого инвестиционного фонда? Взаимосвязь между размером и производительностью. Обзор исследований ценообразования активов, 2, 31–55.
Google Scholar
Фама, Э. Ф., и Френч, К. Р. (2010). Удача против мастерства в разрезе доходности паевых инвестиционных фондов. Финансовый журнал , 65 , 1915–1947.
Google Scholar
Фама и французский язык.(2014). Модель ценообразования пяти факторов — . Рабочий документ. Доступно на ГССН. http://ssrn.com/abstract=2287202.
Фаррелл М. Дж. (1957). Измерение производственной эффективности. Журнал Королевского статистического общества , 120 , 253–290.
Google Scholar
Феррейра М. А., Кесвани А., Мигель А. Ф. и Рамос С. Б. (2012). Детерминанты эффективности паевых инвестиционных фондов: межстрановое исследование. Обзор финансов, 17, 483–525.
Google Scholar
Феррис, С. П. и Чанс, Д. М. (1987). Влияние планов 12b – 1 на коэффициенты расходов паевых инвестиционных фондов: Примечание. Финансовый журнал , 42 (4), 1077–1082.
Google Scholar
Ferson, W., & Lin, Jerchern. (2014). Альфа и оценка эффективности: последствия несогласия и неоднородности инвесторов. Journal of Finance, 69 (4), 1565–1596.
Google Scholar
Ферсон В. и Мо, Х. (2016). Измерение производительности с учетом выборки, рынка и волатильности. Journal of Financial Economics, 121 (1), 93–110.
Google Scholar
Хиль-Базо, Дж., И Руис-Верду, П. (2008). Когда дешевле, тем лучше: определение комиссионных на рынке паевых инвестиционных фондов. Журнал экономического поведения и организации, 67, 871–885.
Google Scholar
Хиль-Базо, Дж., И Руис-Верду, П. (2009). Связь между ценой и производительностью в индустрии паевых инвестиционных фондов. The Journal of Finance, 64, 2153–2183.
Google Scholar
Gilks, W. R., & Berzuini, C. (2001).Следуя за движущейся целью: вывод Монте-Карло для динамических байесовских моделей. Журнал Королевского статистического общества B, 63, 127–146.
Google Scholar
Джузио Кей, М., Эйххорн-Шотт, К., Патерлини, С., и Вебер, В. (2018). Отслеживание доходности хеджевых фондов с использованием разреженных клонов. Annals of Operations Research, 266 (1–2), 349–371.
Google Scholar
Горяев, А., Ниджман, Т. Э., и Веркер, Б. Дж. (2005). Еще один взгляд на турниры паевых инвестиционных фондов. Journal of Empirical Finance, 12, 127–137.
Google Scholar
Грубер М. Дж. (1996). Еще одна загадка: рост активно управляемых паевых инвестиционных фондов. The Journal of Finance, 51, 783–810.
Google Scholar
Хаякава, К., & Ци, М. (2019). Дальнейшие результаты по проблеме слабых инструментов системы оценки GMM в моделях динамических панельных данных. Оксфордский бюллетень экономики и статистики, 82, 453–481.
Google Scholar
Сяо, К., Песаран, М. Х., и Тахмисиоглу, А. К. (1999). Байесовская оценка краткосрочных коэффициентов в моделях динамических панельных данных. В C. Hsiao et al. (Eds.), Анализ панелей и моделей с ограниченными зависимыми переменными: В честь Г.С. Маддала (стр. 268–296). Кембридж: Издательство Кембриджского университета.
Google Scholar
Хуанг Дж., Сиалм К. и Чжан Х. (2011). Перераспределение рисков и эффективность паевых инвестиционных фондов. Обзор финансовых исследований, 24 (8), 2575–2616.
Google Scholar
Хуанг Дж., Вэй К. Д. и Ян Х. (2007). Затраты на участие и чувствительность денежных потоков к прошлым результатам. The Journal of Finance, 62, 1273–1311.
Google Scholar
Дженсен, М. К. (1968). Эффективность паевых инвестиционных фондов в период 1945–1964 гг. Финансовый журнал , 23 , 389–416.
Google Scholar
Джордан Б. Д. и Райли Т. Б. (2015). Волатильность и навыки менеджера паевых инвестиционных фондов. Journal of Financial Economics, 118, 289–298.
Google Scholar
Kempf, A., & Ruenzi, S. (2008). Турниры в семьях паевых инвестиционных фондов. Обзор финансовых исследований, 21, 1013–1036.
Google Scholar
Khorana, A., & Servaes, H. (2012). Что определяет долю рынка в индустрии паевых инвестиционных фондов? Обзор финансов, 16, 81–113.
Google Scholar
Куп, Гэри.(2013). Прогнозирование с использованием средних и больших байесовских VAR. Журнал прикладной эконометрики, 28, 177–203.
Google Scholar
Куп, Г., и Пуарье, Д. Дж. (2004). Байесовские варианты некоторых классических методов полупараметрической регрессии. Journal of Econometrics, 123 (2), 259–282.
Google Scholar
Купманс, Т.(1951). Анализ деятельности производства и распределения . Нью-Йорк: Вили.
Google Scholar
Koski, J. L., & Pontiff, J. (1999). Как используются деривативы? Свидетельства из индустрии паевых инвестиционных фондов. Journal of Finance, 54, 791–816.
Google Scholar
Латцко Д. А. (1999). Эффект масштаба в управлении паевым инвестиционным фондом. Журнал финансовых исследований , 22 , 331–339.
Google Scholar
Лунде А., Тиммерманн А. и Блейк Д. (1999). Опасности недостаточной эффективности паевых инвестиционных фондов: регрессионный анализ Кокса. Journal of Empirical Finance, 6, 121–152.
Google Scholar
Малхотра Д., Мартин Р. и Рассел П. (2007).Детерминанты рентабельности в индустрии паевых инвестиционных фондов. Обзор финансовой экономики, 16, 323–334.
Google Scholar
Мамайский, Х., и Шпигель, М. (2002). Теория паевых инвестиционных фондов: оптимальные цели фонда и отраслевая организация . Рабочий документ Йельского университета.
Поллет, Дж. М., и Уилсон, М. (2008). Как размер влияет на поведение паевого инвестиционного фонда? The Journal of Finance, 63, 2941–2969.
Google Scholar
Росселло, Д. (2015). Рейтинг инвестиционных фондов: приемлемость против надежности. Европейский журнал операционных исследований, 245 (3), 828–836.
Google Scholar
Сато Ю. (2015). Финансовые турниры и пузыри активов. Review of Finance, 20, 1383–1426.
Google Scholar
Шпигель, М., & Чжан, Х. (2013). Риск паевых инвестиционных фондов и потоки фондов с поправкой на рыночную долю. Journal of Financial Economics, 108, 506–528.
Google Scholar
Утц, С., Виммер, М., и Стойер, Р. Э. (2015). Трехкритериальное моделирование для создания более устойчивых паевых инвестиционных фондов. Европейский журнал операционных исследований, 246 (1), 331–338.
Google Scholar
Видаль-Гарсия, Хавьер, Вида, Марта, Бубакер, Сабри и Хассан, Маджди.(2018). Эффективность паевых инвестиционных фондов. Annals of Operations Research, 267 (1–2), 555–584.
Google Scholar
Априорные значения усадки для байесовской регрессии с штрафными санкциями — Исследовательский портал Тилбургского университета
@article {f2d954c38100413eaf4074c2176d6e4d,
title = «Априорные значения усадки для байесовской регрессии с штрафными санкциями»,
абстрактных проблем с предсказанием с множеством задач линейной регрессии. часто используются для защиты от переобучения и для выбора переменных, релевантных для прогнозирования переменной результата.В последнее время все более популярными становятся байесовские штрафы, в которых априорное распределение выполняет функцию, аналогичную функции штрафного члена в классической пенализации. В частности, так называемые априорные значения усадки в байесовской штрафной санкции направлены на уменьшение малых эффектов до нуля при сохранении истинно больших эффектов. По сравнению с классическими методами штрафов, байесовские методы штрафов работают аналогично, а иногда даже лучше, и они предлагают дополнительные преимущества, такие как легко доступные оценки неопределенности, автоматическая оценка параметра штрафа и большую гибкость с точки зрения штрафов, которые могут быть учтены.Однако существует множество различных априорных значений усадки, и доступная, часто довольно техническая, литература в основном фокусируется на представлении одной априорной усадки и часто дает сравнения только с одним или двумя другими априорными значениями усадки. Из-за этого исследователям может быть трудно ориентироваться в множестве предшествующих вариантов и выбирать степень усадки для решения возникшей проблемы. Таким образом, цель данной статьи — дать всесторонний обзор литературы по байесовской пенализации. Мы проводим теоретическое и концептуальное сравнение девяти различных априорных значений усадки и параметризуем априорные значения, если это возможно, в терминах масштабной смеси нормальных распределений для облегчения сравнения.Мы проиллюстрировали различные характеристики и поведение априорных значений усадки и сравнили их эффективность с точки зрения прогноза и выбора переменных в моделировании исследования. Кроме того, мы приводим два эмпирических примера, чтобы проиллюстрировать применение байесовской пенализации. Наконец, в Интернете доступен пакет R bayesreg (https://github.com/sara-vanerp/bayesreg), который позволяет исследователям легко выполнять байесовскую регрессию с штрафными санкциями с новыми априорными усадками. «,
keywords =» ADAPTIVE LASSO » , Байесовский, Эмпирический Байес, ЧАСТОТНИК, ПОДКОВА, ИНФОРМАЦИЯ, МОДЕЛИ, ПЕНАЛИЗАЦИЯ, РЕГУЛЯРИЗАЦИЯ, Регрессия, Априорные значения усадки, ПЕРЕМЕННЫЙ ВЫБОР «,
author =» {Ван Эрп}, Сара и Оберски, {Дэниел Л.} и Джорис Малдер «,
год =» 2019 «,
doi =» 10.1016 / j.jmp.2018.12.004 «,
language =» Английский «,
volume =» 89 «,
страниц = «31-50»,
journal = «Журнал математической психологии»,
issn = «0022-2496»,
publisher = «ACADEMIC PRESS INC ELSEVIER SCIENCE»,
}
Минимально информативные предварительные версии для PSA (Конференция)
Келли, Дана Л., Янгблад, Роберт В. и Ведрос, Курт Г. Минимально информативные предварительные распределения для PSA . США: Н. П., 2010.
Интернет.
Келли, Дана Л., Янгблад, Роберт В. и Ведрос, Курт Г. Минимально информативные априорные распределения для PSA . Соединенные Штаты.
Келли, Дана Л., Янгблад, Роберт В. и Ведрос, Курт Г.Вт.
«Минимально информативные априорные распределения для PSA». Соединенные Штаты. https://www.osti.gov/servlets/purl/984541.
@article {osti_984541,
title = {Минимально информативные предварительные распределения для PSA},
author = {Келли, Дана Л. и Янгблад, Роберт В. и Ведрос, Курт Дж.},
abstractNote = {Важной особенностью байесовского вывода является его способность включать информацию из различных источников в модель вывода через предварительное распределение (далее просто «априорное»).Однако чрезмерная зависимость от старой информации может привести к преобладанию априорных значений для новых данных. Некоторые аналитики стремятся избежать этого, пытаясь работать с минимально информативным априорным распределением. Еще одна причина для выбора минимально информативного априора - избежать часто звучащей критики субъективности в выборе априорного. Минимально информативные априорные факторы делятся на два широких класса: 1) так называемые неинформативные априорные факторы, которые стремятся быть полностью объективными, поскольку апостериорное распределение определяется как можно более полно наблюдаемыми данными, наиболее известным примером в этом классе является Джеффри априорными и 2) априорными значениями, которые распространяются по области, где функция правдоподобия не пренебрежимо мала, но которые включают некоторую информацию об оцениваемых параметрах, например, среднее значение.В этой статье мы сравниваем четыре подхода второго класса с точки зрения их практического значения для байесовского вывода в вероятностной оценке безопасности (ВАБ). Наиболее часто используемый такой априор, так называемый неинформативный априор с ограничениями, является частным случаем априора с максимальной энтропией. Это формулируется как сопряженное распределение для наиболее часто встречающихся алеаторных моделей в PSA и, соответственно, удобно с математической точки зрения; однако он имеет относительно легкий хвост, и это может привести к чрезмерному влиянию апостериорного среднего значения на апостериорное при обновлениях с разреженными данными.Более информативный априор, который в принципе способен более эффективно работать с разреженными данными, представляет собой смесь сопряженных априорных значений. Показано, что конкретный диффузный несопряженный априор, логистический нормальный, ведет себя аналогичным образом для некоторых целей. Наконец, мы рассмотрим так называемый устойчивый априор. Вместо того, чтобы полагаться на математическую абстракцию энтропии, как это делает ограниченный неинформативный априор, устойчивый априор ставит априор Коши с тяжелым хвостом на канонический параметр альтернативной модели.},
doi = {},
url = {https://www.osti.gov/biblio/984541},
journal = {},
number =,
объем =,
place = {United States},
год = {2010},
месяц = {6}
}
Обобщение априорной информации для быстрой байесовской оценки времени
Значимость
Когда сенсорная информация сомнительна, люди полагаются на предварительные знания об окружающей среде при вынесении перцептивных суждений и планировании действий.Люди могут быстро осваивать новые априорные задачи, но правила, регулирующие группировку недавнего опыта, неизвестны. Здесь мы показываем, что наблюдатели изначально формируют одиночные априорные сигналы, обобщая различные сенсорные сигналы, но формируют множественные априорные сигналы, когда они связаны с разными моторными выходами. Таким образом, наши результаты показывают, что внутренние модели временной статистики изначально организованы не в соответствии с природой сенсорного ввода, а в соответствии с тем, как он действует.
Abstract
Чтобы обеспечить эффективное взаимодействие с окружающей средой, мозг сочетает зашумленную сенсорную информацию с ожиданиями, основанными на предыдущем опыте.Существует множество свидетельств того, что люди могут изучать статистические закономерности сенсорного ввода и использовать эти знания для улучшения решений и действий, связанных с восприятием. Однако остаются фундаментальные вопросы относительно того, как изучаются априорные значения и как они распространяются на различные сенсорные и поведенческие контексты. В принципе, поддержание большого набора высокоспецифичных априорных факторов может быть неэффективным и ограничивать скорость формирования и обновления ожиданий в ответ на изменения в окружающей среде.Однако априорные значения, сформированные путем обобщения в различных контекстах, могут быть неточными. Здесь мы используем быстро вызванные контекстуальные искажения при воспроизведении продолжительности, чтобы показать, как эти конкурирующие требования решаются на ранних этапах предшествующего приобретения. Мы показываем, что наблюдатели изначально формируют единый априор путем обобщения распределения продолжительности в сочетании с различными сенсорными сигналами. Напротив, они образуют несколько априорных значений, если распределения связаны с отдельными моторными выходами. В совокупности наши результаты показывают, что быстрое предварительное приобретение облегчается за счет обобщения опыта различных сенсорных входов, но организованных в соответствии с тем, как действует эта сенсорная информация.
Как и все сложные животные, люди полагаются на свои чувства, чтобы извлекать информацию об окружающей среде и руководить процессом принятия решений и поведения. Однако часто сенсорная информация неоднозначна. Сигналы, передаваемые органам чувств, могут быть слабыми или ухудшенными, например, образцы отраженного света при слабом освещении или звуки речи в шумной среде. Более того, сенсорные представления даже самых точных сигналов имеют тенденцию быть переменными (1) и недостаточными для полного устранения неоднозначности различных дистальных причин (2).Растущее количество эмпирических данных указывает на то, что при принятии решений и планировании действий мозг сочетает неопределенную сенсорную информацию с ожиданиями, основанными на предварительных знаниях (3–6). Например, было показано, что различные предубеждения в визуальном восприятии согласуются с опорой на предварительные знания о статистических закономерностях в окружающей среде, таких как распределение локальных ориентаций (7) и скоростей (8) в естественных сценах и расположение источники света (9). Во многих исследованиях было показано, что восприятие и поведение хорошо описываются почти оптимальной интеграцией сенсорных данных и предшествующих знаний в соответствии с принципами теории статистических решений.
Предварительные знания можно получить в различные сроки. Приоры, определяющие стабильные статистические характеристики среды, обычно считаются либо врожденными, либо следствием неявного обучения на протяжении всей жизни (5, 7). Однако контекстно-зависимые априорные значения также могут быть сформированы на основе недавнего опыта. Исследования, в которых используются простые сенсомоторные задачи, показывают, что участники-люди умеют изучать распределение наборов стимулов и интегрировать полученные знания с сенсорными данными при принятии решений и планировании действий (4, 10–13).Например, классический результат экспериментов по временному воспроизведению состоит в том, что суждения сходятся к центральной ценности: участники постоянно переоценивают более короткие сроки и недооценивают более длинные (14, 15). Центр конвергенции, в котором нет постоянной ошибки воспроизведения (называемый «точкой безразличия»), не фиксирован, а, скорее, смещается в зависимости от представленного набора длительностей (16, 17). Недавние исследования показали, что эти смещения центральной тенденции можно экономно объяснить путем интеграции зашумленных сенсорных оценок с приобретенными знаниями о распределении стимулов таким образом, чтобы максимизировать точность воспроизведения (17⇓ – 19).
Значительные успехи были достигнуты в понимании того, как априорные значения изучаются и обновляются с течением времени (20 – 23), а также степени сложности в распределениях стимулов, которые могут быть представлены (19, 23⇓ – 25). Однако наше понимание того, как мозг организовывает предшествующие знания, остается ограниченным. Недавние исследования показывают, что участники, прошедшие расширенное обучение, могут выучить несколько априорных значений для стимулов, представленных в разных контекстах. Например, Керриган и Адамс (26) показали, что различные априорные значения положения света могут быть изучены для освещения разного цвета за несколько часов.Аналогичным образом Gekas et al. (24) показали, что различные априорные значения направления движения могут быть изучены для наборов точечных стимулов разного цвета. Множественное предшествующее обучение также было продемонстрировано с использованием наборов стимулов, разграниченных посредством пространственного расположения (27) и символических визуальных сигналов (28), предполагая, что сенсорная специфичность может быть ключевым организующим принципом для представления предшествующих знаний.
В принципе, поддержание высоких уровней априорной специфичности должно гарантировать, что ожидания относительно различных объектов и событий во внешней среде остаются точными, даже если они характеризуются различными статистическими свойствами.Однако применение этой стратегии в сложных условиях реального мира создает фундаментальные проблемы. В типичном сенсомоторном эксперименте испытуемым предъявляют стимулы, которые различаются по небольшому количеству измерений, и просят выполнить одно задание. Напротив, люди сталкиваются с широким спектром сенсорных входов за пределами лаборатории и используют эту информацию для взаимодействия с окружающей средой различными способами. Пытаться выучить конкретный априор для каждой комбинации стимула и поведенческого контекста было бы невозможно, потому что никакие две ситуации никогда не бывают идентичными.Более того, повышенная специфичность в предшествующих представлениях имеет негативный побочный эффект, ограничивая скорость, с которой априорные значения могут быть изучены и обновлены в ответ на изменения в окружающей среде.
Здесь мы используем отклонения центральной тенденции при воспроизведении продолжительности, чтобы исследовать, как эти конкурирующие требования решаются на ранних этапах предшествующего приобретения. Сначала мы показываем, что люди могут быстро формировать априорные значения, которые приблизительно соответствуют распределению длительностей стимулов, представленных в течение одного сеанса тестирования.Чтобы выявить правила, управляющие начальным структурированием предшествующих знаний, мы затем чередуем стимулы из распределений продолжительности, которые при представлении на отдельных сессиях приводят к отчетливым смещениям центральной тенденции. В серии экспериментов мы манипулируем сенсорными характеристиками каждого набора стимулов, а также характером требуемой двигательной реакции.
Результаты
Быстро индуцированная центральная тенденция смещения в продолжительности воспроизводства.
Наблюдателей попросили воспроизвести продолжительность простого визуального стимула (изотропного гауссовского пятна), нажав и удерживая клавишу в течение эквивалентного интервала времени.В каждом блоке из 70 испытаний стимулы предъявлялись в течение одной из семи различных длительностей, выбранных из логарифмически однородного распределения. Закрашенные символы на рис. 1 A показывают среднюю продолжительность воспроизведения для шести различных распределений с изменяющимся диапазоном и центральной тенденцией. По сравнению с пунктирными диагональными линиями на рис. 1 A , обозначающими достоверные характеристики, явное свидетельство смещения при сжатии можно увидеть в каждом состоянии. Чтобы суммировать наблюдаемую картину систематических ошибок, мы аппроксимировали каждый набор данных степенной функцией и получили две статистические данные: величину смещения сжатия (единица минус показатель степени степенной функции) и точку безразличия (продолжительность, при которой подобранная степенная функция пересекает диагональ) (подробности в вспомогательной информации ).На оба показателя систематически влияли краткосрочные манипуляции с распределением стимулов, хотя и по-разному. Величина сжатия зависела от вариабельности продолжительности, представленной в данном блоке тестирования, при этом большее среднее сжатие наблюдалось для меньших диапазонов продолжительности, чем для больших (рис. 1 B ). Точки безразличия были сброшены к средней продолжительности, встречающейся в соответствующем блоке тестирования (рис. 1 C ).
Рис. 1.Быстро индуцированные смещения центральной тенденции у людей и наблюдателей байесовской модели.( A ) Средняя продолжительность воспроизведения как функция длительности стимула (закрашенные символы) для шести распределений стимулов, представленных в отдельных тестовых блоках. Планки погрешностей показывают ± 1 SEM, вычисленное для всех наблюдателей. Сплошные линии показывают наиболее подходящие функции мощности для каждого набора данных, а пунктирные диагональные линии обозначают достоверную (несмещенную) производительность. Открытые символы, показанные здесь и на последующих рисунках, представляют собой оцененные точки безразличия (центр смещения сжатия) вместе с 95% -ными доверительными интервалами (95% доверительных интервалов).( B ) Средняя величина сжатия (1 — показатель степени), построенная как функция диапазона продолжительности (столбики ошибок показывают 95% доверительный интервал). Цвет точек данных указывает на связанные условия в A и B . Правая шкала ординат показывает отношение предшествующего стандартного отклонения к вероятности стандартного отклонения (оба значения в логарифмической шкале), необходимое для получения эквивалентных уровней смещения в байесовской модели. ( C ) Расчетные точки безразличия как функция средней продолжительности для данного распределения стимулов (планки ошибок показывают 95% доверительных интервалов).Сплошная горизонтальная линия указывает глобальное среднее значение, рассчитанное для всех условий. ( D ) Смоделированные данные для байесовского наблюдателя-актера, которые объединяют сенсорные свидетельства с приобретенными знаниями о распределении стимулов (подробности см. В Вспомогательная информация ). Вставка распределения представляют собой предполагаемые аппроксимации предыдущего распределения для каждого условия.
В соответствии с недавними предположениями (18, 19), мы обнаружили, что эти предубеждения могут быть хорошо описаны байесовской моделью идеального наблюдателя, в которой приобретенные знания о распределении стимулов используются для поддержки выводов, сделанных о продолжительности стимула при наличии сенсорной информации. измерения неточные.Вместо того, чтобы изучать дискретное распределение физических стимулов, мы предположили, что наблюдатели получают сглаженное приближение распределения ( Вспомогательная информация ). На рис. 1 D показаны смоделированные наборы данных для каждого условия распределения продолжительности вместе с наиболее подходящими априорными значениями. Различия в величине сжатия между условиями фиксируются изменением ширины предшествующего, что согласуется с предыдущими данными, показывающими, что наблюдатели могут неявно узнать дисперсию распределения стимулов (22, 23, 29).Изменения точки безразличия согласуются с боковым сдвигом в предыдущем распределении в сторону недавно представленных значений стимула. Хотя обширное обучение может привести к априорным значениям, которые точно аппроксимируют распределение стимулов (17), ограниченные возможности, предоставляемые каждым из наших кратких блоков тестирования, привели к частичной предварительной повторной калибровке — обратите внимание, как точки безразличия попадают близко к средней точке между средним значением соответствующей продолжительности распределения и всего набора стимулов.Однако, что важно, тот факт, что поддающиеся количественной оценке изменения в структуре систематической ошибки могут быть вызваны за этот короткий промежуток времени, дает нам возможность исследовать характеристики лежащих в основе механизмов предварительного обновления.
Обобщение между распределениями в сочетании с отчетливыми сенсорными входами.
Чтобы исследовать обобщение во время быстрого предшествующего формирования, мы использовали подход чередования стимулов, взятых из распределений продолжительности, которые производят отчетливые модели смещения воспроизведения, когда они представлены в отдельных блоках.Закрашенные черные символы на рис. 2 A показывают воспроизведение средней продолжительности для двух таких наборов стимулов, которые были перенесены из рис. 1 A , слева . Точки безразличия для этих краткосрочных и долгосрочных (S и L, соответственно, на рис. 2, , ) распределений существенно различаются (открытые черные символы на рис. 2, , ), подтверждая, что предыдущие ожидания различались между блоками тестирования. . Контрастная картина результатов была получена, когда два распределения были случайным образом смешаны в пределах тестового блока (красные символы на рис.2 А ). Чередование увеличивало смещение завышенной оценки при воспроизведении коротких промежутков времени и смещение недооценки при воспроизведении длительных периодов, в результате чего возникали точки безразличия, которые сходятся к точке центральной тенденции для комбинированного диапазона стимулов. Эти результаты согласуются с формированием единого составного априорного распределения и могут быть аккуратно смоделированы с использованием того же априорного распределения, которое ранее было выведено из результатов с широким непрерывным диапазоном продолжительности (рис. 2 B ).Это совпадение точек безразличия является полезным маркером того, когда предшествующее формирование обобщается на два чередующихся набора стимулов; если бы наблюдатели сформировали отдельные априорные факторы для каждого набора стимулов, не ожидалось бы никакой разницы в паттернах систематических ошибок между блокированными и чередующимися условиями.
Рис. 2.Обобщение для перемежающихся распределений длительности. ( A ) Длительности стимула, отобранные из короткого (S) и длинного (L) распределений, были либо представлены блоками (черные), либо случайным образом перемежались (красный).Чередование изменило структуру предубеждений, создав конвергенцию точек безразличия (открытых символов) к общей продолжительности. ( B ) Смоделированные характеристики байесовской модели наблюдатель-субъект для заблокированных (черный) и чередующихся (красный) условий. В условиях чередования было реализовано единичное априорное распределение путем обобщения для обоих распределений стимулов.
Поскольку у наблюдателей не было средств различения различных наборов стимулов в условиях случайного чередования, возможно, неудивительно, что приобретенные априорные ожидания были сформированы путем обобщения по ним.Интересно, однако, что мы обнаружили, что тот же образец результатов сохраняется, даже если стимулы, используемые для двух чередующихся распределений продолжительности, четко различимы. Рис. 3 A показывает результаты, полученные, когда короткие и длинные визуальные стимулы предъявлялись в разных пространственных положениях (слева и справа от фиксации) и чередовались от испытания к испытанию, чтобы устранить любую пространственную и временную неопределенность относительно принадлежности к набору. Несмотря на эти изменения в последовательности стимулов, точки безразличия в чередующемся состоянии снова сходились к общей центральной продолжительности, предполагая, что предварительные ожидания наблюдателей не делали различий между двумя четко разграниченными наборами стимулов.Еще более убедительные доказательства генерализации по типу стимула были обнаружены, когда наборы визуальных и слуховых стимулов чередовались в течение одного сеанса. Как показано на рис. 3 B , воспроизведение короткого визуального (кружки) и длинного слухового (треугольники) приводило к смещению смещения вокруг отдельных точек безразличия при тестировании в отдельных блоках (черные символы), но сходилось к общей точке при чередовании в пределах одного сессия тестирования (красные символы). Это открытие показывает, что наблюдатели не формируют автоматически отдельные априорные сигналы для стимулов, предъявляемых к различным сенсорным модальностям.
Рис. 3.Быстро узнаваемые априорные значения обобщаются по распределению в паре с различными сенсорными входами. ( A ) Средняя продолжительность воспроизведения для чередующегося представления, в котором короткие (S) и длинные (L) распределения были представлены в разных местах и чередовались от испытания к испытанию, чтобы устранить пространственную и временную неопределенность (красные символы). Для сравнения черными символами показаны данные, полученные, когда распределения стимулов были представлены в отдельных блоках (перенесено с рис. 1 A ).( B ) Средняя воспроизводимая продолжительность зрительного (кружки) и слухового (треугольники) при заблокированных (черный) и чередующихся (красный) условиях представления. Планки погрешностей для средних воспроизведений показывают ± 1 SEM, тогда как планки погрешностей для точек безразличия показывают бутстрэгированные 95% доверительные интервалы.
Для подтверждения статистической устойчивости результатов на рис. 2 и 3, мы вычислили среднее время воспроизведения участников по семи продолжительности в каждом диапазоне продолжительности и выполнили двухфакторный дисперсионный анализ с повторными измерениями.В каждом случае мы обнаружили значительную взаимосвязь между условием представления (заблокировано или с чередованием) и диапазоном продолжительности [короткое или длинное; случайное чередование: F (1,8) = 17,75, P <0,05; пространственная сегрегация / чередование: F (1,8) = 13,84, P <0,05; бимодальное чередование: F (1,8) = 9,47, P <0,05]. Разложение этих значимых взаимодействий на простые эффекты показало, что чередование значительно увеличивает время воспроизведения для условий ближнего действия в каждом эксперименте ( Вспомогательная информация ).Чередование оказывало более скромное, сокращающее влияние на время воспроизведения в большом диапазоне, которое достигало статистической значимости в одном из трех условий. Вместе эти результаты показывают тенденцию быстро приобретаемых априорных значений длительности к обобщению для разных типов стимулов, даже если они четко различимы и характеризуются четкой временной статистикой.
Наши результаты отличаются от результатов предыдущих исследований, в которых было показано, что участники приобретают специфические для стимула априорные факторы при более обширном обучении (24, 26, 27).Чтобы проверить, что в нашей экспериментальной парадигме могут быть изучены несколько априорных факторов, мы провели дополнительный эксперимент, в котором наблюдатели завершили повторные сеансы тестирования с альтернативным представлением коротких и длинных наборов стимулов в разных пространственных точках (рис. 4 A ). На ранних сессиях (красные символы на рис. 4, , ) смещения сходились к общей центральной продолжительности, копируя опору на единую обобщенную априорную дату на рис. 3 , . Однако точки безразличия систематически расходились при дополнительном обучении (синие символы на рис.4 A ), что согласуется с постепенным применением априорных факторов, специфичных для стимула. Этот переход четко проиллюстрирован на рис. 4 B , на котором показаны изменения в соотношении точек безразличия для коротких и длинных наборов стимулов в ходе тестирования.
Рис. 4.Возникновение специфичности стимула при расширенном обучении. ( A ) Наблюдатели должны были вручную воспроизвести продолжительность коротких (S) и длинных (L) зрительных стимулов, предъявляемых попеременно справа и слева от фиксации.Каждый наблюдатель провел восемь сессий, каждая из которых включала 140 испытаний. Средняя продолжительность воспроизведения в первом сеансе (символы, закрашенные красным) повторяет картину смещения сжатия, показанную на фиг. 3 A . Точки безразличия (открытые красные символы) для двух распределений продолжительности сходятся к общей продолжительности, что согласуется с опорой на единственное обобщенное априорное значение. Однако к заключительному сеансу средняя воспроизводимая продолжительность коротких и длинных стимулов (синие закрашенные символы) была сжата вокруг различных точек безразличия (открытые синие символы).Планки погрешностей для средних воспроизведений показывают ± 1 SEM, тогда как планки погрешностей для точек безразличия показывают бутстрэгированные 95% доверительные интервалы. ( B ) Отношение точек безразличия для краткосрочного и долгосрочного распределений, построенное в зависимости от сеанса тестирования. Систематическое расхождение точек безразличия предполагает, что предыдущие ожидания наблюдателей со временем все больше зависят от местоположения. Планки погрешностей указывают на 95% доверительные интервалы начальной загрузки.
Нет обобщения для распределений, связанных с различными двигательными реакциями.
В отличие от результатов, полученных при чередовании различных типов стимулов, мы не обнаружили доказательств предшествующего обобщения, когда наборы стимулов сочетались с разными типами двигательной реакции. Рис. 5 A показывает результаты, полученные, когда от наблюдателей требовалось воспроизвести продолжительность только для одного из двух наборов чередующихся стимулов. Короткие и длинные визуальные стимулы поочередно предъявлялись слева и справа от фиксации, и наблюдателям предлагалось воспроизвести продолжительность стимулов, предъявляемых с одной стороны, при пассивном наблюдении стимулов, предъявляемых в другом пространственном местоположении.Данные о воспроизведении как для краткосрочного, так и для долгосрочного распределения были получены путем обратного сопоставления пространственного местоположения и реакции в разных сеансах. Несмотря на то, что последовательности стимулов идентичны описанным ранее (рис. 3 A ), смещения, полученные в условиях чередования, были неотличимы от смещений, полученных при блокированном представлении [условие × взаимодействие диапазона длительности: F (1,8) = 0,60, P > 0,05] ( Вспомогательная информация ).Этот результат показывает, что предшествующее формирование не является простой функцией сенсорной истории. Скорее, только набор ранее воспроизведенных стимулов определяет предыдущие ожидания наблюдателей в отношении последующих попыток воспроизведения; пассивные испытания не способствуют.
Рис. 5.Быстро узнаваемые приоры различают распределения, сопряженные с разными моторными ответами. ( A ) Средняя продолжительность воспроизведения для короткого (S) и длинного (L) распределений при представлении отдельными блоками (черные символы) или когда попытки воспроизведения для одного набора стимулов чередовались с пассивным представлением другого набора стимулов (красные символы) .В отличие от данных, представленных на рис. 2, в чередующемся состоянии отсутствует систематическая сходимость точек безразличия (открытых символов). ( B , Left ) Средняя продолжительность воспроизведения для контрольного эксперимента, в котором испытания воспроизведения для одного набора стимулов чередовались с испытаниями, требующими суждений о распознавании двоичной продолжительности для другого набора стимулов (красные символы). Для сравнения черными символами показаны данные воспроизведения, полученные при представлении краткосрочных и долгосрочных распределений отдельными блоками.( B , Right ) Психометрические функции группового среднего для испытаний бинарных суждений вместе с наиболее подходящими логистическими функциями. Доля испытаний, в которых стимулы были признаны более длительными, чем средняя продолжительность набора стимулов, отображается как функция длительности стимула. ( C ) Средняя продолжительность воспроизведения с использованием методов нажатия кнопки (кружки) и вокализации (квадраты), измеренная в отдельных блоках (черные символы) или чередующемся представлении (красные символы).Планки погрешностей для средних воспроизведений и вероятности бинарного выбора показывают ± 1 SEM, тогда как планки ошибок для точек безразличия показывают загрузочные 95% доверительные интервалы.
Потенциальным ограничением при просьбе наблюдателей пассивно просмотреть набор стимулов является то, что трудно с какой-либо уверенностью узнать, насколько хорошо эти стимулы были учтены. Чтобы решить эту проблему, мы провели контрольный эксперимент, в котором наблюдатели делали бинарные суждения о продолжительности стимулов, предъявляемых к одной стороне фиксации («этот стимул короче или длиннее средней продолжительности, наблюдаемой в этом месте?»), Чередуя с репродукциями. длительности стимулов, предъявляемых к другому.Как показано на рис. 5 B , ответы на бинарные тесты суждения были достаточными, чтобы позволить построить систематические психометрические функции для различения продолжительности, подтверждая, что наблюдатели обращали внимание на невоспроизведенные стимулы, формировали оценки продолжительности стимула и поддерживали точное внутреннее представление. среднего. Однако, как и в случае пассивного предъявления, длительность этих стимулов не оказывала систематического влияния на структуру систематических ошибок в испытаниях чередующегося воспроизведения (взаимодействие условия × диапазон длительности: F (1,8) = 0.99, P > 0,05). Таким образом, мы можем быть уверены, что отсутствие обобщения для наборов стимулов отражает тот факт, что они сочетались с разными типами ответов.
Для дальнейшего тестирования пределов специфичности ответа во время быстрого предварительного формирования, мы также исследовали эффекты испытаний воспроизведения продолжительности чередования, требующих различных двигательных реакций. Наблюдателей просили воспроизвести продолжительность некоторых стимулов, произнеся в микрофон голосовое высказывание («ба») в течение соответствующего промежутка времени.Продолжительность речевых сегментов была извлечена из аудиозаписей каждого испытания с использованием алгоритма автоматического обнаружения речи ( Материалы и методы ). Как показано на фиг. 5 C , длительность воспроизведения голоса наблюдателей (квадраты) показывала смещения сжатия в условиях блокировки, сравнимые с наблюдаемыми при нажатии кнопок (кружки). В условиях чередования (красные символы) наблюдатели воспроизводили продолжительность стимула при каждом испытании, но чередовали голосовые методы и методы нажатия клавиш (в паре со стимулами, предъявляемыми слева и справа от фиксации, соответственно).Опять же, мы не обнаружили систематической разницы в паттернах предубеждений, наблюдаемых при блокированном и чередующемся представлении (взаимодействие условия × длительность диапазона: F (1,8) = 0,26, P > 0,05), что указывает на отсутствие обобщения по опыту стимулов в паре с разными типами репродуктивной реакции. Этот экспериментальный результат важен по двум причинам. Во-первых, это указывает на то, что не просто типы суждений, выносимых наблюдателями, имеют решающее значение для специфичности реакции на управление в рамках предшествующих ожиданий, но также и конкретные двигательные действия, участвующие в выполнении этих суждений.Во-вторых, он также обеспечивает убедительную демонстрацию того, что наблюдатели одновременно поддерживают несколько моторно-специфических априорных точек в чередующихся условиях, потому что в отличие от экспериментов с пассивной и бинарной дискриминацией данные о воспроизводстве как для краткосрочного, так и для долгосрочного распределения собирались в рамках одного сеанса.
Обсуждение
Обобщение — важный ингредиент в формировании предварительных ожиданий в сложных средах. В повседневной жизни мы сталкиваемся с разнообразными сенсорными стимулами, что делает невозможным изучение статистических закономерностей без значимого группирования переживаний.Наши результаты показывают, что недавние переживания продолжительности стимула изначально распределяются по отдельным предшествующим представлениям не в соответствии с типом сенсорного ввода, а в соответствии с тем, как наблюдатели действуют на этот вход. Наблюдатели последовательно формировали единые априорные факторы, обобщая распределения стимулов с разной статистикой, даже если они четко различались по пространственному положению, временной последовательности или сенсорной модальности. Мы предполагаем, что это широкое обобщение сенсорных входных сигналов является режимом по умолчанию, который расширяет «сеть» сбора данных для первоначального предварительного сбора, позволяя быстро изучать и изменять аппроксимации распределений стимулов.Однако эта стратегия не является фиксированной — в соответствии с предыдущими выводами (24, 26, 27) мы обнаружили, что наблюдатели могут изучать специфические для стимула априорные значения с помощью расширенного обучения. В совокупности эта работа указывает на то, что структурирование предшествующих знаний является динамичным и акцент смещается с гибкости на конкретность по мере продвижения обучения. Характеристика динамики этого перехода представляет собой проблему для будущих поведенческих исследований, а также вычислительных моделей, описывающих, как априорные значения изучаются и обновляются с течением времени (20–23).Замечательная идея заключается в том, что мозг выполняет своего рода кластерный анализ, разделяя сенсорные входные данные на группы с различными статистическими свойствами. Появление априорной специфичности может отражать накопление достаточных доказательств, оправдывающих кластеризацию.
В отличие от обобщения, наблюдаемого для различных сенсорных входов, априорные значения длительности интервалов кажутся специфичными для двигательной реакции с самого начала обучения. Мы не нашли доказательств обобщения в пассивных и активных испытаниях, испытаниях, требующих различных форм оценки продолжительности, или испытаниях, требующих суждений о воспроизводстве с участием различных двигательных систем.В этих экспериментах мы были осторожны, чтобы использовать последовательности стимулов, идентичные тем, которые производили обобщение в сочетании с последовательной ответной реакцией ручного воспроизведения. Соответственно, мы можем быть уверены, что диссоциация между стимулом и обобщением ответа не является артефактом изменений в экспериментальном дизайне, таких как сложность распределений продолжительности (19, 23–25) или различимость наборов стимулов. Пока не ясно, дает ли эта стратегия какие-либо функциональные преимущества.Одна из возможностей состоит в том, что многомерная природа сенсорного ввода увеличивает вероятность формирования избыточных априорных представлений, основанных на неинформативных различиях между характеристиками стимула. Первоначально группировка предыдущего опыта в соответствии с меньшим набором целенаправленных действий может быть в этом отношении менее проблематичной.
В настоящее время наше понимание нейронных субстратов предшествующих знаний ограничено. Было предложено, чтобы приоры, определяющие долгосрочные структурные закономерности в окружающей среде, неявно кодировались в сенсорных представлениях через неоднородности в количестве, распределении и / или ширине настраиваемых кривых (7, 30) или паттернов спонтанной активности (31, 32) ).Напротив, недавние результаты функциональной нейровизуализации предполагают, что недавно приобретенные априорные точки представлены в различных областях мозга по сенсорной вероятности (33). Однако почему следует использовать действия для разделения предшествующей информации о продолжительности интервала?
Появляется все больше свидетельств того, что кодирование временной информации зависит от областей мозга, которые участвуют в моторном контроле, в первую очередь от базальных ганглиев, мозжечка и дополнительной моторной области (SMA) (34, 35). Во многих случаях, кажется, существует тесная связь между сенсорной обработкой и двигательным планированием.Например, было предложено, что SMA может быть подразделена на две структурно и функционально различные области: рострально расположенная пре-SMA, участвующая в кодировании временной структуры, и собственно SMA, расположенная более каудально, которая использует эту информацию для реализации двигательных действий ( 36). Интересно, что группы нейронов в SMA, как было показано, демонстрируют настройку интервала, которая инвариантна к сенсорной модальности (37), и активность, которая является избирательной по действию (38). Рекрутирование популяций нейронов с аналогичными свойствами во время раннего предшествующего приобретения потенциально может лежать в основе паттерна специфичности и обобщения, обнаруженного в этом исследовании.Чтобы проверить эту гипотезу, в будущих исследованиях можно было бы использовать аналогичный подход для характеристики избирательности быстро приобретенных априорных точек в вневременных задачах. Предубеждения в отношении центральной тенденции представляют собой особенно полезную испытательную площадку для изучения этих проблем; Сообщалось об устойчивых эффектах в широком диапазоне задач оценки величины, включая длину, расстояние и громкость (16, 39).
Если моторная специфичность окажется общим свойством предшествующего приобретения во временной и вневременной областях, это будет означать более широкую интеграцию сенсорного анализа и моторного контроля в головном мозге.В байесовских моделях оценки величины принятие перцептивных решений и планирование действий обычно реализуются в последовательные этапы: сначала объединяются вероятности и априорные вероятности, чтобы получить апостериорное распределение вероятностей по возможным состояниям мира; затем формируется оценка с учетом относительных затрат и выгод, связанных с альтернативным выбором; и, наконец, планируется и выполняется соответствующее двигательное действие (17, 18, 20). Однако есть альтернативное предположение, что мозг непрерывно обрабатывает сенсорную информацию, чтобы указать несколько возможных действий параллельно (40–42).Согласно этой «преднамеренной» структуре обработки информации принятие перцептивных решений и двигательное планирование неразрывно связаны. В поддержку этой точки зрения активность, соответствующая накоплению доказательств для принятия решения, была идентифицирована в различных популяциях нейронов, настроенных на параметры моторного выхода (42, 43). Более того, было показано, что активность, связанная с принятием решений, происходит параллельно в областях, связанных с различными двигательными реакциями (44–46). Моторная специфичность может возникнуть естественным образом, если сигналы, используемые для формирования и обновления предыдущих представлений, распределяются аналогичным образом.
Материалы и методы
Наблюдатели.
Всего в исследовании приняли участие 27 наблюдателей, в том числе один из авторов (N.W.R.) и 26 участников, которые были наивны по отношению к конкретной цели экспериментов (возрастной диапазон 19–36 лет). У всех была нормальная или скорректированная острота зрения и не было нарушений слуха в анамнезе. От шести до девяти наблюдателей завершили каждый из подэкспериментов ( подтверждающая информация показывает полную разбивку), собрав минимум 140 испытаний на комбинацию распределения продолжительности и условия (общее количество испытаний> 30 000).Все эксперименты проводились с письменного согласия каждого наблюдателя и в соответствии с этическим комитетом Школы психологии Ноттингемского университета.
Стимулы.
Визуальные стимулы представляли собой изотропные гауссовские пятна (сигма = 1 °), сгенерированные в Matlab с использованием расширений PsychoPhysics Toolbox (47, 48) и представленные на линеаризованном 22-дюймовом мониторе NEC MultiSync FP1370 (частота кадров 100 Гц, 47 кд / м 2 яркости фона). Расстояние обзора фиксировалось через подголовник и составляло 103 см, при этом один пиксель перекрывал угол обзора в одну угловую минуту.В разных экспериментах зрительные стимулы центрировались при фиксации или на 3,33 ° влево или вправо от фиксации. Слуховые стимулы представляли собой тоны с частотой 500 Гц с косинусом включения и выключения 5 мс, генерируемые с частотой дискретизации 44,1 кГц и подаваемые диотически через наушники Sennheiser HD-265 при уровне звукового давления ~ 60 дБ.
Процедура.
Длительности стимула были взяты из дискретных логарифмически однородных распределений, каждое из которых состоит из семи уровней. Для трех распределений, показанных на рис.1 A , медианная длительность (т.е.е., четвертый уровень) составляли 320, 640 и 1280 мс, а уровни длительности были разделены на 0,05 логарифмических единиц. Для рис. 1 B распределения были сосредоточены на 480 и 960 мс с размером шага 0,1 логарифмической единицы, а на рис. 1 C показано распределение с центром в 640 мс с размером шага 0,15 логарифм. . Для условий блокировки каждая из семи длительностей стимула предъявлялась 10 раз в псевдослучайном порядке.
Для экспериментов, изображенных на рис. 2–5, только небольшие распределения размера шага (0.05 log единиц) с центром в 320 (короткое) и 1280 мс (длинное). Сеансы с чередованием включали 140 испытаний — по 70 для каждого диапазона продолжительности. Порядок представления был либо псевдослучайным (рис. 2 A ), либо чередовался от испытания к испытанию (все другие эксперименты). Для всех условий задержка между ответом и предъявлением следующего стимула колебалась от 500 до 1200 мс. Наблюдатели не были проинформированы о характере распределения продолжительности, и никакой обратной связи не поступало.
При ручном воспроизведении наблюдателей проинструктировали нажать и удерживать кнопку на клавиатуре указательным пальцем, чтобы указать воспринимаемую продолжительность стимула. Воспроизведение голоса было достигнуто, попросив наблюдателей озвучить речевой звук ba, который был записан с помощью ленточного микрофона Coles 4104. Продолжительность воспроизведения голоса была извлечена с использованием алгоритма автоматического определения голосовой активности из VOICEBOX Speech Processing Toolbox (49). В испытаниях бинарной дискриминации наблюдатели оценивали, был ли стимул длиннее или короче средней продолжительности, наблюдаемой в этом месте, путем нажатия одной из двух кнопок клавиатуры (метод одиночных стимулов) (50).Чтобы предоставить наблюдателям возможность построить стабильное внутреннее представление среднего значения, первые семь испытаний состояли из одного представления каждого из уровней продолжительности в наборе, и ответы от этих испытаний были отброшены.
Байесовская модель.
Чтобы смоделировать модели смещения воспроизводства, мы предположили, что наблюдатели комбинируют сенсорные оценки продолжительности стимула с усвоенной аппроксимацией распределения стимула. Полное описание модели и процедуры настройки параметров можно найти в Вспомогательная информация .
SI Текст
Подгонка кривой и расчет точек безразличия.
Для каждого эксперимента мы охарактеризовали взаимосвязь между длительностью стимула и воспроизводимой продолжительностью путем подбора степенной функции вида y = axb. Хотя в предыдущих исследованиях для тех же целей использовалось линейное уравнение (17, 18), мы обнаружили, что наши данные последовательно лучше описывались степенной функцией (таблица S4). Чтобы оценить точку безразличия для каждого условия, мы вычислили точку, в которой подобранная степенная функция пересекается с линией единицы, представляющей достоверные характеристики.Решая степенную функцию для x = y, можно показать, что это происходит при длительности I = 10log10a1-b, где I — точка безразличия, а a и b — свободные параметры степенной функции; 95% доверительные интервалы для оцененной точки безразличия были рассчитаны с помощью непараметрического бутстрэппинга, повторной выборки на уровне среднего значения отдельного наблюдателя.
Таблица S1.Результаты ANOVA для экспериментальных результатов, представленных на рис. 2 и 3
Таблица S2.Результаты ANOVA для экспериментальных результатов, представленных на рис.5
Таблица S3.Распределение наблюдателей, выделенных для каждого подэксперимента
Таблица S4.Сравнение степенной функции и линейной аппроксимации с данными на рис. 1
Байесовская модель.
Наша реализация байесовской модели идеального наблюдателя включала различные стадии восприятия и воспроизведения. В данном испытании наблюдатели модели измерили x длительности стимула D, которая была искажена логарифмически нормально распределенным сенсорным шумом. Функция правдоподобия была указана в пространстве продолжительности журнала, так что p (logx | logD) = normpdf (logD, σlikelihood).Преимущество работы с логарифмическим представлением длительности заключается в том, что модель естественным образом создает хорошо известное скалярное свойство воспринимаемого времени, в результате чего стандартное отклонение оценок времени растет как постоянная доля от среднего (39, 51, 52).
Хотя в каждом эксперименте использовались дискретные логарифмически однородные распределения продолжительности, мы решили не предполагать, что внутренние предварительные представления наблюдателей соответствуют этим распределениям. Это решение было мотивировано несколькими факторами: ( i ) недавние эксперименты с использованием однородных распределений продолжительности показали, что закономерности смещения лучше улавливаются при использовании гауссовской априорной, чем однородной априорной (18), ( ii ) непараметрически реконструированной Было показано, что априорные значения однородных распределений продолжительности являются унимодальными, а не плоскими, и ( iii ) паттерны смещения после чередующегося представления коротких и длинных длительностей несовместимы с априорными, которые соответствуют составному распределению стимулов (рис.S4). Вместо этого мы смоделировали априорное распределение вероятностей как лог-гауссово: p (logD) = normpdf (logμprior, σprior). Хотя он статистически неоптимален, этот подход имеет дополнительное преимущество, заключающееся в том, что априорное распределение может быть определено двумя терминами (средним и SD), что делает его биологически менее сложным для формирования и обновления, чем внутреннее представление распределения физических стимулов.
Рис. S4.Сходимость точек безразличия, наблюдаемая при чередующемся представлении, несовместима с использованием обобщенного априорного значения, непосредственно совпадающего с составным распределением стимулов.Примеры функций правдоподобия показаны для сенсорных измерений стимулов, выбранных из короткого (S) и длительного (L) распределений. В отличие от экспериментальных данных (рис. 2 и 3), оценки методом наименьших квадратов Байеса подтягиваются к центрам двух компонентных распределений, в результате чего репродукции сжимаются вокруг двух различных точек безразличия (открытые символы). Эта закономерность сохраняется для всех возможных уровней точности сенсорных измерений (где ширина функции правдоподобия недостаточна, чтобы охватить разрыв между коротким и длинным распределениями).= (1σlikelihood2) (1σlikelihood2) + (1σprior2) logx + (1σprior2) (1σlikelihood2) + (1σprior2) logμprior. После обратного преобразования оптимальных оценок в линейную стимула и нормально распределены с SD σmotor. Прогнозы модели были получены путем запуска проб путем пробного моделирования экспериментальных последовательностей с заменой ответов участников на ответы байесовского наблюдателя-исполнителя. Схематическая иллюстрация того, как в модели возникают смещения центральной тенденции, показана на рис.S1.
Рис. S1.Иллюстрация возникновения смещений сжатия в модели. Согласно правилу Байеса, апостериорная вероятность длительности d данного измерения m пропорциональна произведению вероятности измерения и априорной вероятности продолжительности. Принятие стратегии, которая минимизирует общую ожидаемую ошибку (например, оценка методом наименьших квадратов Байеса), приводит к систематическому смещению оценок продолжительности в сторону среднего значения предыдущего распределения.
В этой простой формулировке степень систематической предвзятости репродукций определяется исключительно относительной надежностью сенсорного измерения и предшествующего. В частности, можно показать, что величина сжатия (1 — показатель степенной функции, связывающей длительность стимула со средней продолжительностью воспроизведения) формально эквивалентна весу, присвоенному априорному значению во время байесовского вывода: Cmag = (1σprior2) (1σlikelihood2) + (1σprior2) = σlikelihood2σlikelihood2 + σprior2.Центр сжатия или точка безразличия (I) всегда совпадает с априорным средним: I = μprior. Для получения выходных данных модели, показанных на рис. 1 D , мы позволили соотношению σlikelihood2 / σprior2 варьироваться между тремя различными условиями диапазона продолжительности. (соответствует черному, синему и зеленому наборам данных). Наиболее подходящие значения соответствуют положению значений величины сжатия на рис. 1 B на правой оси y . Чтобы зафиксировать частичную перекалибровку предыдущего наблюдаемого среднего, μprior был установлен на полпути между средним арифметическим соответствующего распределения продолжительности и средним арифметическим для всего набора стимулов (фактически один свободный параметр).При моделировании были получены средние воспроизводства, которые полностью соответствовали набору эмпирических данных (нормализованная среднеквадратичная ошибка = 3,41%) (рис. S2). Чтобы еще больше ограничить модель, мы впоследствии подогнали общие значения σlikelihood и σmotor к изменчивости репродукций наблюдателей (рис. S2). Затем мы смогли получить значения для σprior, которые отражены в априорных распределениях модели на рис. 1 D , Вставки .
Рис. S2.Соответствие между эмпирическими и модельными средними данными воспроизведения для заблокированных условий.Нормализованная среднеквадратичная ошибка = 3,41%. Обозначения цветов такие, как на рис. 1.
Рис. S3.Коэффициент вариации продолжительности воспроизведения в ( A ) эмпирических и ( B ) модельных наборах данных. Цветовые обозначения такие же, как на рис. 1. В целом, как модельные, так и эмпирические наборы данных придерживаются скалярного свойства, обозначенного постоянным коэффициентом вариации. Однако обратите внимание, что включение в модель моторного шума, не зависящего от стимула, успешно отражает нарушение этой пропорциональной зависимости при коротких длительностях стимула.Для показанных результатов модели σlikelihood = 0,1 и σmotor = 0,21.
Для простоты мы смоделировали одиночный априор, сформированный в условиях чередования (рис. 2 B ), применив предварительную аппроксимацию к условию наибольшего диапазона длительности на рис. 1 A (зеленые символы). Однако аналогичные результаты можно также получить, установив μprior в соответствии со средним арифметическим двух перемежающихся распределений длительности.
Благодарности
Мы благодарим Томаса Вила за помощь в сборе данных.Эта работа была поддержана исследовательским стипендиатом Wellcome Trust WT097387 (к N.W.R.).
Сноски
Вклад авторов: N.W.R. спланированное исследование; N.W.R., P.V.M., D.J.W. и J.H. проведенное исследование; N.W.R. проанализированные данные; и N.W.R., P.V.M., D.J.W. и J.H. написал газету.
Авторы заявляют об отсутствии конфликта интересов.
Эта статья представляет собой прямое представление PNAS.
Эта статья содержит вспомогательную информацию на сайте www.pnas.org/lookup/suppl/doi:10.1073/pnas.1610706114/-/DCSupplemental.
Как выбрать конверт на выписку для новорожденного. Какие бывают виды конвертов. На что обратить внимание при покупке. Нужен ли конверт на выписку. Содержание Нужен ли . . .
Как поздравить мальчика с 6 месяцами. Какие подобрать слова для поздравления с полугодием мальчика. Где найти красивые открытки с поздравлениями на 6 месяцев мальчику. Содержание . . .