Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud

El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconoci...

Full description

Autores:
C. Dunn, John
Tipo de recurso:
Article of journal
Fecha de publicación:
2010
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
eng
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/25709
Acceso en línea:
https://hdl.handle.net/10819/25709
https://doi.org/10.21500/20112084.859
Palabra clave:
Recognition memory
maximum likelihood estimation
signal detection theory
mixture models
high threshold models
memoria de reconocimiento
estimación de máxima verosimilitud
teoría de detección de señales
modelos mixtos
modelos de umbral alto
Rights
openAccess
License
International Journal of Psychological Research - 2010
id SANBUENAV2_d08102dd2c2f6142897c0207bc12def6
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/25709
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
spelling C. Dunn, John2010-06-30T00:00:00Z2025-07-31T16:11:21Z2010-06-30T00:00:00Z2025-07-31T16:11:21Z2010-06-30El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconocimiento. En segundo lugar se presentan cuatro modelos recientes que serán ajustados a los datos. La tercera parte describe en detalle cómo se ajusta un modelo usando el procedimiento de estimación de máxima verosimilitud. Por último se examina cómo el modelo ajustado pueden ser evaluado y qué pruebas estadísticas pueden aplicarse para ello.The aim of this paper is to provide an introductory tutorial to how to fit different models of recognition memory using maximum likelihood estimation. It is in four main parts. The first part describes how recognition memory data is collected and analysed. The second part introduces four current models that will be fitted to the data. The third part describes in detail how a model is fit using maximum likelihood estimation. The fourth part examines how the fit of a model can be evaluated and the appropriate statistical test applied.application/pdf10.21500/20112084.8592011-79222011-2084https://hdl.handle.net/10819/25709https://doi.org/10.21500/20112084.859engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IJPR/article/download/859/609Núm. 1 , Año 2010 : Special Issue of Statistics in Psychology14911403International Journal of Psychological ResearchInternational Journal of Psychological Research - 2010info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/https://revistas.usb.edu.co/index.php/IJPR/article/view/859Recognition memorymaximum likelihood estimationsignal detection theorymixture modelshigh threshold modelsmemoria de reconocimientoestimación de máxima verosimilitudteoría de detección de señalesmodelos mixtosmodelos de umbral altoCómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitudCómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitudArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2501https://bibliotecadigital.usb.edu.co/bitstreams/91838611-5c34-4234-b32f-ea9022cf0b45/downloadf63236123d386727bef1e7c8fb95752eMD5110819/25709oai:bibliotecadigital.usb.edu.co:10819/257092025-07-31 11:11:21.932https://creativecommons.org/licenses/by-nc-sa/4.0/https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com
dc.title.spa.fl_str_mv Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
dc.title.translated.spa.fl_str_mv Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
title Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
spellingShingle Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
Recognition memory
maximum likelihood estimation
signal detection theory
mixture models
high threshold models
memoria de reconocimiento
estimación de máxima verosimilitud
teoría de detección de señales
modelos mixtos
modelos de umbral alto
title_short Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
title_full Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
title_fullStr Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
title_full_unstemmed Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
title_sort Cómo ajustar modelos de datos en experimentos sobre la memoria de reconcomiendo usando métodos de máxima verosimilitud
dc.creator.fl_str_mv C. Dunn, John
dc.contributor.author.eng.fl_str_mv C. Dunn, John
dc.subject.eng.fl_str_mv Recognition memory
maximum likelihood estimation
signal detection theory
mixture models
high threshold models
topic Recognition memory
maximum likelihood estimation
signal detection theory
mixture models
high threshold models
memoria de reconocimiento
estimación de máxima verosimilitud
teoría de detección de señales
modelos mixtos
modelos de umbral alto
dc.subject.spa.fl_str_mv memoria de reconocimiento
estimación de máxima verosimilitud
teoría de detección de señales
modelos mixtos
modelos de umbral alto
description El propósito de este artículo es proveer un tutorial sobre cómo ajustar diferentes modelos de la memoria de reconocimiento usando estimación de máxima verosimilitud. El artículo presenta cuatro partes. Primero se describe cómo se analizan y obtienen datos en experimentos sobre la memoria de reconocimiento. En segundo lugar se presentan cuatro modelos recientes que serán ajustados a los datos. La tercera parte describe en detalle cómo se ajusta un modelo usando el procedimiento de estimación de máxima verosimilitud. Por último se examina cómo el modelo ajustado pueden ser evaluado y qué pruebas estadísticas pueden aplicarse para ello.
publishDate 2010
dc.date.accessioned.none.fl_str_mv 2010-06-30T00:00:00Z
2025-07-31T16:11:21Z
dc.date.available.none.fl_str_mv 2010-06-30T00:00:00Z
2025-07-31T16:11:21Z
dc.date.issued.none.fl_str_mv 2010-06-30
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.eng.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv Text
dc.type.driver.eng.fl_str_mv info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv Journal article
dc.type.version.eng.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.doi.none.fl_str_mv 10.21500/20112084.859
dc.identifier.eissn.none.fl_str_mv 2011-7922
dc.identifier.issn.none.fl_str_mv 2011-2084
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10819/25709
dc.identifier.url.none.fl_str_mv https://doi.org/10.21500/20112084.859
identifier_str_mv 10.21500/20112084.859
2011-7922
2011-2084
url https://hdl.handle.net/10819/25709
https://doi.org/10.21500/20112084.859
dc.language.iso.eng.fl_str_mv eng
language eng
dc.relation.bitstream.none.fl_str_mv https://revistas.usb.edu.co/index.php/IJPR/article/download/859/609
dc.relation.citationedition.eng.fl_str_mv Núm. 1 , Año 2010 : Special Issue of Statistics in Psychology
dc.relation.citationendpage.none.fl_str_mv 149
dc.relation.citationissue.eng.fl_str_mv 1
dc.relation.citationstartpage.none.fl_str_mv 140
dc.relation.citationvolume.eng.fl_str_mv 3
dc.relation.ispartofjournal.eng.fl_str_mv International Journal of Psychological Research
dc.rights.eng.fl_str_mv International Journal of Psychological Research - 2010
dc.rights.accessrights.eng.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
rights_invalid_str_mv International Journal of Psychological Research - 2010
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
dc.format.mimetype.eng.fl_str_mv application/pdf
dc.publisher.eng.fl_str_mv Universidad San Buenaventura - USB (Colombia)
dc.source.eng.fl_str_mv https://revistas.usb.edu.co/index.php/IJPR/article/view/859
institution Universidad de San Buenaventura
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/91838611-5c34-4234-b32f-ea9022cf0b45/download
bitstream.checksum.fl_str_mv f63236123d386727bef1e7c8fb95752e
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851053625861734400

Publicaciones similares