Het gebruik van de prior predictive in het modelleren van cognitie.

Psychologen worden vaak geconfronteerd met een overvloed aan modellen die allemaal hetzelfde psychologisch gedrag proberen te verklaren. In het licht van deze wildgroei aan modellen is het identificeren van het model dat de empirische gegevens het best benadert een taak van cruciaal belang. Om dit doel van modelselectie te bereiken gaan wiskundige psychologen na hoe goed de gegevens en het model overeenkomen, maar ook hoe flexibel het model is (modelcomplexiteit). In dit doctoraatsonderzoek zal worden nagegaan hoe de prior predictive distribution kan gebruikt worden om modelcomplexiteit te meten en om modellen te selecteren. Ook de rol van de prior predictive voor het bouwen van modellen en voor het ontwerpen van experimenten zal nader onderzocht worden. Twee belangrijke hordes moeten genomen worden: het ontwikkelen van zinvolle en aanvaardbare parameter priors en het ontwikkelen van zinvolle en aanvaardbare data priors. Naast het ontwikkelen van een maat voor complexiteit en een methode voor modelselectie op basis van de prior predictive is een belangrijk doel het vergelijken van deze nieuwe maat en methode met de reeds voorgestelde maten en methoden.

Trefwoorden:Generalizability, Data prior, Model selection, Theory testing, Informative prior, Bayesian statistics

Disciplines:Biologische en fysiologische psychologie, Menselijke experimentele psychologie, Experimentele psychologie met dieren en vergelijkende psychologie, Toegepaste psychologie, Psychologische methoden, Mathematische en kwantitatieve methoden, Algemene pedagogische en onderwijswetenschappen, Sociale theorie en sociologische methoden, Politieke theorie en methodologie