Up

差尺度法

 

 差の一対比較データに基づいて尺度構成を行うものに最尤法による差尺度法(maximum likelihood difference scaling: MLDS; Maloney & Yang, 2003)がある。統計法としては、ベイズ統計法もあるので、ベイズ統計法による差尺度法を試みた。ベイズ統計法の場合も基本となる確率モデルは最尤法の場合と同じであるが、ベイズ統計法を用いる場合は略称としてMLDSを用いることは不適切であるので、BDSBayesian Difference Scaling)を用いることにする。BDSのためのStanスクリプトは、リスト1に示すように簡単である。

 差尺度法では、感覚の差の比較判断を行う。刺激の感覚量をで表したとき、刺激と刺激の感覚の差はで表され、刺激と刺激の差はで表される。いま、の差をで表したとき、は平均、分散の正規分布に従うとする。すなわち、

である。

 刺激と刺激の差(違い)の方が刺激と刺激の差より大きいという判断(曲線の不等号記号を用いて「」と表す)はのときに行われるとすると、その確率は

で与えられる。ここで、は累積標準正規分布関数である。モデル(DS.2)において、感覚量の連続体の原点および単位が不定であるので、

とおいて原点と単位を設定する(Maloney & Yang, 2003)。ここで、Nは刺激値の総数であり、刺激は刺激値の小さいものから大きさの順に通し番号が付けられているものとする。

 刺激と刺激の差と刺激と刺激の差の比較判断が回行われ、その内「」の判断が回であったとすると、その確率は

で与えられる。したがって、比較判断の行われた4つ組の刺激にわたる全体の尤度は

で与えられる。ここで、

であり、は刺激の数である。4つ組の刺激において、であれば、3つの刺激に対して差の比較を行うことになる。

上記のモデルのStanスクリプトを、リスト1のように用意した。

 

リスト1 差尺度のベイズ分析のためのStanスクリプト(ファイル名ba_diff_s.stan

data {

    int N_data;

    int N_st;

    int<lower = 1, upper = N_st> ID_i[N_data];

    int<lower = 1, upper = N_st> ID_j[N_data];

    int<lower = 1, upper = N_st> ID_s[N_data];

    int<lower = 1, upper = N_st> ID_t[N_data];

    int<lower = 0> N[N_data];

    int<lower = 1> TN[N_data];

}

 

parameters {

    simplex[N_st - 1] theta;

    real<lower = 0.0> sgm;

}

 

transformed parameters {

    real psi[N_st];

    psi[1] = 0.0;

    for (i in 2:N_st)

        psi[i] = psi[i - 1] + theta[i - 1];

}

 

model {

    for (i in 1:N_data)

        N[i] ~ binomial(TN[i],

                        Phi((fabs(psi[ID_i[i]] - psi[ID_j[i]])

                         - fabs(psi[ID_s[i]] - psi[ID_t[i]])) / sgm));

}

 

リスト1を利用するPythonスクリプトをこのウェブサイト後ろにリストとして示した。スクリプトファイルとサンプルデータファイルは、圧縮ファイルB_Diff_Scale.zipとしてまとめた。ダウンロード展開すれば、自由に利用できる。

リスト2のプログラム用のデータ例を図1に示す。

図1

 

1行目1列目のセルに、刺激数6が設定されている。

2行目に、ijstと刺激の添え字文字が書かれ、続いてNTNが書かれている。各行には、これらの名前に相当する値が設定される。

値の設定後、CSV形式のファイルとして保存する。

一般に、互いに異なる刺激からなる4つ組における差の比較判断の場合、の条件のもとでの差との差が構成されたとき(Maloney & Yan, 2003)、刺激の数が個のとき4つ組の可能な数は

で与えられる。差の比較実験においては、この4つ組の数のときは組であるが、のときは組となり4つ組すべてに対して比較データを取得することは困難になる。Maloney & Yang (2003)のシミュレーション実験では、のときの組の4つ組すべてを用いたときのパラメータ推定値の分散と、のときの組の4つ組からランダムに10%を選んだ484組に対するデータからのパラメータ推定値の分散はほぼ等しいことが報告されている。Maloneyらは、パラメータ推定値の分散の大きさに関係するのは、刺激の総数ではなく、4つ組の比較判断が行われた試行の総数であると説明している。

 モデル(DS.1)においては2つの仮説、が正規分布に従うこと、および正規分布の分散が刺激の組み合わせに関わらず一定値であることが設定されている。これらの仮説に対して差尺度法は頑健であることがシミュレーションによって確認されている(同上)。

図1のデータは、感覚尺度を構成する刺激値の範囲から6個の刺激を選び、4つ組による差の比較判断実験を行ったところ、図1に示す結果を得たとするものである。刺激は1から6までの通し番号で表されていて、刺激の強さの順であることに注意。各4つ組に対して30回の判断が行われているが、これは1人の個人からのデータと考えてもよいし、当該の感覚に関して同じ感覚特性をもつ複数の観察者による判断をまとめたものと考えてもよい。

リスト2のプログラムを実行すると、入力データファイル名の入力が求められる。

次の例では、データファイルとして図1のファイルData.csvが設定されている。

 

(py39) PS D:\XXXXX\B_Diff_Scale> python BDS.py

INFO:numexpr.utils:NumExpr defaulting to 8 threads.

Data(*.csv) = Data.csv

 

データファイル名を設定してEnterキーを押すと、計算が始まる。

差の比較判断の判断数と各4つ組に対する総判断数に対してモデル(DS.2)が適用され、事後分布が求められる。

まず、刺激の感覚強度の事後分布が、図2のように表示される。

図2

 

は、式(DS.3)による仮定であることに注意。

図2の表示されているフォームを閉じると、σの事後分布を示すグラフが表示される(図3)。

図3

 

図3のフォームを閉じると、次に刺激と感覚の関係を示す折れ線グラフが表示される(図4)。

図4

 

感覚量の事後分布の中央値、50%確信区間、95%確信区間を求め、横軸に刺激の通し番号をとって描かれている。感覚量の値は、パラメータ推定のための仮定(DS.3)であることに注意。

図4のフォームを閉じると、データにおける比率N/TNと推定されたパラメータによるモデルに基づく確率の散布図が表示される(図5)。

図5

 

データにおける比率とモデルに基づく確率はよく対応していると言える。

 

 

引用文献

Maloney, L. T., & Yang, J. N. (2003). Maximum likelihood difference scaling. Journal of Vision, 3, 573-585.

 

 

リスト2 差尺度法のPythonスクリプト(ファイル名BDS.py

import pystan

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sb

import scipy.stats as ss

import csv

import pickle

 

fin_nm = input('Data(*.csv) = ')

with open(fin_nm, 'r') as f:

    raw_data = [v for v in csv.reader(f)]

#print(raw_data)

 

N_st = int(raw_data[0][0])

 

N_data = 0

ID_i = []

ID_j = []

ID_s = []

ID_t = []

N = []

TN = []

for v in raw_data[2:]:

    N_data += 1

    ID_i.append(int(v[0]))

    ID_j.append(int(v[1]))

    ID_s.append(int(v[2]))

    ID_t.append(int(v[3]))

    N.append(int(v[4]))

    TN.append(int(v[5]))

 

print('N_data = ', N_data)

 

for i in range(N_data):

    print("{0:>3}: {1}, {2}, {3}, {4}/  {5}, {6}".

          format((i + 1), ID_i[i], ID_j[i], ID_s[i], ID_t[i], N[i], TN[i]))

 

#sys.exit()

   

Data = {'N_data': N_data, 'N_st': N_st, \

        'ID_i': ID_i, 'ID_j': ID_j, 'ID_s': ID_s, 'ID_t': ID_t, \

        'N': N, 'TN': TN}

 

 

sm = pystan.StanModel(file = 'ba_diff_s.stan')

 

with open('sm.pkl', 'wb') as f:

    pickle.dump(sm, f)

 

 

with open('sm.pkl', 'rb') as f:

    sm = pickle.load(f)

 

 

fit = sm.sampling(data = Data, n_jobs = 1)

 

with open('fit.pkl', 'wb') as f:

    pickle.dump(fit, f)

 

 

with open('fit.pkl', 'rb') as f:

    fit = pickle.load(f)

 

print(fit)

 

Psi = fit['psi'].T

plt.plot([0, 0], [0, 10], label = '$\psi1$')

for i in range(1, N_st-1):

    sb.kdeplot(Psi[i], label = r'$\psi${}'.format(i+1))

plt.plot([1, 1], [0, 10], label = r'$\psi${}'.format(N_st))

plt.legend()

plt.yticks([])

plt.xlabel('$\psi$', fontsize = 16)

plt.title('Posterior Distributions', fontsize = 18)

plt.savefig('FigPsi.png')

plt.show()

 

Sgm = fit['sgm']

sb.kdeplot(Sgm)

plt.xlabel('$\psi$', fontsize = 14)

plt.title('Posterir distribution of $\sigma$', fontsize = 18)

plt.yticks([])

plt.savefig('FigSgm.png')

plt.show()

 

Sgm_med = np.percentile(Sgm, 50)

print('Sgm_med =', Sgm_med)

 

 

Psi_med = []

Psi_025 = []

Psi_25 = []

Psi_75 = []

Psi_975 = []

 

for i in range(N_st):

    q025, q25, med, q75, q975 = np.percentile(Psi[i], [2.5, 25, 50, 75, 97.5])

    Psi_med.append(med)

    Psi_025.append(q025)

    Psi_25.append(q25)

    Psi_75.append(q75)

    Psi_975.append(q975)

   

   

stimuli = []

for i in range(N_st):

    stimuli.append(i + 1)

 

 

plt.plot(stimuli, Psi_med, 'b-', linewidth = 2, label = 'Median')

plt.plot(stimuli, Psi_25, 'g-.', linewidth = 1, label = '50% CI')

plt.plot(stimuli, Psi_75, 'g-.', linewidth = 1)

plt.plot(stimuli, Psi_025, 'y--', linewidth = 1, label = '95% CI')

plt.plot(stimuli, Psi_975, 'y--', linewidth = 1)

plt.legend() 

plt.title('Sensation and Stimulus', fontsize = 18)

plt.xlabel('Stimulus', fontsize = 14)

plt.ylabel('Sensation', fontsize = 14)

plt.tight_layout()

plt.savefig('FigSummary.png')

plt.show()

 

Prop_data = np.empty(N_data)

Prop_model = np.empty(N_data)

for i in range(N_data):

    Prop_data[i] = N[i] / TN[i]

    Prop_model[i] = ss.norm(0, 1).cdf((abs(Psi_med[ID_i[i]-1] - Psi_med[ID_j[i]-1]) -

                                   abs(Psi_med[ID_s[i]-1] - Psi_med[ID_t[i]-1])) / Sgm_med)

 

plt.figure(figsize = (5,5))

plt.scatter(Prop_model, Prop_data)

plt.plot([0,1], [0,1])

plt.title('Scattergram of (Prop_Data, Prob_Model)', fontsize = 16)

plt.ylabel('N/TN', fontsize = 14)

plt.xlabel('Prob.', fontsize = 16)

plt.tight_layout()

plt.savefig('FigScatter.png')

plt.show()

 

 

なお、PyStan (PythonStan) の説明を、<岡本安晴「いまさら聞けないPythonでデータ分析」丸善出版>で行っている。

 

 

Up