反応時間の確率分布
実験と分析
反応時間の分布は正規分布ではないことが報告されている(Palmerら、2011)。Palmerらは、5つの確率分布Ex-Gaussian、Ex-Wald、(shifted) Gamma、(shifted) Weibull、Gaussianを用いてデータ分析を行い、Ex-Gaussian、Ex-Wald、(shifted) Gammaの3つは同じようにデータへの当てはまりがよかったが、他の2つ、(shifted) Weibull、Gaussian、はよくなかったことを報告している。
なお、Okamoto (1981, 1982, 1980) は、単純反応時間において2状態の区別を報告している。反応時間のメカニズムの分析では状態の区別が必要であるが、本ウェブサイトではこの区別を行わず、単純に1つの分布を当てはめている。
本ウェブサイトでは、単純反応時間測定実験のプログラムとその分析プログラムを用意したが、分析結果例を下図に示す。
図1
緑色のヒストグラムがデータであり、青の曲線がshifted gamma 分布(以後、簡単にガンマ分布という)、橙色の曲線がGauss分布(以後、正規分布という)である。ガンマ分布は、Stanで簡単にプログラムが書けるので、本ウェブサイトでは3つの分布、Ex-Gaussian、Ex-Wald、(shifted) Gamma、の代表としてガンマ分布を用いる。図1に示されているように、ガンマ分布の当てはまりはよいが、正規分布の当てはまりは悪い。Ex-GaussianとEx-WaldのStanスクリプトは、別のウェブサイトに用意している。
本ウェブサイトでは、まず単純反応時間測定実験の実行例を示し、次に得られたデータの分析例を示す。その後に、実験を行うプログラム例、およびデータ分析のプログラム例を示す。プログラムファイルおよびサンプルデータファイルは圧縮ファイルfilesRT.zipにまとめた。ダウンロード展開して、自由に利用されたい。
なお、WindowsにおけるPsychoPy3およびPyStanのインストールについての補足説明を最後に用意している。
上記「補足説明」の方法で2023.02.10にPsychoPyのインストールを行うとうまくいかなかった。仮想環境に簡単なpipコマンドでインストールするとできたので、その説明を用意した。
単純反応時間を測定する実験のプログラムSimpleRT_Exp.pyをPsychoPy 3のCoderで作成した。PsychoPy 3は、スタンドアロン版をインストールしたので、他のPythonのインストールとは独立した環境でPsychoPy 3のPythonを利用することができる。SimpleRT_Exp.pyのリストは、このウェブサイトの後半にリスト1として載せた。
なお、Windows10においてPsychoPy3の再インストールのためにStandalone版をダウンロードすると「・・・はお使いのデバイスに問題を引き起こす可能性があるため、ブロックされました」という警告が出た(2020.09)。Windows10にAnacondaをインストールして(簡単にインストールできる)、AnacondaにおいてPsychopy3をインストールしてみるとできた。このAnacondaでPsychoPy3をインストールする方法についてはこのウェブサイトの最後に説明を用意した。注意: この「最後に説明を用意した」とある方法では、2023.02.10にはうまくいかなかったが、別の方法ではインストールできた。
プログラムSimpleRT_Exp.pyをPsychoPy 3のCoderで開いて実行すると、図2のフォームが表示される。
図2、
キーZを押すと、図2のウィンドウ内の文字は消え、図3の状態になる。
図3
数秒後(毎試行ごとにランダムに変わる)、図4のように文字Mが表示される。
図4
文字Mが表示されたら、キーMを押す。文字の表示からキーMを押すまでの時間が反応時間として記録され、次の試行に移る。
全ての試行(サンプルプログラムでは100試行)が終了すると、データの保存用ファイルの名前の設定を求めるウィンドウが表示される。ファイルへは、テキストファイルとして出力されるので、ファイル拡張子は、「.txt」としておくとよい。図5では、「MyData.txt」と設定されている。
図5
保存されたデータの分析例を、次に説明する。
データ分析プログラムAnalysis.pyは、上の実験制御プログラムの実行環境であるスタンドアロン版PsychoPy 3とは別にインストールされたPython3で実行した。PsychoPy 3は、ディレクトリC:\Program Files\PsychoPy3の下にインストールされているが(デフォルトでのインストール先)、データ分析用Python3は、ディレクトリC:\Python374の下にインストールしている(Python 3のインストール時に作成指定)。また、PyStanのインストールについてはこのウェブサイトで説明しているが、本ウェブサイトの最後にも説明を用意している。
データにガンマ分布を適用してベイズ分析を行った。ガンマ分布は次式で与えられる。
ガンマ分布に対するStanスクリプト(shiftedGamma.stan)は以下に示すように簡単である。
data {
int N;
real RT[N];
real max_a;
real max_b;
real max_x;
}
parameters {
real<lower = 0.0, upper =
max_a> param_a;
real<lower = 0.0, upper =
max_b>param_b;
real<lower = 0.0, upper =
max_x> param_x;
}
model {
param_a ~ uniform(0.0,
max_a);
param_b ~ uniform(0.0,
max_b);
param_x ~ uniform(0.0,
max_x);
for(i in 1:N){
RT[i] - param_x ~ gamma(param_a, param_b);
}
}
正規分布による分析用のStanスクリプト(Normal.stan)は以下のようになる。
data {
int N;
real RT[N];
real min_mu;
real max_mu;
real max_sgm;
}
parameters {
real<lower = min_mu,
upper = max_mu> mu;
real<lower = 0.0, upper =
max_sgm> sgm;
}
model {
mu ~ uniform(min_mu,
max_mu);
sgm ~ uniform(0.0, max_sgm);
for(i in 1:N){
RT[i] ~ normal(mu, sgm);
}
}
これらのStanスクリプトを用いた分析プログラムAnalysis.pyは、リスト2に載せてある。PythonにおけるStan(PyStan)の使い方の説明は、拙著<岡本安晴「いまさら聞けないPythonでデータ分析」丸善出版>を参照されたい。
プログラムAnalysis.pyを実行すると、図6のように入力データファイル名を聞いてくる。
図6
図6では、図5で設定したデータ出力ファイル名を入力ファイルとして設定している。ファイル名の設定後、読み込んだデータの出力が行われ、続いてStanによるガンマ分布の分析が始まる。StanのMCMCサンプリングが終了すると、まずパラメータの事後分布が表示される(図7)。
図7
図中、タイトルのlen()は、サンプル数を表している。図7のウィンドウを閉じると、の事後分布が表示される(図8)。
図8
図8のウィンドウを閉じると、次にの事後分布が表示される(図9)。
図9
図9のウィンドウを閉じると、正規分布による分析が始まる。Stanのサンプリングが終了すると、の事後分布が表示される(図10)。
図10
図10のウィンドウを閉じると、の事後分布が表示される(図11)。
図11
図11のウィンドウを閉じると、反応時間(RT)データのヒストグラムとともに、上のサンプリングの中央値を各パラメータの点推定値とするガンマ分布と正規分布のグラフが表示される(図12)。
図12
図12のウィンドウを閉じると、プログラムは終了する。
プログラムソースリスト(プログラムファイルは圧縮ファイルfilesRT.zipとしてまとめた)
リスト1.単純反応時間測定実験のプログラムSimpleRT_Exp.py(Coder/PsychoPy 3)
import math, numpy, random
from psychopy import core, event,
visual, gui
import psychopy.sound.backend_ptb as
pss
myWin = visual.Window(size=(500, 300),
pos=None, color='black',
colorSpace='rgb',
rgb=None, dkl=None, lms=None, fullscr=False, allowGUI=True,
monitor=None, bitsMode=None, winType=None, units='pix',
gamma=None, blendMode='avg', screen=0, viewScale=None,
viewPos=None, viewOri=0.0, waitBlanking=True, allowStencil=False,
multiSample=False, numSamples=2, stereo=False, name='window1',
checkTiming=True,
useFBO=False, useRetina=True, autoLog=True,
gammaErrorPolicy='raise', bpc=(8, 8, 8), depthBits=8,
stencilBits=8, backendConf=None)
myClock = core.Clock()
print('size = ', myWin.size)
mySound = pss.SoundPTB(value = 2000,
secs = 0.5, volume = 1.0)
latencies = []
for i in range(5):
t = 2.0 * (1.2**i)
latencies.append(t)
g_latencies = []
for i in range(40):
numpy.random.shuffle(latencies)
g_latencies = g_latencies +
latencies
print('g_latnecies = ', g_latencies)
n_trials = 100
# Total number of
trials
RTs = numpy.empty(n_trials)
Intvls = numpy.empty(n_trials)
information = visual.TextStim(myWin,
text = '', height = 24, color = 'white')
t = 1
pos_g_latencies = 0
while True:
#
第t試行
mySound.play()
msg = '{0}/{1}'.format(t,
n_trials) + \
'\nPress the Z key, \nwhen youv are ready.' + \
'\n\nAfter some seconds, \nthe character M will be presented.' + \
'\n\nPress the M key as fast as possible \nwhen M appears.'
information.setText(msg)
information.setHeight(24)
information.draw()
myWin.flip()
event.clearEvents()
while True:
pressedList
= event.getKeys(keyList = ['z'])
if
len(pressedList) > 0:
if pressedList[0] == 'z':
# 試行開始
event.clearEvents()
break
myWin.flip()
t1 = myClock.getTime()
flying = False
while True:
pressedList = event.getKeys(keyList = ['m'])
if
len(pressedList) > 0:
if pressedList[0] == 'm': # フライング
flying = True
information.setText('Flying')
information.draw()
myWin.flip()
core.wait(2)
event.clearEvents()
pos_g_latencies += 1
break
event.clearEvents()
if
myClock.getTime() > t1 + g_latencies[pos_g_latencies]:
break
if flying == True:
continue
information.setText('M')
information.setHeight(48)
information.draw()
myWin.flip()
event.clearEvents()
t1 = myClock.getTime() # 刺激提示時刻
t2 = None
while True:
pressedList = event.getKeys(keyList = ['m'])
if
len(pressedList) > 0:
if pressedList[0] == 'm':
t2 = myClock.getTime()
# 反応時刻
break
myWin.flip()
core.wait(2)
RTs[t-1] = t2 - t1
# 反応時間
Intvls[t-1] =
g_latencies[pos_g_latencies]
t += 1
pos_g_latencies += 1
if pos_g_latencies >=
len(g_latencies):
pos_g_latnecies = 0
if t > n_trials:
break
#
#
反応時間の出力と保存
#
myWin.close()
for i in range(n_trials):
print('RT: ', RTs[i], ' Intvl: ', Intvls[i])
flnm = gui.fileSaveDlg(prompt = u'出力ファイル名(*.txt)')
print('file name = ', flnm)
fout = open(flnm, 'w')
fout.write('/\n')
fout.write('{0:>10s}{1:>10s}\n'.format('RT',
'Interval'))
for i in range(n_trials):
fout.write('{0:>10.5f}{1:>10.5f}\n'.format(RTs[i], Intvls[i]))
fout.write('/\n')
fout.close()
print(flnm, ' was saved.')
core.quit()
リスト2.データ分析用PythonスクリプトAnalysis.py
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sb
import scipy.stats as ss
import pystan
#
#
データの読み込み
#
flnm = input('Data file name = ')
fin = open(flnm, 'r')
data = fin.readlines()
fin.close()
pos = 0
while True:
if len(data[pos]) > 0:
if
data[pos][0] == '/':
break
pos += 1
RTs = []
Intvls = []
pos += 2
while True:
if data[pos][0] == '/':
break
slist = data[pos].split()
RTs.append(float(slist[0]))
Intvls.append(float(slist[1]))
pos += 1
for x, y in zip(RTs, Intvls):
print(x, ' ', y)
RTs = np.array(RTs)
xi_hat = RTs.min()
# シフト値の最大値
print('xi_hat = ', xi_hat)
RTs_xi = RTs - xi_hat
#
# モーメント法に依るパラメータ値の推定
#
beta_hat = RTs_xi.mean() /
RTs_xi.var()
print('beta_hat = ', beta_hat)
alpha_hat = beta_hat * RTs_xi.mean()
print('alpha_hat = ', alpha_hat)
max_a = alpha_hat * 100.0
max_b = beta_hat * 100.0
max_x = xi_hat
Data = {'N': len(RTs), 'RT': RTs,
'max_a': max_a, 'max_b': max_b, 'max_x': max_x}
sm = pystan.StanModel(file =
'shiftedGamma.stan') # ガンマ分布
fit = sm.sampling(data = Data, n_jobs
= 1)
param_a = fit['param_a']
param_b = fit['param_b']
param_x = fit['param_x']
plt.hist(param_a)
plt.xlabel(r'$\alpha$', fontsize = 14)
plt.title(r'len($\alpha$) =
{}'.format(len(param_a)), fontsize = 18)
plt.show()
plt.hist(param_b)
plt.xlabel(r'$\beta$', fontsize = 14)
plt.title(r'len($\beta$) =
{}'.format(len(param_b)), fontsize = 18)
plt.show()
plt.hist(param_x)
plt.xlabel(r'$\xi$', fontsize = 14)
plt.title(r'len($\xi$) =
{}'.format(len(param_x)), fontsize = 18)
plt.show()
#
# 中央値
#
med_a = np.percentile(param_a, 50)
med_b = np.percentile(param_b, 50)
med_xi = np.percentile(param_x, 50)
print('med_a = ', med_a, ' med_b = ', med_b, ' med_xi = ', med_xi)
max_sgm = (RTs.var()**0.5) * 10.0
min_mu = RTs.mean() - max_sgm
max_mu = RTs.mean() + max_sgm
Data = {'N': len(RTs), 'RT': RTs,
'min_mu': min_mu, 'max_mu': max_mu, 'max_sgm': max_sgm}
sm1 = pystan.StanModel(file =
'Normal.stan') # 正規分布
fit1 = sm1.sampling(data = Data,
n_jobs = 1)
param_mu = fit1['mu']
param_sgm = fit1['sgm']
plt.hist(param_mu)
plt.xlabel('$\mu$', fontsize = 14)
plt.title(r'len($\mu$) = {}'.format(len(param_mu)))
plt.show()
plt.hist(param_sgm)
plt.xlabel('$\sigma$', fontsize = 14)
plt.title(r'len($\sigma$) =
{}'.format(len(param_sgm)))
plt.show()
#
# 中央値
#
med_mu = np.percentile(param_mu, 50)
med_sgm = np.percentile(param_sgm, 50)
print('med_mu = ', med_mu, ' med_sgm = ', med_sgm)
rt = np.arange(0, 0.5, 0.001)
#
# ガンマ分布
#
pdf_values = ss.gamma.pdf(rt, med_a,
med_xi, 1/med_b)
plt.plot(rt, pdf_values, linewidth =
3, label = 'gamma(ξ,α,β)')
#
# 正規分布
#
pdf1_values = ss.norm.pdf(rt, med_mu,
med_sgm)
plt.plot(rt, pdf1_values, linewidth =
3, label = 'normal(μ,σ)')
#
# データ
#
plt.hist(RTs, density = True, label =
'RT')
plt.xlabel('Time', fontsize = 14)
plt.title('ξ = {0:<.3f}, α = {1:<.3f}, β = {2:<.3f}\n'.format(med_xi,
med_a, med_b) +\
'μ =
{0:<.3f}, σ = {1:<.3f}'.format(med_mu, med_sgm),
fontsize = 16)
plt.legend(fontsize = 14)
plt.show()
引用文献
Palmer, E. M., and Horowitz, T. S., Torralba, A., and Wolfe, J. M. (2011). What are the shapes of response time distributions in visual search? Journal of Experimental Psychology: Human Perception and Performance, 37, 58-71.
WindowsにおけるPsychoPy3とPyStanのインストールについて
Windows10においてMicrosoft EdgeでPsychoPy3のStandalone版をインストールするためにダウンロードを試みると「StandalonePsychoPy….exeはお使いのデバイスに問題を引き起こす可能性があるため、ブロックされました。」という警告が出た(2020.09)。そのため、以下のようにAnacondaでインストールを試みるとインストールできた(2023.02.10に行うと、うまくいかなかったので、pipコマンドで直接インストールするとできた。この説明も後に示した)。また、PyStanもAnacondaでは簡単にインストールできるが、これはPsychoPyの説明の後で解説する。
まず、Anacondaのインストールであるが、これはこのウェブサイトに解説されているように簡単にできる。
Anacondaがインストール済みの状態で、次にPsychoPyのウェブサイトに行く。
https://www.psychopy.org/download.html
上のウェブサイトにおいて「Anaconda and Miniconda」のところに跳ぶ。そこにある文字列「environment file」をマウス右ボタンクリックしてファイル(psychopy-env.ymlという名前である)を適当なフォルダにダウンロード保存する。
スタートメニュから「Anaconda Powershell Prompt」を選び、仮想環境用の端末を起動する(図A.1)。
図A.1
先にダウンロードしておいたファイルpsychopy-env.ymlの格納されているフォルダに移る(図A.2)。
図A.2
先にダウンロードしたファイルpsychopy-env.ymlの格納されているフォルダに移ったら、condaコマンドでpsychopy用の仮想環境を作成する(図A.3)。
図A.3
仮想環境psychopyの作成が済んだら(「done」、図A.4)、仮想環境psychopyをアクティブにする。
図A.4
仮想環境psychopyがアクティブな状態でpsychopyコマンドを実行する(図A.4)。
PsychoPyのウィンドウが表示される(図A.5)。
図A.5
データ分析用のプログラムをPythonで作成するときは、PsychoPyとは別にPythonプログラミング用にPython IDLEをインストールしておいて使用できる。Python IDLEのインストールはこのウェブサイトを参照されたい。
Stanスクリプトを実行するときは、StanのPythonインターフェースであるPyStanを仮想環境psychopyにインストールしておくと便利である。PyStanのインストールは、Anacondaを用いると簡単にできる。
スタートメニュにある「Anaconda Powershell Promt」を選ぶ(図B.1)。
図B.1
仮想環境psychopyをアクティブにする(図B.2)。
図B.2
仮想環境psychopyをアクティブにしてから、pystanをインストールするが、リスト2のプログラムではモジュールseabornも用いているので、この2つを図B.3のように一緒にインストールする。1つずつインストールしてもよい。
図B.3
PyStanのインストールが完了したら、リスト2のプログラムAnalysis.pyを実行してみる。図B.4はAnalysis.pyをPython IDLEのエディタで開いた状態と、Anaconda Powershell端末の状態を表示したものである。
図B.4
コマンドpythonでAnalysis.pyを
python
Analysis.py
と実行すると、入力データファイル名を聞いてくるので、図B.4では上の実験のデータファイルMyData.txtが入力されている。
入力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。MCMCサンプリングが終了すると図B.5のように事後分布のグラフが表示される。
図B.5
PsychoPyのAnaconda仮想環境でのインストール例(2023.02.10)
Windows 10にインストールされたAnacondaのPython 3.8用仮想環境でpipコマンドによりpsychopyがインストールできた。Anacondaのインストールなどは、このウェブサイトで説明している。
まず、Python 3.8の仮想環境をコマンド
conda create –n py38 python=3.8
により作成する。
作成した仮想環境をコマンド
conda
activate py38
によりアクティブな環境とする。Python 3.6仮想環境のもとで、psychopyをpipコマンドでインストールする。
pip install
psychopy
である。
インストール後、コマンドpsychopyによりPsychoPyを起動することができる。
psychopy
とコマンドを実行すればよい。
コマンドを実行すると、コマンドラインはすぐ改行して次のコマンドラインが表示され、コマンド入力待ちの状態になるが、コマンド入力をせずにPsychoPyのフォームが表示されるまでしばらく待てばよい。
また、PsychoPyのcoderで作成したPythonスクリプトをpythonコマンドで直接実行すると、画面出力が煩雑である。PsychoPyのcoderで開いて実行するのが良いと思う。
Stan(PyStan)については、<岡本安晴「いまさら聞けないPythonでデータ分析」丸善出版>の第10章〜第12章で説明している。
統計における基本的な確率分布については、<岡本安晴「データを使いこなすための統計入門」22世紀アート>の「付録 確率」で説明している。