DDM模型演示

证据采样平均值：

被试每次采集证据的平均值，反映了被试判断能力

证据采样标准差：

被试每次采集证据的变异，反映了被试判断能力

决策边界：

被试做出判断所需要累积的证据，反映了被试判断的谨慎程度

起始点：

被试积累证据前的先验信念，反映了被试判断的倾向性

非决策时间：

被试每次开始决策前所需要的时间

Code

viewof mean = Inputs.range([-5, 5], {step: 0.1, label: "证据采样平均值"})
viewof std = Inputs.range([0, 5], {step: 0.1, label: "证据采样标准差"})
viewof thre = Inputs.range([0, 10], {step: 1, label: "决策边界"})
viewof initial = Inputs.range([-10, 10], {step: 1, label: "起始点"})
viewof non_dt = Inputs.range([0, 2], {step: 0.1, label: "非决策时间"})

红点多于蓝点吗？

Code

//绘制DDM游走图
Plot.plot({
x: {
domain: [0, 20]
},
y: {
domain: [-10, 10]
},
marks: [
Plot.line(counter, {x: (d, i) => i, y: d => d, stroke: "red"}),
Plot.ruleY([thre], {stroke: "black"}),
Plot.ruleY([-thre], {stroke: "black"})
],
axes: [
{
orient: "bottom",
scale: "x",
ticks: 0,
labels: null
},
{
orient: "left",
scale: "y",
ticks: 0,
labels: null
}
]
})

Code

function normalRandom(mean, std) {
  const u = Math.random(); 
  const v = Math.random();
  
  const z0 = Math.sqrt(-2 * Math.log(u)) * Math.cos(2 * Math.PI * v);
  
  return z0 * std + mean;
}
//进行证据采集
viewof counter = Inputs.button([
  
    ["采集证据", value => value.concat(value.length ? value[value.length - 1] + normalRandom(mean, std) : normalRandom(mean, std))], 
  ["重新采集", value => [initial]]
  ],
  {value: [initial]}
)