좋은 공연이 줄무늬로 나오는지 어떻게 알 수 있습니까?


10

나는 루빅스 큐브를 취미로 해결한다. 몇 가지 소프트웨어를 사용하여 큐브를 해결하는 데 걸린 시간을 기록하여 수천 가지 해결 데이터를 얻었습니다. 데이터는 기본적으로 각 순차 해결에 걸린 시간을 나타내는 긴 숫자 목록입니다 (예 : 22.11, 20.66, 21.00, 18.74, ...)

큐브를 해결하는 데 걸리는 시간은 자연스럽게 해결하는 데 약간 씩 다르므로 해결 방법이 우수합니다.

나는 "뜨거워지는"것인지 알고 싶습니다-좋은 해결책이 줄무늬로 나오는지. 예를 들어, 몇 번의 연속적인 좋은 해결이 있었다면 다음 해결이 좋을 가능성이 더 큽니까?

어떤 종류의 분석이 적합합니까? 예를 들어 해결 방법을 Markov 프로세스로 처리하고 해결 방법이 다음을 얼마나 잘 예측하는지 확인하고 임의의 데이터와 비교하여 연속 해결의 가장 긴 줄이 마지막 중앙값 아래로 얼마나 오래 지속되는지 확인하는 등 몇 가지 특정 작업을 생각할 수 있습니다. 100은 랜덤 데이터 등에서 예상되는 것과 비교하고 있습니다. 이러한 테스트가 얼마나 통찰력이 있는지 잘 모르겠으며 이러한 종류의 문제에 대해 잘 개발 된 접근법이 있는지 궁금합니다.

답변:


8

월드 - 울포위츠는 테스트 실행 에 "실행이"당신이 "행진"이라는 것입니다 가능한 후보가 될 것으로 보인다. 이분법적인 데이터가 필요하므로 제안한 평균 시간과 같은 일부 임계 값에 따라 각 해결 방법을 "나쁜"대 "양호한"레이블로 지정해야합니다. 귀무 가설은 "좋은"과 "나쁜"이 교대로 무작위로 해결된다는 것입니다. 직감에 해당하는 일측 대안 가설은 "양호"가 긴 줄에서 덩어리를 함께 해결하여 임의의 데이터에서 예상보다 실행이 적다는 것을 의미합니다. 테스트 통계량은 실행 횟수입니다. R에서 :

> N      <- 200                          # number of solves
> DV     <- round(runif(N, 15, 30), 1)   # simulate some uniform data
> thresh <- median(DV)                   # threshold for binary classification

# do the binary classification
> DVfac <- cut(DV, breaks=c(-Inf, thresh, Inf), labels=c("good", "bad"))
> Nj    <- table(DVfac)                  # number of "good" and "bad" solves
> n1    <- Nj[1]                         # number of "good" solves
> n2    <- Nj[2]                         # number of "bad" solves
> (runs <- rle(as.character(DVfac)))     # analysis of runs
Run Length Encoding
lengths: int [1:92] 2 1 2 4 1 4 3 4 2 5 ...
values : chr [1:92] "bad" "good" "bad" "good" "bad" "good" "bad" ...

> (nRuns <- length(runs$lengths))        # test statistic: observed number of runs
[1] 92

# theoretical maximum of runs for given n1, n2
> (rMax <- ifelse(n1 == n2, N, 2*min(n1, n2) + 1))
199 

관측치가 적은 경우 귀무 가설 하에서 각 런 수에 대한 정확한 확률을 계산할 수 있습니다. 그렇지 않으면, "실행 횟수"의 분포는 표준 정규 분포로 근사 할 수 있습니다.

> (muR  <- 1 + ((2*n1*n2) / N))                     # expected value
100.99 

> varR  <- (2*n1*n2*(2*n1*n2 - N)) / (N^2 * (N-1))  # theoretical variance
> rZ    <- (nRuns-muR) / sqrt(varR)                 # z-score
> (pVal <- pnorm(rZ, mean=0, sd=1))                 # one-sided p-value
0.1012055

p- 값은 "양호한"해를 구하는 단선 대체 가설에 대한 것입니다.


3
좋은 대답입니다. 그러나 연속 변수를 이진 변수로 변환하는 것을 꺼려합니다. 의미있는 가변성이 많이 손실됩니다.
— Jeromy Anglim

@jeromy-이것은 일반적으로 좋은 지적이지만,이 특정 질문에 대해서는 binning이 많은 정보를 버리지 않습니다. 특히 "good"과 "bad"는 질문에서 이분법으로 정의되지 않습니다. 연속체.
— chanceislogic

@probabilityislogic @mark는 솔루션 시간이 어느 임계 값의 어느쪽에 있는지에 따라 솔루션 시간이 "양호"또는 "나쁨"으로 작동 할 수 있음을 이해합니다. 그러나 임계 값이있는 곳이면 반드시 임의적입니다. 임계 값이 5 분인 경우, "goodness"에서 5 분 1 초는 4 분 59 초와 크게 다르지 않습니다. 나는 "완료"와 "나쁜"이 연속 완료 시간과 관련하여 퍼지 범주라고 생각합니다.
— Jeromy Anglim 2016 년

그러나 "좋은"과 "나쁜"의 정의는 그 단어의 상대적 특성 때문에 임의적입니다. "데이터"가 모호성을 해결하든 직접 해결하든 모호하게 만들지 않습니다. 그리고 경쟁에서 결승에 진출하기 위해 5 분 미만이 필요한 경우 그러한 뚜렷한 구별이 필요합니다. 나는 확실히 판사는 종류의 인자에 의해 좌우되지 않습니다 "하지만 자격을 시간 밖에 단지 2 초였다"야
— probabilityislogic

5

몇 가지 생각 :

  • 시간 분포를 플로팅합니다. 내 생각에 그들은 약간의 솔루션 시간이 실제로 느리도록 긍정적으로 기울어 질 것입니다. 이 경우 로그 또는 솔루션 시간의 다른 변환을 고려할 수 있습니다.

  • x 축 및 시험 시간 (또는 y 축 시험 시간)에 대한 산포도를 산포합니다. 이를 통해 데이터를 직관적으로 이해할 수 있습니다. 또한 "핫 스트릭 (hot streak)"외에 다른 종류의 트렌드를 나타낼 수도 있습니다.

  • 시간이 지남에 따라 학습 효과가 있는지 고려하십시오. 대부분의 퍼즐을 사용하면 연습을 더 빨리 할 수 ​​있습니다. 플롯은 이것이 사실인지를 밝히는 데 도움이됩니다. 이러한 효과는 "핫 스트릭"효과와 다릅니다. 처음 학습 할 때 느린 시험은 다른 느린 시험과 함께 발생하고 경험이 많을수록 빠른 시험은 빠른 시험과 함께 발생하므로 시험간에 상관 관계가 발생합니다.

  • "핫 줄무늬"에 대한 개념적인 정의를 고려하십시오. 예를 들어, 시간이 가까워 지거나 질서가 근접한 시험에만 적용됩니까? 화요일에 큐브를 빨리 풀었 다가 휴식을 취했고 다음 주 금요일에 큐브를 빨리 풀 었다고 가정 해 봅시다. 이것은 열병입니까, 아니면 같은 날에 할 경우에만 계산됩니까?

  • 뜨거운 줄무늬 효과와 다른 다른 효과가 있습니까? 예를 들어, 퍼즐을 풀어야하는 시간 (예 : 피로), 실제로 열심히 노력하고있는 정도? 기타

  • 대안적인 체계적 효과가 이해되면 가능한 많은 효과를 포함하는 모델을 개발할 수 있습니다. y 축에 잔차를 플로팅하고 x 축에 시험을 시도 할 수 있습니다. 그런 다음 모형의 잔차에 자동 상관이 있는지 확인할 수 있습니다. 이 자동 상관 관계는 열선의 일부 증거를 제공합니다. 그러나 다른 해석으로는 제외하지 않은 다른 체계적인 효과가 있다는 것입니다.


체계적인 부분의 경우 +1 이 경우 성능 변화에 대한 가장 좋은 설명이라고 생각합니다.
— mpiktas

2
연구원들이이 질문을 어떻게 조사했는지 살펴보고 싶을 것입니다. 고전은 Gilovich, T., Vallone, R. & Tversky, A.입니다. 농구의 뜨거운 손 : 무작위 시퀀스의 오해. 인지 심리학 17, 295-314 (1985).
— dmk38

2

프로세스의 상관 관계 를 계산 하십시오. 공정이 가우시안이면 (샘플의 모양에 따라) 하한 / 상한 (B)을 설정하고 주어진 지연에서 상관이 유의한지 확인할 수 있습니다. 지연 1에서 양의 자기 상관은 "행운의 줄무늬"가 있음을 나타냅니다.


2
긍정적 자기 상관은 학습 과정과 같은 다른 체계적인 영향으로 인해 발생할 수도 있습니다. 나는 자기 상관을 "뜨거운 행진"의 증거로 해석하기 전에 그러한 영향을 제거하는 것이 중요하다고 생각합니다.
— Jeromy Anglim
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.