Tätigkeitsbericht 2002/2003 - IGPP
Tätigkeitsbericht 2002/2003 - IGPP
Tätigkeitsbericht 2002/2003 - IGPP
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
10 Theory and Data Analysis<br />
tion aus einem experimentellen und einem Selektionseffekt<br />
einen hochsignifikanten Haupteffekt vorspiegeln,<br />
selbst wenn beide zugrundeliegenden Effekte<br />
geringfügig oder nicht signifikant sind. Bezüglich<br />
der Daten von Radin & Nelson ergeben sich deutliche<br />
Hinweise auf zufällige sowie selektionsartige Effekte,<br />
deren adäquate Berücksichtigung zu einem nichtsignifikanten<br />
experimentellen Effekt führt. Die Annahme<br />
eines primär durch eine Mittelwertverschiebung<br />
beschreibbaren experimentellen Effekts lässt sich somit<br />
nicht aufrecht erhalten.<br />
Ehm<br />
Publikation: Ehm (eingereicht)<br />
Stopzeiten stochastischer Prozesse<br />
Experimente zur Zeitreproduktion legen eine nichtlineare<br />
Beziehung zwischen der Länge des präsentierten<br />
und des von einer Versuchsperson reproduzierten Zeitintervalls<br />
nahe. Eine solche Beziehung liefert das<br />
in Abschnitt 2.2 ausführlich diskutierte “Klepsydra-<br />
Modell”. Hierzu wurde eine die Variabilität empirischer<br />
Daten widerspiegelnde stochastische Version des<br />
Klepsydra-Modells erarbeitet. Die Reproduktionszeit<br />
ergibt sich dabei als erste Treffzeit eines Uhlenbeck-<br />
Ornstein Prozesses auf einen zufälligen nichtlinearen<br />
Rand. Die Verteilung dieser Stopzeit konnte hinreichend<br />
genau bestimmt, und damit eine Grundlage für<br />
die Schätzung der Modell-Parameter gewonnen werden.<br />
Entsprechende Verfahren stehen nun für die Analyse<br />
experimenteller Daten zur Verfügung.<br />
Ehm; zusammen mit Späti, Wackermann<br />
Publikationen: Ehm, Wackermann (<strong>2003</strong>), Wackermann,<br />
Ehm, Späti (<strong>2003</strong>)<br />
Lokal stationäre Zeitreihen<br />
Über kurze Zeitabschnitte hinweg können physiologische<br />
Zeitreihen, wie etwa das Ruhe-EEG, stationäres<br />
Verhalten zeigen. Bei längeren Zeiträumen sind Stationaritätsannahmen<br />
meist unberechtigt. Während<br />
für die Analyse von stationären Prozessen ein großes<br />
Arsenal von Modellen zur Verfügung steht, ist man<br />
im anderen Fall weitgehend auf nichtparametrische<br />
Verfahren angewiesen. Zur besseren Überbrückung<br />
dieser Kluft wären parametrische Modelle nützlich,<br />
welche die Klasse der stationären Prozesse in Richtung<br />
Nichtstationarität erweitern. Entsprechende Modelle<br />
für “lokal stationäre” Prozesse lassen sich mit Hilfe<br />
von exponentiell konvexen Funktionen konstruieren.<br />
Wir konnten zeigen, wie durch analytische Fortsetzung<br />
exponentiell konvexe aus positiv definiten Funktionen<br />
zu gewinnen sind. Für letztere kennt man<br />
zahlreiche konkrete Beispiele, die damit auch für die<br />
parametrische Modellierung lokal stationärer Prozesse<br />
nutzbar werden.<br />
Ein zweites Projekt in diesem Umkreis gilt der Faktorisierung<br />
positiv definiter Funktionen mit kompaktem<br />
Träger. Dieses Problem ist unter anderem für<br />
die Überprüfung von Stationaritätshypothesen relevant:<br />
im Falle der Faktorisierbarkeit der (positiv defition<br />
effects can appear as a highly significant main effect<br />
even if both are weak (or insignificant). With respect<br />
to the data used by Radin & Nelson, there are<br />
clear indications for the presence of random and selection<br />
effects, while the experimental main effect becomes<br />
insignificant when selection is considered properly.<br />
Therefore, the experimental effect cannot be ascribed<br />
to a mean shift alone.<br />
Ehm<br />
Publication: Ehm (submitted)<br />
First Passage Times of Stochastic Processes<br />
Experiments on time reproduction suggest a nonlinear<br />
relation between the lengths of presented and reproduced<br />
time intervals. Such a relation is offered by the<br />
“klepsydra model” described in detail in Sec. 2.2. In<br />
order to account for the variability of empirical data,<br />
a natural stochastic extension of the model was proposed,<br />
in which the reproduction time corresponds to<br />
the first passage time of an Uhlenbeck-Ornstein process<br />
across a random nonlinear boundary. The distribution<br />
of this first passage time could be derived with sufficient<br />
accuracy, thus providing a basis for the estimation<br />
of model parameters. Corresponding procedures<br />
can now be used to analyze experimental data.<br />
Ehm; together with Späti, Wackermann<br />
Publications: Ehm, Wackermann (<strong>2003</strong>), Wackermann,<br />
Ehm, Späti (<strong>2003</strong>)<br />
Locally Stationary Time Series<br />
Within short time intervals, physiological time series<br />
such as an EEG “at rest” may exhibit stationary<br />
behavior. On the other hand, assuming stationarity<br />
is usually unjustified for longer periods. While there<br />
is an abundance of parametric models to analyze<br />
stationary processes, one is largely dependent on<br />
non-parametric models in non-stationary situations.<br />
This gap can be bridged by parametric models<br />
extending the class of stationary processes towards<br />
non-stationarity. Corresponding models for “locally<br />
stationary” processes can be constructed on the basis<br />
of exponentially convex functions. We were able to<br />
attain concrete examples from positive definite functions<br />
via analytic continuation. In this way it becomes<br />
possible to utilize the wealth of known examples of<br />
positive definite functions for the parametric modeling<br />
of locally stationary processes.<br />
Another project related to time series modeling dealt<br />
with the factorization of positive definite functions<br />
with compact support. This problem is important,<br />
e.g., for tests of stationarity: if the (positive definite)<br />
covariance function of a process is factorizable under