Modelo de estímulo-respuesta - Stimulus–response model

El modelo de estímulo-respuesta es una caracterización de una unidad estadística (como una neurona ). El modelo permite predecir una respuesta cuantitativa a un estímulo cuantitativo , por ejemplo uno administrado por un investigador. En psicología, la teoría de la respuesta al estímulo se refiere a formas de condicionamiento clásico en las que un estímulo se convierte en respuesta pareada en la mente de un sujeto.

Campos de aplicación

Los modelos de estímulo-respuesta se aplican en relaciones internacionales, psicología , evaluación de riesgos , neurociencia , diseño de sistemas de inspiración neuronal y muchos otros campos.

Las relaciones farmacológicas dosis-respuesta son una aplicación de modelos de estímulo-respuesta.

Formulación matemática

El objeto de un modelo de estímulo-respuesta es establecer una función matemática que describa la relación f entre el estímulo x y el valor esperado (u otra medida de ubicación) de la respuesta Y :

${\ Displaystyle \ mathrm {E} (Y) = f (x)}$

Una simplificación común asumida para tales funciones es lineal, por lo que esperamos ver una relación como

${\ Displaystyle \ mathrm {E} (Y) = \ alpha + \ beta x.}$

La teoría estadística para modelos lineales se ha desarrollado bien durante más de cincuenta años, y se ha desarrollado una forma estándar de análisis llamada regresión lineal .

Funciones de respuesta limitada

Dado que muchos tipos de respuesta tienen limitaciones físicas inherentes (por ejemplo, contracción muscular máxima mínima), a menudo es aplicable utilizar una función limitada (como la función logística ) para modelar la respuesta. De manera similar, una función de respuesta lineal puede ser poco realista, ya que implicaría respuestas arbitrariamente grandes. Para variables dependientes binarias, análisis estadístico con métodos de regresión como el modelo probit o modelo logit , u otros métodos como el método de Spearman-Karber. Los modelos empíricos basados ​​en regresión no lineal suelen preferirse al uso de alguna transformación de los datos que linealiza la relación estímulo-respuesta.

Un ejemplo de un modelo logit para la probabilidad de una respuesta a la entrada real (estímulo) , ( ) es ${\ Displaystyle x}$${\ Displaystyle x \ in \ mathbb {R}}$

${\ Displaystyle p (x) = {\ frac {1} {1 + e ^ {- (\ beta _ {0} + \ beta _ {1} x)}}}}$

donde están los parámetros de la función. ${\ Displaystyle \ beta _ {0}, \ beta _ {1}}$

Por el contrario, un modelo Probit sería de la forma

${\ Displaystyle p (x) = \ Phi (\ beta _ {0} + \ beta _ {1} x)}$

donde es la función de distribución acumulativa de la distribución normal . ${\ Displaystyle \ Phi (x)}$

Ecuación de colina

En bioquímica y farmacología , la ecuación de Hill se refiere a dos ecuaciones estrechamente relacionadas, una de las cuales describe la respuesta (la producción fisiológica del sistema, como la contracción muscular) al fármaco o toxina , en función de la concentración del fármaco . La ecuación de Hill es importante en la construcción de curvas dosis-respuesta . La ecuación de Hill es la siguiente fórmula, donde es la magnitud de la respuesta, es la concentración del fármaco (o de manera equivalente, la intensidad del estímulo), es la concentración del fármaco que produce una respuesta media máxima y es el coeficiente de Hill . ${\ Displaystyle E}$${\ Displaystyle {\ ce {[A]}}}$${\ Displaystyle \ mathrm {EC} _ {50}}$${\ Displaystyle n}$

${\ Displaystyle {\ frac {E} {E _ {\ mathrm {max}}}} = {\ frac {1} {1+ \ left ({\ frac {\ mathrm {EC} _ {50}} {[A ]}} \ derecha) ^ {n}}}}$

Tenga en cuenta que la ecuación de Hill se reordena a una función logística con respecto al logaritmo de la dosis (similar a un modelo logit).

Referencias

Otras lecturas

• Holanda, Peter C. (2008). "Teorías del aprendizaje cognitivo versus estímulo-respuesta" . Aprendizaje y comportamiento . 36 (3): 227–241. doi : 10.3758 / lb.36.3.227 . PMC  3065938 . PMID  18683467 .