📊 statistics

Time-Averaged Drift Approximations are Inconsistent for Inference in Drift Diffusion Models

Diese Arbeit zeigt auf, dass die zeitgemittelte Drift-Approximation (TADA), die häufig für eine effiziente Parameterschätzung in Drift-Diffusions-Modellen mit zeitvariabler Drift verwendet wird, statistisch inkonsistent ist und zu systematischen Verzerrungen sowie falschen wissenschaftlichen Schlussfolgerungen führt.

Ursprüngliche Autoren: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

Veröffentlicht 2026-06-09

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Ein kaputter Kompass für Entscheidungsfindung

Stellen Sie sich vor, Sie versuchen herauszufinden, wie ein Mensch eine Entscheidung trifft. Wissenschaftler nutzen dafür ein mathematisches Werkzeug namens Drift-Diffusion-Modell (DDM). Denken Sie bei diesem Modell an einen Wanderer, der durch ein nebliges Tal wandert.

Der Wanderer ist das Gehirn des Menschen, das Beweise sammelt.
Der Nebel ist das Rauschen oder die Zufälligkeit in seinen Gedanken.
Die Geschwindigkeit und Richtung des Wanderers (der „Drift“) hängt davon ab, wie sehr er Option A gegenüber Option B bevorzugt.
Die Klippen auf beiden Seiten des Tals sind die Entscheidungsgrenzen. Sobald der Wanderer eine Klippe erreicht, trifft er eine Entscheidung.

In vielen modernen Experimenten ist die Geschwindigkeit des Wanderers nicht konstant. Sie ändert sich von Moment zu Moment, basierend darauf, wohin die Person schaut (ihren „Blick“). Wenn sie Option A anschaut, bewegt sie sich schneller darauf zu; wenn sie Option B anschaut, verlangsamt sie sich oder bewegt sich in die entgegengesetzte Richtung. Dies wird als Attentional Drift Diffusion Model (aDDM) bezeichnet.

Das Problem: Die „Abkürzung“, die lügt

Es ist unglaublich schwierig und rechenintensiv für Computer, exakt zu berechnen, wie sich dieser Wanderer bewegt, wenn seine Geschwindigkeit ständig schwankt. Es ist, als würde man versuchen, den exakten Pfad eines Autos zu berechnen, das jede Sekunde je nach Ampelschaltung seine Geschwindigkeit ändert, während man gleichzeitig jedes Schlagloch berücksichtigen muss.

Um die Mathematik einfacher zu machen, nutzen viele Forscher eine Abkürzung namens Time-Averaged Drift Approximation (TADA).

Die Analogie: Stellen Sie sich vor, Sie wollen wissen, wie schnell ein Auto auf einer Reise gefahren ist. Anstatt jede Sekunde auf den Tacho zu schauen, nehmen Sie einfach die Gesamtentfernung und teilen sie durch die Gesamtzeit. Sie erhalten eine „Durchschnittsgeschwindigkeit“.
Die Annahme: Forscher, die TADA verwenden, gehen davon aus, dass es mathematisch dasselbe ergibt, wenn sie die ständig wechselnde Geschwindigkeit des Wanderers durch diese einzige „Durchschnittsgeschwindigkeit“ ersetzen. Sie denken: „Wenn ich diese Durchschnittsgeschwindigkeit verwende, kann ich eine einfache, schnelle Formel nutzen, um die wahren Präferenzen des Wanderers zu bestimmen.“

Die Entdeckung der Arbeit: Die Abkürzung ist kaputt

Die Autoren dieser Arbeit (Liu, Fengler, Frank und Harrison) haben bewiesen, dass diese Abkürzung fundamental fehlerhaft ist.

Sie haben gezeigt, dass die Verwendung der „Durchschnittsgeschwindigkeit“ (TADA), um die wahren Präferenzen des Wanderers zu erraten, zu falschen Antworten führt – und je mehr Daten man sammelt, desto sicherer wird man sich dieser falschen Antworten.

Hier sind die drei Hauptwege, wie sie dies bewiesen haben:

1. Das „Zeitreise“-Paradoxon

Die Arbeit erklärt, dass TADA mathematisch unmöglich korrekt zu definieren ist.

Die Analogie: Um die „Durchschnittsgeschwindigkeit“ des Wanderers unter Verwendung von TADA zu berechnen, müssen Sie wissen, wie lange die Reise gedauert hat, bevor die Reise überhaupt zu Ende ist.
Die Realität: Die „Durchschnittsgeschwindigkeit“ hängt vom exakten Moment ab, in dem der Wanderer die Klippe erreicht (die Entscheidungszeit). Aber die Entscheidungszeit ist genau das, was man vorhersagen möchte!
Das Ergebnis: Da die Abkürzung Informationen aus der Zukunft (die Entscheidungszeit) benötigt, um die Gegenwart (die Geschwindigkeit) zu berechnen, erzeugt sie ein „Geistermodell“. Es ist keine echte Beschreibung dessen, wie das Gehirn arbeitet; es ist eine mathematische Illusion.

2. Der „Immer zu hohe“ Bias

Die Autoren führten einen einfachen mathematischen Beweis und Computersimulationen durch, um zu zeigen, was passiert, wenn man diese Abkürzung verwendet.

Die Analogie: Stellen Sie sich vor, Sie versuchen, das wahre Gewicht eines Geheimnis-Pakets zu erraten. Sie benutzen eine defekte Waage, die beim Ablesen immer 5 Pfund zu viel anzeigt.
- Wenn das Paket 10 Pfund wiegt, zeigt die Waage 15 Pfund an.
- Wenn das Paket 100 Pfund wiegt, zeigt die Waage 105 Pfund an.
- Egal wie oft Sie das Paket wiegen, die Waage kommt niemals näher an die Wahrheit heran. Sie ist „inkonsistent“.
Das Ergebnis: Die Arbeit beweist, dass TADA die Stärke des „Drifts“ systematisch überschätzt. Wenn eine Person eine moderate Präferenz hat, wird TADA Ihnen sagen, dass sie eine sehr starke Präferenz hat. Es lügt systematisch über die Größenordnung des Effekts.

3. Der „Falsche Gewinner“ in wissenschaftlichen Tests

Dies ist der gefährlichste Teil. Die Autoren zeigten, dass diese kaputte Abkürzung dazu führen kann, dass Wissenschaftler die falsche Schlussfolgerung darüber ziehen, welche Gruppe von Menschen sich unterscheidet.

Die Analogie: Stellen Sie sich vor, Sie vergleichen zwei Läufer, Alice und Bob, um zu sehen, wer schneller ist.
- Alice läuft auf einer Strecke mit einer leichten Steigung bergauf.
- Bob läuft auf einer flachen Strecke.
- Sie benutzen eine kaputte Stoppuhr (TADA), die bei Hügeln langsam läuft, aber auf flachem Boden schnell läuft.
- Selbst wenn Alice eigentlich schneller ist, könnte Ihre kaputte Stoppuhr sagen, dass Bob schneller ist, nur wegen der Streckenbedingungen, nicht wegen ihrer Laufleistung.
Das Ergebnis: Die Arbeit simulierte zwei Gruppen von Menschen mit leicht unterschiedlichen Aufmerksamkeitsstilen. Als sie die standardmäßige, korrekte Mathematik verwendeten, fanden sie den richtigen Unterschied. Als sie die TADA-Abkürzung verwendeten, waren die Ergebnisse so verzerrt, dass sie schlussfolgerten, dass die gegengeschlagene Gruppe stärker sei. Sie fanden eine „statistische Signifikanz“ für einen Unterschied, der gar nicht existierte, oder übersahen einen realen Unterschied vollständig.

Die Lösung: Benutzen Sie nicht die Abkürzung

Die Arbeit kommt zu dem Schluss, dass TADA zwar schnell und einfach ist, aber für die wissenschaftliche Forschung unsicher ist. Es führt zu verzerrten Ergebnissen und falschen Schlussfolgerungen.

Anstatt die Abkürzung zu verwenden, weisen die Autoren auf eine neue, schnelle und mathematisch korrekte Methode hin, die sie in einer separaten Arbeit entwickelt haben (genannt efpt).

Die Analogie: Anstatt die kaputte „Durchschnittsgeschwindigkeit“-Waage zu benutzen, haben sie eine neue, hochtechnologische Waage gebaut, die die komplexen, wechselnden Geschwindigkeiten des Wanderers bewältigen kann, ohne verwirrt zu werden. Sie ist genauso schnell wie die Abkürzung, liefert aber die wahre Antwort.

Zusammenfassung

Das Werkzeug: Wissenschaftler nutzen Modelle, um zu verstehen, wie Aufmerksamkeit die Entscheidungsfindung beeinflusst.
Der Fehler: Viele nutzen eine „zeitgemittelte“ Abkürzung (TADA), um die Mathematik zu vereinfachen.
Die Erkenntnis: Diese Abkürzung ist mathematisch inkonsistent. Sie konvergiert nicht zur Wahrheit; sie überschätzt systematisch Effekte und kann die Ergebnisse wissenschaftlicher Tests verfälschen, sodass es so aussieht, als sei eine Gruppe anders als die andere, obwohl sie es nicht ist (oder umgekehrt).
Der Rat: Hören Sie auf, TADA zu verwenden. Nutzen Sie die neuen, präzisen und schnellen Methoden (wie efpt), die die Autoren entwickelt haben, um die richtige Antwort zu erhalten.

Technische Zusammenfassung: Zeitgemittelte Drift-Approximationen sind für die Inferenz in Drift-Diffusion-Modellen inkonsistent

Problemstellung
Drift-Diffusion-Modelle (DDMs) werden weit verbreitet eingesetzt, um die Akkumulation von Evidenz bei Entscheidungsaufgaben zu modellieren. Während Standard-DDMs mit konstanten Drift-Parametern geschlossene Likelihood-Lösungen zulassen, enthalten viele Erweiterungen – insbesondere das Attentional Drift Diffusion Model (aDDM) – Driftraten, die sowohl innerhalb eines Durchgangs (zeitvariabel) als auch über verschiedene Durchgänge hinweg (versuchsvariabel) variieren. Im aDDM hängt die Driftrate $\mu(t)$ von der instantanen visuellen Fixations-Trajektorie des Teilnehmers ab.

Die Evaluierung der Likelihood für solche Modelle ist rechnerisch prohibitiv, da die Driftfunktion für jeden Durchgang einzigartig ist, was ein gemeinsames Rechnen über die Durchgänge hinweg verhindert. Um dieses Problem zu umgehen, verwenden Forscher häufig die Zeitgemittelte Drift-Approximation (TADA). TADA vereinfacht das Modell, indem es die zeitvariable Drift $\mu(t)$ durch deren zeitliche Mittelung über die Dauer des Durchgangs $\tau$ ersetzt, wodurch das Problem in ein Standard-DDM mit einer konstanten „effektiven“ Drift transformiert wird. Diese Approximation ermöglicht die Verwendung analytischer Likelihood-Formeln, was eine schnelle Parameter-Inferenz ermöglicht. Die Frage nach der Validität von TADA als Surrogat für das wahre aDDM, insbesondere im Hinblick auf die Konsistenz seiner Schätzer, wurde jedoch bisher nicht rigoros etabliert.

Methodik
Die Autoren nutzen eine Kombination aus mathematischer Analyse und numerischen Simulationen, um die statistischen Eigenschaften von TADA zu bewerten.

Mathematischer Beweis der Inkonsistenz:
Die Autoren konstruieren ein vereinfachtes Gegenbeispiel: eine Brownsche Bewegung mit einer stückweise konstanten Drift (Drift $\mu$ für Zeit $t \in [0, T]$ und 0 danach), die eine einseitige obere Grenze erreicht.
- Sie leiten die exakte First Passage Time Density (FPTD) für diesen Prozess her, bezeichnet als $f_{aDDM}(\tau; \mu)$ .
- Sie leiten die durch TADA implizierte FPTD her, bezeichnet als $f_{TADA}(\tau; \mu)$ , welche auf der durchschnittlichen Drift $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$ basiert.
- Sie zeigen, dass $f_{TADA}$ keine gültige Wahrscheinlichkeitsdichtefunktion ist (sie integriert sich nicht zu 1), da die „effektive“ Drift von der Stoppzeit $\tau$ selbst abhängt, was eine zirkuläre Abhängigkeit erzeugt, die die Definition eines generativen Modells verletzt.
- Unter Verwendung des starken Gesetzes der großen Zahlen beweisen sie, dass der TADA-Maximum-Likelihood-Schätzer ( $\hat{\mu}_{TADA}$ ) fast sicher gegen einen Wert $\tilde{\mu}$ konvergiert, der strikt größer als die wahre Drift $\mu$ ist (speziell $\tilde{\mu} > \max\{\mu, b/T\}$ ), womit die statistische Inkonsistenz etabliert wird.
Numerische Simulationen:
Die Autoren validieren ihre theoretischen Ergebnisse durch drei numerische Experimente:
- Einseitige Grenze: Simulation des stückweise konstanten Drift-Modells, um zu bestätigen, dass $\hat{\mu}_{TADA}$ gegen den verzerrten theoretischen Grenzwert konvergiert, während der Standard-Maximum-Likelihood-Schätzer (MLE) konsistent bleibt.
- Zweiseitige Grenzen: Simulation eines DDM mit alternierenden Drifts zwischen zwei Grenzen. Unter Verwendung eines neuen effizienten Algorithmus (efpt), der parallel entwickelt wurde (Liu et al., 2025), um exakte Likelihoods zu berechnen, zeigen sie, dass TADA die Magnitude der Drift-Parameter systematisch überschätzt.
- Vollständiges aDDM: Simulation des vollständigen Aufmerksamkeitsmodells mit blickabhängigen Drifts. Sie schätzen den attentionalen Diskont-Parameter $\eta$ (wobei $\eta=1$ bedeutet, dass kein Aufmerksamkeits-Effekt vorliegt und $\eta=0$ den maximalen Effekt beschreibt). Sie vergleichen TADA-Schätzungen mit exakten MLEs über variierende Stichprobengrößen hinweg.

Kernergebnisse

Statistische Inkonsistenz: Der TADA-Schätzer ist mathematisch als inkonsistent bewiesen. Wenn die Stichprobengröße $n \to \infty$ geht, konvergiert der Schätzer nicht gegen den wahren Parameterwert, sondern gegen einen verzerrten Grenzwert.
Systematische Verzerrung: In numerischen Beispielen überschätzt TADA die Drift-Magnituden systematisch und unterschätzt den attentionalen Diskont-Parameter $\eta$ systematisch. Wenn beispielsweise der wahre Wert von $\eta$ niedrig ist (starke Aufmerksamkeits-Effekte), können TADA-Schätzungen negativ werden, was physikalisch bedeutungslos ist.
Versagen bei Hypothesentests: Die durch TADA eingeführte Verzerrung ist nicht uniform; sie hängt von Störparametern (z. B. Grenzseparierung, Drift-Skala) und Kovariatenverteilungen ab. Folglich kann TADA bei Vergleichen zweier Populationen mit unterschiedlichen Störparametern zu qualitiv falschen Schlussfolgerungen führen. Die Autoren zeigen Szenarien auf, in denen TADA das Vorzeichen der Differenz der Aufmerksamkeits-Effekte zwischen zwei Gruppen fälschlicherweise umkehrt, was zu falsch-positiven oder falsch-negativen Ergebnissen in Likelihood-Ratio-Tests führt.
Validität exakter Methoden: Im Gegensatz dazu bleibt der Standard-MLE (berechnet mittels des efpt-Algorithmus) konsistent und bildet die wahren Parameter in allen getesteten Szenarien korrekt ab.

Bedeutung und Ansprüche
Das Papier behauptet, dass die weit verbreitete Nutzung von TADA ein erhebliches Risiko für die Verzerrung wissenschaftlicher Schlussfolgerungen in der Computational Neuroscience und Cognitive Science darstellt. Die Autoren argumentieren, dass TADA, da es kein wohldefiniertes generatives Modell definiert (die Drift hängt von der zukünftigen Stoppzeit ab), eine ungültige Likelihood-Funktion besitzt und seine Schätzer fundamental fehlerhaft sind.

Die Bedeutung dieser Arbeit liegt in:

Korrektur einer gängigen Praxis: Sie stellt die Annahme infrage, dass TADA eine gültige Approximation für das aDDM ist, und legt nahe, dass frühere Studien, die sich auf diese Approximation verlassen haben, verzerrte Parameterschätzungen gemeldet haben könnten.
Hervorhebung qualitativer Risiken: Sie zeigt, dass die Verzerrung nicht nur quantitativ ist, sondern die Richtung wissenschaftlicher Schlussfolgerungen über Populationsunterschiede ändern kann.
Förderung rigoroser Alternativen: Die Autoren plädieren für die Verwendung mathematisch begründeter, schneller Likelihood-Berechnungsmethoden (wie des in ihrer Parallelarbeit zitierten efpt-Algorithmus) anstelle von rechentechnisch praktischen, aber statistisch inkonsistenten Approximationen. Sie empfehlen eine Überprüfung bestehender Ergebnisse, die mittels TADA erzielt wurden.

Die Autoren wahren einen moderaten Ton hinsichtlich des Umfangs ihrer Ergebnisse und merken an, dass ihre Analyse zwar die Konsistenz von TADA invalidiert, dies aber nicht zwangsläufig alle qualitativen Schlussfolgerungen früherer Studien diskreditiert, wenngleich es ernsthafte Bedenken hinsichtlich deren Zuverlässigkeit aufwirft. Sie betonen, dass die Inkonsistenz spezifisch dann auftritt, wenn der „effektive“ Parameter von der First Passage Time selbst abhängt – eine Bedingung, die bei zeitabhängigen DDMs häufig vorkommt.