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

Sintesi Tecnica: Le approssimazioni della deriva mediata nel tempo sono inconsistenti per l'inferenza nei Modelli di Diffusione con Deriva (DDM)

Problematica
I Modelli di Diffusione con Deriva (DDM) sono ampiamente utilizzati per modellare l'accumulo di evidenza nei compiti decisionali. Sebbene i DDM standard con parametri di deriva costanti ammettiano soluzioni di verosimiglianza in forma chiusa, molte estensioni — in particolare l'Attentional Drift Diffusion Model (aDDM) — incorporano tassi di deriva che variano sia all'interno del trial (variabili nel tempo) sia tra i trial (variabili tra i trial). Nell'aDDM, il tasso di deriva $\mu(t)$ dipende dalla traiettoria istantanea delle fissazioni visive del partecipante.

Valutare la verosimiglianza per tali modelli è computazionalmente proibitivo perché la funzione di deriva è unica per ogni trial, impedendo la condivisione dei calcoli tra i trial. Per aggirare questo problema, i ricercatori utilizzano frequentemente l'Approssimazione della Deriva Mediata nel Tempo (TADA). La TADA semplifica il modello sostituendo la deriva variabile nel tempo $\mu(t)$ con la sua media temporale sulla durata del trial $\tau$, convertendo efficacemente il problema in un DDM standard con una deriva costante "efficace". Questa approssimazione consente l'uso di formule di verosimiglianza analitiche, permettendo un'inferenza rapida dei parametri. Tuttavia, la validità della TADA come surrogato del vero aDDM, in particolare per quanto riguarda la consistenza dei suoi stimatori, non è stata rigorosamente stabilita.

Metodologia
Gli autori impiegano una combinazione di analisi matematica e simulazione numerica per valutare le proprietà statistiche della TADA.

1. Dimostrazione Matematica dell'Inconsistenza:
   Gli autori costruiscono un controesempio semplificato: un moto browniano con una deriva a tratti costante (deriva $\mu$ per il tempo $t \in [0, T]$ e 0 successivamente) che colpisce un confine superiore a lato singolo.

   • Derivano l'esatta Densità del Tempo di Primo Passaggio (FPTD) per questo processo, denotata $f_{aDDM}(\tau; \mu)$.
   • Derivano la FPTD implicata dalla TADA, denotata $f_{TADA}(\tau; \mu)$, che si basa su una deriva media $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$.
   • Dimostrano che $f_{TADA}$ non è una funzione di densità di probabilità valida (non integra a 1) perché la deriva "efficace" dipende dal tempo di arresto $\tau$ stesso, creando una dipendenza circolare che viola la definizione di un modello generativo.
   • Utilizzando la Legge Forte dei Grandi Numeri, dimostrano che lo stimatore di massima verosimiglianza TADA ($\hat{\mu}_{TADA}$) converge quasi certamente a un valore $\tilde{\mu}$ che è strettamente maggiore della vera deriva $\mu$ (specificamente, $\tilde{\mu} > \max\{\mu, b/T\}$), stabilendo l'inconsistenza statistica.

2. Simulazioni Numeriche:
   Gli autori validano i loro risultati teorici attraverso tre esperimenti numerici:

   • Confine a lato singolo: Simulazione del modello di deriva a tratti costante per confermare che $\hat{\mu}_{TADA}$ converga al limite teorico distorto piuttosto che al vero $\mu$, mentre lo stimatore di massima verosimiglianza (MLE) standard rimane consistente.
   • Confini a due lati: Simulazione di un DDM con derive alternate tra due confini. Utilizzando un nuovo algoritmo efficiente (efpt) sviluppato in un lavoro parallelo (Liu et al., 2025) per calcolare le verosimiglianze esatte, mostrano che la TADA sovrastima sistematicamente l'entità dei parametri di deriva.
   • Full aDDM: Simulazione del modello attentivo completo con derive dipendenti dallo sguardo. Stimano il parametro di sconto attentivo $\eta$ (dove $\eta=1$ implica nessun effetto attentivo e $\eta=0$ implica l'effetto massimo). Confrontano le stime TADA con le MLE esatte attraverso diverse dimensioni campionarie.

Risultati Chiave

• Inconsistenza Statistica: Lo stimatore TADA è matematicamente dimostrato essere inconsistente. Quando la dimensione del campione $n \to \infty$, lo stimatore non converge al vero valore del parametro, ma a un limite distorto.
• Bias Sistematico: Negli esempi numerici, la TADA sovrastima costantemente l'entità della deriva e sottostima sistematicamente il parametro di sconto attentivo $\eta$. Ad esempio, quando il vero $\eta$ è basso (forti effetti attentivi), le stime TADA possono diventare negative, il che è fisicamente privo di senso.
• Fallimento nei Test di Ipotesi: Il bias introdotto dalla TADA non è uniforme; dipende dai parametri di disturbo (ad esempio, separazione dei confini, scala della deriva) e dalle distribuzioni delle covariate. Di conseguenza, quando si confrontano due popolazioni con diversi parametri di disturbo, la TADA può portare a conclusioni qualitativamente errate. Gli autori dimostrano scenari in cui la TADA inverte erroneamente il segno della differenza negli effetti attentivi tra due gruppi, portando a falsi positivi o falsi negativi nei test di rapporto di verosimiglianza.
• Validità dei Metodi Esatti: Al contrario, lo standard MLE (calcolato usando l'algoritmo efpt) rimane consistente e recupera accuratamente i veri parametri in tutti gli scenari testati.

Significatività e Rivendicazioni
L'articolo sostiene che l'uso diffuso della TADA rappresenti un rischio significativo di distorsione delle conclusioni scientifiche. Gli autori sostengono che, poiché la TADA non definisce un modello generativo ben specificato (la deriva dipende dal futuro tempo di arresto), la sua funzione di verosimiglianza è invalida e i suoi stimatori sono fondamentalmente difettosi.

La significatività di questo lavoro risiede nel:

1. Correggere una Pratica Comune: Sfida l'assunto che la TADA sia un'approssimazione valida per l'aDDM, suggerendo che studi precedenti che si sono basati su questa approssimazione potrebbero aver riportato stime dei parametri distorte.
2. Evidenziare i Rischi Qualitativi: Dimostra che il bias non è meramente quantitativo ma può alterare la direzione delle conclusioni scientifiche riguardanti le differenze tra popolazioni.
3. Promuovere Alternative Rigorose: Gli autori raccomandano l'uso di metodi di calcolo della verosimiglianza veloci e matematicamente giustificati (come l'algoritmo efpt citato nel loro lavoro parallelo) piuttosto che approssimazioni computazionalmente convenienti ma statisticamente inconsistenti. Raccomandano di riesaminare i risultati esistenti ottenuti tramite TADA.

Gli autori mantengono un tono modesto riguardo all'ambito delle loro scoperte, osservando che, sebbene la loro analisi invalidi la consistenza della TADA, non invalida necessariamente tutte le conclusioni qualitative di studi precedenti, pur sollevando serie preoccupazioni sulla loro affidabilità. Sottolineano che l'inconsistenza sorge specificamente quando il "parametro efficace" dipende dal tempo di primo passaggio stesso, una condizione comune nei DDM dipendenti dal tempo.