📊 statistics

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

本文证明了在具有时变漂移的漂移扩散模型中，常用于高效参数推断的时间平均漂移近似法（TADA）在统计上是不一致的，并且会导致系统性偏差和错误的科学结论。

原作者： Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：决策过程中失灵的指南针

想象一下，你正在试图弄清楚一个人是如何做决定的。科学家使用一种叫做漂移扩散模型 (Drift Diffusion Model, DDM) 的数学工具来进行研究。你可以把这个模型想象成一个在雾气弥漫的山谷中行走的徒步旅行者。

徒步旅行者是人的大脑在积累证据。
雾气是他们思维中的噪声或随机性。
徒步旅行者的速度和方向（即“漂移”）取决于他们对选项 A 还是选项 B 更感兴趣。
山谷两侧的悬崖是决策边界。一旦徒步旅行者撞到悬崖，他们就做出了选择。

在许多现代实验中，徒步旅行者的速度并不是恒定的。它会根据人的注视点（即“注视”）进行瞬时变化。如果他们看向选项 A，就会向该方向移动得更快；如果看向选项 B，则会减速或向反方向移动。这被称为注意力漂移扩散模型 (Attentional Drift Diffusion Model, aDDM)。

问题所在：“谎言”般的捷径

计算当速度不断变化时，这位徒步旅行者的精确移动路径是非常困难且耗时的，对计算机而言极其缓慢。这就像是在尝试计算一辆汽车的精确路径，而这辆车不仅每秒都在根据交通灯改变速度，还要同时考虑每一个坑洼。

为了简化数学计算，许多研究人员使用了一个叫做时间平均漂移近似法 (Time-Averaged Drift Approximation, TADA) 的捷径。

类比： 想象你想知道一辆车在旅途中开得有多快。与其每秒钟都看一次时速表，不如直接用总距离除以总时间。你会得到一个“平均速度”。
假设： 使用 TADA 的研究人员假设，如果他们用这个单一的“平均速度”来替换徒步旅行者不断变化的实际速度，数学计算的结果将会是一样的。他们认为：“如果我使用这个平均速度，我就可以使用一个简单、快速的公式来推算出徒步旅行者真实的偏好。”

论文的发现：这个捷径是失效的

本文的作者（Liu, Fengler, Frank, 和 Harrison）证明了这个捷径在根本上是失效的。

他们表明，使用“平均速度”（TADA）来猜测徒步旅行者的真实偏好会导致错误的答案，而且你收集的数据越多，你对这些错误答案的信心就越强。

以下是他们证明这一点的三个主要方式：

1. “时空穿越”悖论

论文解释说，从数学上讲，正确定义 TADA 是不可能实现的。

类比： 要使用 TADA 来计算徒步旅行者的“平均速度”，你需要知道在旅程结束之前旅程持续了多久。
现实情况： “平均速度”取决于徒步旅行者撞到悬崖的具体时刻（即决策时间）。但决策时间恰恰是你试图预测的东西！
结果： 因为这个捷径依赖于来自“未来”的信息（决策时间）来计算“现在”（速度），它创造了一个“幽灵”模型。它并不是对大脑运作方式的真实描述，而是一个数学幻觉。

2. “总是过高”的偏差

作者通过数学证明和计算机模拟展示了使用该捷径会发生什么。

类比： 想象你正在试图猜测一个神秘盒子的真实重量。你使用了一个坏掉的秤，它总是会在读数上多加 5 磅。
- 如果盒子重 10 磅，秤显示 15 磅。
- 如果盒子重 100 磅，秤显示 105 磅。
- 无论你称量多少次，这个秤永远不会接近真相。它是“不一致的”。
结果： 论文证明了 TADA 总是会高估“漂移”的力量。如果一个人的偏好程度适中，TADA 会告诉你他们的偏好非常强烈。它系统性地在效应的大小上误导了你。

3. 科学测试中的“错误胜者”

这是最危险的部分。作者展示了这种失效的捷径如何会让科学家得出关于“哪组人不同”的错误结论。

类比： 想象你在比较爱丽丝（Alice）和鲍勃（Bob）谁跑得更快。
- 爱丽丝在一段有轻微上坡的路面上跑步。
- 鲍勃在平坦的跑道上跑步。
- 你使用了一个坏掉的秒表（TADA），它在坡路上走得慢，在平地上走得快。
- 即使爱丽丝实际上跑得更快，你的坏秒表也可能因为赛道条件的原因，判定鲍勃比她更快。
结果： 论文模拟了两组具有略微不同注意力风格的人群。当使用正确的数学方法时，他们发现了正确的差异。但当使用 TADA 捷径时，结果被严重扭曲，以至于他们得出了完全相反的结论：即另一组人更强。他们为并不存在的差异找到了“统计学显著性”，或者完全错过了真实的差异。

解决方案：不要使用捷径

论文结论指出，虽然 TADA 快速且简便，但它在科学研究中是不安全的。它会导致有偏的结果和错误的结论。

作者建议不要使用捷径，而是指向他们在另一篇论文中开发的一种新的、快速且数学上正确的算法（称为 efpt）。

类比： 与其使用那个坏掉的“平均速度”秤，不如建立一个新的高科技秤，它可以处理徒步旅行者那种复杂的、不断变化的速度，而不会产生混乱。它和捷径一样快，但能给出真实的答案。

总结

工具： 科学家使用模型来理解注意力如何影响决策。
错误： 许多人使用一种“时间平均”的捷径（TADA）来简化数学计算。
发现： 这个捷径在数学上是不一致的。它不会收敛于真相；它会持续高估效应，并可以扭曲科学测试的结果，使看起来某一组人与另一组不同，而实际上并非如此（或反之亦然）。
建议： 停止使用 TADA。使用作者开发的新的、准确且快速的方法（如 efpt）来获得正确的答案。

技术摘要：时间平均漂移近似在漂移扩散模型推断中的不一致性

问题陈述
漂移扩散模型（DDMs）被广泛用于模拟决策任务中的证据积累过程。虽然具有恒定漂移参数的标准 DDM 拥有闭式似然解，但许多扩展模型——特别是注意力漂移扩散模型（aDDM）——引入了在试次内（随时间变化）以及跨试次（随试次变化）变化的漂移率。在 aDDM 中，漂移率 $\mu(t)$ 取决于参与者瞬时的视觉注视轨迹。

评估此类模型的似然函数在计算上是极其困难的，因为漂移函数对每个试次都是唯一的，这导致无法在不同试次之间共享计算结果。为了规避这一问题，研究人员经常采用时间平均漂移近似（TADA）。TADA 通过将随时间变化的漂移 $\mu(t)$ 替换为其在试次持续时间 $\tau$ 内的时间平均值来简化模型，从而有效地将其转化为一个具有恒定“有效”漂移的标准 DDM。这种近似允许使用解析似然公式，从而实现快速参数推断。然而，TADA 作为 aDDM 的替代方案是否有效，特别是在其估计量的相合性（consistency）方面，尚未得到严格验证。

方法论
作者结合数学分析和数值模拟来评估 TADA 的统计特性。

数学证明不一致性：
作者构建了一个简化的反例：一个具有分段常数漂移（在时间 $t \in [0, T]$ 内漂移为 $\mu$ ，此后为 0）的布朗运动撞击单侧上边界的过程。
- 他们推导出了该过程的精确首次通过时间密度（FPTD），记作 $f_{aDDM}(\tau; \mu)$ 。
- 他们推导出了 TADA 所隐含的 FPTD，记作 $f_{TADA}(\tau; \mu)$ ，该密度依赖于平均漂移 $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$ 。
- 他们证明了 $f_{TADA}$ 不是一个有效的概率密度函数（其积分不等于 1），因为“有效”漂移本身取决于停止时间 $\tau$ ，这产生了一种循环依赖，违反了生成模型的定义。
- 利用大数定律，他们证明了 TADA 最大似然估计量（ $\hat{\mu}_{TADA}$ ）几乎处处收敛于一个严格大于真实漂移参数 $\mu$ 的值 $\tilde{\mu}$ （具体而言， $\tilde{\mu} > \max\{\mu, b/T\}$ ），从而确立了统计上的不一致性。
数值模拟：
作者通过三项数值实验验证了其理论发现：
- 单侧边界： 模拟分段常数漂移模型，以确认 $\hat{\mu}_{TADA}$ 收敛于有偏的理论极限而非真实的 $\mu$ ，同时标准的极大似然估计量（MLE）保持相合。
- 双侧边界： 模拟一个在两个边界之间交替漂移的 DDM。通过使用并行工作中开发的全新高效算法（efpt，Liu et al., 2025）来计算精确似然，他们展示了 TADA 会系统性地高估漂移参数的大小。
- 完整 aDDM： 模拟带有注视依赖漂移的完整注意力模型。他们估计了注意力折扣参数 $\eta$ （其中 $\eta=1$ 表示无注意力效应， $\eta=0$ 表示最大注意力效应）。他们将 TADA 估计值与精确 MLE 进行比较，涵盖了不同的样本量。

关键结果

统计不一致性： 作者从数学上证明了 TADA 估计量是不相合的。当样本量 $n \to \infty$ 时，该估计量不会收敛于真实的参数值，而是收敛于一个有偏的极限。
系统性偏差： 在数值示例中，TADA 系统性地高估了漂移幅度，并系统性地低估了注意力折扣参数 $\eta$ 。例如，当真实的 $\eta$ 较低时（即存在强烈的注意力效应），TADA 的估计值可能会变为负数，这在物理意义上是无法解释的。
假设检验中的失效： TADA 引入的偏差并非均匀分布；它取决于干扰参数（如边界间距、漂移规模）和协变量分布。因此，在比较具有不同干扰参数的两个群体时，TADA 可能会导致定性的错误结论。作者展示了 TADA 会错误地反转两组之间注意力效应差异的符号，从而导致似然比检验出现假阳性或假阴性。
精确方法的有效性： 相比之下，标准 MLE（使用 efpt 算法计算）保持相合，并在所有测试场景下都能准确恢复真实参数。

意义与主张
本文声称，广泛使用 TADA 对计算神经科学和认知科学的研究构成了显著风险。作者认为，由于 TADA 并没有定义一个良好的适定生成模型（漂移取决于未来的停止时间），其似然函数是无效的，其估计量在根本上是有缺陷的。

这项工作的意义在于：

纠正常见做法： 它挑战了认为 TADA 是 aDDM 有效近似的假设，指出以往依赖此近似的研究可能报告了有偏的参数估计。
强调定性风险： 它证明了这种偏差不仅是定量的，而且可以改变关于群体差异的科学结论的方向。
推广严谨的替代方案： 作者提倡使用数学上经过证实的快速似然计算方法（例如其并行工作中引用的 efpt 算法），而不是计算便捷但统计不相合的近似方法。他们建议重新审查通过 TADA 获得的现有研究结果。

作者对研究范围保持了谦逊的态度，指出虽然他们的分析使 TADA 的相合性失效，但这并不一定意味着所有先前研究的定性结论都失效，尽管这引发了对其可靠性的严重担忧。他们强调，不一致性专门出现在“有效”参数依赖于首次通过时间本身的情况下，而这在随时间变化的 DDM 中是非常普遍的。