第三部分 计算模型 - 概述¶
本部分的核心问题¶
在科学研究中，我们经常面临这样的困境：看到一些现象，有了解释的假设，但怎样才能证明这个假设是"最好"的解释呢？会不会有其他完全不同的假设也能解释相同的现象呢？
计算模型提供了答案。通过将理论用数学语言精确表达，然后让数据自己说话，我们可以在多个競争性的假设中选出最优的。
学习目标¶
完成本部分的学习后，你应该能够：
- 理解计算模型的意义与应用价值
- 掌握构建与参数拟合的基本方法
- 学会评估与比较不同的模型
- 理解经典认知模型（效用模型、强化学习、证据积累、贝叶斯推理）的核心思想
- 能够为自己的研究选择合适的模型框架
本部分的组织结构¶
第7章 为什么需要计算模型¶
核心内容： - 理论模型、计算模型的区别 - 计算模型的四大成分（输出、变量、参数、算法） - 计算模型在科学研究中的价值
学完后，你能：理解为什么需要用计算模型，以及什么情况下应该用计算模型
第8章 模型的构建与参数拟合¶
核心内容： - 如何数学化地表达你的理论假设 - 频率学派与贝叶斯学派估计参数的方法 - 常用的参数估计算法（最小二乘、MLE、MCMC等）
学完后，你能：根据研究假设构建计算模型，并选择合适的方法进行参数拟合
第9章 模型的比较、验证与选择¶
核心内容： - 评估单个模型质量的指标（R²、AIC、BIC等） - 模型之间的比较方法（模型组比较、信息论方法） - 验证模型有效性的方法（参数恢复、模型恢复）
学完后，你能：在多个竞争性模型中科学地选择最优模型
第10章 经典认知模型案例解析（选看）¶
核心内容： - 结构方程模型/线性回归：最基础的模型 - 效用模型：用来理解决策行为 - 强化学习模型：用来理解学习与适应 - 证据积累模型：用来理解决策过程与反应时 - 贝叶斯模型：用来理解推理与信念更新
学完后，你能：理解这些经典模型的思想，知道在什么情境下应该使用哪种模型
核心概念导读¶
三个递进的概念层次¶
第一层：理论 → "人们会根据期望效用做决策"
第二层：理论模型 → "效用 \(U = w(p) \cdot v(x)\)，其中 \(w(p)\) 是概率权重函数，\(v(x)\) 是价值函数"
第三层：计算模型 → "给定参数，当面对赌博选项时，个体会选择期望效用最大的选项，我们用模型预测真实被试的选择"
计算模型的根本价值¶
相比纯理论或纯数据分析，计算模型的独特优势是：
- 精确性：用数学公式精确表达理论，消除歧义
- 可检验性：可以定量预测、定量比较
- 机制理解：不仅知道"有什么效应"，还能理解"为什么会有这个效应"
- 参数可解释性：模型参数往往对应于有心理学意义的构念（如学习率、风险偏好、决策噪声等）
常见问题¶
Q1: 我需要很强的数学基础才能学计算模型吗？¶
A: 不需要。本部分假设你的数学水平在高中-本科水平。关键是理解"为什么这样建模"，而不是推导数学公式。
Q2: 我的研究不涉及建模，学这部分有用吗？¶
A: 很有用。理解计算模型能帮助你更深入地理解他人的研究，在设计实验时避免那些模型无法解释的设计。
Q3: 计算模型和机器学习、深度学习有什么区别？¶
A: 关键区别在于"可解释性"。在心理学、认知科学领域，我们优先考虑理论合理性与参数意义；在应用领域，更关注预测准确性。