Pomiar subiektywnej wartości ryzykownych i niejednoznacznych opcji przy użyciu ekonomii eksperymentalnej i metod funkcjonalnego rezonansu magnetycznego

Ogólnym celem poniższego eksperymentu jest zbadanie neuronalnego kodowania subiektywnej wartości ryzykownych i niejednoznacznych opcji za pomocą funkcjonalnego rezonansu magnetycznego. Osiąga się to poprzez skanowanie uczestników, gdy dokonują oni wyborów między ryzykownymi i niejednoznacznymi loteriami, różniącymi się ilością, prawdopodobieństwem i poziomem niejednoznaczności. Wybory dokonane przez każdego uczestnika są następnie wykorzystywane do oszacowania jego postaw wobec ryzyka i niejednoznaczności, które z kolei są wykorzystywane do oszacowania, w jaki sposób ryzyko i niejednoznaczność wpływają na ocenę loterii przez uczestników.

Następnie szacunki te są wykorzystywane jako regresory w ogólnym modelu liniowym w celu zidentyfikowania obszarów mózgu, w których aktywność jest skorelowana z subiektywną wartością ryzykownych i/lub niejednoznacznych loterii. Wyniki wskazują na korelację z subiektywnymi wartościami zarówno ryzykownych, jak i niejednoznacznych opcji w nakładających się na siebie obszarach przyśrodkowej kory przedczołowej i prążkowia. Główną przewagą tej techniki nad innymi metodami, które porównują ogólną aktywność w ryzykownych i niejednoznacznych loteriach, jest to, że indywidualne zachowanie każdego uczestnika jest wykorzystywane do analizy aktywacji mózgu.

Metoda ta może pomóc odpowiedzieć na kluczowe pytania w dziedzinie neuroekonomii, takie jak to, w jaki sposób wartość jest reprezentowana w mózgu i jak jest wykorzystywana do dokonywania wyborów. Pierwszym krokiem w tym protokole jest zaprojektowanie bodźców wizualnych reprezentujących ryzykowne i niejednoznaczne wybory, które mają być prezentowane podczas skanowania, przy użyciu obrazów, takich jak te widoczne tutaj, do reprezentowania kopert wypełnionych żetonami do pokera zwanych torbami loteryjnymi w bodźcach dla ryzykownych loterii, prawdopodobieństwo wygranej będące stosunkiem czerwonych do niebieskich żetonów powinno być zilustrowane za pomocą zarówno bodźca graficznego, jak i liczb. Tutaj czerwone i niebieskie obszary każdego obrazu są proporcjonalne do liczby czerwonych i niebieskich żetonów.

W prawdziwej kopercie dla niejednoznacznych loterii zalecane jest co najmniej trzy prawdopodobieństwa wyniku. Powinno brakować części informacji o prawdopodobieństwie, tak aby możliwy stosunek czerwonych do niebieskich żetonów był ograniczony, ale nie określony. Renderowanie prawdopodobieństwa wygranej, częściowo niejednoznaczne.

Zwiększenie rozmiaru okludowanego zwiększa poziom niejednoznaczności. Zalecamy użycie co najmniej trzech poziomów okluzji dla każdego poziomu prawdopodobieństwa wygranej lub niejednoznaczności, z kwotą wyniku wyświetlaną obok zwycięskiego koloru i zerem obok drugiego koloru. W tym przypadku wylosowanie czerwonego żetonu skutkowałoby wygraniem 18, podczas gdy wylosowanie niebieskiego żetonu skutkowałoby wynikiem zerowym. Pięć.

Zalecane są poziomy nagród obejmujące szeroki zakres kwot w każdym badaniu. Podmiot wybierze jedną z dwóch loterii. Jednak dla uproszczenia jedna z opcji może być niezmienna przez cały eksperyment i poza ekranem, podczas gdy tylko wyświetlana opcja jest zróżnicowana.

Każda kombinacja prawdopodobieństwa lub poziomu niejednoznaczności i wielkości powinna być przedstawiona co najmniej cztery razy, aby zapewnić wystarczającą moc statystyczną. W analizach ustaw paradygmat jako powolny projekt związany ze zdarzeniem, tak aby każda loteria była prezentowana jako bodziec przez dwie sekundy, po której następuje sześciosekundowy okres opóźnienia, aby umożliwić odpowiedź nerwowo-naczyniową. Następnie odpowiedź powinna zostać udzielona w ciągu jednej do dwóch sekund.

Użyj prostego obrazu jako krótkiej informacji zwrotnej, aby wskazać, że odpowiedź została zarejestrowana i podziel próby na okresy odpoczynku trwające co najmniej 10 sekund. Przygotuj również fizyczne torby lub koperty, aby pasowały do każdego użytego obrazu loterii. W eksperymencie.

Wypełnij każdą kopertę łącznie 100 czerwonymi i niebieskimi żetonami o proporcjach odpowiadających prawdopodobieństwu wylosowania żetonu każdego koloru z torby pokazanej na wyświetlaczu. Powinny one zostać pokazane badanym przed zadaniem, ponieważ zostaną one później wykorzystane do rozegrania losowo wybranych prób w celu uzyskania wypłaty. Płacenie badanym na podstawie ich wyborów w eksperymencie jest ważne, aby zachęcić ich do wyrażenia swoich prawdziwych preferencji.

Używanie fizycznych toreb z prawdziwymi żetonami do gry w loterie gwarantuje, że prawdopodobieństwo wyniku jest rzeczywiście takie, jak przed skanowaniem. Po pierwsze, poproś osobę o wypełnienie formularza zgody, a także kwestionariusza przesiewowego MRI. Następnie upewnij się, że obiekt usunął cały metal, aby zapewnić bezpieczeństwo w środowisku skanera.

Następnie przekaż osobie badanej szczegółowe instrukcje dotyczące eksperymentu i zadania. Upewnij się, że fotografowana osoba rozumie, w jaki sposób prawdopodobieństwo i kwoty są przekazywane na każdym obrazie, ale nie ujawniaj żadnych informacji, które mogłyby wpłynąć na wybory. W skanerze zostanie użyte pole odpowiedzi z dwoma przyciskami do rejestrowania wyborów podmiotu.

Wyjaśnij również mechanizm płatności, aby podmiot zrozumiał, że płatność zostanie dokonana. Zgodnie z wyborami. Zapieczętuj wcześniej przygotowane torby i poproś osobę, której ofiarę należy podpisać się imieniem i nazwiskiem na plombie.

Wyjaśnij, że umożliwi to sprawdzenie pod koniec eksperymentu, czy zawartość torebek nie została zmieniona, ponieważ badany będzie mógł zajrzeć do torebek, aby upewnić się, że potwierdzają one podany poziom prawdopodobieństwa lub niejednoznaczności. Korzystając ze skanera MRI o mocy trzech Tesli, najpierw uzyskaj obraz mózgu osoby badanej w wysokiej rozdzielczości za pomocą sekwencji ważonej T jeden. Ta bryła konstrukcyjna zostanie wykorzystana do rekonstrukcji 3D.

Do tego celu można użyć dowolnej sekwencji o wysokiej rozdzielczości. Następnie użyj dwugwiazdkowej sekwencji EPI ważonej T, aby uzyskać obrazowanie funkcjonalne. Podczas paradygmatu zadania upewnij się, że wycinki są ustawione tak, aby obejmowały obszary zainteresowania mózgu.

Zazwyczaj parametry skanowania kory przedczołowej, kory ciemieniowej i zwojów podstawy powinny być zoptymalizowane pod kątem konkretnego skanera przy użyciu TR dwóch sekund i wokseli trzy na trzy na trzy milimetry. Po zeskanowaniu pobierz dane behawioralne z komputera, na którym zarejestrowano przycisk badanego. Odpowiedzi prasowe.

Następnie pozwól badanemu losowo wybrać jedną lub kilka prób do zapłaty. Można to zrobić, prosząc badanego o wylosowanie ponumerowanego żetonu do pokera z przezroczystej torby, która zawiera żetony ze wszystkimi numerami próbnymi. Dla każdej wybranej próby należy przedstawić uczestnika, przedstawioną opcję i wybór, którego dokonali w tej próbie.

Następnie poproś badanego, aby wylosował żeton z torby wybranej podczas tej próby i zapłacił mu zgodnie z wylosowanym kolorem i kwotą przedstawioną w próbie. Aby przeanalizować dane behawioralne, użyj maksymalnego prawdopodobieństwa, aby dopasować dane wyboru każdego podmiotu do funkcji logistycznej, jak pokazano. Tutaj PV to prawdopodobieństwo, że badany wybrał loterię zmienną.

SV sub F i SV sub V są subiektywnymi wartościami odpowiednio opcji stałej i zmiennej, a gamma jest nachyleniem funkcji logistycznej, która jest parametrem specyficznym dla tematu. Alternatywnym podejściem jest wykorzystanie rozkładu spadkowego do modelowania subiektywnej wartości każdej opcji Dla każdego przedmiotu należy użyć modelu, który uwzględnia ilość, prawdopodobieństwo i poziom niejednoznaczności opcji oraz postawy indywidualnego podmiotu wobec ryzyka i niejednoznaczności. Zdecydowaliśmy się użyć funkcji potęgowej, która uwzględnia liniowy wpływ niejednoznaczności na postrzegane prawdopodobieństwo.

Jednym z kilku alternatywnych podejść jest uwzględnienie niejednoznaczności jako efektu wykładniczego, dopasowanie danych wyboru do funkcji wyboru, a tym samym dostarczenie szacunków dla postawy ryzyka, postawy alfa i niejednoznaczności beta dla każdego podmiotu, wstępne wykonanie standardowego wstępnego przetwarzania danych funkcjonalnych, w tym wycinka, skanowania, korekcji czasu, korekcji ruchu i usuwania niskich częstotliwości związanych z szumem fizjologicznym i dryfami skanera. Następnie należy połączyć dane funkcjonalne każdego pacjenta z danymi anatomicznymi Do analizy na poziomie pojedynczego pacjenta należy użyć standardowej funkcji odpowiedzi hemodynamicznej i modelować aktywność każdego woksela jako trwałą odpowiedź podczas całego badania. Należy użyć ogólnego modelu liniowego z dwoma predyktorami o wartości subiektywnej, jednym dla ryzykownych prób i jednym dla prób niejednoznacznych.

Użyj indywidualnych parametrów specyficznych dla danego przedmiotu wynikających z dopasowania behawioralnego, aby obliczyć subiektywną wartość każdej loterii. Uwzględnij również dwa fikcyjne predyktory, jeden dla ryzykownych prób i jeden dla prób niejednoznacznych. Aby uchwycić ogólne aktywacje, takie jak wizualne i motoryczne, test istotności powinien uwzględniać przeprowadzone tutaj wielokrotne porównania.

Minimalny rozmiar klastra był ograniczony do sześciu ciągłych funkcjonalnych wokseli. Można również zastosować inne metody, takie jak współczynnik fałszywych odkryć. Szukaj wokseli, w których współczynniki subiektywnej wartości w warunkach ryzyka i/lub niejednoznaczności są znaczące.

Tutaj widzimy wyniki behawioralne trzech reprezentatywnych osób. Każdy panel przedstawia dane dotyczące wyboru i wyniki dopasowania modelu dla jednego przedmiotu w ramach ryzyka lub niejednoznaczności. Wykresy przedstawiają odsetek prób, w których badany wybrał loterię zmienną jako funkcję kwoty oddzielnie dla każdego poziomu prawdopodobieństwa lub niejednoznaczności.

Jak widać, badani mogą się bardzo różnić w swoim podejściu do ryzyka i niejednoznaczności. Tutaj widzimy wyniki obrazowania dla jednego, wokseli wyróżnione obiektem to takie, w których współczynnik subiektywnego predyktora wartości w warunkach niejednoznaczności lub ryzyka był istotnie różny od zera. U tego reprezentatywnego osobnika stwierdzono istotną korelację w przyśrodkowej korze przedczołowej i prążkowiu w obu warunkach.

Obszary te są najbardziej spójne u wszystkich badanych, ale znaczących korelacji można się również spodziewać w obszarach przyśrodkowej i bocznej kory ciemieniowej, a także ciała migdałowatego. Technika ta pozwala naukowcom zajmującym się neuroekonomią badać zmiany w postawach ryzykownych i niejednoznaczności oraz ich neuronalne korelaty w różnych populacjach w różnych kontekstach. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak wywołać postawy ryzyka i niejednoznaczności oraz jak wykorzystać je do analizy danych FMRI uzyskanych podczas dokonywania wyborów przez uczestników.