Mäta det subjektiva värdet av riskfyllda och oklara alternativ med experimentell ekonomi och funktionell MRI metoder

Neuroscience

Your institution must subscribe to JoVE's Neuroscience section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

Använda funktionell MRI och beteendemässiga metoder för att bestämma den neurala representationen av det subjektiva värdet av riskfyllda och tvetydiga alternativ i den mänskliga hjärnan.

Cite this Article

Copy Citation | Download Citations

Levy, I., Rosenberg Belmaker, L., Manson, K., Tymula, A., Glimcher, P. W. Measuring the Subjective Value of Risky and Ambiguous Options using Experimental Economics and Functional MRI Methods. J. Vis. Exp. (67), e3724, doi:10.3791/3724 (2012).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

De flesta av de val vi gör har osäkra konsekvenser. I vissa fall sannolikheter för olika tänkbara utfall är exakt kända, ett tillstånd som kallas "riskfylld". I andra fall när sannolikheter inte kan beräknas, är detta ett tillstånd som beskrivs som "tvetydig". Medan de flesta människor är obenägna att både risk och osäkerhet 1,2, graden av dessa aversioner varierar avsevärt mellan individer, så att det subjektiva värdet av samma riskabelt eller tvetydiga alternativet kan vara mycket olika för olika individer. Vi kombinerar funktionell MRI (fMRI) med en experimentell ekonomi-baserad metod 3 för att bedöma den neurala representationen av subjektiva värderingar riskfyllda och tvetydiga alternativ 4. Denna teknik kan nu användas för att studera dessa neurala representationer i olika populationer, såsom olika åldersgrupper och olika patientpopulationer.

I vårt experiment, ämnen gör följdskador val Between två alternativ medan deras neurala aktiveringen spåras med hjälp fMRI. På varje försökspersoner välja mellan lotterier som varierar i sin monetära belopp och antingen sannolikheten att vinna detta belopp eller tvetydighet förknippad med att vinna. Vår parametrisk konstruktion tillåter oss att använda varje individs val beteende att uppskatta sina attityder till risk och osäkerhet, och därmed uppskatta subjektiva värden som varje option som innehas för dem. En annan viktig egenskap hos konstruktionen är att resultatet av den valda lotteriet inte avslöjas under experimentet, så att ingen inlärning kan äga rum, och därmed tvetydiga alternativen förblir tvetydiga och risk attityder är stabila. Istället slutet av scanning sessionen en eller några prövningar slumpmässigt och spelas för riktiga pengar. Eftersom patienter inte vet på förhand vilka prövningar kommer att väljas måste de behandla varje försök som om det, och den ensam var en rättegång som de kommer att betalas. Denna konstruktion svgärder som vi kan uppskatta det verkliga subjektiva värdet för varje alternativ för varje ämne. Vi ser sedan till områden i hjärnan vars aktivering är korrelerad med det subjektiva värdet av riskfyllda alternativ och för områden vars aktivering är korrelerad med engelska värde tvetydiga alternativ.

Protocol

1. Förbereda experiment

  1. Det första steget är att utforma visuella stimuli representerar riskabla och tvetydiga val som kommer att presenteras på skärmen i skannern. Vi använder bilder som de som presenteras i figur 1 för att representera påsar fyllda med pokermarker som vi kallar "lotteri bags". Grafiskt kan dessa bilder ses som staplar av pokermarker innan de placeras i en påse. Det är viktigt att dessa bilder motsvarar faktiska behållare, i vårt fall kuvert fyllda med 100 röda och blå pokermarker som ämnet kommer att se innan experimentet. Detta säkerställer att patienter både förstå lotterier som de kommer att möta och tror att datorns bildskärm korrekt presenteras de lotterier. För riskfyllda lotterier den vinnande sannolikhet, förhållandet rött till blått marker i en given kuvert, är exakt anges med både siffror och en grafisk stimulans (Figur 1A). För tvetydiga lotterier del av INFORMATIOn om sannolikheten saknas (Figur 1B), så att en eventuell förhållandet rött till blått chip är begränsad, men inte anges, vilket gör vinnande sannolikheten delvis oklar.
  2. För riskfyllda lotterier de röda och blå delar av varje bild står i proportion till antalet röda och blå marker i kuvertet. Vi rekommenderar att du använder ett minimum av 3 utfall sannolikheter 4 (Figur 1A). De exakta använda sannolikheter kan variera beroende på de särskilda kraven i försöket, men praktiker bör vara försiktig med att använda mycket höga och mycket låga sannolikheter. Det är känt att människor typiskt förvränga sannolikheter under 10% eller över 90% 5. Om man inte har för avsikt att studera denna systematiska förvrängning bör dessa ytterligheter bör undvikas.
  3. Att förmedla tvetydighet den centrala delen av markerhög i datorskärmen skyms med en grå tillslutning (Figur 1B). I det grå området på NumBER marker av varje färg kommer att vara okända, och således sannolikheten för att ett rött eller en blå chip inte kommer att vara exakt känd. Till exempel i den mellersta påsen i figur 1B tillslutningen täcker 50% av påsen, och således antalet röda chips kan vara någonstans mellan 25 (om alla marker bakom tillslutningen är blå) och 75 (om alla marker bakom tillslutningen är röda). Naturligtvis kan antalet blå chips också någonstans mellan dessa två värden.
  4. Öka tillslutningen storlek ökar tvetydigheten nivå (rad möjliga sannolikheter för att dra en röd eller blå chip). Vi rekommenderar att du använder minst 3 nivåer ocklusion, som omfattar ~ 25, 50 eller 75% av påsen (Figur 1B).
  5. När försökspersoner utför uppgiften på datorn, presenterar vi varje vinnande sannolikhet / tvetydighet nivå med en rad möjliga utfall belopp. Vi rekommenderar att du använder 5 belöning nivåer 4, spänner över ett brett spektrum av belopp, till exempel: 5, 9,5, 18, ​​34 och 65 dolLars. På displayen presenterar vi resultatet uppgår bredvid den vinnande färg och visa "0" bredvid den andra färgen. Till exempel i figur 2 skulle dra en röd chip resultera i att vinna $ 18 medan du ritar en blue chip skulle resultera i noll resultat.
  6. Kritiskt kommer på varje försökspersoner välja mellan två lotterier. För enkelhets skull vi håller ett av alternativen konstant under hela experimentet (i detta exempel en 50% chans att vinna $ 5) och bara variera det andra alternativet. Detta har två fördelar. Först behöver konstant alternativet inte visas på skärmen, förenkla den visuella displayen (även en påminnelse då och då kan vara till hjälp). Andra, eftersom en option ändras aldrig, regression-baserade analyser av fMRI-signalen effektivt kan försumma denna parameter. Observera att för att få en "gemensam valuta" för subjektiva värderingar riskfyllda och tvetydiga lotterier referens alternativet måste vara densamma för båda typerna av studier.
  7. Varje kombinationning av sannolikhet eller tvetydighet nivå och belopp bör presenteras sammanlagt minst 4 gånger, och helst ännu mer, för att säkerställa tillräcklig statistisk styrka i både beteende och fMRI analyser. I hälften av upprepningar rött ska associeras med en icke-noll resultat och i den andra hälften blå, för att undvika färg partiskhet och för att försäkra symmetri i tvetydighet.
  8. Vi valde att använda en långsam händelserelaterad konstruktion (figur 3), i vilken den hemodynamiska svar på olika försök är väl separerade i tiden. I en sådan konstruktion varje lotteri ska presenteras som en sporre kort, i vårt fall för 2 s, följt av en fördröjning period (i vårt fall, 6 s), att ge tid för att fatta relaterade neurala aktiveringen att bygga upp. Svar bör göras inom en kort tidsfönster (1-2 s). Använda en bild som den som visas i figur 3 som en kort feedback så att motivet känner deras svar har registrerats. Separera de prövningar av långa viloperioder (10 s eller More) att tillåta den hemodynamiska svaret att gå tillbaka till baslinjen. Kortare viloperioder kan användas med lämplig jitter. Grupp försöken i block på upp till 30 försök vardera, men tänk på att inte låta blocken tar längre tid än ca 10 minuter. Detta möjliggör viloperioder i skannern som maximerar prestanda och minimerar ämne trötthet. För att möjliggöra för minst 4 repetitioner av varje kombination av sannolikhet / tvetydighet och belopp det totala antalet försök kommer att vara minst 120, dvs 4 block.
  9. Förbered de fysiska påsar (i vårt fall kuvert) så att de kan visas för personer innan de utför uppgiften. De kommer att användas senare för att spela slumpmässigt utvald studien (er) för att löna sig. Förbered en väska för varje lotteri bild som används i försöket. Fyll varje påse med totalt 100 poker / bingo röd och blå chips, med proportioner som motsvarar sannolikheten att dra ett chip för varje färg från påsen visas i displayen. För tvetydiga påsar använder en slumpgeneratoratt besluta om det faktiska antalet röda och blå chips, motsvarande varje tvetydighet nivå. Förbered referens påsen med 50 röda och 50 blå chips. Förbereda fysiska väskor och visar dem till de ämnen är särskilt viktigt för patienter rekryterats i psykologi avdelningar. Dessa ämnen kommer sannolikt att misstänka någon form av bedrägeri och bör de misstänker bedrägeri deras svar kommer att vara tolkningsbart.

2. Förbereda Ämne

  1. Varje ämne måste fylla i ett medgivande och en screening frågeformulär. Screeningen formen verifierar att ämnet inte har någon metall i kroppen, att de inte är gravida eller klaustrofobisk och att de kan säkert skannas. Ämnen ska också ta bort alla metaller från sin kropp för att försäkra säkerhet i skannern miljön. Detta är avgörande.
  2. Ge ämnet med detaljerade instruktioner om experimentet. Fråga dem några enkla frågor för att se till att de förstår hur sannoliksamhet och belopp förmedlas i varje bild, och se till att de förstår sin uppgift. Se till att inte avslöja någon information som skulle kunna påverka deras val. Till exempel, rama inte valet problem de står inför på ett sådant sätt att förspänna de ämnen mot en särskild risk attityd. Visa dem de fysiska väskor och stress som varje bild i försöket avser en enda specifik fysisk väska som du inte kan och inte kommer att mixtra med. Också förklara att i hälften av studierna blå blir det vinnande färg och i halv rött. Förklara betalningsmekanism, så att motivet förstår att de kommer att betalas i enlighet med deras val. Uppmuntra ämnen att ställa frågor om något de inte förstår. Detta är en kritisk period då tro de ämnen om experimentet etableras. Det är viktigt att patienter vara säker på att experimentet inte innebär någon typ av bedrägeri eller beteendemässiga och neurala resultat kommer att vara tolkningsbara.
  3. Förslut påsarna och har motivet signera sitt namn över tätningen. Förklara att detta gör det möjligt för dem att kontrollera i slutet av experimentet att du inte ändra innehållet i påsarna under experimentet. Detta hjälper försäkra ämnen som de spelar en helt rättvist spel. Förklara också att efter de lotterier spelas i slutet av experimentet kommer de att få titta in innehållet i påsarna för att se till att de överensstämmer med den angivna sannolikheten eller tvetydighet nivå.

3. Scanning

  1. Vi använder en 3T magnetkamera med ett huvud spole (4 kanaler eller mer) för att få blodets syresättning nivåberoende (fet) signaler från hela hjärnan.
  2. Använd en 2-knapp respons rutan för att spela in motiv val.
  3. Anatomiska Scan: Vi använder en T1-viktade MPRAGE sekvens för att få en klar hög upplösning (1X1X1 mm) bild av patientens hjärna som kan användas för 3D rekonstruktion. Någon hög upplösning sekvens kan användas för detta pYFTE.
  4. Funktionella genomsökningar: Vi använder en T2 *-viktade EPI sekvens med en TR av 2 s, och 3x3x3 mm voxlar. Se till att placera skivorna så att de inkluderar hjärnområden du är mest intresserad av, typiskt prefrontala cortex, parietala cortex och basala ganglierna. Inläsningsparametrarna bör optimeras för den specifika skanner, använde vi: TE 30 ms, flip vinkel 75 °, 36 3 mm skivor utan mellan skiva klyftan, parallella med AC-PC-linje, i planet upplösning 3x3 mm, FOV 192 mm . Andra studier har visat att placera skivorna vid 30 ° till AC-PC-linje kan minska signal avhopp i orbitofrontal cortex 6.

4. Betalningsföreläggande

  1. Efter avlägsnande av ämnet från skannern, hämta beteendemässiga data från datorn som har registrerats motivets svar.
  2. Slumpmässigt välja ett eller några försök för betalning. Det är bäst att låta motivet göra urval, till exempel genom att dra en numrerad pokermarkerav en ogenomskinlig påse som innehåller chips med alla rättegång nummer. Detta kommer att säkerställa att motivet att urvalet är verkligen slumpmässigt.
  3. För varje vald försök visar motivet den presenterade alternativ och det val de gjorde på den rättegången. Be dem att dra ett chip ur påsen valts på den rättegången, och betala dem enligt den ritade färgen och det belopp som presenteras på rättegången.

Till exempel, om den valda studien presenterade lotteri visas i figur 2 (en tvetydig lotteri, erbjuder $ 18 om en röd chip dras) och ämnet valde denna lotteri (snarare än referens lotteriet), då ämnet bör dra ett chip ut av den fysiska påsen motsvarar lotteri bilden. Om en röd chip dras motivet får $ 18 om en blue chip dras de kommer att få någonting.

5. Analysera beteendedata

  1. Med maximal sannolikhet vi passar val data för varje föremål för en logistiskfunktion av formen:

Ekvation 1
Där Pv är sannolikheten att ämnet valde variabla lotteri, SV F och SV V är subjektiva värden för de fasta och rörliga alternativ respektive, och γ är lutningen på logistisk funktion, vilket är ett ämne-specifik parameter. Ett alternativt tillvägagångssätt är att använda en probit distribution.

  1. Att modellera det subjektiva värdet av varje alternativ för varje ämne du kan använda en av ett antal modeller som tar hänsyn till det belopp, sannolikhet och tvetydighet nivå alternativet och attityder i det enskilda ämnet till risk och tvetydighet. Vi valde att använda en 5 power-funktion som innehåller en linjär effekt av oklarhet på den upplevda sannolikheten 7:

Ekvation 2
Där p är målet problemförmåga (per definition 0,5 för denna klass av tvetydiga lotterier), A är tvetydigheten nivå (andelen av den totala sannolikheten som är okänd, 0 för riskfyllda lotterier), V är mängden och α och βare ämnesspecifika risk och osäkerhet attityd parametrar respektive. En av flera alternativa metoder är att inkludera tvetydighet som en exponentiell effekt 8:

Ekvation 3
Montering av valet data med valet funktionen ger således uppskattningar för den risk attityd (α) och tvetydighet attityd (β) för varje ämne.

6. Analysera Neural data

  1. Utför standard förbehandling av data, inklusive: 1) skiva Scan-tidskorrigering att ta hänsyn till de små skillnaderna i scanning gånger av olika skivor, 2) rörelse korrigering ta hänsyn till inom och mellan-run motivrörelse, och 3) avlägsnande av låga frekvenser som normalt rupprymd till fysiologiska buller och drivor scanner.
  2. Registrera de funktionella data för varje föremål för sina anatomiska data.
  3. För analys på fristående nivån modell aktivitet varje voxel som ett kvarstående svar under hela rättegången (i vårt fall 10 s), convolved med en standard hemodynamisk respons funktion 9. Använd en allmän linjär modell med följande prediktorer:
  • Två prediktorer för subjektivt värde (SV), ett för riskfyllda försök och en för tvetydiga studier. Använd ekvation 2 och de individuella ämnesspecifika parametrar härledda från beteendemässiga passformen att beräkna SV av varje lotteri. Eftersom hänvisningen lotteriet är densamma för alla prövningar som vi kan använda SV av den rörliga lotteri ensam i varje försök. För riskfyllda SV prediktorn in SV för varje riskabel försök och 0 för varje tvetydiga försök, och vice versa för den tvetydiga prediktorn.
  • Två dummy prediktorer, en för riskfyllda försök och en för tvetydiga studier, att sätta ett takTure allmän aktivering, såsom visuella och motoriska aktiveringar.
  1. Leta efter voxlar där koefficienterna SV enligt risk och / eller under tvetydighet är betydande. Testet för signifikans bör ta hänsyn till de många utförda jämförelser. Den metod vi använde var att begränsa den minsta klustret storlek till 6 sammanhängande funktionella voxlar 10. Alternativt kan andra metoder, såsom False Discovery Betygsätt (FDR) 11, användas för att korrigera för flera korrigeringar.

7. Representativa resultat

Beteende

Figur 4 presenterar beteendemässiga resultaten från tre representativa ämnen. Varje panel presenterar val data och modellresultat passar för ett ämne enligt antingen risk (vänster) eller tvetydighet (höger). Graferna visar andelen prövningar där motivet valde variabeln lotteri som en funktion av belopp separat för varje nivå av problemförmåga eller tvetydighet. Som kan ses, kan individer varierar mycket i deras inställning till risk och osäkerhet.

För att undersöka godhet passar, kontrollera r 2, som helst bör vara över 0,5 och även kontrollera kurvorna visuellt. Medan alla våra tre exempel försökspersoner hade laglig beteende som möjligt rimliga passar Observera att föremål 2 knappt valde den rörliga alternativet risk skick med den lägsta sannolikheten (0,13). Detta tyder på att utöka utbudet av belopp och / eller använda högre sannolikheter kan ge bättre resultat, eftersom det kommer att se till att ämnen väljer de variabla alternativ på åtminstone några av försöken. Ett annat alternativ är att i förväg testa varje ämne på ett brett spektrum av belopp och välja de belopp som säkerställer en jämförbar antal referens och rörlig val alternativ för varje individ.

fMRI

Figur 5 presenterar avbildning resulterar i en representativämne. Markerade voxlar är sådana där koefficienten för det subjektiva värdet prediktorn enligt tvetydighet (överst) eller risk (nederst) var signifikant skilt från 0. I denna typiska ämne har signifikant korrelation finns i mediala prefrontala cortex (MPFC) och striatum under båda förhållandena. Dessa områden är de mest konsekvent mellan individer, men signifikanta korrelationer kan också förväntas i områden i mediala och laterala parietala cortex, såväl som amygdala. Som aktivitet i denna typ av uppgifter är normalt svagt och bullriga du kan förvänta dig hög variabilitet mellan patienter med många ämnen uppvisar signifikanta korrelationer endast en delmängd av områden.

Figur 1
Figur 1. Riskfyllda och tvetydiga stimuli. A) I riskfyllda stimuli de röda och blå delar av varje bild på skärmen är proportionell mot antalet röda och blå marker i kuvertet. Tre utfall sannolikheter were används här: 0,13, 0,25 och 0,38. B) I tvetydiga stimuli den centrala delen av bilden skyms med en grå tillslutning. I det grå området antalet chips av varje färg är okänd, och därmed sannolikheten för att dra ett chip av en viss färg är inte exakt känd. Tre nivåer av tvetydighet används här, där 25, 50 eller 75% av bilden ockluderas.

Figur 2
Figur 2. Ett lotteri exempel. Detta är en tvetydig lotteri, vid en 50% tvetydighet nivå. Minst 25 av flisen i kuvertet är röda och minst 25 är blå. Om en röd chip dras motivet vinner $ 18, medan de kommer att vinna någonting om en blue chip dras.

Figur 3
Figur 3. Rättegången struktur. Ett lotteri är kortfattat, följt av en fördröjning period. Ett svar kö uppmanar sedan ämnen för att angeir val mellan lotteriet på skärmen och referens lotteri (i detta fall en 50% chans att vinna $ 5). Försök varvas med långa viloperioder.

Figur 4
Figur 4. Exempel på fristående val beteende. Graferna presenterar andelen rättegångar där varje ämne valde den rörliga alternativet under referensperioden, som en funktion av det erbjudna beloppet, i riskfyllda (vänster) och tvetydig (höger) försök. Olika kurvor är för olika risker eller nivåer tvetydighet. α, risk attityd parametern, β, oklarhet attityd parametern, r 2, McFaddens pseudo R-kvadrat, ett mått på godhet passning beteende modellen, vilket motsvarar den del av variansen som förklaras av modellen, n, antal av studier där svar gjordes (av totalt 180).

Figur 5 <br /> Figur 5. Exempel på Singelkartor föremål aktivering. Aktivering kartor presenteras på en högupplöst anatomisk bild. Markerade områden är de vars aktivering signifikant korrelerad med subjektiva värde under risk (överst) eller under tvetydighet (nederst). I de flesta ämnen mediala prefrontala cortex (MPFC) och striatum representerar subjektiva värde under både risk och osäkerhet. Korrigerade p-värden är baserade på en minsta kluster storlek på 6 funktionella voxlar. Klicka här för att se större bild .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vi har använt en metod från experimentell ekonomi att karakterisera ämnen beteende och uppskatta individuella attityder gentemot risk och osäkerhet. Vi använde sedan dessa uppskattningar för att analysera neurala uppgifter.

Andra metoder för att pröva fMRI aktivitet medan individer gör val under risk och osäkerhet har använts före 8,12. Vår strategi är dock kombinerar flera viktiga funktioner. Först används en parametrisk konstruktion, där olika parametrar (belopp, sannolikhet och tvetydighet nivå) systematiskt varierade. Detta tillåter oss att kvantifiera individuella risker och attityder tvetydighet och att beräkna det subjektiva värdet av varje alternativ för varje ämne. Sekund med den individuella beteende åtgärden ger oss möjlighet att leta efter områden i hjärnan som aktiveras är korrelerad med denna åtgärd, särskilt för risk-och tvetydighet vid en inom ämnesnivå. Detta är ett rent sätt att undersöka neurala kodning av en parameter (subjektiva värde) uNDER olika förhållanden (risk och tvetydighet) och samtidigt kontrollera för eventuella skillnader mellan dessa tillstånd (såsom val beteende). Tredje genom slumpmässigt välja en rättegång i slutet av experimentet och spela den för riktiga pengar vi uppmuntrar individer att avslöja sina verkliga preferenser 13.

På beteendemässiga nivån gör denna metod för oss att sammanfatta den unika valet beteendet hos varje individ med endast två siffror, som representerar risk-och attityder tvetydighet den individuella patienten. Standard ekonomisk teori visar att för väljare som beter konsekvent dessa är både nödvändiga och tillräckliga karakteriseringar av sina preferenser. Med andra ord kan en bevisa att 1) ​​ingen annan möjlig karaktärisering kan vara mer fullständig eller kompakt och 2) att alla mer komplexa karakteriseringar är överflödiga. På neurala nivå, tillåter metoden för oss att identifiera den neurala representationen av den subjektiva värde som enskilda ämnen ascrivara att alternativ som de möter på denna nödvändiga och tillräcklig karakterisering. Naturligtvis andra karakteriseringar av beteende är möjliga, men med särskilda åtgärder för "FARLIGHET" som inte kan relateras på ett komplett sätt att antingen beteende eller de neurala signaler kan höja mer problem än det löser en.

Vi beskrivit en specifik metod för att lokalisera områden vars aktivitet är korrelerad med subjektivt värde. Det finns andra, kompletterande, sätt att analysera de neurala data på ett förberedande sätt som inte kräver tidigare hypoteser. Klustring metoder och oberoende komponent analys (ICA) är sådana metoder som kan avslöja ytterligare risk-och tvetydighet-relaterade aktivering.

Resultaten visade betydande beteendemässiga variationer mellan individer, vilket tyder på flera möjliga förlängningar av den metod som skulle kunna användas i framtida studier av risk och osäkerhet. Först, kan metoderna användas för att sondera avvikerskillnader i beteende mellan individer, och identifiera de neurala korrelat till dessa skillnader i olika föremål populationer. Av särskilt intresse skulle vara studier av patienter hypotes att uppvisa extrem risktagande beteende, till exempel de som genomgår behandling för narkotikamissbruk. Skilja mellan bidrag risk och tvetydighet attityder till sådana beteenden och avgränsa deras neurala korrelat är viktiga för att förstå de grundläggande orsakerna till sådana patologiska beteenden och för att utarbeta metoder och läkemedel interventioner. Andra intressanta platser skulle granska människor från olika kulturer och människor i olika åldersgrupper. Förmågan att identifiera specifikt värde-relaterad verksamhet på detta sätt har potential att avslöja grupp skillnader som kärnan i observerade skillnader i verkliga livet.

Andra skulle metoden användas för att undersöka påverkan av specifika erfarenheter om attityder enskilda subjects mot risk och tvetydighet. Den experimentella paradigm skulle till exempel användas före och efter en beteendemässig manipulation sker eller naturliga händelser inträffar, såsom en pedagogisk intervention, en stress manipulation, eller en livsförändrande händelse.

Tredje kan en liknande paradigm användas med olika intervall av utfall och sannolikheter som är lämpliga för den fråga du skulle vilja ta upp. Till exempel kan patienter presenteras med val mellan olika förluster, snarare än vinster till mer direkt relatera den experimentella inställning till risktagande i verkliga livet, vars potentiella effekter är ofta negativa (t.ex. vårdslös körning eller missbruk). Fjärde, icke-monetära resultat kan användas för att undersöka attityder till risk och osäkerhet i olika domäner, till exempel val av mat och sociala preferenser.

Den kritiska inslag i denna strategi är att den ger en kompakt och logiskt complete sätt att karakterisera beteendet i förhållande till en fullt specificerad underliggande variabel som helt kännetecknar preferenser en konsekvent ämne. Detta ger alltså en kraftfull metod nära knuten till teori som rör sig långt bortom ad hoc-karakterisering.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Inga intressekonflikter deklareras.

Acknowledgements

Vi tackar Aldo Rustichini för givande diskussioner och kommentarer om utformningen.
Finansierat av NIA bidrag R01-AG033406 till IL och PWG.

Materials

Name Company Catalog Number Comments
Allegra Head Only 3.0 T MRI Scanner Siemens AG A whole body scanner can also be used
NM-011 transmit head coil Nova Medical
E-prime Psychology Software Tools Stimuli presentation software
Matlab Mathworks

DOWNLOAD MATERIALS LIST

References

  1. Glimcher, P. W. Understanding risk: a guide for the perplexed. Cogn. Affect Behav. Neurosci. 8, 348-354 (2008).
  2. Camerer, C., Weber, M. Recent Developments in Modeling Preferences - Uncertainty and Ambiguity. Journal of Risk and Uncertainty. 5, 325-370 (1992).
  3. Holt, C. A., Laury, S. K. Risk aversion and incentive effects. Am. Econ. Rev. 92, 1644-1655 (2002).
  4. Levy, I., Snell, J., Nelson, A. J., Rustichini, A., Glimcher, P. W. Neural representation of subjective value under risk and ambiguity. J. Neurophysiol. 103, 1036-1047 (2010).
  5. Kahneman, D., Tversky, A. Prospect Theory - Analysis of Decision under Risk. Econometrica. 47, 263-291 (1979).
  6. Deichmann, R., Gottfried, J. A., Hutton, C., Turner, R. Optimized EPI for fMRI studies of the orbitofrontal cortex. Neuroimage. 19, 430-441 (2003).
  7. Gilboa, I., Schmeidler, D. Maxmin Expected Utility with Non-Unique Prior. J. Math Econ. 18, 141-153 (1989).
  8. Hsu, M., Bhatt, M., Adolphs, R., Tranel, D., Camerer, C. F. Neural systems responding to degrees of uncertainty in human decision-making. Science. 310, 1680-1683 (2005).
  9. Boynton, G. A., Engel, S. A., Glover, G., Heeger, D. J Neurosci. 16, 4207-4221 (1996).
  10. Forman, S. D. Improved Assessment of Significant Activation in Functional Magnetic-Resonance-Imaging (Fmri) - Use of a Cluster-Size Threshold. Magnetic Resonance in Medicine. 33, 636-647 (1995).
  11. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15, 870-878 (2002).
  12. Huettel, S. A., Stowe, C. J., Gordon, E. M., Warner, B. T., Platt, M. L. Neural signatures of economic preferences for risk and ambiguity. Neuron. 49, 765-775 (2006).
  13. Smith, V. L. Papers in experimental economics. Cambridge University Press. (1991).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics