关于「从停留与付款估漂移与噪音:EZ 扩散与可识别性」,《长页的漂移与噪音》给出的定量结论是什么?
结论:EZ 扩散把付款比例、停留均值与停留方差三个数,闭式地换成漂移、壁距与非决策时间三个参数。p51 显示漂移是最难估的参数,每版只有一百位已决定访客时误差在三成以上,到一千六百位时才降到一成以内。p52 显示漂移、壁距与噪音同时缩放时一切观测量不变,噪音只能相对于一个锚来估;本书的锚是「访客谨慎程度不因改版而变」。下一章用这套估计的视角,讨论速度与准确的权衡,以及与本书方向相反的证据。
数据口径:书中参数为示意;全部计算由书中程序生成;本书是非个人化经营建议,模型用于描述访客怎样权衡信息,不是说服或操纵的技术,所有页面改动只用真实信息,不虚构倒计时或稀缺。 第四章逐段推进页面:示意页面删去功能表多出 0.0081,最好与最差段落次序相差 0.1764。
对照数据表
下表数字由本章 Python 程序原样打印,可重新运行复现。 程序只用 Python 标准库
| n | v mean | v sd | a mean | a sd | Ter mean | Ter sd |
|---|---|---|---|---|---|---|
| 100 | 0.2963 | 0.0906 | 2.0030 | 0.0938 | 0.3977 | 0.0740 |
| 400 | 0.2361 | 0.0422 | 2.0234 | 0.0607 | 0.4058 | 0.0436 |
| 1600 | 0.2520 | 0.0231 | 2.0006 | 0.0298 | 0.4031 | 0.0292 |
| true | 0.2500 | 2.0000 | 0.4000 | |||
| population pay share among the decided: 0.6225 |
查看完整验算程序
# Chapter 5. p51: recovering drift, barrier separation and non-decision
# time from three summary numbers with the EZ-diffusion equations
# (Wagenmakers, van der Maas and Grasman 2007), noise scale s fixed at 1.
# 输入:已决定访客中的付款比例 Pc、决定时长的均值 MRT 与方差 VRT。
# L = logit(Pc),x = L (L Pc^2 - L Pc + Pc - 1/2) / VRT,
# v = sign(Pc - 1/2) s x^(1/4),a = s^2 L / v,
# MDT = (a / 2v) (1 - exp(-va/s^2)) / (1 + exp(-va/s^2)),Ter = MRT - MDT。
# 真值 v = 0.25、a = 2、Ter = 0.4(加载与扫视时长),起点 a/2;示意。
# 模拟用欧拉步 0.01 与 p11 的连续性校正,每档样本量重复 10 次。
import math
import random
import statistics
V, AA, TER, DT = 0.25, 2.0, 0.4, 0.01
def visitor(rng):
sq = math.sqrt(DT)
lo, hi = 0.5826 * sq, AA - 0.5826 * sq
x, k = AA / 2, 0
while lo < x < hi:
x = x + V * DT + sq * rng.gauss(0.0, 1.0)
k += 1
return x >= hi, TER + k * DT
def ez(pc, mrt, vrt, s=1.0):
lg = math.log(pc / (1 - pc))
x = lg * (lg * pc * pc - lg * pc + pc - 0.5) / vrt
v = math.copysign(s * x ** 0.25, pc - 0.5)
a = s * s * lg / v
y = -v * a / (s * s)
mdt = (a / (2 * v)) * (1 - math.exp(y)) / (1 + math.exp(y))
return v, a, mrt - mdt
rng = random.Random(20261113)
print("n v mean v sd a mean a sd Ter mean Ter sd")
for n in (100, 400, 1600):
est = []
for _ in range(10):
data = [visitor(rng) for _ in range(n)]
pc = len([1 for yes, _ in data if yes]) / n
ts = [t for _, t in data]
est.append(ez(pc, statistics.fmean(ts), statistics.variance(ts)))
cols = list(zip(*est))
print("%-5d %.4f %.4f %.4f %.4f %.4f %.4f"
% (n, statistics.fmean(cols[0]), statistics.stdev(cols[0]),
statistics.fmean(cols[1]), statistics.stdev(cols[1]),
statistics.fmean(cols[2]), statistics.stdev(cols[2])))
print("true %.4f %.4f %.4f" % (V, AA, TER))
pc0 = 1 / (1 + math.exp(-V * AA))
print("population pay share among the decided: %.4f" % pc0)唯一数据源与引用
范雅福(Fan, Y.). (2026). 《福克普朗克漂移扩散、长销售页信念漂移速率与付款吸收壁首达时间母典》第 5 章「从停留与付款估漂移与噪音:EZ 扩散与可识别性」(版本 1.0.0). 5D Library. DOI 待发布
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-240 · v1.0.0 · CC-BY-NC-ND-4.0
BibTeX
@book{fan2026240,
author = {Fan, Yafu},
title = {Fokker-Planck Drift-Diffusion on Long Sales Pages: Belief-Drift Rates and First-Passage Times to the Payment Barrier},
year = {2026},
publisher = {5D Library},
edition = {1.0.0},
note = {DOI pending}
}