Exploring Scaled AIC within English closed compounds

Straipsniai Artikel 273 CHARITONCHARITONIDIS Unabhängiger Forscher ORCID-Id: orcid.org/0000-0003-0298-2629 Diese Anweisung gilt für alle Unternehmen, die in der EU tätig sind. Forschungsbereiche: Wortbildung, Mehrwort-Ausdrücke, lexikalische Semantik, Worterkennung, Emotionen. DOI: doi.org/10.35321/all90-11 Erforschung von SCALED-AIC Innerhalb geschlossenes Englisch Verbindungen Englisch für jungdartige Sprachen (sudurtinių žodžių) skalės AIC Untersuchung Anmerkung Das Akaike Information Criterion (AIC) ist ein etabliertes Goodness-of-Fit-Maß für die Auswahl von Modellen bei der Analyse empirischer Daten. Die validität ist jedoch sensibel für die Stichprobengröße. Die vorherigen Untersuchungen des Autors haben gezeigt, dass Scaled als ein wirksames Werkzeug zur Beurteilung der Modelleinpassung und zur Hierarchisierung von Regressionsmodellen verwendet wird. Die vorliegende Studie untersucht weitere Eigenschaften dieser Variablen. Schlüsselwörter: englische Verbindungen, skalierte AIC, lexikalische Entscheidung, Bezeichnung. ANOTACIJA Akaikės informacijos kriterijus (angl. AIC) ist pastovus modelių tinkamumo matas, taikomas empirinių duomenų analizei. Allerdings ist AIC jautrus dydties imžiui. Ankstesni Chariton und Charitonidis 274 Acta Linguistica Lituanica XC autoriaus tyrimai parodė, kad skalės patvirtinimas, padalytas iš imties dydžio, yra veiksminga priemonė modelio tinkamumui įvertinti ir regresijos modeliams hierarchizuoti. Šiame tyrime nagrinėjamos tolimesnės šio kint ypatybių. patvirtimo objektas 66 daugių regresijos modeliai, susiję su uždarų (sudurtinių) anglų kalbos junginių, paimų iš bazės (AIC) apdorojimu Pirmiausia siūlomas su projektų metodai Analysis of variance (ANOVA), pagrindinių Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų rezultatu ir ir ir iraparinų. ESMINIAI ŽODŽIAI: englische Sprache junginiai (sudurtiniai žodžiai), skalės projektu(angl.ELP)irBritųkalbosžodynoprojektu(angl.BLP),kaipatsakolaiko,leksinių sprendimųirįvardijimoužduočių,junginiųilgioirskaidrumonormųšaltiniai.Naudojami AIC, leksinis sprendimas, įvardijimas. 1. Die große Datenbank von englischen Verbindungen (LADEC: GAGNÉ ET AL. 2019) 1 Die Kommission wird die Kommission auf die Grundlage der vorliegenden Verordnung beauftragen. Die Large Database of English Compounds (LADEC: Gagné et al. 2019) ist die größte bestehende Datenbank von zusammengesetzten Wörtern. Aus der vollständigen Reihe von LADEC-Einträgen können über 8000 nicht zusammengesetzte (geschlossene oder zusammengesetzte) zusammengesetzte Substantivnamen aus verschiedenen Quellen ausgewählt werden, darunter unter anderem die CELEX (NC Baayen et al. 1995), das English Lexicon Project (ELP; Balota et al. 2007), das British Lexicon Project (BLP; Keeler et al. 2012), das British National Corpus (B) und die LADEC-Wordnet. Für eine kurze Definition der Gruppen von Zusammensetzungen siehe Abbildung 1. Die Multiple-Regression-Modelle von Gagné et al. (2019) umfassen eine breite Palette von Prädiktor- (= unabhängigen) Variablen, wie z. B. Verbundlänge, Bigram-Frequenz 1 Dieser Abschnitt wurde mit leichten Änderungen von Chariton Charitonidis (2022) übernommen. 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical 2 LADEC enthält Plurale von bereits aufgelisteten Verbindungen als separate Einträge. Straipsniai Artikel 275 Exploring Scaled AIC within English Closed Compounds Die logarithmischen Reaktionszeiten für die Verbindungen aus ELP (lexikalische Entscheidung, Benennung) und BLP (lexikalische Entscheidung) werden als abhängige Variablen verwendet. Für den größten Teil haben die Verbindungslänge (Zahl der Zeichen) und die Logarithmische Verbindungsfrequenz aus dem SULEX-US-BT (Brysbaert, New) 20093 und BNC (BLP) als Kontrollvariablen verwendet. Abbildung 1. LADEC-Einträge: Probe nach dem Todesleben Vorhängeschloss Aschenbecher Eierkopf Schnürsenkel Buttercup Tagträumen Herzschrittmacher Nachteil Schmerzmittel Rückbord Augenbraue Schrotflinte Flugzeuge Dummköpfchen Erdbeben Werft Ballspieler Hausmeister Nachkommen Lehrbuch Schiffbruch Ausgestoßene Rückwirkung Kreuzfeuer Übertrieb Umkehr Die Studie von Gagné et al. (2019) konzentrierte sich hauptsächlich auf verschiedene Maßnahmen der semantischen Transparenz. Gagné et al. (2019) baten die Teilnehmer, Verbindungen zu bewerten, wobei zu berücksichtigen war, wie vorhersehbar die Bedeutung der Verbindung aus ihren Teilen ist (d. h. Vorhersehbarkeitsbewertungen, zusammengesetzt) und wie viel der Bedeutung jeder der Bestandteile in der Verbindung erhalten bleibt (d. h. Aufbewahrungsbewertungen, zusammengesetzt). 3 Das Subtlex-US-Korpus ist ein Korpus mit 51 Millionen Token, der auf Untertiteln aus US-Filmen und Fernsehsendungen basiert. Mehrere jüngste Studien haben Beweise dafür geliefert, dass Frequenznormen, die aus Untertiteln von Filmen und Fernsehsendungen gewonnen werden, tendenziell effektiver sind als die aus gedruckten Texten abgeleiteten, wenn es darum geht, die Unterschiede in der lexikalischen Verarbeitungszeit und in einigen Fällen in der Genauigkeit unter Muttersprachlern verschiedener Sprachen zu erklären. 2018: 2 und die darin enthaltenen Verweise. Chariton und Charitonidis 276 Acta Linguistica Lithuanica XC erster Bestandteil korrelierte stärker mit der Bewertung für die gesamte Verbindung als mit der Bewertung für den zweiten Bestandteil (c1 ~ cmp: r = 0,75, p <.001 vs. c2 ~ cmp: r = 0,66, p <.001. N = 429).4 Am bemerkenswertesten waren die Bewertung der Sinnesretention für den ersten Bestandteil und die Bewertung der Bedeutungsvorhersehbarkeit, die lexikalische Entscheidung von BLP und die Benennung von forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical ELP-Zeiten. Abschließend ist die höchste und höhere Verteilung der Transparenz für den zweiten Bestandteil und die bessere Assoziation des ersten Bestandteils mit den Kopfoperationen in englischen Verbindungen. Der zweite Bestandteil, d.h. der Kopf, ist eine compound’s meaning predictability appear to be immediately mapped onto Einheit, deren Transparenz kategorisch und semantisch verbessert wird (was den semantischen Aspekt betrifft, siehe die Beziehungen von Entailment und Hyponymie). Ein kleiner Satz von Prädiktoren wird typischerweise mit effizienteren Modellen (Modellen mit geringerem Informationsverlust) in Verbindung gebracht. Je niedriger der Wert ist, desto besser passt das Modell. In diesem Zusammenhang bestraft AIC als Goodness-of-Fit-Messung die Verwendung ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative einer großen Anzahl von Prädiktoren, die potenziell zu höheren Werten führen (siehe AIC = 2k). partoftheAICequation). 4 Steiger’s(1980)ztestshowedthatthisdifferencewassignificant,z=27.71,p<.0001(Gagné etal.2019). 5 In Bezug auf frühere Forschungen berichten Gagné et al. (2019) darüber, dass "der Modifikator (der erste Bestandteil im Englischen) bei der Auswahl der Relationsfreundlichkeit bei der Verarbeitung von Verbindungen und Substantivphrasen eine größere Rolle spielt". Straipsniai Artikel 277 Exploring Scaled AIC within English Closed Compounds ist sensibel für die Stichprobengröße. c, eine korrigierte Version von AIC, enthält die Stichprobengröße durch die Formel 2k (k + 1)/(n k 1). Es richtet sich jedoch speziell an kleine Stichprobengrößen und wird nicht für Modelle empfohlen, die auf großen Stichprobengrößen wie Gagné et al. (2019) basieren. Insbesondere Burnham & Anderson (2002: 80[…]85, 334[…]335) liefern eine umfassende Diskussion über die Auswirkungen ungleicher Stichprobengrößen auf den Modellvergleich. Sie argumentieren, dass die Verwendung von Informationskriterien zum Vergleich von Modellen mit unterschiedlichen Stichprobengrößen zu irreführenden Ergebnissen führen kann. Ähnlich wie in einer Online-Diskussion von Svetunkov im Jahr 2016 (siehe Referenz nach der Bibliographie) werden alle Informationskriterien auf der Wahrscheinlichkeitsfunktion basieren, die wiederum von der Stichprobengröße abhängt. 3. Vorherige Untersuchungen In Charitonidis (2022) wurden die AIC-Werte für 44 multiple Regressionsmodelle mit verschiedenen Kombinationen von Emotionsvariablen (Valenz, Erregung und Konkretheit für (a) Wörter und (b) Wortkontexte) nach Stichprobengröße (N) geteilt, um Scaled (AIC/N) -Werte zu erzielen. 7 Eine der Lösungen, die Burnham und Anderson (2002) vorschlagen, bezieht sich auf die Transformation der AIC-Werte in "Akaike-Gewichte", die als "die relative Wahrscheinlichkeit des Modells angesichts der Daten" definiert werden (Burnham, Anderson 2002: xiii; siehe auch Wagenmakers, Farrell 2004). 8 Verfügbar unter: https://stats.stackexchange.com/questions/94718/model-comparison-with-aic-basedon-different-sample-size [zugegriffen 16.06.2023]. Der Leser kann Svetunkovs Aussage begreifen, indem er unterschiedliche Werte für die lnL-Komponente in der Gleichung ersetzt, während die 2k-Komponente konstant bleibt. Eine Verringerung des lnL-Werts führt zu einem höheren, d.h. niedrigeren AIC-Wert. In der Literatur wird Scaled AIC auch als mean AIC bezeichnet. Laut Svetunkov (persönliche Kommunikation) ist die Praxis, das Akaike Information Criterion durch die Stichprobengröße zu teilen, nicht neu. Beispielsweise definieren Hastie et al. (2009) AIC in einer nicht-kanonischen Weise, indem N als Nenner in der Formel verwendet wird. Während diese Abweichung von der herkömmlichen AIC-Formel nicht ohne Kritiker ist, bleibt es ein weit verbreiteter Ansatz, wie es durch ihre Aufnahme in das statistische Softwarepaket Stata-Berichte bewiesen wird. Chariton und Charitonidis 278 ActaLinguisticaLithuanicaXC Die Einfügung von Schlüsselprädiktoren in globale, d.h. allgemeine Modelle zeigte, dass die BLP-Lexikalentscheidungszeiten eine bessere Goodness-of-Fit als die ELP-Lexikalentscheidungszeiten erforderten. Die Fit der ELP-Modelle fiel in den Bereich der für die ELPund BLP-Lexikalentscheidungsmodelle beobachteten Modelle. Am bemerkenswertesten war, dass die Kontextkonkretheit für die zweite Komponente als signifikanter Prädiktor in allen Modellen mit SUBTLEX-US-Frequenz auftrat. In Charitonidis (2024) wurden alle signifikanten Koeffizienten aus den globalen Modellen mit SUBTLEX-US-Frequenz der Hyponymie-Variable gegenübergestellt (Gagné et al. 2020). Es wurde festgestellt, dass Modelle, die sowohl Hyponymie als auch Kontextkonkretheit für die zweiten Variablen beinhalteten, immer mit dem niedrigsten Scaled-Wert im Vergleich zu verschachtelten, d. h. reduzierten, IC-Modellen verbunden waren, wobei einer dieser beiden Modelle weggelassen wurde. TABELLE 1. Die Zahl der Arbeitsplätze Skalierte Werte für verschachtelte Modelle, bei denen das Hyponym ("Modell 2") oder die Kontextkonkretheit für den zweiten Bestandteil ("Modell 3") aus vollständigen Modellen ("Modell 1") zur Vorhersage der lexikalischen Entscheidungszeiten (LD) des English Lexicon Project (ELP), der lexikalischen Entscheidungszeiten (LD) des British Lexicon Project (BELP) oder der Konkretheitszeiten für den zweiten Bestandteil (ELP) ausgeschlossen werden. Modell skaliertes AIC AIC N ELP LD 1 3.36281a-3557,85 1058 Das ist eine sehr wichtige Frage. 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD 1 3 79552a 2 903 574 765 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 Bezeichnung des ELP 13.58686b-7396.108 2062 Das ist nicht richtig. 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Straipsniai Artikel 279 Exploring Scaled AIC within English Closed Compounds SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) ELP-Namenzeiten Modell R2 Quadrat F Veränderung df1 df2 p ELP LD 1.184a47.506 5 1052.000 2-.004 4.562 1 1052 .033 3-.010 13.175 1 1052 .000 BLP LD 1.211a40.479 5 759.000 2-.013 12.091 1 759 .001 3-.015 14.007 1 759 .000 Bezeichnung des ELP 1.288b118.711 72054.000 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Prädiktoren: (konstante), Hyponymieurteil, Länge der Verbindung, SUBTLEX-US-Frequenz, Repräsentationsvalenz (cmp), Konkretheit des Kontextes (c2) b. Prädiktoren: (Konstante), Hyponymieurteil, Länge der Verbindung, SUBTLEX-US-Frequenz, Kontextvalenz (cmp), Kontexterregung (c1), Kontexterregung (c2), Kontextkonkretheit (c2) Abschließend zwei verschiedene Effektgrößenmaßnahmen, nämlich Scaled AIC und die gleiche Präferenz für das beste Modell. R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating Chariton und Charitonidis 280 Acta Linguistica Lituanica XC (Litauische Sprachverzeichnis) 4. Die gegenwärtige Studie Die vorliegende Studie basiert auf der früheren Forschung des Autors, die in Abschnitt 3 präsentiert wurde. Die Forschungssubjekte sind 66 lexikalische Entscheidungsund Namensmodelle für die englischen geschlossenen (konkatenierten) Verbindungen, die von Gagné et al. (2019) erstellt wurden. Alle Modelle enthalten die SUBTLEX-US-Frequenz als Kontrollvariable. Unsere Ziele sind zweigeteilt und laufen parallel. Erstens bewerten wir die Eigenschaften der Modelle von Gagné et al. (ibid.). Die Forschungsfragen sind: Ist Scaled AIC sensibel für das Modelldesign in Gagné et al. (2019)? Welche Modellgruppen werden bevorzugt? 2. Wie wirken sich die Steuerungsvariablen Verbindungsfrequenz und Verbindungslänge auf Scaled AIC aus? 3. Wie hängt die morphologische Transparenz mit Scaled AIC zusammen? Unsere Studie ist wie folgt strukturiert: Abschnitt 5 bietet einen Überblick über unsere Methoden. Abschnitt 6.1 liefert beschreibende Statistiken für Scaled AIC mit Bezug auf die betrachteten Modelle. Der Schwerpunkt liegt auf den parametrischen und nichtparametrischen Eigenschaften von Modellkategorien. Abschnitt 7, Abschnitt 6.2 untersucht die Beziehung zwischen der Quelle der Reaktionszeiten und den lexikalischen Verarbeitungsaufgaben. Abschnitt 6.3 stellt Scaled AIC mit den Steuervariablen "verbundene Frequenz" und "verbundene Länge" in Verbindung. In Abschnitt 6.4 werden die Signifikationsstufen der Transparenzkoeffizienten aus den Modellen von Gagné et al. (2019) auf die Scaled Werte abgebildet. 5. Methoden Unsere allgemeine Methode war die vergleichende Analyse der wichtigsten Parameter und Merkmale der Modelle von Gagné et al. (2019) unter Verwendung von Scaled Variables als abhängige Variable. Unabhängige Variablen umfassten unter anderem Stichprobenmerkmale (z. B. Antwortzeitquelle und lexikalische Verarbeitungsaufgaben), Studiendesign (z. B. Kontroll), Signifikationsstufe von Transparenzkoeffizienten. Die spezifischen statistischen Methoden waren wie folgt: (a) beschreibende Statistiken bezüglich Mittelwerten und Medianen, zusammen mit der Anwendung des Shapiro-Wilk-Tests zur Beurteilung der zentralen Tendenz, Variabilität und Verteilung von Scaled Effects über verschiedene Modellkategorien und -gruppen (Abschnitte 6.1 und 6.2), (b) Hauptanalysen für die Quelle der Reaktionszeiten (ELP/BLP) und die lexikalischen Verarbeitungsaufgaben (lexikalische Entscheidungsbenennung) (AIC) Straipsniai Artikel 281 Exploring Scaled AIC within English Closed Compounds 6. c) verschiedene ANOVA, die an der Antwortzeitquelle und den lexikalischen Verarbeitungsaufgaben durchgeführt werden, wobei die zusammengesetzte Länge als Kovariate berücksichtigt wird (Abschnitt 6.3), und d) die Verwendung der Kruskal-Wallisto explore differences amongthe ranks of ordinally-recodedcoefficientsfor und der Jonckheere-Terpstra-Tests für semantische Transparenz (Abschnitt 6.4). 6. Analysen 6.1 Skalierte AIC im Vergleich zu Modellkategorien Die 66 AIC-Werte aus den Multiple-Regressionsmodellen 2 von Gagné et al. (2019) zeigen das with SUBTLEX-US frequency as a control variable were divided by each model’ssamplesizetoyieldasetof66ScaledAICvalues. Table3belowprovidesthedescriptivestatisticsforScaledAICandFigure entsprechende Boxplot, das sich auf den geordneten Satz von Werten bezieht.10 Es gab keine Ausreißer in der Stichprobe. Die Schiefe (Sk) und Kurtosis (Ku) Werte waren tolerabel.11 Der mittlere Wert für Scaled AIC war -3.50030. Die Standardabweichung betrug 0,19052, d.h. die Beobachtungen waren relativ eng um den Mittelwert herum gruppiert. Die Mindestund Höchstwerte waren -3.85502 und -3.15754, beziehungsweise. Der Medianwert war -3.553, d.h. etwas niedriger als der Mittelwert.12 Die mittleren 50% der Daten lagen zwischen -3.65675 (erstes Quartil, Q1) und -3.30959 (drittes Quartil, Q3, der Quartilbereich). (IQR) betrug 0,35616. 10 Die untere oder erste Quartillinie der Kiste (Q1) markiert die Grenze, unter der sich die unteren 25% der Daten erstrecken. Ähnlich markiert die obere oder dritte Quartillinie der Kiste (Q3) die mittlere 50% der Daten oder den boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries Interquartilbereich (IQR), der durch Subtraktion von 11 berechnet werden kann. 12 In Bezug auf die thefirstquartilefromthethirdquartile(Q3-Q1).Thehorizontallineinsidetheboxshowsthe medianormiddle quartile(Q2),i.e.thevaluethatfallsinthemiddleofthedataset. SPSS-Umgebung gelten die Werte zwischen -1 und +1 für Schiefe und zwischen -2 und +2 für Kurtosis im Allgemeinen als akzeptabel für die Bewertung einer normalen Verteilung. Es ist jedoch zu beachten, dass Schiefe und Kurtosis allein keinen schlüssigen Beweis auf Normalität liefern. What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). Chariton und Charitonidis 288 Acta Linguistica Lithuanica XC Um den Einfluss der zusammengesetzten Länge und der zusammengesetzten Häufigkeit auf Scaled AIC zu erkennen, wurden die jeweiligen Regressionskoeffizienten nach ihrer Positivität und Signifikationsstufe in Ordinalwerte umkodert, siehe Tabelle 6. Die Signifikationsstufen wurden auf Ordinalskalen abgebildet, da sie konventionelle Cut-off-Punkte darstellten, die auf den genauen Signifikationswerten basierten. TABELLE 6. Ordinal-Recoding-Diagramm für Regressionskoeffizienten Signifikanz Positivität Ordinalwerte Beschreibung p <. -1 negative -3 großer negativer Effekt p <.01 negativ -2 mäßiger negativer Effekt p <.05 negativer kleiner negativer Effekt p <.05 negativer 0 nicht signifikanter Effekt p <.05 positiver 1 kleiner positiver Effekt p <.01 positiver 2 mäßiger positiver Effekt p <.05 positiver 3 großer positiver Effekt In den Modellen von Gagné et al. (2019) wurde die Frequenz von SUBTLEX-US immer mit negativen (laten-reduzierenden) Koeffekten mit einem großen Effekt, p < Sc. <0.001. Was die zusammengesetzte Länge betrifft, so hatten alle signifikanten Regressionskoeffizienten aus den Modellen von Gagné et al. (2019) einen großen positiven (latenzinduzierenden) Effekt, p <.001. Im Gegensatz zur SUBTLEX-US-Variable zeigten sich mehrere nicht signifikante Koeffizienten. Angesichts dieser Muster wurde eine kategorische Variable mit den Werten 0,5 […] für positiven Effekt (interferenz der zusammengesetzten Länge) und 0 […] für keinen Effekt (no interferenz der zusammengesetzten Länge) erstellt. Die zusammengesetzte Länge wurde als einzelne unabhängige Variable in einem linearen Regressionsmodell aufgenommen. Es wurde festgestellt, dass der vorhergesagte Scaled AIC-Mittelwert für keine Störung der zusammengesetzten Länge 3,611 (= der Abschnitt) war. Die Störung der zusammengesetzten Länge führte zu einem höheren = unterlegenen) Wert von -3.407 (b = 204, p. 001). Straipsniai Artikel 289 Exploring Scaled AIC within English Closed Compounds Figur 6. Verbundlänge und skalierte AIC Wir führten getrennte ANOVAs für die Reaktionszeitquelle (ELP/BLP) und die Aufgabenleistung (lexikalische Entscheidung/Nennung) durch, wobei die Verbundlänge als Kovariate berücksichtigt wurde. (a) ANOVA für die Antwortzeitquelle. BLP wurde der Wert […]0[…] und ELP wurde der Wert […]1[…] zugewiesen. Der Pearson-Korrelationstest ergab eine starke Kollinearität zwischen der Antwortzeitquelle und der zusammengesetzten Länge, r = 1 (N = 39). Die folgenden Beweise unterstützen unsere Feststellung: Erstens zeigte die ELP-Gruppe konsequent signifikante positive Korrelationen mit der zusammengesetzten Länge, was auf eine große Wirkung hindeutet. Zweitens zeigte die BLP-Gruppe konsequent nicht signifikante Korrelationen mit der zusammengesetzten Länge. Der Pearson-Korrelationstest ergab eine negative Korrelation zwischen Aufgabe und zusammengesetzter Länge, was auf einen mäßigen Effekt hindeutet, r = -.5, p =.001 (N = 39). 17 Es ist zu beachten, dass 11 der 13 BLP-Koeffizienten negativ waren. Chariton und Charitonidis Acta Linguistica Lituanica XC Bei der Berücksichtigung der Aufgabe als primäre Variable war die zusammengesetzte Länge ein signifikanter Prädiktor der Scaled AIC, F (1, 125.30), p = significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when 000. Der vorhergesagte Scaled AIC-Mittelwert für die Aufgabe allein unterschied sich signifikant von dem vorhergesagten Scaled AIC-Mittelwert, wenn die zusammengesetzte Länge berücksichtigt wurde (3,584 vs. 3,203). Ebenso unterschied sich der vorhergesagte Scaled AIC-Mittelwert für die zusammengesetzte Aufgabe allein (3,583) signifikant von dem vorhergesagten Scaled AIC-Mittelwert, wenn die Aufgabe berücksichtigt wurde (-3.23). In diesem Abschnitt wird die Wirkung von Regressionskoeffizienten für semantische die drei morphologischen Ebenen untersucht, d. h. Verbund, erster Bestandteil und zweiter Bestandteil. Das Ordinal-Recoding-Diagramm ist in Tabelle 6 zu finden. Die nachstehende 6.4. ScaledAICvs.transparencynorms Tabelle 7 zeigt die Medianen und Bereiche der ordinal transformierten transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof Transparenzkoeffizienten für alle drei morphologischen Ebenen. Die Medianen liefern nützliche Informationen über die zentrale Tendenz und Dispersion ordinaler Werte und können bei Analysen auf der Grundlage von ordinalen Variablen helfen. TABELLE 7. Ordinaltransformierte Transparenzkoeffizienten: Medianen und Bereiche Median Minimum Maximum Zusammensetzung -3-3-1 Erster Bestandteil 2-3 3 Zweiter Bestandteil 0 -2 3 N = 18 Jahre Wie zu sehen ist, war der Median für die Verbindung -3, der Median für die erste Komponente war 2 und der Median für die zweite Komponente war 0. Diese Ergebnisse deuten darauf hin, dass in den von Gagné et al. Jay gemeldeten höheren Transparenzbewertungen für die zweite Komponente eine inhärente Vorurteilung bleibt, die dazu führt, dass die Gesamttransparenz der Verbindung stark von der Transparenz der ersten Komponente abhängig ist. In diesem Kontext deutet die latenzverzerrückende Transparenz für die erste Komponente auf einen übermäßigen positiven Effekt ( kürzere Reaktionszeiten) und eine übermäßige Transparenz Straipsniai Artikel 291 Exploring Scaled AIC within English Closed Compounds für die zweite Komponente auf. In Bezug auf die nachfolgende Analyse wird postuliert, dass Modelle mit höheren (= unterlegenen) Scaled-Werten signifikante, systematisch abgeleitete Koeffizienten haben können, d. h. Koeffizienten, die nur für den LADEC-Datensatz relevant sind. In diesem Zusammenhang deutet unsere Vermutung darauf hin, dass sich in der Verbindung zwischen Transparenz und Scaled-AIC ein kontrastierender Trend ergeben könnte, verglichen mit der Indikation, die die Mediane in Tabelle 7 liefern. Insbesondere können niedrigere (besser) skalierte AIC-Werte mit (a) positiven Koeffizienten (längeren Reaktionszeiten) für die gesamte theinherentbiasofthesecondconstituent.18 Verbindung, (b) negativen Koeffizienten (kürzeren Reaktionszeiten) für den ersten Bestandteil und (c) positiven oder negativen Koeffizienten (längeren oder kürzeren Reaktionszeiten) für den zweiten Bestandteil in Verbindung gebracht werden. Um die Forschungsfrage zu beantworten, werden zwei nicht-parametrische Maßnahmen angewendet, d.h. der Kruskal-Wallis-Test und der Jonckheere-Terpstra-Test. Der Kruskal-Wallis-Test, auch als "H-Test" bekannt, ist ein nicht-parametrischer Test, der auf 18 basiert. In Charitonidis (2024) wird argumentiert, dass sowohl Hyponymie als auch Konkretheit des Kontextes für den zweiten Bestandteil bedeutende semantische Prädiktoren bei der lexikalischen Entscheidung und Namensetzung sind. Chariton und Charitonidis 292 Acta Linguistica Lituanica XC die Chi-Quadrat-Verteilung. Es erfordert, dass die abhängige Variable ordinal oder kontinuierlich ist. Dieser Test soll bestimmen, ob es signifikante Unterschiede zwischen den Medianen von zwei oder mehr Gruppen gibt und wird als Alternative zur einseitigen ANOVA verwendet. Was das Verfahren betrifft, wurden die Werte der kontinuierlichen abhängigen Variablen, d.h. der skalierten AIC, von niedrigst nach höchst geordnet und den Punkten wurden Ränge zugewiesen. Die resultierten Ränge wurden zurück in die Gruppen der Signifikanzstufe (die unabhängige Variablen) eingegeben und die Ränge für jede Gruppe summietet. amongothers,squaringthesumofranksforeachgroupandthendividingthis Tabelle 8. Zusammensetzung Significancelevels N SumofRanks Skalierte 1 geringe AIC (Ausschluss der Kommission) negative Wirkung 1 2 2 mäßige negative Wirkung 5 46 3 große negative Wirkung 12 123 Insgesamt 18 TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled AIC (Ausschluss der Kommission) 1–largepositiveeffect 6 59 2 mäßiger positiver Effekt 4 34 3 geringer positiver Effekt 1 3 4 keine Wirkung 1 2 5 geringe negative Wirkung 1 10 mäßige negative Wirkung 1 11 7 große negative Wirkung 452 Insgesamt 18 19 Für die übrigen Berechnungen siehe Field (2009: 561[…]562). 20 In allen drei Tabellen beträgt die Gesamtsumme der Ränge ungefähr 171. Sie entspricht der Summe der Ganzzahlen von 1 bis 18, siehe Stichprobengröße (N). Straipsniai Artikel 293 Exploring Scaled AIC within English Closed Compounds Tabelle 10. Zweiter Bestandteil Significancelevels N SumofRanks Scaled AIC (Ausschluss der Kommission) 1–largepositiveeffect 6 59 2 geringer positiver Effekt 1 14 3 keine Wirkung 8 59 4 geringe negative Wirkung 1 18 5–moderatenegativeeffect 221 Insgesamt 18 Bevor wir uns mit den Ergebnissen des Kruskal-Wallis-Tests befassen, ist es wichtig zu beachten, dass dieser Test keine Informationen über die spezifischen Unterschiede zwischen den einzelnen Gruppen liefert. Um dieses Problem zu lösen, wurde zusätzlich der Jonckheere-Terpstra-Test verwendet. Dieser Test lieferte Informationen darüber, ob die Mediane der Gruppen in der Reihenfolge der Codierungsvariablen, insbesondere von einer großen positiven Wirkung zu einer großen negativen Wirkung, stiegen oder sanken. (a) Die skalierte AIC für die Verbindung wurde durch den Kruskal-Wallis-Test nicht signifikant beeinflusst (H (2) = 2,226, p > 0,05). Ein Trend aufsteigender Medianen wurde gefunden, der unsere Überpassungshypothese bestätigte (siehe den negativen Median für die Verbindung in Tabelle 7). 1.064, S. 05). Die Kommission hat festgestellt, dass die in der Verordnung (EG) Nr. (b) Die für den ersten Bestandteil skalierte (6) AIC wurde durch den Kruskal-Wallis-Test (H = 5,427, p > 0,5) nicht signifikant von der Signifikanz beeinflusst. Ein Trend aufsteigender Medianen wurde festgestellt, der unsere Überpassungshypothese ablehnte, siehe den positiven Median für den ersten Bestandteil in Tabelle 7. Dieser Trend war jedoch nach dem Jonckheere-Terpstra-Test statistisch nicht signifikant (JT = 70, z = 0,549, p > 0,05). (c) Die skalierte AIC für den zweiten Bestandteil wurde durch das Signifikanzniveau nicht signifikant beeinflusst, wie durch den Kruskal-Wallis-Test bestimmt wurde (H (4) = 4,607, p > 0,05). Chariton und Charitonidis 294 ActaLinguisticaLithuanicaXC Insbesondere war die Z-Statistik des Jonckheere-Terpstra-Tests im Wesentlichen Null, in Übereinstimmung mit dem Nullmedian für den zweiten Bestandteil in Tabelle 7 (JT = 54, z = 0,041, p > 0,05). Zusammenfassend lässt sich daraus schließen, dass die Signifikationsstufe der Transparenzkoeffizienten in den Modellen von Gagné et al. (2019) mit SUBTLEX-US-Frequenz die Größe von Scaled nicht beeinflusst. Dieser Befund unterstützt indirekt die Qualität der Modelle von Gagné et al. (2019) mit Transparenzprädiktoren, was insbesondere darauf hindeutet, dass die Überpassungshypothese für diese Modelle nicht haltbar ist. die AIC-Werte. Um die Klarheit und Vollständigkeit der Darstellung unserer Forschungsergebnisse zu gewährleisten, haben wir einen speziellen Abschnitt eingebaut, der sich auf die Zusammenfassung der wichtigsten Ergebnisse unserer Studie konzentriert. 7. Schlüsselfunde In Tabelle 11 werden eine umfassende Analyse der Modellleistung und der relevanten Variablen im Zusammenhang mit lexikalischen Entscheidungsund Namensaufgaben auf der Grundlage der Ergebnisse von Gagné et al. Tabelle vorgestellt. Jeder Abschnitt der Tabelle vertieft spezifische Themen und zeigt, welche Modelle am effektivsten sind. Die ANOVAund die Kruskal-Wallis-Jonckheere-Terpstra-Tests (Abschnitte 6.3 und 6.4) wurden angewendet, nachdem den Regressionskoeffizienten die Werte von Gagné et al. (2019) zugewiesen wurden. TABELLE 11. Skalierte AIC innerhalb englischer geschlossener Verbindungen: umfassende Analyse der Modellleistung bei lexikalischen Entscheidungsund Namensaufgaben (Gagné et al. 2019) Subjects Statistics Evaluation Section Modellkategorien NormalitätsprüfuBeschreibungen ELP ngen BLP lexikalische Entscheidung Bezeichnung des ELP lexikalische Entscheidung NPAR/~ PAR[…] 6.1 PAR[…] Reaktionszeit Entscheidung ~ Lexikalische task Hauptwirkungen Quelle BLP VerarbeituELP lexikalische lexikalische Entscheidung ng der ELP-Bezeichnung […]6.2 Straipsniai Artikel 295 Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Kontrollvariablen ANOVA Zusammensetzungsfrequenz Verbundlänge ✓ ~ 6.3 Semantik NOF/ns Kruskal-WallTransparenz Terpstris Erster Jonckheere-- a-VerbinBestandteil Zweiter dung NOF/ns Bestandteil NOF/ns 6.4 PAR: parametrische Daten | NPAR: nichtparametrische Daten | : bessere Modelle (niedrigere AIC) ~: schlechtere Modelle (höhere AIC) | NOF/ns: keine Überanpassung/nicht signifikante Prüfung 8. Erörterung Die vorliegende Analyse führte zusätzliche Eigenschaften des Scaled-AIC-Messers ein. Während gültige Bedenken bezüglich des Vergleichs von Modellen, die auf verschiedene Stichprobengrößen mit bestimmten Kontexten angepasst sind, erhoben wurden, kann Scaled-AIC in der Tat ein wertvolles Werkzeug für die Demonstration von Modellfit und die Hierarchisierung von Regressionsmodellen sein. informationcriteria(seesection2),thefindingsofthisstudysuggestthatin Die Verteilungen der Scaled-AIC-Werte, zusammen mit Kombinationen verschiedener Quellen addresstheresearchquestionssetupinsection4. von Reaktionszeiten und Verarbeitungsaufgaben, deuten darauf hin, dass Scaled-AIC effektiv das Vorhandensein oder Fehlen gut definierter zugrunde liegender Faktoren im experimentellen Design und der statistischen Modellierung identifiziert. 2. Die zusammengesetzte Frequenz war außergewöhnlich ein negativer Prädiktor für die skalierte AIC, was immer auf einen großen Effekt hindeutet. Chariton und Charitonidis 296 Acta Linguistica Lithuanica XC signifikante positive Korrelationen mit der zusammengesetzten Länge, die höhere (= niedrigere) skalierte AIC-Werte vorhersagen. BLP-Lexikalische Entscheidung zeigte konsequent unbedeutende Korrelationen mit der zusammengesetzten Länge. Sowohl die lexikalische Entscheidung als auch die zusammengesetzte Länge vorhersagten untergeordnete Modelle in der Kovariatenanpassung. 3. Die Positivität und die Signifikanz der Transparenzkoeffizienten in den Modellen von Gagné et al. (2019) beeinflussten die Größe des Scaled AIC nicht. Durch Bezugnahme auf spezifische Abschnitte der Analysen können die primären Ergebnisse dieser Studie wie folgt zusammengefasst werden: In Abschnitt 6.1 konzentrierte sich unsere Analyse auf den Vergleich zwischen Scaled-Werten in verschiedenen Modellkategorien. Selbst nach dem Versuch der Transformationen "natürlicher Logarithmus" und "Quadratwurzel" auf den absoluten Werten entsprach die gesamte Scaled-Probe einer normalen Verteilung nicht. Ebenso zeigten die AIC ELP lexikalischen Entscheidungsmodelle eine nicht-parametrische Verteilung ihrer Scaled-AIC-Werte. In Abschnitt 6.2 verlagerte sich unser Fokus auf die Untersuchung der Beziehung zwischen Scaled AIC und (a) den Quellen der Reaktionszeiten und (b) der Aufgabenleistung. Interessanterweise überlappten sich die Bereiche der Scaled AIC-Werte für die ELPund BLP-Lexikaldecisionsmodelle nicht, was ihre Unterscheidung bedeutet. Die Testergebnisse zeigten signifikante Haupteffekte sowohl der Reaktionszeitquelle als auch der Aufgabenleistung auf Scaled AIC. In Abschnitt 6.3 erforschten wir die Beziehung zwischen Scaled AIC und den Kontrollvariablen verbundene Frequenz und verbundene Länge. Die Verbundene Frequenz wurde aus der Analyse ausgeschlossen, weil sie perfekt kollinear mit Scaled war. Auf der anderen Seite wurde ein Rückgang der Scaled-Werte beobachtet, als die zusammengesetzte Länge zu einem relevanten Faktor innerhalb der Modelle wurde. Concomitantly,compoundlengthwasmostrelevantforthenamingtask. In Abschnitt 6.4 wurde unser Fokus auf die Beziehung zwischen Scaled AIC und dem andsemantictransparency.Theresearchquestionwaswhetherthepositivity Signifikanzniveau der Transparenzkoeffizienten in den Modellen von Gagné et al. (2019) gelegt. Das Hauptziel unserer Methode war es, potenzielle Überpassungseffekte zu erkennen. Wir postulierten, dass Modelle mit niedrigeren Scaled-Werten signifikante Koeffizienten besitzen könnten, die die zusammengesetzte Ebene […] in Übereinstimmung mit unserer Straipsniai Artikel 297 Exploring Scaled AIC within English Closed Compounds accordingtotheLADECdatasetalone.Whileweobservedatrendofincreasing (=inferior)ScaledAICvaluesforaclusterofsignificantnegativecoefficientsat Überpassungshypothese […] der Jonckheere-AIC-Trend-Test zeigte, dass dieser Trend keine statistische Signifikanz erzielte. Abschließend hat die Erforschung verschiedener Parameter mit Scaled AIC als abhängige Variable die verschiedenen Möglichkeiten aufgezeigt, wie Modellkategorien, Antwortzeitquelle, Verarbeitungsaufgaben, Steuervariablen und semantische Transparenz die Goodness-of-Fit von Modellen beeinflussen. REFERENCES Akaike Hirotugu 1973:InformationTheoryandanExtensionoftheMaximum Likelihood Principle. – Second International Symposium on Information Theory, eds. B.F.Csaki,B.N.Petrov,Budapest:AcademiaiKiado,267–281. AldrichJohnR.1997:R.A.FisherandtheMakingofMaximumLikelihood1912– 1922.–Statistical Science12(3),162–176. Baayen Harald R., Piepenbrock Richard, Gulikers Leon 1995: The CELEX Lexical Database(Dataset,Release2,CD-ROM),LinguisticDataConsortium, UniversityofPennsylvania.Availableat:https://catalog.ldc.upenn.edu. Balota David A., Yap Melvin J., Cortese Michael J., Hutchison KeithI.,KesslerBrett,LoftisBjorn,NeelyJamesH.,NelsonDouglas L.,SimpsonGregB.,TreimanRebecca2007:TheEnglishLexiconProject.– Behavior Research Methods39,445–459. Brysbaert Marc, New Boris 2009: Moving Beyond Kučera and Francis: A CriticalEvaluationofCurrentWordFrequencyNormsandtheIntroductionofaNew andImprovedWordFrequencyMeasureforAmericanEnglish.–Behavior Research Methods41,977–990.DOI:doi.org/10.3758/BRM.41.4.977. BurnhamKennethP.,AndersonDavidR.2002:Model Selection and Multimodal Inference: A Practical Information-Theoretic Approach, 2ndedition,NewYork:Springer. DOI:dx.doi.org/10.1007/b97636. Charitonidis Chariton 2022:ContextConcretenessfortheSecondConstituent SlowsDownCompound-WordProcessing.–Lexis20.DOI:doi.org/10.4000/lexis.6769.