Exploring Scaled AIC within English closed compounds

Straipsniai Artigos 273 e 273 CHARITONCHARITONIDIS Pesquisador independente Identificação ORCID: orcid.org/0000-0003-0298-2629 Campos de pesquisa: formação de palavras, expressões de várias palavras, semântica léxica, reconhecimento de palavras, emoção. DOI: doi.org/10.35321/all90-11 (em inglês) Exploração de AIC em escala Dentro de Inglês fechado Compostos Inglês uždarųjų junginių (sudurtinių žodžių) skalės AIC tyrimas Anotação O Critério de Informação Akaike (AIC) é uma medida estabelecida de bondade de ajuste para selecionar modelos na análise de dados empíricos. No entanto, o resultado é sensível ao tamanho da amostra. Pesquisas anteriores do autor mostraram que o Scaled, ou seja, dividido pelo tamanho da amostra, é uma ferramenta eficaz para avaliar o ajuste do modelo e hierarquizar os modelos de regressão. O presente estudo explora mais propriedades desta variável. Os efeitos da investigação são 66 modelos de resposta AIC que se referem ao processamento de compostos fechados (concatenados) de inglês tomados do Projeto Gagné et al. Palavras-chave: compostos em inglês, AIC escalado, decisão léxica, nomeação. ANOTACIJA Akaikės informacijos kriterijus (angl. AIC) é pastovus modelių tinkamumo matas, taikomas empirinių duomenų analizei. AIC Tačiau yra jautrus dydties imžiui. Ankstesni Caritão Caritonídice 274 Acta Linguistica Lituanica XC autoriaus tyrimai parodė, kad skalės, padalytas iš imties dydžio, yra veiksminga priemonė modelio tinkamumui įvertinti ir regresijos modeliami hierarchizuoti. Šiame tyrime nagrinėjamos tolimesnės šio kint ypatybių. patvirtimo objektas 66 daugių tyrimai regresijos modeliai, susiję su uždarų (sudurtinių) anglų kalbos junginių, paimų iš bazės (AIC) , apdorojimu Pirmiausia sugeratė suų projektų metodai Analysis of variance (ANOVA), pagrindinių rezultatu ir Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų iraparinų šaltų. ESMINIAI ŽODŽIAI: inglês lingua junginiai (sudurtiniai žodžiai), skalės AIC, leksinis 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 sprendimas, įvardijimas. 1. A Grande Base de Dados De compostos em inglês (LADEC: GAGNÉ ET AL. 2019)1 (Comissão das Regiões) O Large Database of English Compounds (LADEC) é o maior banco de dados existente de palavras compostas, contendo mais de 8.000 compostos não-contactados (contactados ou encadenados) selecionados de várias fontes, incluindo, entre outras, o CELEX (NCB et al. 1995), o English Lexicon Project (ELP; Balota et al. 2007), o British Lexicon Project (BLP; Keeler et al. 2012), o British National Corpus (B) e o WordNet. Os modelos de regressão múltipla de Gagné et al. (2019) incluem uma ampla gama de variáveis preditoras (=independentes), como comprimento composto, frequência de bigramas 1 Esta seção foi adotada de Chariton Charitonidis (2022) com pequenas alterações. 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical 2 O LADEC inclui o plural de compostos já listados como entradas separadas. Straipsniai Artigos 275 e 275 Exploring Scaled AIC within English Closed Compounds Os tempos de resposta de log para os compostos de ELP (decisão léxica, nomeação) e BLP (decisão léxica) são usados como variáveis dependentes.Para a maior parte, o comprimento composto (número de caracteres) e a frequência de log composto do corpus 2009 SULEX-BT-US (Brysbaert, New) 3 e BNC (BLP) são usados como variáveis de controle. FIGURA 1. A Comissão conclui que as medidas em causa não TFUE. Entradas LADEC: amostra aeronaves idiota cadeado cinzeiro constituem auxílios estatais na de vida após a morte sonhando desvantagem analgésico painil aceção do artigo 107.o, n.o 1, do acordado marcapassos backboard terremoto estaleiro jogador de bola cabeça de ovo descendência livro de texto overdrive turnaround atacador de sapatos buttercup náufragos rejeitados sobrancelha shotgun zelador retrocesso fogo cruzado O foco principal do estudo de Gagné et al. (2019) foi colocado em várias medidas de transparência semântica. Gagné et al. pediram aos participantes que avaliassem os compostos considerando o quão previsível é o significado do composto a partir de suas partes (ou seja, classificações de previsibilidade, baseadas em compostos) e quanto do significado de cada um dos constituintes é retido no composto (ou seja, classificações de retenção, baseadas em constituintes). 3 O corpus SUBTLEX-US é um corpus de 51 milhões de tokens baseado em legendas de filmes e programas de televisão dos EUA.Vários estudos recentes forneceram evidências indicando que as normas de frequência obtidas a partir de legendas de filmes e programas de televisão tendem a ser mais eficazes do que as derivadas de textos impressos quando se trata de explicar as diferenças no tempo de processamento léxico e, em alguns casos, na precisão entre falantes nativos de vários idiomas. 2018: 2 e as referências nele contidas). Caritão Caritonídice 276 Acta Linguistica Lithuanica XC primeiro componente foi mais fortemente correlacionado com a classificação para todo o composto do que foi a classificação para o segundo componente (c1 ~ cmp: r = 0,75, p <.001 vs. c2 ~ cmp: r = 0,66, p <.001. N = 429).4 Mais notavelmente, a classificação de retenção de significado para o primeiro componente e a decisão de classificação de previsibilidade de significado, a decisão léxica BLP e os tempos de nomeação ELP. Para concluir, o forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical pico e a maior distribuição de transparências para o segundo componente e a melhor associação do primeiro componente com as operações de cabeça em compostos ingleses.O segundo componente, ou seja, a cabeça, é uma unidade cuja transparência é aprimorada compound’s meaning predictability appear to be immediately mapped onto categoricamente e semanticamente (no que diz respeito ao aspecto semântico, veja as relações de envolvimento e hiponímia).O primeiro componente, ou seja, o modificador, é o fator mais crítico no estabelecimento de referência de composto.Como resultado, sua transparência cobre a expectativa de distância de Kullback-Leibler (Kullback 1959) (Fisher). Um conjunto menor de preditores é tipicamente associado a modelos mais eficientes (modelos com menor perda de ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative informação). Quanto menor o valor, melhor o ajuste do modelo. Neste contexto, o AIC penaliza, como uma medida de bondade de ajuste, o uso de um grande número de preditores que, potencialmente, resultam em valores mais elevados (ver o 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 Referindo-se a pesquisas anteriores, Gagné et al. (2019) relatam que "o modificador (o primeiro constituinte em inglês) tende a desempenhar um papel maior na seleção de facilidade de relação durante o processamento de compostos e frases substantivas". Straipsniai Artigos 277 e 277 Exploring Scaled AIC within English Closed Compounds O AICc, uma versão corrigida do AIC, incorpora o tamanho da amostra através da fórmula 2k (k + 1) (n […] k […] 1). No entanto, aborda especificamente pequenos tamanhos de amostra e não é recomendado para modelos baseados em grandes tamanhos de amostra, como o de Gagné et al (2019).6 Deve ser notado que pesquisadores como Kenneth P. Burnham e David R. Anderson (2002) não oferecem uma solução definitiva para comparar os valores de modelos do AIC em tamanhos de amostra diferentes e grandes. Em particular, Burnham e Anderson (2002: 808-335) fornecem uma discussão abrangente das implicações de tamanhos de amostras desiguais para a comparação de modelos. Eles argumentam que o uso de critérios de informação para comparar modelos com tamanhos de amostras diferentes pode levar a resultados enganosos. Da mesma forma, como observado em uma discussão on-line de Svetunkov em 2016 (ver referência após a bibliografia), todos os critérios de informação são baseados na função de probabilidade que, por sua vez, depende do tamanho da amostragem. 3. Pesquisa prévia Em Charitonidis (2022), os valores da AIC para 44 modelos de regressão múltipla com diferentes combinações de variáveis emocionais (valência, excitação e concretez para (a) palavras e (b) contextos de palavras) foram divididos por tamanho da amostra (N) para produzir valores escalonados (AIC/N). 7 Uma das soluções propostas por Burnham e Anderson (2002) refere-se à transformação dos valores de AIC em "peso de Akaike" que são definidos como "a probabilidade relativa do modelo, dados os dados" (Burnham, Anderson 2002: xiii; ver também Wagenmakers, Farrell 2004). O leitor pode compreender a afirmação de Svetunkov substituindo valores diferentes para o componente […]lnL[…] na equação, mantendo a constante do componente […]2k[…]. Uma diminuição do valor lnL resultará em um valor AIC mais alto, ou seja, inferior. 9 Na literatura, Scaled AIC também é referido como […]mean AIC[…]. De acordo com Svetunkov (comunicação pessoal), a prática de dividir o Critério de Informação de Akaike pelo tamanho da amostra não é nova. Por exemplo, Hastie et al. (2009) define de forma não-canônica, empregando N como denominador na fórmula. Caritão Caritonídice 278 ActaLinguisticaLithuanicaXC A inserção de preditores-chave em modelos globais, ou seja, gerais, mostrou que os tempos de decisão léxica BLP exigiam uma melhor bondade de ajuste do que os tempos de decisão léxica ELP. O ajuste dos modelos ELP caiu dentro do intervalo dos observados para os modelos de decisão léxica ELP e BLP. Mais notavelmente, a concretez do contexto para o segundo componente surgiu como um preditor significativo em todos os modelos com frequência SUBTLEX-US, em toda a decisão léxica e nomeação. Em Charitonidis (2024), todos os coeficientes significativos dos modelos globais com frequência SUBTLEX-US foram justapostos à variável de hiponímia (Gagné et al. 2020). Verificou-se que os modelos que incluem tanto a hiponímia quanto a concretude do contexto para as segundas variáveis estavam sempre associados ao menor valor de Scaled em comparação com os modelos aninhados, ou seja, reduzidos, omitindo qualquer um desses dois modelos. TABELLA 1 Tabela 1 A Comissão considera que a Comissão não cumpriu as obrigações que lhe incumbem por força do artigo 107.o, n.o 1, do Tratado. Valores dimensionados para modelos aninhados omitindo hiponímia ("Modelo 2") ou concretude do contexto para o segundo componente ("Modelo 3") de modelos completos ("Modelo 1"") para prever tempos de decisão léxica (LD) do English Lexicon Project (ELP), tempos de decisão léxica (BLP) do British Lexicon Project (BLP) e tempos de decisão (CLP) do English Lexicon Project (ELP) e tempos de decisão léxica (BLP) do British Lexicon Project (ELP) Modelo A C I C N em escala ELP LD -3.36281a-3557,85 1058 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD -3.79552a-2903.574 765 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 Nomeação do ELP -3.58686b-7396.108 2062 (em inglês) 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Straipsniai Artigos 279 e 299 Exploring Scaled AIC within English Closed Compounds SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) Tempos de nomeação do ELP Modelo R2 quadrado F mudança df1 df2 p ELP LD 1.184a47.506 5 1052 mil 2-.004 4.562 1 1052 .033 3-.010 13.175 1 1052 .000 BLP LD 1.211a40.479 5 759.000 (em inglês) 2-.013 12.091 1 759 .001 3-.015 14.007 1 759 .000 Nomeação do ELP 1.288b118.711 72054.000 (em inglês) 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Predictores: (Constante), julgamento de hiponímia, comprimento do composto, frequência SUBTLEX-US, valência de representação (cmp), concretez do contexto (c2) b. Predictores: (Constante), julgamento de hiponímia, comprimento do composto, frequência SUBTLEX-US, valência de contexto (cmp), excitação de contexto (c1), excitação de contexto (c2), concretença de contexto (c2) Em conclusão, duas medidas diferentes de tamanho de efeito, a saber, Scaled AIC e a mesma preferência para o melhor modelo. R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating Caritão Caritonídice 280 Acta Linguistica Lituanica XC 4. O Estudo Presente O presente estudo baseia-se na pesquisa anterior do autor apresentada na seção 3. Os sujeitos de pesquisa são 66 modelos de decisão e nomeação léxica para os compostos fechados (concatenados) ingleses construídos por Gagné et al. (2019). Todos os modelos incluem a frequência SUBTLEX-US como variável de controle. Os nossos objetivos são duplos e executados em paralelo. Primeiro, avaliamos as características dos modelos de Gagné et al. (ibid.). As questões de investigação são as seguintes: 1. O AIC em escala é sensível ao projeto do modelo em Gagné et al. (2019)? Quais grupos de modelos são favorecidos? 2. Qual é o impacto das variáveis de controlo "frequência composta" e "longitude composta" no AIC à escala? 3. Como a transparência morfológica está relacionada com a Scaled AIC? O nosso estudo está estruturado da seguinte forma: a Secção 5 fornece uma visão geral dos nossos métodos. A Secção 6.1 fornece estatísticas descritivas para o AIC escalonado referindo-se aos modelos em consideração. É dada ênfase às características paramétricas versus não paramétricas das categorias de modelos. A Secção 7.2 explora a relação entre a fonte dos tempos de resposta e as tarefas de processamento léxico. A Secção 6.3 justapõe o AIC escalonado às variáveis de controle "frequência composta" e "longoura composta". Na Secção 6.4 os níveis de significância dos coeficientes de transparência dos modelos de Gagné et al. (2019) são mapeados para os valores escalonados. 5. Métodos Nosso método geral foi a análise comparativa dos principais parâmetros e características dos modelos de Gagné et al. (2019), usando variáveis escaladas como variável dependente.Variáveis independentes incluíram características da amostra (por exemplo, fonte de tempo de resposta e tarefas de processamento léxico), design do estudo (por exemplo, controle) e o nível de significância dos coeficientes de transparência, entre outros fatores. Os métodos estatísticos específicos empregados foram os seguintes: (a) estatísticas descritivas relativas às médias e medianas, juntamente com a aplicação do teste de Shapiro-Wilk para avaliar a tendência central, a variabilidade e a distribuição dos efeitos de escala em diferentes categorias e grupos de modelos (secções 6.1 e 6.2), (b) principais análises realizadas para a fonte dos tempos de resposta (ELP) e as tarefas de processamento léxico (nomeação de decisões léxica) (secção Straipsniai Artigos 281 e 282 Exploring Scaled AIC within English Closed Compounds 6. c) ANOVAs distintas realizadas na fonte do tempo de resposta e nas tarefas de processamento léxico, incorporando o comprimento composto como covariante (secção 6.3) e d) utilização dos testes de transparência semântica de Kruskal-Wallis e to explore differences amongthe ranks of ordinally-recodedcoefficientsfor Jonckheere-Terpstra (secção 6.4). 6.Análises 6.1 A CIC dimensionada em relação às categorias de modelos Os 66 valores de AIC dos modelos de regressão múltipla 2 de Gagné et al. (2019) exibem o 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 diagrama de caixa correspondente que se refere ao conjunto ordenado de valores.10 Não houve valores atípicos na amostra. Os valores de inclinação (Sk) e curtose (Ku) foram toleráveis.11 O valor médio para o AIC escalonado foi -3.50030, o desvio padrão foi de 0,19052, ou seja, as observações foram relativamente estreitamente agrupadas em torno da média. Os valores mínimos e máximos foram -3.85502 e -3.15754, respectivamente. O valor mediano foi -3.5532, ou seja, ligeiramente inferior ao valor médio. (IQR) foi de 0,35616. 10 A linha de quartil inferior ou primeiro da caixa (Q1) marca o limite abaixo do qual se estende o 25% inferior dos dados; da mesma forma, a linha de quartil superior ou terceiro da caixa (Q3) marca o 50% médio dos dados ou o boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries intervalo interquartil (IQR), que pode ser calculado subtraindo 114. Em referência ao ambiente SPSS, os valores 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. entre -1 e +1 para o desvio e entre -2 e +2 para a curtose são geralmente considerados aceitáveis para a avaliação da distribuição normal. What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). Caritão Caritonídice Para detectar a influência do comprimento composto e da frequência composta no AIC escalonado, os respectivos coeficientes de regressão foram recodificados em valores ordinais de acordo com seu nível de positividade e significância (ver Tabela 6), os níveis de significância foram mapeados em escalas ordinais porque representavam pontos de corte convencionais baseados nos valores de significância exatos. Tabela 6.05 Gráfico de recodificação ordinal para coeficientes de regressão Significância Positividade Valores ordinais Descrição p <.001 negativo -3 grande efeito negativo p <.01 negativo -2 moderado efeito negativo p <.05 negativo pequeno efeito negativo p <.05 negativo/positivo 0 efeito não significativo p <.05 positivo 1 pequeno efeito positivo p <.01 positivo 2 moderado efeito positivo p <.05 positivo 3 grande efeito positivo em modelos de Gagné et al. (2019) A frequência SUBTLEX-US foi sempre associada a coeficientes negativos de redução de latência com um grande efeito, p < Sc.001. No que diz respeito ao comprimento composto, todos os coeficientes de regressão significativos dos modelos de Gagné et al. (2019) tiveram um grande efeito positivo de indução de latência, p <.001. Em contraste com a variável SUBTLEX-US, vários coeficientes não significativos apareceram. Dados esses padrões, foi criada uma variável categórica com os valores 0,5 <1> para efeito positivo (interferência do comprimento composto) e 0 <0 <interferência do comprimento composto). O comprimento composto foi incluído como uma única variável independente em um modelo de regressão linear. Verificou-se que a média prevista de Scaled AIC para nenhuma interferência do comprimento composto foi 3.611 (= a intersecção). A interferência do comprimento composto resultou em um valor mais alto de -3.407 (b = 0.204, p. 001). Straipsniai Artigos 289 e 299 Exploring Scaled AIC within English Closed Compounds FIGURA 6. comprimento composto e AIC escalonado Realizamos ANOVAS separadas para a fonte de tempo de resposta (ELP) e o desempenho da tarefa (decisão léxica ou nomeação), levando em conta o comprimento composto como covariável. (a) ANOVA para a fonte de tempo de resposta. BLP foi atribuído o valor […]0[…] e ELP foi atribuído o valor […]1[…]. O teste de correlação de Pearson revelou uma forte colinearidade entre a fonte de tempo de resposta e o comprimento do composto, r = 1 (N = 39). A evidência seguinte apoia a nossa descoberta: Em primeiro lugar, o grupo ELP mostrou consistentemente correlações positivas significativas com o comprimento do composto, indicando um grande efeito. Em segundo lugar, o grupo BLP mostrou consistentemente correlações não significativas com o comprimento do composto. (b) ANOVA para o desempenho da tarefa. A nomeação foi atribuída o valor […]0[…] e a decisão léxica foi atribuída o valor […]1[…]. O teste de correlação de Pearson revelou uma correlação negativa entre a tarefa e o comprimento composto, indicando um efeito moderado, r = -.5, p =.001 (N = 39). Este resultado sugere que o comprimento composto é mais relevante para a nomeação do que para a decisão léxica. 17 Deve notar-se que 11 dos 13 coeficientes BLP eram negativos. Caritão Caritonídice Acta Linguistica Lituanica XC Quando se considera a tarefa como a variável primária, o comprimento composto era um comprimento composto considerado como a variável significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when primária, a tarefa era um preditor significativo de Scaled AIC, F (1, 125.30), p = 000. A média de Scaled AIC prevista para a tarefa sozinha era significativamente diferente da média de Scaled prevista quando o comprimento composto era levado em conta (3,584 vs 3,203, respectivamente). Esta seção investiga o efeito dos coeficientes de regressão para a semântica nos três níveis morfológicos, ou seja, composto, primeiro constituinte e segundo constituinte. A tabela 7 abaixo mostra as medianas e os intervalos dos coeficientes de transparência transformados ordinariamente para os três níveis morfológicos. As medianas fornecem informações úteis sobre a tendência central e a 6.4. ScaledAICvs.transparencynorms dispersão dos valores ordinais e podem ajudar a informar análises baseadas em variáveis transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof ordinais. TABELLO 7. Coeficientes de transparência transformados ordinariamente: medianas e intervalos Mediano Mínimo Máximo Composto -3-3-1 Primeiro componente 2-3 3 Segundo componente 0 -2 3 N = 18 anos Como pode ser visto, a mediana para o composto foi […]-3[…], a mediana para o primeiro componente foi […]2[…], e a mediana para o segundo componente foi […]0[…]. Esses resultados sugerem que nos modelos de Gagne et al.[…]s com frequência SUBTLEX-US, a transparência para o composto foi associada a um grande efeito negativo (tempo de resposta mais curto), a transparência para o primeiro componente foi associada a um efeito positivo moderado (tempo de resposta mais longo) e a transparência para o segundo componente não teve um efeito significativo ou teve um papel incerto. […]2[…] As avaliações de transparência para o segundo Straipsniai Artigos 291 e Exploring Scaled AIC within English Closed Compounds componente, relatadas por Scarro et al. (2005), continuam um viés inerente, levando a um parâmetro de referência de […]1[…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…- ][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…]- […][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…]< No que diz respeito à análise a seguir, postula-se que os modelos que apresentam valores escalonados mais elevados (inferiores) podem possuir coeficientes significativos, sistematicamente derivados, theinherentbiasofthesecondconstituent.18 ou seja, coeficientes que são relevantes apenas de acordo com o conjunto de dados LADEC. Neste contexto, a nossa conjectura sugere que pode surgir uma tendência contrastante na conexão entre transparência e AIC escalonado, em comparação com a indicação fornecida pelas medianas na Tabela 7. Em particular, os valores mais baixos (melhores) da AIC podem estar associados a: a) coeficientes positivos (tempo de resposta mais longo) relativos a todo o composto; b) coeficientes negativos (tempo de resposta mais curto) relativos ao primeiro componente; e c) coeficientes positivos ou negativos (tempo de resposta mais longo ou mais curto, respectivamente) relativos ao segundo componente. Para responder à pergunta de pesquisa, duas medidas não-paramétricas serão empregadas, ou seja, o teste de Kruskal-Wallis e o teste de Jonckheere-Terpstra. O teste de Kruskal-Wallis, também conhecido como "teste H", é um teste não-paramétrico baseado em 18 em Charitonidis (2024) argumenta que tanto a hiponimia quanto a concretez do contexto para o segundo componente são preditores semânticos significativos na decisão léxica e na nomenclatura. Caritão Caritonídice 292 Acta Linguistica Lituanica XC a distribuição chi-quadrado. Requer que a variável dependente seja ordinal ou contínua. Este teste é projetado para determinar se existem diferenças significativas entre as medianas de dois ou mais grupos e é usado como uma alternativa ao ANOVA unidirecional. No que diz respeito ao procedimento, os valores da variável dependente contínua, ou seja, AIC escalonado, foram ordenados do mais baixo ao mais alto e as pontuações foram atribuídas. As classificações resultantes foram inseridas de volta nos grupos de nível de significância (a variável independente) e as classificações para cada grupo foram somadas. amongothers,squaringthesumofranksforeachgroupandthendividingthis TABELLA 8. Composto Significancelevels N SumofRanks Efeito negativo A AIC reduzido 1 […] pequeno 1 2 2 efeito negativo moderado 5 46 3 grande efeito negativo 12 123 Total de 18 pessoas TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled A AIC 1–largepositiveeffect 6 59 2 […] efeito positivo moderado 4 34 3 […] pequeno efeito positivo 1 3 4 […] nenhum efeito 1 2 5 […] pequeno efeito negativo 1 10 6 […] efeito negativo moderado 1 11 7 grande efeito negativo 452 Total de 18 pessoas 19 Para o resto dos cálculos, ver Field (2009: 561[…]562). 20 Em todas as três tabelas, a soma total de classificações é de aproximadamente 171. É igual à soma dos números inteiros de 1 a 18, ver tamanho da amostra (N). Straipsniai Artigos 293 e Exploring Scaled AIC within English Closed Compounds TABELLO 10. Segundo componente Significancelevels N SumofRanks Scaled A AIC 1–largepositiveeffect 6 59 2 […] pequeno efeito positivo 1 14 3 […] nenhum efeito 8 59 4 […] pequeno efeito negativo 1 18 5–moderatenegativeeffect 221 Total de 18 pessoas Antes de aprofundar os resultados do teste de Kruskal-Wallis (H), é importante notar que este teste não fornece informações sobre as diferenças específicas entre grupos individuais.Para resolver este problema, o teste de Jonckheere-Terpstra (JT) foi empregado adicionalmente.Este teste forneceu informações sobre se as medianas dos grupos aumentaram ou diminuíram na ordem especificada pela variável de codificação (grupamento), especificamente de grande efeito positivo a grande efeito negativo.Em relação aos métodos de JT, o AIC foi convertido em uma pontuação z. Um valor z positivo indicou uma tendência de medianas ascendentes, ou seja, as medianas aumentaram ou diminuíram à medida que os valores da variável de codificação aumentaram. (a) A AIC dimensionada para o composto não foi significativamente afetada pelo nível de significância, conforme determinado pelo teste de Kruskal-Wallis (H (2) = 2,226, p > 0,05). 1.064, p. 05). A Comissão considera que a Comissão não cumpriu as obrigações que lhe incumbem por força do artigo 107.o, n.o 1, do TFUE. (b) A escala (6) para o primeiro componente não foi significativamente afetada pelo nível de significância, conforme determinado pelo teste de Kruskal-Wallis (H = 5,427, p > 0,05). Uma tendência de medianas ascendentes foi encontrada rejeitando a nossa hipótese de sobreajuste, ver a mediana positiva para o primeiro componente na tabela 7. Esta tendência, no entanto, não foi estatisticamente significativa de acordo com o teste de Jonckheere-Terpstra (JT = 70, z = 0,549, p > 0,05). (c) A AIC escalada para o segundo componente não foi significativamente afetada pelo nível de significância, conforme determinado pelo teste de Kruskal-Wallis (H (4) = 4.607, p > 0.05). Caritão Caritonídice 294 ActaLinguisticaLithuanicaXC Em particular, a estatística z do teste de Jonckheere-Terpstra foi essencialmente zero, de acordo com a mediana zero para o segundo componente na tabela 7 (JT = 54, z = 0,041, p > 0,05). Resumindo, pode-se inferir que o nível de significância dos coeficientes de transparência nos modelos de Gagné et al. (2019) com frequência SUBTLEX-US não afeta a magnitude de Scaled. Esta descoberta apoia indiretamente a qualidade dos modelos de Gagné et al. (2019) com preditores de transparência, indicando especificamente que a hipótese de sobreajuste para esses modelos não é sustentável. valores da AIC. Para garantir a clareza e a completude na apresentação dos resultados da nossa investigação, incorporámos uma secção dedicada centrada no resumo das principais conclusões do nosso estudo. 7. Conclusões-chave 11 abaixo apresenta uma análise abrangente do desempenho do modelo e das variáveis relevantes no contexto de tarefas de decisão léxica e de nomeação, com base nas descobertas de Gagné et al. Tabela. Cada seção da tabela aprofunda assuntos específicos, revelando quais modelos são mais eficazes. Os testes ANOVA e Kruskal-Wallis/Jonckheere-Terpstra (seções 6.3 e 6.4) foram aplicados após a atribuição de coeficientes nominais (ordinais ou categóricos) aos modelos de regressão de Gagné et al. (2019). TABELLA 11. AIC em escala dentro de compostos fechados em inglês: Análise abrangente do desempenho do modelo em tarefas de decisão léxica e de nomeação (Gagné et al. 2019) Subjects Statistics Evaluation Section Categorias de Testes de modelos normalidade BLP decisão léxica Nomeação do ELP Descriptivos ELP decisão léxica NPAR/~ Par […] 6.1 Par […] Tempo de decisão léxica ELP Nomeação task resposta ~ fonte decisão de ELP de principais efeitos léxica BLP processamento léxico […]6.2 Straipsniai Artigos 295 e 295 Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Variáveis de controlo ANOVA Frequência composta Comprimento composto ✓ ~ 6.3 Semântica NOF/ns Kruskal-WalltransparênComposis Primeiro cia to de componente Jonckheere-- Terpstra NOF/ns Segundo componente NOF/ns 6.4 PAR: dados paramétricos | NPAR: dados não paramétricos | : modelos melhores (AIC mais baixo) ~: modelos inferiores (AIC mais alto) | NOF/ns: nenhum ensaio de adaptação excessiva/não significativo 8. Discussão Pesquisa anterior de Charitonidis (2022, 24) demonstrou que o Scaled AIC é uma medida confiável de bondade de ajuste que pode ser empregada na seleção de modelos, talvez em cooperação com outras medidas, como o teste Wald (ver seção 2023) com referência a modelos de regressão múltipla com frequência SUBTLEX-US, a análise atual introduziu propriedades adicionais da medida Scaled AIC. informationcriteria(seesection2),thefindingsofthisstudysuggestthatin Antes de prosseguir com as descobertas primárias deste artigo, é importante observar addresstheresearchquestionssetupinsection4. que as distribuições de valores de AIC em escala, juntamente com combinações de diferentes fontes de tempos de resposta e tarefas de processamento, sugerem que a AIC em escala identifica efetivamente a presença ou ausência de fatores subjacentes bem definidos no projeto experimental e na modelagem estatística. 2.A frequência composta foi excepcionalmente um preditor negativo do AIC escalado, indicando sempre um grande efeito. Caritão Caritonídice 296 Acta Linguistica Lithuanica XC correlações positivas significativas com comprimento composto prevendo valores de AIC escalonados mais altos (=inferiores). A decisão léxica do BLP mostrou consistentemente correlações não significativas com comprimento composto. Tanto a decisão léxica quanto o comprimento composto previram modelos inferiores no ajuste de covariantes. 3. a positividade e o nível de significância dos coeficientes de transparência nos modelos de Gagné et al. (2019) não afetaram a magnitude do AIC dimensionado. Esta descoberta implica que os modelos de Gagné et al. (2019) com preditores de transparência não introduzem viés de sobreajuste. Referindo-se a seções específicas das análises, as principais descobertas deste estudo podem ser resumidas da seguinte forma: Na Seção 6.1, nossa análise concentrou-se na comparação entre os valores de escala em várias categorias de modelos. Mesmo depois de tentar as transformações "logaritmo natural" e "raiz quadrada" nos valores absolutos, a amostra geral de escala não se conformou com uma distribuição normal. Na Seção 6.2, nosso foco mudou para examinar a relação entre o AIC escalado e (a) as fontes de tempos de resposta e (b) o desempenho da tarefa. Curiosamente, os intervalos de valores do AIC escalado para os modelos de decisão léxica ELP e BLP não se sobrepõem, significando sua distintividade. Os resultados do teste revelaram efeitos principais significativos tanto da fonte de tempo de resposta quanto do desempenho da tarefa no AIC escalado. Notavelmente, a capacidade preditiva do AIC escalado foi melhor para nomear modelos associados aos modelos de decisão léxica BLP. Na Seção 6.3, nossa exploração aprofundou a relação entre o AIC escalado e as variáveis de controle "frequência composta" e "longo composto". A frequência composta foi excluída da análise porque era perfeitamente colinear com o Scaled. Por outro lado, observou-se um declínio nos valores do Scaled quando o comprimento composto tornou-se um fator relevante dentro dos modelos. Em termos de ajuste de covariado, tanto a tarefa de Concomitantly,compoundlengthwasmostrelevantforthenamingtask. decisão léxica como o comprimento composto eram preditivos de modelos inferiores. Na Seção 6.4, nosso foco foi colocado na relação entre o nível de significância dos andsemantictransparency.Theresearchquestionwaswhetherthepositivity coeficientes de transparência em modelos de Gagné et al. (2019) que tiveram um impacto no Scaled Ter. O objetivo principal do nosso método foi detectar potenciais efeitos de sobreajuste. Postulamos que modelos com valores de Scaled inferiores podem possuir coeficientes significativos que mantêm a relevância do nível composto […] alinhando com Straipsniai Artigos 297 e 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 nossa hipótese de sobreajuste […] o teste Jonckheere-AICstrap mostrou que essa tendência não alcançou significância estatística. Em conclusão, a exploração de diferentes parâmetros usando o Scaled A.I.C. como variável dependente iluminou as diversas maneiras em que as categorias de modelo, a fonte de tempo de resposta, as tarefas de processamento, as variáveis de controle e a transparência semântica afetam a bondade de ajuste dos modelos. 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.