[논문 리뷰] Generalised additive mixed models for dynamic analysis in linguistics: a practical introduction

Márton Sóskuthy|arXiv (Cornell University)|2017. 03. 15.

Phonetics and Phonology Research참고 문헌 13인용 수 123

한 줄 요약

이 논문은 동적 언어 분석을 위한 일반화 가법 혼합 모델(GAMMs)에 대한 실전적이고 실용적인 소개를 제공하며, 형식도(tr) 궤적과 R에서의 빈도주의적 유의성 검정 지침에 초점을 맞춥니다.

ABSTRACT

This is a hands-on introduction to Generalised Additive Mixed Models (GAMMs) in the context of linguistics with a particular focus on dynamic speech analysis (e.g. formant contours, pitch tracks, diachronic change, etc.). The main goal is to explain some of the main ideas underlying GAMMs, and to provide a practical guide to frequentist significance testing using these models. The introduction covers a range of topics including basis functions, the smoothing penalty, random smooths, difference smooths, smooth interactions, model comparison and autocorrelation. It is divided into two parts. The first part looks at what GAMMs are, how they work and why/when we should use them. Although the reader can replicate some of the example analyses in this section, this is not essential. The second part is a tutorial introduction that illustrates the process of fitting and evaluating GAMMs in the R statistical software environment, and the reader is strongly encouraged to work through the examples on their own machine.

연구 동기 및 목표

• GAMMs가 무엇이며 언어의 동적 분석에서 언제 사용할지 설명합니다.
• GAMMs를 적합하고 평가하는 실용적인 R 기반 튜토리얼을 제공합니다.
• 기저 함수, 스무딩 매개변수, EDF, 그리고 GAMMs에서의 모델 해석에 대해 논의합니다.
• 잔차 자기상관 및 무작위 스무스와 오차 모델의 역할이 추론을 개선하는 데 어떤 기여를 하는지 다룹니다.

제안 방법

• GAMMs를 소개하고 GAMs 및 선형 혼합 효과 모델과의 차이점을 설명합니다.
• mgcv의 bam()으로 GAMMs를 적합하고 s()를 사용한 스무스 항을 시연합니다.
• 기저 함수, 매듭, 스무딩 매개변수 및 EDF 해석을 포함하여 설명합니다.
• 랜덤 인터셋트, 랜덤 기울기, 랜덤 스무스가 집단/궤적 변이를 어떻게 포착하는지 보여줍니다.
• 잔차 자기상관과 이를 다루기 위한 전략(랜덤 스무스, 오차 모델)을 논의합니다.
• 다양한 스무스 클래스(세제곱 회귀 스플라인, 얇은 판 스플라인, P-스플라인) 및 다변량 스무스에 대해 설명합니다.

실험 결과

연구 질문

• RQ1 동적 언어 데이터의 맥락에서 GAMMs가 무엇이며 GAMs 및 선형 혼합 효과 모델과 어떻게 다른가요?
• RQ2 궤적을 모델링할 때 스무딩 매개변수, 기저 함수 선택, 매듭 수를 어떻게 선택하고 해석해야 하나요?
• RQ3 비선형 궤적에서 그룹 간 변이를 포착하는 데 있어 특히 랜덤 스무스의 역할은 무엇인가요?
• RQ4 GAMM 기반 분석에서 잔차 자기상관을 어떻게 식별하고 완화할 수 있나요?
• RQ5 다른 스무스 클래스와 다변량 스무스가 동적 음성 분석의 모델 적합도와 해석에 어떤 영향을 미치나요?

주요 결과

• GAMMs는 랜덤 스무스를 포함한 랜덤 효과를 도입함으로써 궤적-그룹 변이를 포착하는 GAMs의 확장을 제공합니다.
• 스무딩 매개변수와 EDF는 곡선의 휘김 정도를 결정하며, 데이터에서 추정되어 과적합/저적합을 방지합니다.
• 랜덤 스무스는 랜덤 인터셋트/기울기만으로는 얻기 어려운 궤적 데이터의 적합성을 substantially 개선할 수 있으며, 계산 비용은 증가합니다.
• 모델 잔차의 잔차 자기상관은 모델 잘못된 사양을 나타내며, 이를 랜덤 스무스나 오차 모델로 다룰 수 있습니다.
• 다른 스무스 클래스(세제곱 회귀 스플라인, 얇은 판 스플라인, P-스플라인)는 넓게 유사한 적합 곡선을 생성하지만 서로 다른 기저 함수와 특성을 가집니다.
• 다변량 스무스를 통해 기간(duration)과 같은 추가 예측 변수에 따라 궤적이 어떻게 변하는지 모델링할 수 있습니다.