[論文レビュー] Generalised additive mixed models for dynamic analysis in linguistics: a practical introduction

Márton Sóskuthy|arXiv (Cornell University)|Mar 15, 2017

Phonetics and Phonology Research参考文献 13被引用数 123

ひとこと要約

この論文は、動的言語分析のための Generalised Additive Mixed Models (GAMMs) に対する実践的でハンズオンの入門を提供し、フォーマント軌道に焦点を当て、R における頻度主義的有意性検定の指針を示す。

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.

研究の動機と目的

• GAMMs とは何か、動的言語分析においていつ使用すべきかを説明する。
• GAMMs のフィットと評価のための実践的で R ベースのチュートリアルを提供する。
• GAMMs における基底関数、平滑化パラメータ、EDF、およびモデルの解釈について論じる。
• 推定の信頼性向上のための残差自己相関と、ランダム平滑および誤差モデルの役割に対処する。

提案手法

• GAMMs を紹介し、それらを GAMs および線形混合効果モデルと比較する。
• mgcv の bam() を用いた GAMMs の適合と、s() を用いた平滑項のデモンストレーション。
• EDF の解釈を含む基底関数、結節点、および平滑化パラメータを説明する。
• ランダム切片、ランダム傾き、ランダム平滑がグループ/軌道の変動をどう捉えるかを示す。
• 残差自己相関と、それに対処するための戦略（ランダム平滑、誤差モデル）について論じる。
• 異なる平滑クラス（立方回帰スプライン、薄板スプライン、P-スプライン）および多変量平滑を説明する。

実験結果

リサーチクエスチョン

• RQ1 動的言語データの文脈において、GAMMs とは何か、GAMs および線形混合効果モデルとどう異なるか。
• RQ2 軌道をモデル化する際、平滑化パラメータ、基底関数の選択、および結節点の数をどのように選択し、解釈すべきか。
• RQ3 非線形軌道におけるグループ間変動を捉える際のランダム効果、特にランダム平滑の役割は何か。
• RQ4 GAMM ベースの分析で残差自己相関をどのように識別し、緩和できるか。
• RQ5 異なる平滑クラスと多変量平滑が動的な音声分析におけるモデル適合度と解釈にどう影響するか。

主な発見

• GAMMs は GAMs を拡張し、ランダム平滑を含むランダム効果を組み込んで軌道とグループ間の変動を捉える。
• 平滑化パラメータと EDF は曲線の揺れを決定し、過適合/未適合を防ぐためにデータから推定される。
• ランダム平滑は、ランダム切片/傾きだけと比較して軌道データの適合を実質的に改善できるが、計算量が増える。
• 残差自己相関はモデルのミススペックを示し、ランダム平滑や誤差モデルで対処できる。
• 異なる平滑クラス（立方回帰スプライン、薄板スプライン、P-splines）は概ね同様の適合曲線を生み出すが、基底関数と特性が異なる。
• 多変量平滑は、軌道が duration のような追加の予測因子でどのように変化するかをモデリングできる。