[論文レビュー] Out of the Cage of Shadows

R. Harald Baayen, Shravan Vasishth+2 more|arXiv (Cornell University)|Nov 10, 2015

Sensory Analysis and Statistical Methods参考文献 45被引用数 6

ひとこと要約

この論文は、線形混合モデルにおける最大ランダム効果アプローチに挑戦し、心理言語学的実験における適応的認知プロセスが残差誤差に検出可能な自己相関を残すことを示している。一般化加法混合モデル（GAMMs）を用いて、被験者が時間とともに適応する状況では、非線形時間効果およびランダムスムーズを考慮したデータ駆動型モデル選択が、正確な推論に不可欠であることを示した。これはBarrら（2013）が提唱する設計駆動型モデル選択基準とは対照的である。

ABSTRACT

Unlike molecules or plots of barley, subjects in psycholinguistic experiments are intelligent beings that depend for their survival on constant adaptation to their environment. This study presents three data sets documenting the presence of adaptive processes in psychological experiments. These adaptive processes leave a statistical footprint in the form of autocorrelations in the residual error associated with by-subject time series of trial-to-trial responses. Generalized additive mixed models (GAMMs) provide a unified framework within which both factorial predictors and covariates given with the experimental design, as well as non-linear random effects and interactions with experimental time can be uncovered and evaluated. GAMMs not only provide substantially improved fits to experimental data with time series structure, but also provide improved insight into predictors of theoretical interest, as well as a more refined window on the random effects structure. Our results challenge the standard advocated by Barr et al. (2013). The analytical cage of the maximal linear mixed model to which this standard confines the analyst is motivated by simulation studies which presuppose experimental data to be sterile, and free of any adaptive processes. However, when adaptive processes are present in real data, the simulation results of Barr et al. are no longer informative. For such data, the method of analysis cannot be purely design-driven, but must be in part driven by the data.

研究の動機と目的

• 心理言語学的実験における適応的認知プロセスが応答データに検出可能な統計的痕跡を残すかどうかを調査すること。
• Barrら（2013）が提唱するように、無作為で非適応的データを仮定する標準的な最大線形混合モデルの推奨を挑戦すること。
• 試行ごとの応答における時系列構造が、非線形ランダム効果および実験時間との相互作用をモデル化する必要があることを示すこと。
• 実験設計に依存するのではなく、観察された残差パターンに基づいて、部分的にデータ駆動型のモデル選択プロセスを提唱すること。

提案手法

• 研究は、実験設計からの因子的予測子および共変量と非線形ランダム効果を同時にモデル化するために、一般化加法混合モデル（GAMMs）を採用する。
• GAMMsは、被験者レベルの応答軌道における適応的プロセスを捉える滑らかで時間変動するランダム効果を検出および推定するために用いられる。
• 残差誤差における自己相関は、時系列データにおける適応的行動の統計的指標として特定される。
• この手法により、固定効果（例：実験条件）と複雑なランダム効果構造（時間の滑らかな関数を含む）の両方の評価が可能になる。
• 標準線形混合モデルが見逃す非線形性および時間依存ランダム効果を組み込むことで、モデルの適合度と推論が向上する。
• モデル選択は、純粋に設計駆動型（例：最大モデル）から、観察された残差パターンに基づく部分的にデータ駆動型へとシフトする。

実験結果

リサーチクエスチョン

• RQ1 人間被験者における適応的プロセスは、心理言語学的応答データに検出可能な統計的痕跡を残すか？
• RQ2 実験的試行における残差誤差の自己相関は、時間経過に伴う認知的適応とどのように関係するか？
• RQ3 適応的プロセスを有するデータに標準的な最大線形混合モデルを適用した場合、どの程度失敗するか？
• RQ4 一般化加法混合モデル（GAMMs）は、従来の線形混合モデルと比較して、時間変動する被験者レベルの応答をよりよく捉えることができるか？
• RQ5 心理言語学的実験におけるモデル選択は、実験設計に依存するのではなく、データパターンによってより適切にガイドされるべきか？

主な発見

• 被験者における適応的プロセスは、試行ごとの応答の残差誤差における自己相関という検出可能な統計的痕跡を残す。
• 適応的ダイナミクスを有する時系列データに適用した場合、一般化加法混合モデル（GAMMs）は、標準線形混合モデルと比較して著しく高いモデル適合度を示す。
• 適応的行動の存在は、Barrら（2013）が提唱するように、最大ランダム効果モデルを正当化するシミュレーション研究の仮定を無効にする。
• 適応的プロセスが存在する状況では、最大線形混合モデルはもはや有効なデフォルトではなくなる。なぜなら、非線形時間効果および滑らかなランダム偏差を捉えられていないからである。
• モデル選択は、実験設計に依存するのではなく、特に残差の自己相関に基づいて行われるべきである。
• 本研究は、GAMMsを用いて時間変動するランダム効果を解明するデータ駆動型モデル選択が、より正確で洞察に富んだ推論をもたらすという実証的証拠を提供する。