[论文解读] 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 6

一句话总结

本文通过证明心理语言学实验中自适应认知过程会在残差误差中留下可检测的自相关性，挑战了线性混合模型中最大随机效应方法的合理性。利用广义可加混合模型（GAMMs），本研究表明，在受试者随时间适应的情境下，必须采用考虑非线性时间效应和随机平滑项的数据驱动模型选择方法，才能实现准确推断，这与Barr等人（2013）提出的基于实验设计的模型选择标准相矛盾。

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.

研究动机与目标

• 调查心理语言学实验中自适应认知过程是否会在响应数据中留下可检测的统计特征。
• 挑战Barr等人（2013）所倡导的标准建议，即使用最大线性混合模型，该建议假设数据为无菌的、非自适应的。
• 证明试验序列响应中的时间序列结构要求对非线性随机效应及与实验时间的交互作用进行建模。
• 倡导一种结合观测到的残差模式而非仅依赖实验设计的数据驱动模型选择过程。

提出的方法

• 本研究采用广义可加混合模型（GAMMs）联合建模实验设计中的因子预测变量与协变量，以及非线性随机效应。
• 利用GAMMs检测并估计捕捉个体响应轨迹中自适应过程的平滑时间变化随机效应。
• 残差误差中的自相关性被识别为时间序列数据中自适应行为的统计痕迹。
• 该方法可同时评估固定效应（如实验条件）和复杂的随机效应结构，包括时间的平滑函数。
• 通过整合非线性项和时变随机效应，模型拟合与推断得到改善，而这些正是标准线性混合模型所忽略的。
• 该方法将模型选择从完全基于设计的（如最大模型）转变为部分基于数据的，依据为观测到的残差模式。

实验结果

研究问题

• RQ1 人类受试者中的自适应过程是否会在心理语言学响应数据中留下可检测的统计痕迹？
• RQ2 残差误差中的自相关性与实验试次中随时间推移的认知适应之间有何关系？
• RQ3 当应用于具有自适应过程的数据时，标准最大线性混合模型在多大程度上会失效？
• RQ4 与传统线性混合模型相比，广义可加混合模型（GAMMs）是否能更好地捕捉随时间变化的个体水平响应？
• RQ5 心理语言学实验中的模型选择是否更应由数据模式而非实验设计本身来引导？

主要发现

• 自适应过程会在试验序列响应的残差误差中留下可检测的统计痕迹，表现为自相关性。
• 当应用于具有自适应动态的时间序列数据时，广义可加混合模型（GAMMs）相比标准线性混合模型提供了显著更优的模型拟合。
• 自适应行为的存在使支持最大随机效应模型的模拟研究假设（如Barr等人，2013年研究中的假设）失效。
• 当存在自适应过程时，最大线性混合模型不再是一个有效的默认模型，因为它无法捕捉非线性时间效应和平滑随机偏差。
• 模型选择必须基于数据模式，特别是残差自相关性，而非仅由实验设计驱动。
• 本研究提供了实证证据，表明使用GAMMs揭示时变随机效应的数据驱动模型选择，可带来更准确、更具洞察力的推断。