Specifying the random effect structure in linear mixed effect models for analyzing psycholinguistic data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Linear mixed-effect models (LMEM) have become a popular method for analyzing nested experimental data, which are often encountered in psycholinguistics and other fields.This approach allows for experimental results to be generalized to the greater population of both subjects and experimental stimuli.The difference between LMEM and basic multiple regression is the inclusion of random effects, which model the variance attributable to random sampling.In an influential paper, Barr et al. (2013) recommend specifying the maximal random effect structure allowed by the experimental design, which means including random intercepts and random slopes for all within-subjects and within-items experimental factors, as well as allowing correlations between within-unit random effects.But anecdotally, maximal LMEMs are prone to model non-convergence, which is the failure of the model estimation algorithm to reach a solution.The goal of this thesis is thus to formally investigate the occurrence of model non-convergence in LMEMs with different random effect structures and different numbers of predictors through a simulation study.We also evaluate the use of information criteria (IC), specifically AIC and BIC, in selecting the best-fitting model.The results show that complex models (i.e., with more parameters) lead to a dramatic increase in the non-convergence rate, but only in cases of model overfitting.Furthermore, AIC and BIC were found to select the true model from four candidate models in the majority of cases, although selection accuracy varied by LMEM random effect structure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,411 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle