语言科学实验数据中的自相关误差：广义加性混合模型提供的若干解决方案
应用统计
2016-01-12 v1
摘要
在语言科学的实验数据统计分析中，一个往往被忽视的问题是响应常构成时间序列，这引发了自相关误差问题。若误差确实呈现自相关结构，则由于p值的潜在反保守性，模型中预测因子显著性的评估会变得棘手。本文阐释了广义加性混合模型（GAMM）（Lin and Zhang, 1999; Wood, 2006, 2011, 2013）所提供的用于处理自相关误差的两种工具，它们实现于第四作者mgcv包（1.8.9）的当前版本中：为高斯模型指定ar(1)误差模型的可能性，以及将因子平滑用于诸如受试和项目等随机效应因子的可能性。这些因子平滑被设定为具有相同的平滑参数，并受惩罚以产生经典线性框架中随机截距和随机斜率的非线性等价物。三个案例研究阐释了这些问题。
引用
@article{arxiv.1601.02043,
title = {Autocorrelated errors in experimental data in the language sciences: Some solutions offered by Generalized Additive Mixed Models},
author = {R. Harald Baayen and Jacolien van Rij and Cecile de Cat and Simon N. Wood},
journal= {arXiv preprint arXiv:1601.02043},
year = {2016}
}
备注
10 figures