7.3.5. Statisztikai elemzések
Jegyzet elhelyezéséhez, kérjük, lépj be.!
Hivatkozások
Válaszd ki a számodra megfelelő hivatkozásformátumot:
Harvard
Juhász Kornélia (2025): A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. : Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467Letöltve: https://mersz.hu/hivatkozas/m1313amandny_807/#m1313amandny_807 (2025. 12. 25.)
Chicago
Juhász Kornélia. 2025. A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. : Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467
(Letöltve: 2025. 12. 25.https://mersz.hu/hivatkozas/m1313amandny_807/#m1313amandny_807)
APA
Juhász K. (2025). A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467.
(Letöltve: 2025. 12. 25.https://mersz.hu/hivatkozas/m1313amandny_807/#m1313amandny_807)
A statikus adatok statisztikai elemzését lineáris kevert modellekkel végeztem az R programban (R Core Team 2021) az lme4 csomag (Bates et al. 2015) segítségével. A p- és F-értékeket Satterthwaite-approximáció segítségével nyertem ki, ami a lmerTest csomagban (Kuznetsova et al. 2017) elérhető. A változók szintjeit páronként post hoc tesztekkel vetettem össze az emmeans csomaggal (Lenth 2020). Az adatokat a ggplot2 csomag segítségével ábrázoltam (Wickham 2016). Minden kevert modell esetében a beszélő volt a random változó (random intercept). Külön modellekkel vizsgáltam az emelkedő és az ereszkedő dallamokat: az öt statikus szempontú függő változóra, azaz az f0 maximumára, minimumára, az alaphangtartományra, az időtartamra és a tranzíció sebességére külön-külön modelleket, azaz összesen 10 modellt írtam fel. Minden függő változó esetében a modalitás, avagy a közléstípus volt a független változó, ami a dallammenet iránya (emelkedő/ereszkedő) szerint 3-3 szinttel rendelkezett: az emelkedő dallamok esetében a független változó három szintje a kínai 2. tónus, a magyar egy szótagú kérdés és a magyar alternatív kérdés első tagja volt, az ereszkedő dallamok esetében a pedig a kínai 4. tónus, a magyar felszólító és a magyar kijelentő kérdés közléstípusa.
Jegyzet elhelyezéséhez, kérjük, lépj be.!
Hivatkozások
Válaszd ki a számodra megfelelő hivatkozásformátumot:
Harvard
Juhász Kornélia (2025): A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. : Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467Letöltve: https://mersz.hu/hivatkozas/m1313amandny_808/#m1313amandny_808 (2025. 12. 25.)
Chicago
Juhász Kornélia. 2025. A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. : Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467
(Letöltve: 2025. 12. 25.https://mersz.hu/hivatkozas/m1313amandny_808/#m1313amandny_808)
APA
Juhász K. (2025). A mandarin beszédhangok produkciója kínaiul tanuló magyar anyanyelvűek ejtésében. Akadémiai Kiadó.
https://doi.org/10.1556/9789636641467.
(Letöltve: 2025. 12. 25.https://mersz.hu/hivatkozas/m1313amandny_808/#m1313amandny_808)
A dinamikus elemzésekben generalizált additív modelleket (GAMM) használtam, ebben az esetben is külön modellel vizsgálva az emelkedő és ereszkedő dallamokat. Az alapmodellben az (5 milliszekundumonként kinyert és félhangokká konvertált) f0 függő változóra a normalizált időtartam független változó hatását vizsgáltam, ami megadja, hogy az f0 értéke az időtartamra simítva hogyan változik a normalizált időtartamon belül. A modellt a közléstípus/modalitás háromszintű, sorba rendezett faktorváltozójával is kiegészítettem, ahol a dallamok közül mindig a kínai tónus volt a változó első szintje, tehát a modellben ez az f0-görbe tekinthető referenciának, amelyhez képest a modell a többi görbe eltérését számolja. A modellt továbbá mintánkénti random simítással bővítettem. A becsült görbék statisztikai elemzését az R-ben (R Core Team 2021) az mgcv (Wood 2017) csomaggal, míg a görbék ábrázolását az itsadug (van Rij et al. 2020) csomag segítségével végeztem.