Az adatok statisztikai elemzését általános lineáris kevert modellekkel (GLMM) végeztem az R programban (R Core Team 2019), 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 függő változókra, azaz a zönge%-ra, illetve az aspiráció értékére két általános lineáris kevert modellt írtam fel. A statisztikai modellekben a zönge%- és az aspiráció-érték függő változókat a három beszélői csoport (a kínai anyanyelvű kontrollcsoport és a magyar anyanyelvű beszélők két szintje), valamint a szegmentum független változók interakciójában értelmeztem. A modellben szerepelt egy random változó (random intercept), a beszélő személye is (modellzönge% = lmer(zönge% ~ beszélői csoport * szegmentum + (1|beszélő), illetve (modellaspiráció = lmer(aspiráció ~ beszélői csoport * szegmentum + (1|beszélő). Az adatokon belül részhalmazokat hoztam létre annak érdekében, hogy a kínai szegmentumokat össze tudjam vetni a magyarok és a kínaiak ejtésében, valamint a magyarok ejtésében össze tudjam hasonlítani a magyar és kínai szegmentumokat. Abban az esetben, amikor kizárólag kínai beszédhangok ejtését vetettem össze különböző beszélői csoportok között, a szegmentum változónak képzési hely szerinti három szintjét vizsgáltam (bilabiális, alveoláris, veláris). A magyar és kínai szegmentumok összevetésekor a szegmentum hatszintű független változó a nyelvet is kódolta, és ezért összehasonlítást engedett az ugyanolyan képzési helyű, de eltérő nyelven megvalósuló szegmentumok esetében. A változók szintjeit páronként post hoc tesztekkel vetettem össze (Lenth 2020) (modellpost hoc = lsmeans(modellzönge%/aspiráció, list(pairwise ~ beszélői csoport * szegmentum), adjust = ”tukey”). Az adatokat a ggplot2 csomag segítségével ábrázoltam (Wickham 2016).