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 COG-re, illetve a magánhangzó kezdetén mért F3 értékére (kezdeti F3-érték) két lineáris kevert modellt írtam fel. A képzés helyének vizsgálatát megcélzó statisztikai modellben a COG-adatokat a három beszélői csoport (a kínai anyanyelvű kontrollcsoport és a magyar anyanyelvű beszélők két szintje), valamint a képzés helye (kváziretroflex, dentális) független változók interakciójában értelmeztem, kiegészítve egy random változóval (random intercept), a beszélő személyével (modellCOG = lmer(COG ~ beszélői csoport * képzés helye + (1|beszélő)). A magánhangzó kezdetén mért F3 értékére felállított statisztikai modellben szintén a beszélői csoportok és a két képzési hely (kváziretroflex és dentális) hatását vizsgáltam. E két független változó, illetve ezek interakciója mellett random változóként (random intercept) itt is a beszélőt adtam meg (modellF3 = lmer(F3 ~ beszélői csoport * képzés helye + (1|beszélő)). Az egyéni variancia statisztikai vizsgálatát is az előbbiekhez hasonlóan szintén kevert modellekkel végeztem, amelyekben a függő változó a COG szórása, valamint az F3 értékében beszélőnként számolt szórás volt, a független változók pedig a beszélői csoport, valamint a képzés helye, továbbá random változónak (random intercept) továbbra is a beszélőt tekintettem (modellSD = SD ~. beszélői csoport * képzés helye + (1|beszélő)).