Az adatokat lineáris kevert modellekkel elemeztük az R programban (R Core Team 2018) az lme4 (Bates et al. 2015), valamint az lmerTest csomag (Kuznetsova et al. 2017) segítségével. A p- és F-értékeket Satterthwaite-approximáció segítségével nyertük. A modellekben random hatásként (interceptként/metszéspontként, illetve meredekségként) felvettük a beszélőt, de csak akkor, ha ez szignifikánsan növelt a modell prediktív erején (az anova függvény és az AIC információs kritérium alapján). Az Akaike-féle információs kritérium (Akaike information criterion, AIC, Akaike 1974) statisztikai modellek relatív jóságának mérésére alkalmas szám, és azt mutatja meg, hogy mennyi információt veszítünk akkor, ha az adott modellel reprezentáljuk az adatokat. Az AIC relatív, csak ugyanazon kimeneti változót tartalmazó modellek összehasonlítására alkalmas mérőszám, melynek kisebb értékei jelentik a jobb modellilleszkedést (kevesebb információvesztést). Az AIC alapján történő modellválasztás során tehát a legkisebb értékű modellt tekintjük a legjobbnak, ugyanakkor Anderson és Burnham (2004) alapján azok a modellek, melyek a lekisebb AIC-értékkel (AICmin) rendelkező modelltől maximum 2 ponttal térnek el (∆AICmin ≤ 2), a legkisebb értékű modellhez hasonló illeszkedésűnek tekinthetők. Így tehát amennyiben a minimális modell AIC-értéke alacsonyabb volt, mint a tesztelendő faktorokat tartalmazóké, vagy kevesebb mint 2 ponttal tért el azoktól, az azt jelentette, hogy a vizsgált hatások nem javítottak az adatok modellezésén.