具体描述
Statistics for Linguists: An Introduction Using R is the first statistics textbook on linear models for linguistics. The book covers simple uses of linear models through generalized models to more advanced approaches, maintaining its focus on conceptual issues and avoiding excessive mathematical details. It contains many applied examples using the R statistical programming environment. Written in an accessible tone and style, this text is the ideal main resource for graduate and advanced undergraduate students of Linguistics statistics courses as well as those in other fields, including Psychology, Cognitive Science, and Data Science.
《现代语言学前沿：量化分析与计算方法》 内容简介 本书旨在为语言学研究者提供一个全面而深入的视角，探讨如何运用现代量化分析技术、计算方法以及统计学原理来解决复杂的语言学问题。在信息爆炸与数据驱动研究日益成为主流的今天，传统的定性分析已不足以支撑对语言系统复杂性的充分理解。本书正是在此背景下应运而生，它构建了一座连接传统语言学理论与尖端数据科学实践的桥梁。 全书共分为五大部分，系统地介绍了从基础的描述性统计到高级的机器学习模型在语言学领域中的应用，重点强调了理论基础与实际操作的紧密结合。 --- 第一部分：语言数据驱动研究的基础范式 本部分首先为读者奠定坚实的理论与方法论基础。我们摒弃了单纯的理论构建，转而聚焦于如何有效、系统地采集、清洗和组织语言学数据。 第一章：语言学研究范式的转变：从定性到量化 本章深入剖析了二十世纪末以来，计算语言学、语料库语言学兴起对传统语言学领域产生的冲击与机遇。详细阐述了“数据驱动”范式下的研究逻辑，强调了可重复性、透明度和大规模检验的重要性。讨论了定性观察如何启发假设，以及量化验证如何确证或证伪这些假设的必要流程。 第二章：语言学语料库的构建与管理 本章是实践操作的核心。我们不仅讨论了文本语料（如新闻、文学作品、社交媒体文本）的采集标准，更细致地探讨了语音语料库和眼动追踪等非文本数据的预处理技术。重点讲解了语料库标注的质量控制（Inter-Annotator Agreement, IAA）问题，以及如何使用标准化的数据格式（如XML/TEI、JSONL）来确保数据在不同分析工具间的兼容性。此外，对伦理问题和隐私保护在大型公开语料库构建中的处理机制进行了严肃的探讨。 第三章：基础描述性统计在语言分析中的应用 本章回归基础，但视角更具应用性。我们将频率分析、集中趋势（均值、中位数、众数）和离散程度（方差、标准差）的概念，直接应用于词频分布、特定语法结构的使用率、语音特征（如音高变化范围）的量化描述。通过详实的案例，展示如何利用可视化工具（如直方图、箱线图）直观地揭示语言现象的模式，并指出描述性统计的局限性，从而自然引出推断性统计的必要性。 --- 第二部分：推断性统计与语言学假设检验 本部分是本书统计学方法论的核心，专注于如何利用样本数据对语言学总体做出可靠的推断，并检验研究者提出的特定假设。 第四章：概率论基础与语言现象的随机性 为理解统计检验的原理，本章回顾了必要的概率论知识，特别是离散与连续概率分布（如二项分布、泊松分布在罕见事件建模中的应用）。重点讨论了“偶然性”在语言变化中的作用，以及为什么我们需要统计检验来区分“真实差异”与“随机波动”。 第五章：经典参数检验：t检验与方差分析（ANOVA） 本章详细介绍了最常用的参数检验方法。t检验被应用于比较两种不同群体（如不同年龄组、不同方言群体）在某一语言特征上是否存在显著差异。方差分析（ANOVA）则被扩展用于分析多组别或多因素实验设计（例如，同时考察词频和词性对反应时间的影响）。书中提供了进行这些检验的R语言和Python代码示例，并着重讲解了零假设（$H_0$）的建立、P值的解读、效应量（如Cohen's d）的报告标准，以及统计功效分析（Power Analysis）在实验设计阶段的重要性。 第六章：非参数检验：当数据不服从正态分布时 认识到许多语言学数据（特别是语料库中的稀有事件或偏态分布数据）难以满足参数检验的前提假设，本章系统介绍了非参数方法，如Wilcoxon秩和检验、Kruskal-Wallis检验。这些方法在处理小样本或排序数据时表现出强大的鲁棒性，是语言学研究不可或缺的工具箱。 第七章：回归模型：预测与解释 回归分析是语言学研究中解释变量间关系的基石。本章从最简单的简单线性回归开始，逐步过渡到多元线性回归，用于构建更复杂的预测模型（例如，预测句长如何受其从句数量和主题复杂度的影响）。随后，针对二元结果（如某个词是否被使用，某个语法结构是否被接受），详细介绍了逻辑回归（Logistic Regression）的应用，解释了Odds Ratio的实际意义。 --- 第三部分：高级统计建模与结构分析 随着研究复杂性的增加，研究者需要更灵活的模型来捕捉语言结构中的层次性和相关性。 第八章：广义线性模型（GLMs）与混合效应模型（Mixed-Effects Models） 语言数据往往具有嵌套结构（如句子嵌套在段落中，受试者嵌套在实验组中）。本章深入探讨了线性混合效应模型，它能同时处理固定效应（如刺激类型）和随机效应（如个体差异、项目效应），从而有效避免传统回归分析中观测值间独立性假设被违反的问题。通过实际的心理语言学和句法学案例，展示了如何拟合和解读包含随机截距和随机斜率的模型。 第九章：生存分析与事件历史建模 本章关注时间依赖性的数据，特别适用于对语言习得过程、词语遗忘速度或句子加工时间的研究。我们将生存分析（Survival Analysis）的概念引入，用以分析特定语言事件发生的“时间到事件”的分布，并探讨协变量如何影响该时间。 第十章：时间序列分析与动态系统 针对语言随时间变化（如历史语言学、对话分析）的数据，本章介绍了时间序列分析的基本概念，包括自相关、趋势分解。重点讨论了如何识别和建模语言系统中潜在的动态反馈回路，而非仅仅观察静态快照。 --- 第四部分：计算方法与自然语言处理（NLP）基础 本部分将统计学与计算技术更紧密地结合，介绍如何利用大规模计算工具进行更深层次的语言结构挖掘。 第十一章：文本向量化与维度缩减 现代NLP的基石在于将文本转化为可计算的向量表示。本章详细讲解了词袋模型（BoW）、TF-IDF的计算原理及其局限性。随后，着重介绍了潜在语义分析（LSA）和主成分分析（PCA）如何用于降低高维词汇空间的复杂性，并提取潜在的主题结构。 第十二章：主题建模（Topic Modeling） 主题建模是理解大规模文本库潜在语义分布的强大工具。本书重点讲解了潜在狄利克雷分配（LDA）的生成模型原理，以及如何通过LDA来量化识别特定语料库中话语的核心议题，并分析这些主题随时间或群体间的演变情况。 第十三章：词嵌入（Word Embeddings）与语义空间 本章介绍现代词嵌入技术，如Word2Vec (Skip-gram 和 CBOW) 和 GloVe 的训练机制。核心目标是展示如何通过这些技术，在多维向量空间中捕捉词汇的语义和句法关系，并利用向量运算（如余弦相似度）来量化词汇间的“相似性”和“类比性”。 --- 第五部分：模型的评估与稳健性检验 任何分析的价值都取决于其模型的可靠性。本部分专注于如何科学地评估和报告量化结果。 第十四章：模型拟合优度与交叉验证 本章强调模型评估的关键指标，如拟合优度检验（如卡方检验、Hosmer-Lemeshow检验）和信息准则（AIC, BIC）。详细阐述了交叉验证（Cross-Validation）技术（如K折交叉验证），这是确保模型泛化能力，避免过拟合的关键步骤。 第十五章：贝叶斯方法论简介 作为对经典频率派统计的补充，本章简要介绍了贝叶斯推断的基本哲学，包括先验信息、似然函数和后验分布的计算。通过实例说明贝叶斯方法在处理小样本、复杂层次结构或纳入领域知识时所展现出的优势。 第十六章：研究报告的透明度与可重复性 最后，本章总结了量化语言学研究的最佳实践。强调了“预注册”（Preregistration）的重要性，详细指导读者如何利用R Markdown或Jupyter Notebook等工具，实现从原始数据到最终图表和统计结果报告的完整、透明、可复现的工作流程。 --- 本书特点： 理论与实践并重： 每种方法都配有针对特定语言学子领域（如句法、语音、语用、社会语言学）的真实案例分析。 工具中立但强调代码： 虽然不局限于某一款软件，但所有核心方法的实现均提供基于R或Python（使用`lme4`, `stats`, `scikit-learn`, `Gensim`等主流库）的代码示例，便于读者直接上手操作。 面向跨学科学习者： 结构设计充分考虑了语言学背景浓厚的读者可能在统计学上的知识盲区，同时为计算机背景的研究者提供了必要的语言学语境。 本书是语言学研究生、博士后研究人员以及希望将数据科学工具应用于语言研究的资深学者的理想参考书。它将赋能读者，以更严谨、更精确的方式探索语言的奥秘。
作者简介
Bodo Winter is Lecturer in Cognitive Linguistics in the Department of English Language and Applied Linguistics at the University of Birmingham, UK.
目录信息
0. Preface: Approach and how to use this book
0.1. Strategy of the book
0.2. Why R?
0.3. Why the tidyverse?
0.4. R packages required for this book
0.5. What this book is not
0.6. How to use this book
0.7. Information for teachers
1. Introduction to base R
1.1. Introduction
1.2. Baby steps: simple math with R
1.3. Your first R script
1.4. Assigning variables
1.5. Numeric vectors
1.6. Indexing
1.7. Logical vectors
1.8. Character vectors
1.9. Factor vectors
1.10. Data frames
1.11. Loading in files
1.12. Plotting
1.13. Installing, loading, and citing packages
1.14. Seeking help
1.15. A note on keyboard shortcuts
1.16. Your R journey: The road ahead
2. Tidy functions and reproducible R workflows
2.1. Introduction
2.2. tibble and readr
2.3. dplyr
2.4. ggplot2
2.5. Piping with magrittr
2.6. A more extensive example: iconicity and the senses
2.7. R markdown
2.8. Folder structure for analysis projects
2.9. Readme files and more markdown
2.10. Open and reproducible research
3. Models and distributions
3.1. Models
3.2. Distributions
3.3. The normal distribution
3.4. Thinking of the mean as a model
3.5. Other summary statistics: median and range
3.6. Boxplots and the interquartile range
3.7. Summary statistics in R
3.8. Exploring the emotional valence ratings
3.9. Chapter conclusions
4. Introduction to the linear model: Simple linear regression
4.1. Word frequency effects
4.2. Intercepts and slopes
4.3. Fitted values and residuals
4.4. Assumptions: Normality and constant variance
4.5. Measuring model fit with
4.6. A simple linear model in R
4.7. Linear models with tidyverse functions
4.8. Model formula notation: Intercept placeholders
4.9. Chapter conclusions
5. Correlation, linear, and nonlinear transformations
5.1. Centering
5.2. Standardizing
5.3. Correlation
5.4. Using logarithms to describe magnitudes
5.5. Example: Response durations and word frequency
5.6. Centering and standardization in R
5.7. Terminological note on the term ‘normalizing’
5.8. Chapter conclusions
6. Multiple regression
6.1. Regression with more than one predictor
6.2. Multiple regression with standardized coefficients
6.3. Assessing assumptions
6.4. Collinearity
6.5. Adjusted
6.6. Chapter conclusions
7. Categorical predictors
7.1. Introduction
7.2. Modeling the emotional valence of taste and smell words
7.3. Processing the taste and smell data
7.4. Treatment coding in R
7.5. Doing dummy coding ‘by hand’
7.6. Changing the reference level
7.7. Sum coding in R
7.8. Categorical predictors with more than two levels
7.9. Assumptions again
7.10. Other coding schemes
7.11. Chapter conclusions
8. Interactions and nonlinear effects
8.1. Introduction
8.2. Categorical * continuous interactions
8.3. Categorical * categorical interactions
8.4. Continuous * continuous interactions
8.5. Continuous interactions and regression planes
8.6. Higher-order interactions
8.7. Chapter conclusions
9. Inferential statistics 1: Significance testing
9.1. Introduction
9.2. Effect size: Cohen’s
9.3. Cohen’s in R
9.4. Standard errors and confidence intervals
9.5. Null hypotheses
9.6. Using to measure the incompatibility with the null hypothesis
9.7. Using the -distribution to compute -values
9.8. Chapter conclusions
10. Inferential statistics 2: Issues in significance testing
10.1. Common misinterpretations of -values
10.2. Statistical power and Type I, II, M, and S errors
10.3. Multiple testing
10.4. Stopping rules
10.5. Chapter conclusions
11. Inferential statistics 3: Significance testing in a regression context
11.1. Introduction
11.2. Standard errors and confidence intervals for regression coefficients
11.3. Significance tests with multi-level categorical predictors
11.4. Another example: the absolute valence of taste and smell words
11.5. Communicating uncertainty for categorical predictors
11.6. Communicating uncertainty for continuous predictors
11.7. Chapter conclusions
12. Generalized linear models: Logistic regression
12.1. Motivating generalized linear models
12.2. Theoretical background: Data-generating processes
12.3. The log odd function and interpreting logits
12.4. Speech errors and blood alcohol concentration
12.5. Predicting the dative alternation
12.6. Analyzing gesture perception: Hassemer & Winter (2016)
12.6.1. Exploring the dataset
12.6.2. Logistic regression analysis
12.7. Chapter conclusions
13. Generalized linear models 2: Poisson regression
13.1. Motivating Poisson regression
13.2. The Poisson distribution
13.3. Analyzing linguistic diversity using Poisson regression
13.4. Adding exposure variables
13.5. Negative binomial regression for overdispersed count data
13.6. Overview and summary of the generalized linear model framework
13.7. Chapter conclusions
14. Mixed models 1: Conceptual introduction
14.1. Introduction
14.2. The independence assumption
14.3. Dealing with non-independence via experimental design and averaging
14.4. Mixed models: Varying intercepts and varying slopes
14.5. More on varying intercepts and varying slopes
14.6. Interpreting random effects and random effect correlations
14.7. Specifying mixed effects models: lme4 syntax
14.8. Reasoning about your mixed model: The importance of varying slopes
14.9. Chapter conclusions
15. Mixed models 2: Extended example, significance testing, convergence issues
15.1. Introduction
15.2. Simulating vowel durations for a mixed model analysis
15.3. Analyzing the simulated vowel durations with mixed models
15.4. Extracting information out of lme4 objects
15.5. Messing up the model
15.6. Likelihood ratio tests
15.7. Remaining issues
15.7.1. -squared for mixed models
15.7.2. Predictions from mixed models
15.7.3. Convergence issues
15.8. Mixed logistic regression: Ugly selfies
15.9. Shrinkage and individual differences
15.10. Chapter conclusions
16. Outlook and strategies for model building
16.1. What you have learned so far
16.2. Model choice
16.3. The cookbook approach
16.4. Stepwise regression
16.5. A plea for subjective and theory-driven statistical modeling
16.6. Reproducible research
16.7. Closing words
References
Appendix A. Correspondences between significance tests and linear models
Appendix B. Reading recommendations
· · · · · · (收起)
0.1. Strategy of the book
0.2. Why R?
0.3. Why the tidyverse?
0.4. R packages required for this book
0.5. What this book is not
0.6. How to use this book
0.7. Information for teachers
1. Introduction to base R
1.1. Introduction
1.2. Baby steps: simple math with R
1.3. Your first R script
1.4. Assigning variables
1.5. Numeric vectors
1.6. Indexing
1.7. Logical vectors
1.8. Character vectors
1.9. Factor vectors
1.10. Data frames
1.11. Loading in files
1.12. Plotting
1.13. Installing, loading, and citing packages
1.14. Seeking help
1.15. A note on keyboard shortcuts
1.16. Your R journey: The road ahead
2. Tidy functions and reproducible R workflows
2.1. Introduction
2.2. tibble and readr
2.3. dplyr
2.4. ggplot2
2.5. Piping with magrittr
2.6. A more extensive example: iconicity and the senses
2.7. R markdown
2.8. Folder structure for analysis projects
2.9. Readme files and more markdown
2.10. Open and reproducible research
3. Models and distributions
3.1. Models
3.2. Distributions
3.3. The normal distribution
3.4. Thinking of the mean as a model
3.5. Other summary statistics: median and range
3.6. Boxplots and the interquartile range
3.7. Summary statistics in R
3.8. Exploring the emotional valence ratings
3.9. Chapter conclusions
4. Introduction to the linear model: Simple linear regression
4.1. Word frequency effects
4.2. Intercepts and slopes
4.3. Fitted values and residuals
4.4. Assumptions: Normality and constant variance
4.5. Measuring model fit with
4.6. A simple linear model in R
4.7. Linear models with tidyverse functions
4.8. Model formula notation: Intercept placeholders
4.9. Chapter conclusions
5. Correlation, linear, and nonlinear transformations
5.1. Centering
5.2. Standardizing
5.3. Correlation
5.4. Using logarithms to describe magnitudes
5.5. Example: Response durations and word frequency
5.6. Centering and standardization in R
5.7. Terminological note on the term ‘normalizing’
5.8. Chapter conclusions
6. Multiple regression
6.1. Regression with more than one predictor
6.2. Multiple regression with standardized coefficients
6.3. Assessing assumptions
6.4. Collinearity
6.5. Adjusted
6.6. Chapter conclusions
7. Categorical predictors
7.1. Introduction
7.2. Modeling the emotional valence of taste and smell words
7.3. Processing the taste and smell data
7.4. Treatment coding in R
7.5. Doing dummy coding ‘by hand’
7.6. Changing the reference level
7.7. Sum coding in R
7.8. Categorical predictors with more than two levels
7.9. Assumptions again
7.10. Other coding schemes
7.11. Chapter conclusions
8. Interactions and nonlinear effects
8.1. Introduction
8.2. Categorical * continuous interactions
8.3. Categorical * categorical interactions
8.4. Continuous * continuous interactions
8.5. Continuous interactions and regression planes
8.6. Higher-order interactions
8.7. Chapter conclusions
9. Inferential statistics 1: Significance testing
9.1. Introduction
9.2. Effect size: Cohen’s
9.3. Cohen’s in R
9.4. Standard errors and confidence intervals
9.5. Null hypotheses
9.6. Using to measure the incompatibility with the null hypothesis
9.7. Using the -distribution to compute -values
9.8. Chapter conclusions
10. Inferential statistics 2: Issues in significance testing
10.1. Common misinterpretations of -values
10.2. Statistical power and Type I, II, M, and S errors
10.3. Multiple testing
10.4. Stopping rules
10.5. Chapter conclusions
11. Inferential statistics 3: Significance testing in a regression context
11.1. Introduction
11.2. Standard errors and confidence intervals for regression coefficients
11.3. Significance tests with multi-level categorical predictors
11.4. Another example: the absolute valence of taste and smell words
11.5. Communicating uncertainty for categorical predictors
11.6. Communicating uncertainty for continuous predictors
11.7. Chapter conclusions
12. Generalized linear models: Logistic regression
12.1. Motivating generalized linear models
12.2. Theoretical background: Data-generating processes
12.3. The log odd function and interpreting logits
12.4. Speech errors and blood alcohol concentration
12.5. Predicting the dative alternation
12.6. Analyzing gesture perception: Hassemer & Winter (2016)
12.6.1. Exploring the dataset
12.6.2. Logistic regression analysis
12.7. Chapter conclusions
13. Generalized linear models 2: Poisson regression
13.1. Motivating Poisson regression
13.2. The Poisson distribution
13.3. Analyzing linguistic diversity using Poisson regression
13.4. Adding exposure variables
13.5. Negative binomial regression for overdispersed count data
13.6. Overview and summary of the generalized linear model framework
13.7. Chapter conclusions
14. Mixed models 1: Conceptual introduction
14.1. Introduction
14.2. The independence assumption
14.3. Dealing with non-independence via experimental design and averaging
14.4. Mixed models: Varying intercepts and varying slopes
14.5. More on varying intercepts and varying slopes
14.6. Interpreting random effects and random effect correlations
14.7. Specifying mixed effects models: lme4 syntax
14.8. Reasoning about your mixed model: The importance of varying slopes
14.9. Chapter conclusions
15. Mixed models 2: Extended example, significance testing, convergence issues
15.1. Introduction
15.2. Simulating vowel durations for a mixed model analysis
15.3. Analyzing the simulated vowel durations with mixed models
15.4. Extracting information out of lme4 objects
15.5. Messing up the model
15.6. Likelihood ratio tests
15.7. Remaining issues
15.7.1. -squared for mixed models
15.7.2. Predictions from mixed models
15.7.3. Convergence issues
15.8. Mixed logistic regression: Ugly selfies
15.9. Shrinkage and individual differences
15.10. Chapter conclusions
16. Outlook and strategies for model building
16.1. What you have learned so far
16.2. Model choice
16.3. The cookbook approach
16.4. Stepwise regression
16.5. A plea for subjective and theory-driven statistical modeling
16.6. Reproducible research
16.7. Closing words
References
Appendix A. Correspondences between significance tests and linear models
Appendix B. Reading recommendations
· · · · · · (收起)
读后感
用户评价
这本书的实用价值体现在其丰富的案例分析中。作者并没有仅仅停留在理论的讲解，而是巧妙地将各种统计方法应用到了真实的语言学研究场景中。这些案例选取得非常典型，覆盖了从语音学、句法学到语篇分析等多个领域，让我看到了统计学在语言研究中的广泛应用前景。更重要的是，作者在讲解案例时，非常细致地剖析了研究设计、数据收集、方法选择以及结果解读的全过程，让我们能够更深刻地理解理论是如何转化为实践的，也为我们自己的研究提供了宝贵的借鉴。
这本书的内容组织脉络清晰，逻辑性非常强。从基础的概念入手，循序渐进地引导读者深入到更复杂的分析方法。每个章节都像是一块精心搭建的积木，在前一章的基础上，不断拓展和深化。我最喜欢的是作者在每个关键点都会设置一些小练习或者思考题，这不仅巩固了我们刚刚学到的知识，更重要的是，它鼓励我们主动去思考，去发现其中的关联。这种互动性的设计，让学习过程不再是被动接受，而是主动探索，大大提升了学习的效率和趣味性。
这本书的排版布局真的堪称艺术品。每一页都经过了精心的设计，字体的选择既清晰易读，又不会显得过于呆板，大小适中，长时间阅读也不会让眼睛感到疲劳。段落之间的留白恰到好处，让信息得以疏散，读者可以更轻松地捕捉到核心内容，不会觉得信息爆炸。更让我惊喜的是，书中穿插了一些精美的插图和图表，它们并非简单的装饰，而是能够直观地阐释抽象的概念，将原本可能晦涩难懂的知识点变得生动有趣。这些图表的线条流畅，色彩搭配和谐，即使是对设计不太敏感的人，也能感受到其中蕴含的专业和美感。
这本书的封面设计简直是太吸引人了，简洁的背景色搭配上醒目的字体，让人一眼就能记住。我尤其喜欢那种沉静而又充满智慧的蓝色，仿佛预示着这本书将带领我走进一个充满逻辑和洞察力的世界。拿到书的时候，纸张的触感非常舒服，不是那种廉价的光面纸，而是带着一种温润的质感，翻阅的时候不易留下指纹，更不会有刺鼻的油墨味，这让我对作者在细节上的用心感到由衷的赞赏。书的装帧也非常牢固，即使经常翻阅，也不担心会有散架的情况发生，我猜这大概是为了方便我们这些热衷于在书页边缘做笔记、画重点的读者吧。
我特别欣赏作者的语言风格，流畅且充满感染力。读起来一点都不像是在啃一本技术性的书籍，反而更像是与一位经验丰富的导师在进行一场深入的交流。他善于使用类比和故事来解释复杂的理论，让那些听起来高高在上的概念瞬间变得触手可及。举个例子，他讲到某种统计方法的由来时，竟然引用了一个非常生动的历史轶事，让我忍不住会心一笑，同时也牢牢记住了那个方法的精髓。这种寓教于乐的方式，极大地降低了学习门槛，让即便是初学者也能在轻松愉快的氛围中，逐渐建立起对统计学的信心。
很实用！
很实用！
很实用！
著名的bodo winter写的统计教材。基本思路就是抛弃各种统计测试，一套线性回归走天下。感觉这是language science的潮流，基本大家都抛弃各种anova之类的，全用mixed effects model了
很实用！
