Exploring Scaled AIC within English closed compounds

Los a ículos 273 y 274 de la Cons i ución CHARITONCHARITONIDIS In es igado independien e ORCID id: o cid.o g/0000-0003-0298-2629 El núme o de iden i icación de la emp esa es el siguien e: Campos de in es igación: o mación de palab as, exp esiones de a ias palab as, semán ica léxica, econocimien o de palab as, emoción. DOI: doi.o g/10.35321/all90-11 (en inglés) (en inglés) Explo ación de la AIC a escala En inglés ce ado Compues os Inglés de las lenguas jungla as (sudu inių žodžių) skalės AIC y imas (in es igación de las cali icaciones) Ano ación de la Comisión El C i e io de In o mación (AIC) es una medida es ablecida de la bondad de la adecuación pa a selecciona modelos en el análisis de da os empí icos, pe o la alidez es sensible al amaño de la mues a.La in es igación an e io del au o ha demos ado que Scaled, es deci , di idido po el amaño de la mues a, es una he amien a e icaz pa a e alua el ajus e del modelo y je a quiza los modelos de eg esión.El p esen e es udio explo a más p opiedades de es a a iable.Los e ec os de la in es igación son 66 modelos de espues a de la AIC que se e ie en al p ocesamien o de compues os ce ados (conca enados) omados de P ojec Gagné e al. PAZAS cla e: compues os en inglés, AIC a escala, decisión léxica, nomb amien o. ANOTACIJA El c i e io de la in o mación Akaikės (angl. AIC) es pas o us modelių inkamumo ma as, aikomas empi inių duomenų analizei. El c i e io de la in o mación Akaikės (angl. AIC) es pas o us modelių inkamumo ma as, aikomas empi inių duomenų analizei. Ca i ón Ca i ónidis 274 Ac a Linguis ica Li uanica XC au o iaus y imai pa odė, kad skalės, padaly as iš im ies dydžio, y a eiksminga p iemonė modelio inkamumui į e in i i eg esijos modeliams hie a chizuo i. Šiame y ime nag inėjamos olimesnės šio kin ypa ybių. pa i imo objek as 66 daugių eg esijos modeliai, susiję su užda ų (sudu inių) anglų kalbos junginių, paim ų iš bazės (AIC). LADEC, apdo ojimu Pi miausia su siūlimas su p ojek ų me odai Analysis o a iance (ANOVA), pag indinių ezul a u i Gagné’ėsi ki ų (2019)Anglųkalbossudu iniųžodžių(junginių) didžiosiosduomenų i amė i ame inų šal ų. ESMINIAI ŽODŽIAI: inglés lenguaje junginiai (sudu iniai žodžiai), skalės AIC, p ojek u(angl.ELP)i B i ųkalbosžodynop ojek u(angl.BLP),kaipa sakolaiko,leksinių sp endimųi į a dijimoužduočių,junginiųilgioi skaid umono mųšal iniai.Naudojami leksinis sp endimas, į a dijimas. 1. La g an base de da os De los compues os en inglés (LADEC: GAGNÉ ET AL. 2019)1 (En onces, ¿qué se puede hace pa a e i a que se p oduzca un aumen o de la can idad de p oduc os que se u ilizan en el me cado eu opeo? La G an Base de Da os de Compues os Ingléses (LADEC: Gagné e al. 2019) es la base de da os exis en e más g ande de palab as compues as.Desde el conjun o comple o de en adas de LADEC, 7.804 compues os pueden se lib emen e pa emados en dos componen es mo ológicos.Una g an a iedad de compues os se conside a, po ejemplo, los compues os noun-noun, po ejemplo, el P oyec o de Lexicon Inglés (ELP; Balo a e al. 2007), el P oyec o de Lexicon B i ánico (BLP; Keele e al. 2012), el Co pus Nacional B i ánico (B), y la Base de Da os de Wo dne . Los modelos de eg esión múl iple de Gagné e al. (2019) incluyen una amplia gama de a iables p edic o as (=independien es), como la longi ud compues a, la ecuencia de big am 1 Es a sección ue adop ada de Cha i on Cha i onidis (2022) con lige as al e aciones. 2004:46).The i s non-headcons i uen  e e s oawide angeo g amma ical 2 LADEC incluye plu ales de compues os ya enume ados como en adas sepa adas. Los a ículos 275 y 275 del T a ado Explo ing Scaled AIC wi hin English Closed Compounds Los iempos de espues a de egis o pa a los compues os de ELP (decisión léxica, nomb amien o) y BLP (decisión léxica) se u ilizan como a iables dependien es. en su mayo pa e, la longi ud de compues o (núme o de ca ac e es) y la ecuencia de compues o de egis o del co pus SULEX-USBT (B ysbae , 2009) 3 y BNC (BLP) se u ilizan como a iables de con ol. FIGURA 1. El Consejo de Adminis ación y el Consejo de mue e soñando despie o des en aja analgésico able o Adminis ación: En adas LADEC: ma capasos a iones on o ase o e emo o as ille o mues a de la ida después de la ce adu a de cenicien o cenice o jugado de pelo a cabeza de hue o co dón de zapa os ex o náu ago ma ginados man equilla ceja escope a e oceso uego c uzado cuidado descendencia lib o de sob econducción gi o El en oque p incipal en el es udio de Gagné e al. (2019) se colocó en a ias medidas de anspa encia semán ica.Gagné e al. (2019) pidió a los pa icipan es cali ica los compues os eniendo en cuen a qué an p edecible es el signi icado del compues o a pa i de sus pa es (es deci , cali icaciones de p edic ibilidad, basadas en compues os) y cuán o del signi icado de cada uno de los cons i uyen es se conse a en el compues o (es deci , cali icaciones de e ención, basadas en cons i uyen es).Los au o es encon a on que la dis ibución de anspa encias pa a el segundo componen e ue mucho más al a que la dis ibución de anspa encias pa a el p ime o (MC = 64.80 [MC: 19.51] s. 16.002 [SD: 16.41]). 3 El co pus SUBTLEX-US es un co pus de 51 millones de ichas basado en sub í ulos de películas y p og amas de ele isión es adounidenses.Va ios es udios ecien es han p opo cionado e idencia que indica que las no mas de ecuencia ob enidas de sub í ulos de películas y p og amas de ele isión ienden a se más e ec i as que las de i adas de ex os imp esos cuando se a a de explica las di e encias en el iempo de p ocesamien o léxico y, en algunos casos, la p ecisión en e los hablan es na i os de a ios idiomas. 2018: 2 y las e e encias co espondien es. Ca i ón Ca i ónidis 276 Ac a Linguis ica Li huanica XC el p ime componen e es aba más ue emen e co elacionado con la cali icación de odo el compues o que la cali icación del segundo componen e (c1 ~ cmp: = 0,75, p <.001 s. c2 ~ cmp: = 0,66, p <.001. N = 429).4 Más no ablemen e, la cali icación de e ención de signi icado pa a el p ime componen e y la decisión de cali icación de p edic ibilidad de signi icado, la decisión léxica de BLP y los iempos de nomb amien o de ELP. o  hecompoundp edic edall h ee ypeso  esponse imes,i.e.ELPlexical Pa a conclui , el pico y la mayo dis ibución de anspa encias pa a el segundo cons i uyen e y la mejo asociación del p ime cons i uyen e con las ope aciones de cabeza en los compues os ingleses.El segundo cons i uyen e, es deci , la cabeza, es una unidad cuya anspa encia se compound’s meaning p edic abili y appea  o be immedia ely mapped on o mejo a ca egó icamen e y semán icamen e (en cuan o al aspec o semán ico, éase las elaciones de implicación e hiponimia).El p ime cons i uyen e, es deci , el modi icado , es el ac o más c í ico en el es ablecimien o de la e e encia compues a.Como esul ado, su anspa encia cub e la expec a i a de dis ancia de Kullback-Leible (Kullback 1959) (Fishe ; éase ambién Ald ich, 1997). Un conjun o más pequeño de p edic o es se asocia ípicamen e con o  hecompoundmos s ongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hi o ugu Akaike de eloped a me hod o es ima e he ela i e modelos más e icien es (modelos con una pé dida de in o mación meno ).El meno alo (más nega i o) el mejo ajus e del modelo.En es e con ex o, el AIC penaliza, como una medida de bondad de ajus e, el uso de un g an núme o de p edic o es que, po encialmen e, esul an en alo es más al os ( e el AIC = 2k). pa o  heAICequa ion). 4 S eige ’s(1980)z es showed ha  hisdi e encewassigni ican ,z=27.71,p<.0001(Gagné e al.2019). 5 Al e e i se a in es igaciones an e io es, Gagné e al. (2019) in o man que "el modi icado (el p ime cons i uyen e en inglés) iende a desempeña un papel más impo an e en la selección de acilidad de elación du an e el p ocesamien o de compues os y ases de sus an i os". S aipsniai A ículos 277 y 277 Explo ing Scaled AIC wi hin English Closed Compounds El amaño de la mues a es sensible al amaño de la mues a. c, una e sión co egida de AIC, inco po a el amaño de la mues a a a és de la ó mula 2k (k + 1) (n […] k […] 1). Sin emba go, abo da especí icamen e amaños de mues a pequeños y no se ecomienda pa a modelos basados en amaños de mues a g andes como el de Gagné e al. (2019). En pa icula , Bu nham y Ande son (2002: 808-335) p opo cionan una discusión comple a de las implicaciones de amaños de mues a desiguales pa a la compa ación de modelos: a gumen an que el uso de c i e ios de in o mación pa a compa a modelos con di e en es amaños de mues a puede conduci a esul ados engañosos; Del mismo modo, como se señaló en una discusión en línea de S e unko en 2016 ( e e e encia después de la bibliog a ía), odos los c i e ios de in o mación se basan en la unción de p obabilidad que, a su ez, depende del amaño de la mues a. 3. In es igaciones p e ias En Cha i onidis (2022), los alo es de la AIC pa a 44 modelos de eg esión múl iple con di e en es combinaciones de a iables emocionales ( alencia, exci ación y conc e idad pa a (a) palab as y (b) con ex os de palab as) se di idie on po el amaño de la mues a (N) pa a ob ene alo es escalados (AIC/N). 7 Una de las soluciones que Bu nham y Ande son (2002) p oponen se e ie e a la ans o mación de los alo es de la AIC en "pesos de Akaike" que se de inen como "la p obabilidad ela i a del modelo, dados los da os" (Bu nham, Ande son 2002: xiii; éase ambién Wagenmake s, Fa ell 2004). El lec o puede comp ende la decla ación de S e unko median e la sus i ución de di e en es alo es pa a el componen e […]lnL[…] en la ecuación, man eniendo cons an e el componen e […]2k[…]. Una disminución en el alo lnL da á luga a un alo de AIC más al o, es deci , in e io . Según S e unko (comunicación pe sonal), la p ác ica de di idi el C i e io de In o mación de la ACA po el amaño de la mues a no es nue a. po ejemplo, Has ie e al. (2009) de ine de una mane a no canónica, empleando N como denominado en la ó mula. aunque es a des iación de la ó mula con encional de la ACA no es á exen a de sus c í icos, sigue siendo un en oque p e alen e, como se ejempli ica po su inclusión en el paque e de so wa e es adís ico S a a. Ca i ón Ca i ónidis 278 Ac aLinguis icaLi huanicaXC La inse ción de p edic o es cla e en modelos globales, es deci , gene ales, mos ó que los iempos de decisión léxica de BLP eque ían una mejo bondad de ajus e que los iempos de decisión léxica de ELP. El ajus e de los modelos ELP cayó den o del ango de los obse ados pa a los modelos de decisión léxica de ELP y BLP. Más no ablemen e, la conc eción del con ex o pa a el segundo componen e su gió como un p edic o signi ica i o en odos los modelos con ecuencia SUBTLEX-US, a a és de la decisión léxica y el nomb e. En Cha i onidis (2024), odos los coe icien es signi ica i os de los modelos globales con ecuencia SUBTLEX-US se yux aposa on a la a iable hiponimia (Gagné e al. 2020). Se encon ó que los modelos que incluían an o la hiponimia como la conc eción del con ex o pa a las segundas a iables siemp e es aban asociados con el alo de la escala de componen es más bajo en compa ación con los modelos anidados, es deci , educidos, omi iendo cualquie a de es os dos modelos. Tabla 1 Dicho en el sen ido de la le a (a) del a ículo 107, apa ado 1, del T a ado. Los alo es escalados pa a los modelos anidados que omi en el hiponimo ("Modelo 2") o la conc e i ud del con ex o pa a el segundo cons i uyen e ("Modelo 3") de los modelos comple os ("Modelo 1") pa a p edeci los iempos de decisión léxica (LD) del P oyec o de Lexicon B i ánico (ELP), los iempos de decisión léxica (ELP) del P oyec o de Lexicon B i ánico (Modelo 2), o los iempos de de e minación de la conc e i ud del segundo cons i uyen e (ELP) del P oyec o de Lexicon B i ánico (Modelo 1) pa a p edeci los iempos de decisión léxica (ELP) del P oyec o de Lexicon B i ánico (ELP) Modelo de escala de la AIC N ELP LD -3.36281a-3557,85 1058 -336281a-3557,85 -336281a-3557,85 -3357,85 -3357,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358,85 -3358 -3358,85 -3358 -3358 -3358 -3358 -3358 -3358 -3358 -3358 -3358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 -358 - lo que us ed quie e deci qué es lo que us ed quie e deci 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD -3.79552a-2903.574 765 -3.79552a-2903.574 765 -3.7952 a2903 a2903 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2904 a2905 a2904 a2904 a2905 a2904 a2904 a2905 a2905 a2904 a2905 a2905 a2905 a2905 a2905 a2905 a2705 a2705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3705 a3 a3 a3705 a3 a lo que ambién se encuen a en el 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 Nomb e del PEL -13.58686b-7396.108 2062 -13.58686b-7396.108 2062 -13.58686b-7396.108 2062 -13.58686b-7396.108 -13.58686b-7396.108 2062 -1 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 S aipsniai A ículos 279 y Explo ing Scaled AIC wi hin English Closed Compounds SUBTLEX-US equency, ep esen a ion alence(cmp),con ex conc e eness (c2) Tiempo de nomb amien o de ELP Modelo R2 cuad ado F cambio d 1 d 2 p ELP LD 1.184a47.506 5 1052.000 (incluido el núme o de miemb os de la Comisión) 2-.004 4.562 1 1052 .033 3-.010 13.175 1 1052 .000 BLP LD 1.211a40.479 5 759.000 El núme o de pe sonas que pa icipan en el p og ama es de 1.211 a40.479 2-.013 12.091 1 759 .001 3-.015 14.007 1 759 .000 Nomb e del PEL 1.288b118.711 72054.000 El núme o de pe sonas que abajan en el sec o es de 1.288b118.711 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. P edic o es: (cons an e), juicio de hiponimia, longi ud del compues o, ecuencia de SUBTLEX-US, alencia de ep esen ación (cmp), conc e encia del con ex o (c2) b. P edic o es: (Cons an e), juicio hiponímico, longi ud del compues o, ecuencia SUBTLEX-US, alencia de con ex o (cmp), exci ación de con ex o (c1), exci ación de con ex o (c2), conc e idad de con ex o (c2) En conclusión, dos medidas di e en es de amaño de e ec o, a sabe , el modelo escalado y la misma p e e encia po el mejo modelo. R2,hie a chized hesame eg essionmodelsiden icallywhiledemons a ing Ca i ón Ca i ónidis 280 Ac a Linguis ica Li huanica XC (Li e a u a li uana de las leyes de Li uania) 4. El es udio ac ual El p esen e es udio se basa en la in es igación an e io del au o p esen ada en la sección 3. Los suje os de in es igación son 66 modelos de decisión y nomb amien o léxicos pa a los compues os ce ados (conca enados) ingleses cons uidos po Gagné e al. (2019). Todos los modelos incluyen la ecuencia SUBTLEX-US como a iable de con ol. Nues os obje i os son dobles y se ejecu an en pa alelo. En p ime luga , e aluamos las ca ac e ís icas de los modelos de Gagné e al. (ibid.). Las p egun as de in es igación son: 1. ¿Es la AIC a escala sensible al diseño del modelo en Gagné e al. (2019)? ¿Qué g upos de modelos son a o ecidos? 2. ¿Cuál es el impac o de las a iables de con ol " ecuencia compues a" y "longi ud compues a" en el AIC a escala? 3. ¿Cómo es á elacionada la anspa encia mo ológica con el AIC a escala? Nues a in es igación es á es uc u ada de la siguien e mane a: la sección 5 p opo ciona una isión gene al de nues os mé odos; la sección 6.1 p opo ciona es adís icas desc ip i as pa a el IAC a escala que se e ie en a los modelos en conside ación; se hace hincapié en las ca ac e ís icas pa amé icas e sus no pa amé icas de las ca ego ías de modelos; la sección 7.2 explo a la elación en e la uen e de los iempos de espues a y las a eas de p ocesamien o léxico; la sección 6.3 yux apone el IAC a las a iables de con ol ecuencia compues a y longi ud compues a; en la sección 6.4 los ni eles de signi icancia de los coe icien es de anspa encia de los modelos de Gagné e al. (2019) se asignan a los alo es del IAC a escala. 5. Mé odos Nues o mé odo gene al ue el análisis compa a i o de los p incipales pa áme os y ca ac e ís icas de los modelos de Gagné e al. (2019), u ilizando a iables AIC a escala como a iable dependien e.Las a iables independien es incluye on ca ac e ís icas de la mues a (po ejemplo, uen e de iempo de espues a y a eas de p ocesamien o léxico), diseño del es udio (po ejemplo, con ol) y el ni el de signi icancia de los coe icien es de anspa encia, en e o os ac o es. Los mé odos es adís icos especí icos empleados ue on los siguien es: a) es adís icas desc ip i as ela i as a las medias y medianas, jun o con la aplicación de la p ueba de Shapi o-Wilk pa a e alua la endencia cen al, la a iabilidad y la dis ibución de los e ec os de Scaled en di e en es ca ego ías y g upos de modelos (secciones 6.1 y 6.2), b) análisis p incipales ealizados pa a la uen e de los iempos de espues a (ELP) y las a eas de p ocesamien o léxico (nomb e de decisión léxica AIC) (sección S aipsniai A ículos 281 y 282 Explo ing Scaled AIC wi hin English Closed Compounds 6. c) ANOVAS dis in as ealizadas en la uen e del iempo de espues a y las a eas de p ocesamien o léxico, inco po ando la longi ud compues a como co a ian e (sección 6.3), y d) u ilización de las p uebas de anspa encia semán ica de K uskal-Wallis y o explo e di e ences among he anks o  o dinally- ecodedcoe icien s o  Jonckhee e-Te ps a (sección 6.4). 6. Análisis 6.1 CIC a escala en e a las ca ego ías de modelos Los 66 alo es de AIC de los modelos de eg esión múl iple 2 de Gagné e al. (2019) mues an wi h SUBTLEX-US equency as a con ol a iable we e di ided by each model’ssamplesize oyieldase o 66ScaledAIC alues. Table3belowp o ides hedesc ip i es a is ics o ScaledAICandFigu e el diag ama de caja co espondien e que se e ie e al conjun o o denado de alo es.10 No hubo alo es a ípicos en la mues a. Los alo es de sesgo (Sk) y cu osis (Ku) ue on ole ables.11 El alo medio pa a el AIC escalado ue -3.50030. La des iación es ánda ue de 0,19052, es deci , las obse aciones se ag upa on ela i amen e es echamen e al ededo de la media. Los alo es mínimos y máximos ue on -3.85502 y -3.15754, espec i amen e. El alo mediano ue -3.553, es deci , lige amen e in e io al alo medio. (IQR) ue de 0,35616. 10 La línea del cua il in e io o p ime o de la caja (Q1) ma ca el lími e po debajo del cual se ex iende el 25% in e io de los da os. del mismo modo, la línea del cua il supe io o e ce o de la caja (Q3) ma ca el 50% medio de bounda yabo ewhich heuppe 25%o  heda aex ends.Theshadeda eashows hebounda ies los da os o el ango in e qua il (IQR), que se puede calcula es ando 114. con e e encia al en o no SPSS, los he i s qua ile om he hi dqua ile(Q3-Q1).Theho izon allineinside heboxshows he mediano middle qua ile(Q2),i.e. he alue ha  allsin hemiddleo  heda ase . alo es en e -1 y +1 pa a la sesgo y en e -2 y +2 pa a la cu osis se conside an gene almen e acep ables pa a la e aluación de la dis ibución no mal. Wha _is_ he_accep able_ ange_o _skewness_and_ku osis_ o _no mal_dis ibu ion_o _da a). Ca i ón Ca i ónidis Pa a de ec a la in luencia de la longi ud compues a y la ecuencia compues a en el AIC a escala, los espec i os coe icien es de eg esión se ecodi ica on en alo es o dinales de acue do con su posi i idad y ni el de signi icancia, éase la abla 6. Tabla 6. Tabla de ecodi icación o dinal pa a los coe icien es de eg esión Signi icancia Posi i idad Valo es o dinales Desc ipción p <.01 nega i o -3 g an e ec o nega i o p <.01 nega i o -2 mode ado e ec o nega i o p <.05 nega i o pequeño e ec o nega i o p <.05 nega i o/posi i o 0 e ec o no signi ica i o p <.05 posi i o 1 pequeño e ec o posi i o p <.01 posi i o 2 mode ado e ec o posi i o p <.05 posi i o 3 g an e ec o posi i o En los modelos de 2019 de Gagné e al., la ecuencia SUBTLEX-US siemp e se asoció con coe icien es nega i os de educción de la la encia con un g an e ec o, p < Sc.001. En cuan o a la longi ud compues a, odos los coe icien es de eg esión signi ica i os de los modelos de Gagné e al. (2019) u ie on un g an e ec o posi i o (induc o de la encia), p <.001. En con as e con la a iable SUBTLEX-US, apa ecie on a ios coe icien es no signi ica i os. Dados es os pa ones, se c eó una a iable ca egó ica con los alo es 0,5 […] pa a e ec o posi i o (in e e encia de la longi ud compues a) y 0 […] pa a ningún e ec o (sin in e e encia de la longi ud compues a). La longi ud compues a se incluyó como una sola a iable independien e en un modelo de eg esión lineal. Se encon ó que la media de la AIC a escala p edicha pa a la ausencia de in e e encia de la longi ud compues a ue de 3.611 (= la in e sección). La in e e encia de la longi ud compues a esul ó en un alo más al o de -3.407 (b = 0.204, p.001). S aipsniai A ículos 289 y 299 Explo ing Scaled AIC wi hin English Closed Compounds REGIÓN 6.- La gu a compues a y A.I.C. a escala Realizamos ANOVAS sepa adas pa a la uen e de iempo de espues a (ELP) y el endimien o de la a ea (decisión léxica o nomb amien o), eniendo en cuen a la longi ud compues a como co a ian e. (a) ANOVA pa a la uen e del iempo de espues a. BLP se le asignó el alo […]0[…] y ELP se le asignó el alo […]1[…]. La p ueba de co elación de Pea son e eló una ue e colinealidad en e la uen e del iempo de espues a y la longi ud del compues o, = 1 (N = 39). La siguien e e idencia apoya nues o hallazgo: En p ime luga , el g upo ELP mos ó consis en emen e co elaciones posi i as signi ica i as con la longi ud del compues o, lo que indica un g an e ec o. En segundo luga , el g upo BLP mos ó consis en emen e co elaciones no signi ica i as con la longi ud del compues o. (b) ANOVA pa a el endimien o de la a ea. La denominación se le asignó el alo […]0[…] y la decisión léxica se le asignó el alo […]1[…]. La p ueba de co elación de Pea son e eló una co elación nega i a en e la a ea y la longi ud compues a, lo que indica un e ec o mode ado, = -.5, p =.001 (N = 39). Es e esul ado sugie e que la longi ud compues a es más ele an e pa a la denominación que pa a la decisión léxica. 17 Cabe señala que 11 de los 13 coe icien es BLP e an nega i os. Ca i ón Ca i ónidis Ac a Linguis ica Li uanica XC Al conside a la a ea como la a iable p ima ia, la longi ud compues a e a un p edic o signi ica i o de la longi ud compues a como la a iable signi ican p edic o o ScaledAIC,F(1,145.030),p=.000.Simila ly,when p ima ia, la a ea e a un p edic o signi ica i o de la AIC a escala, F (1, 125.30), p = 000. La media de la AIC a escala p edicha pa a la a ea sola e a signi ica i amen e di e en e de la media de la AIC a escala p edicha cuando se omaba en cuen a la longi ud compues a (3,584 s. 3,203, espec i amen e). Es a sección in es iga el e ec o de los coe icien es de eg esión pa a la semán ica en los es ni eles mo ológicos, es deci , compues o, p ime cons i uyen e y segundo cons i uyen e. La abla 7 a con inuación mues a las medianas y los angos de los coe icien es de anspa encia ans o mados o dinalmen e pa a los es ni eles mo ológicos. Las medianas p opo cionan in o mación ú il sob e la endencia 6.4. ScaledAIC s. anspa encyno ms cen al y la dispe sión de los alo es o dinales y pueden ayuda a in o ma los análisis anspa encyinGagnée al.(2019)modelsonScaledAIC.These eg ession coe icien swe ecodedon h eeo dinalscales,eachco esponding ooneo  basados en a iables o dinales. TABALO 7. Coe icien es de anspa encia ans o mados po o den: medianas y angos Mediano Mínimo Máximo Compues o -3-3-1 El p ime cons i uyen e 2-3 3 Segundo componen e 0 -2 3 N = 18 años Como se puede e , la mediana pa a el compues o ue […]-3[…], la mediana pa a el p ime componen e ue […]2[…], y la mediana pa a el segundo componen e ue […]0[…]. Es os hallazgos sugie en que en los modelos de Gagné e al. Jay con ecuencia SUBTLEX-US, la anspa encia pa a el compues o se asoció con un g an e ec o nega i o ( iempos de espues a más co os), la anspa encia pa a el p ime componen e se asoció con un e ec o posi i o mode ado ( iempos de espues a más la gos) y la anspa encia pa a el segundo componen e no u o un e ec o signi ica i o o u o un papel incie o. Según Sca o y o os, las cali icaciones de anspa encia S aipsniai A ículos 291 y Explo ing Scaled AIC wi hin English Closed Compounds más al as pa a el segundo componen e siguen siendo un sesgo inhe en e, lo que conduce a que la anspa encia sea al amen e dependien e de los pa áme os del p ime componen e. En cuan o al análisis a segui , se pos ula que los modelos que exhiben alo es escalados más al os (in e io es) pueden posee coe icien es signi ica i os, de i ados sis emá icamen e, es deci , coe icien es que son ele an es solo de acue do con el conjun o de da os LADEC. En pa icula , los alo es más bajos (mejo es) de la escala de AIC pueden es a asociados con (a) coe icien es posi i os ( iempos de espues a más la gos) ela i os a odo el compues o, (b) coe icien es heinhe en biaso  hesecondcons i uen .18 nega i os ( iempos de espues a más co os) ela i os al p ime componen e y (c) coe icien es posi i os o nega i os ( iempos de espues a más la gos o más co os, espec i amen e) ela i os al segundo componen e. Pa a esponde a la p egun a de in es igación, se emplea án dos medidas no pa amé icas, es deci , la p ueba de K uskal-Wallis y la p ueba de Jonckhee e-Te ps a.La p ueba de K uskal-Wallis, ambién conocida como la p ueba H, es una p ueba no pa amé ica basada en 18 En Cha i onidis (2024) se sos iene que an o la hiponimía como la conc e i ud del con ex o pa a el segundo cons i uyen e son p edic o es semán icos signi ica i os en la decisión léxica y la nomencla u a. Ca i ón Ca i ónidis 292 Ac a Linguis ica Li uanica XC la dis ibución chi-cuad ado. Requie e que la a iable dependien e sea o dinal o con inua. Es a p ueba es á diseñada pa a de e mina si hay di e encias signi ica i as en e las medianas de dos o más g upos y se u iliza como al e na i a a la ANOVA unidi eccional. En cuan o al p ocedimien o, los alo es de la a iable dependien e con inua, es deci , AIC a escala, se o dena on de más bajo a más al o y se asigna on angos a las pun uaciones. Los angos esul an es se ing esa on de nue o en los g upos de ni el de signi icancia (la a iable independien e) y se suma on los angos pa a cada g upo. amongo he s,squa ing hesumo  anks o eachg oupand hendi iding his Cuad o 8: Compues o Signi icancele els N Sumo Ranks E ec o nega i o de La Comisión Eu opea y el Consejo de la Unión Eu opea han adop ado una Decisión sob e la compa ibilidad de las medidas de ayuda con el me cado in e io . escala 1 […] pequeño 1 2 2 e ec o nega i o mode ado 5 46 3 g an e ec o nega i o 12 123 To al de dieciocho TABLE9.Fi s cons i uen Signi icancele els N Sumo Ranks Scaled La Comisión Eu opea y el Consejo de la Unión Eu opea han adop ado una Decisión sob e la compa ibilidad de las medidas de ayuda con el me cado in e io . 1–la geposi i ee ec 6 59 2 e ec o posi i o mode ado 4 34 3 […] pequeño e ec o posi i o 1 3 4 […] sin e ec o 1 2 5 […] pequeño e ec o nega i o 1 10 6 e ec o nega i o mode ado 1 11 7 g an e ec o nega i o 452 To al de dieciocho 19 Pa a el es o de los cálculos, éase Field (2009: 561[…]562). 20 En las es ablas, la suma o al de angos es ap oximadamen e 171, es igual a la suma de los en e os de 1 a 18, éase amaño de la mues a (N). S aipsniai A ículos 293 y Explo ing Scaled AIC wi hin English Closed Compounds Cuad o 10: Segundo componen e Signi icancele els N Sumo Ranks Scaled La Comisión Eu opea y el Consejo de la Unión Eu opea han adop ado una Decisión sob e la compa ibilidad de las medidas de ayuda con el me cado in e io . 1–la geposi i ee ec 6 59 2 […] pequeño e ec o posi i o 1 14 3 […] ningún e ec o 8 59 4 […] pequeño e ec o nega i o 1 18 5–mode a enega i ee ec 221 To al de dieciocho An es de p o undiza en los esul ados de la p ueba de K uskal-Wallis (H), es impo an e señala que es a p ueba no p opo ciona in o mación sob e las di e encias especí icas en e g upos indi iduales. pa a abo da es e p oblema, se empleó la p ueba de Jonckhee e-Te ps a (JT) adicionalmen e. es a p ueba p opo cionó in o mación sob e si las medianas de los g upos aumen a on o disminuye on en el o den especi icado po la a iable de codi icación (g upo), especí icamen e de un g an e ec o posi i o a un g an e ec o nega i o. en cuan o a los mé odos de JT, la AIC se con i ió en una pun uación z. (a) La AIC escalada pa a el compues o no se io a ec ada signi ica i amen e po el ni el de signi icancia, según lo de e minado po la p ueba de K uskal-Wallis (H (2) = 2,226, p > 0,05). Se encon ó una endencia de medianas ascenden es que con i maban nues a hipó esis de sob eajus e, éase la mediana nega i a pa a el compues o en el cuad o 7. 1.064, pág. 05). El Consejo de Adminis ación y el Consejo de Adminis ación (b) La escala (6) pa a el p ime componen e no se io a ec ada signi ica i amen e po el ni el de signi icancia, según lo de e minado po la p ueba de K uskal-Wallis (H = 5,427, p > 0,05). Se encon ó una endencia de medianas ascenden es que echazan nues a hipó esis de exceso de ajus e, éase la mediana posi i a pa a el p ime componen e en la abla 7. (c) El ni el de signi icancia no a ec ó signi ica i amen e al AIC escalado pa a el segundo componen e, según se de e minó median e el ensayo de K uskal-Wallis (H (4) = 4,607, p > 0,05). Ca i ón Ca i ónidis 294 Ac aLinguis icaLi huanicaXC En pa icula , la es adís ica z de la p ueba de Jonckhee e-Te ps a ue esencialmen e ce o, de acue do con la mediana ce o pa a el segundo componen e en la abla 7 (JT = 54, z = 0,041, p > 0,05). En esumen, se puede in e i que el ni el de signi icancia de los coe icien es de anspa encia en los modelos de Gagné e al. (2019) con ecuencia SUBTLEX-US no a ec a la magni ud de Scaled. Es e hallazgo apoya indi ec amen e la calidad de los modelos de Gagné e al. (2019) con p edic o es de anspa encia, indicando especí icamen e que la hipó esis de sob eajus e pa a es os modelos no es sos enible. los alo es de la AIC. Pa a ga an iza la cla idad y la in eg idad en la p esen ación de nues os esul ados de in es igación, hemos inco po ado una sección dedicada cen ada en esumi los hallazgos cla e de nues o es udio. 7. hallazgos cla e 11 a con inuación p esen a un análisis in eg al del endimien o del modelo y de las a iables ele an es en el con ex o de las a eas de decisión léxica y de nomencla u a, basado en los hallazgos de Gagné e al. Tabla). Cada sección de la abla p o undiza en emas especí icos, e elando qué modelos son más e ec i os. Las p uebas ANOVA y K uskal-Wallis/Jonckhee e-Te ps a (secciones 6.3 y 6.4) se aplica on después de asigna coe icien es nominales (o dinales o ca egó icos) a los modelos de eg esión de Gagné e al. (2019). TABLA 11. AIC escalado den o de compues os ce ados ingleses: Análisis exhaus i o del endimien o del modelo en a eas de decisión léxica y nomb amien o (Gagné e al. 2019) Subjec s S a is ics E alua ion Sec ion Ca ego ías de P uebas de modelos no malidad BLP decisión léxica Nomb e del PEL Desc ip i os ELP decisión léxica NPAR/~ PAR[…] 6.1 PAR[…] Tiempo de p incipales de la Nomb e de ask espues a decisión léxica la PEL de E ec os ELP ~ uen e de la decisión léxica BLP […] p ocesamien o léxico […]6.2 Los a ículos 295 y 295 del T a ado Explo ing Scaled AIC wi hin English Closed Compounds Subjec s S a is ics E alua ion Sec ion Va iables de con ol ANOVA F ecuencia compues a Longi ud compues a ✓ ~ 6.3 Semán ica NOF/ns K uskal-Wall- anspa en- El is P ime cia compues- componen e Jonckhee e-- o de Te ps a NOF/ns Segundo componen e NOF/ns 6.4 PAR: da os pa amé icos | NPAR: da os no pa amé icos | : mejo es modelos (AIC más bajo) ~: modelos in e io es (AIC más al o) | NOF/ns: sin ajus e excesi o/ensayo no signi ica i o 8. Discusión La in es igación an e io de Cha i onidis (2022, 24) ha demos ado que Scaled AIC es una medida con iable de la bondad de ajus e que se puede emplea en la selección de modelos, al ez en coope ación con o as medidas como la p ueba de Wald ( e sección 2023) con e e encia a modelos de eg esión múl iple con ecuencia SUBTLEX-US, el análisis ac ual in odujo p opiedades adicionales de la medida Scaled AIC. in o ma ionc i e ia(seesec ion2), he indingso  hiss udysugges  ha in Las dis ibuciones de los alo es de Scaled AIC, jun o con combinaciones de di e en es add ess he esea chques ionsse upinsec ion4. uen es de iempos de espues a y a eas de p ocesamien o, sugie en que Scaled AIC iden i ica e ec i amen e la p esencia o ausencia de ac o es subyacen es bien de inidos en el diseño expe imen al y el modelado es adís ico. La ecuencia compues a ue excepcionalmen e un p edic o nega i o de la AIC a escala, siemp e indicando un g an e ec o. Ca i ón Ca i ónidis 296 Ac a Linguis ica Li huanica XC co elaciones posi i as signi ica i as con la longi ud compues a que p edicen alo es de AIC escalados más al os (=in e io es). La decisión léxica de BLP mos ó consis en emen e co elaciones no signi ica i as con la longi ud compues a. Tan o la decisión léxica como la longi ud compues a p edije on modelos in e io es en el ajus e de co a ian es. La posi i idad y el ni el de signi icancia de los coe icien es de anspa encia en los modelos de Gagné e al. (2019) no a ec a on la magni ud de la AIC a escala. Es e hallazgo implica que los modelos de Gagné e al. (2019) con p edic o es de anspa encia no in oducen un sesgo de exceso de ajus e. Al hace e e encia a secciones especí icas de los análisis, los hallazgos p incipales de es e es udio se pueden esumi de la siguien e mane a: En la sección 6.1, nues o análisis se cen ó en la compa ación en e los alo es de escala en a ias ca ego ías de modelos. Incluso después de in en a las ans o maciones "loga i mo na u al" y " aíz cuad ada" en los alo es absolu os, la mues a gene al de escala no se ajus ó a una dis ibución no mal. En la sección 6.2, nues o en oque cambió a examina la elación en e el AI a escala y (a) las uen es de iempos de espues a y (b) el endimien o de la a ea.Cu iosamen e, los angos de alo es de AI a escala pa a los modelos de decisión léxica ELP y BLP no se supe ponen, lo que signi ica su dis in i idad.Los esul ados de la p ueba e ela on e ec os p incipales signi ica i os an o de la uen e de iempo de espues a como del endimien o de la a ea en el AI a escala. En la sección 6.3, nues a explo ación p o undizó en la elación en e la ecuencia compues a y la longi ud compues a de las a iables de con ol. La ecuencia compues a ue excluida del análisis po que e a pe ec amen e colineal con la longi ud compues a. Po o o lado, se obse ó una disminución en los alo es de la longi ud compues a cuando la longi ud compues a se con i ió en un ac o ele an e den o de los modelos. Concomi an ly,compoundleng hwasmos  ele an  o  henaming ask. En la sección 6.4, nues o en oque se cen ó en la elación en e el ni el de impo ancia de los andseman ic anspa ency.The esea chques ionwaswhe he  heposi i i y coe icien es de anspa encia en los modelos de Gagné e al. (2019) que u ie on un impac o en el modelo de Gagné e al. (2019). El obje i o p incipal de nues o mé odo ue de ec a posibles e ec os de sob eajus e. Pos ulamos que los modelos con alo es de sob eajus e in e io es pod ían posee coe icien es signi ica i os que engan ele ancia pa a el ni el S aipsniai A ículos 297 y 297 Explo ing Scaled AIC wi hin English Closed Compounds acco ding o heLADECda ase alone.Whileweobse eda endo inc easing (=in e io )ScaledAIC alues o aclus e o signi ican nega i ecoe icien sa  compues o. En conclusión, la explo ación de di e en es pa áme os u ilizando Scaled AIC como a iable dependien e ha iluminado las di e sas mane as en que las ca ego ías de modelo, la uen e de iempo de espues a, las a eas de p ocesamien o, las a iables de con ol y la anspa encia semán ica a ec an la bondad de ajus e de los modelos. REFERENCES Akaike Hi o ugu 1973:In o ma ionTheo yandanEx ensiono  heMaximum Likelihood P inciple. – Second In e na ional Symposium on In o ma ion Theo y, eds. B.F.Csaki,B.N.Pe o ,Budapes :AcademiaiKiado,267–281. Ald ichJohnR.1997:R.A.Fishe and heMakingo MaximumLikelihood1912– 1922.–S a is ical Science12(3),162–176. Baayen Ha ald R., Piepenb ock Richa d, Gulike s Leon 1995: The CELEX Lexical Da abase(Da ase ,Release2,CD-ROM),Linguis icDa aConso ium, Uni e si yo Pennsyl ania.A ailablea :h ps://ca alog.ldc.upenn.edu. Balo a Da id A., Yap Mel in J., Co ese Michael J., Hu chison Kei hI.,Kessle B e ,Lo isBjo n,NeelyJamesH.,NelsonDouglas L.,SimpsonG egB.,T eimanRebecca2007:TheEnglishLexiconP ojec .– Beha io Resea ch Me hods39,445–459. B ysbae  Ma c, New Bo is 2009: Mo ing Beyond Kuče a and F ancis: A C i icalE alua iono Cu en Wo dF equencyNo msand heIn oduc iono aNew andImp o edWo dF equencyMeasu e o Ame icanEnglish.–Beha io Resea ch Me hods41,977–990.DOI:doi.o g/10.3758/BRM.41.4.977. Bu nhamKenne hP.,Ande sonDa idR.2002:Model Selec ion and Mul imodal In e ence: A P ac ical In o ma ion-Theo e ic App oach, 2ndedi ion,NewYo k:Sp inge . DOI:dx.doi.o g/10.1007/b97636. Cha i onidis Cha i on 2022:Con ex Conc e eness o  heSecondCons i uen  SlowsDownCompound-Wo dP ocessing.–Lexis20.DOI:doi.o g/10.4000/lexis.6769.