Studies investigating individual di

Studies investigating individual differences in reading ability often involve data sets containing a large number of collinear predictors and a small number of observations. In this article, we discuss the method of Random Forests and demonstrate its suitability for addressing the statistical concerns raised by such data sets. The method is contrasted with other methods of estimating relative variable importance, especially Dominance Analysis and Multimodel Inference. All methods were applied to a data set that gauged eye-movements during reading and offline comprehension in the context of multiple ability measures with high collinearity due to their shared verbal core. We demonstrate that the Random Forests method surpasses other methods in its ability to handle model overfitting and accounts for a comparable or larger amount of variance in reading measures relative to other methods.

Kết quả (Việt) 1:

Nghiên cứu điều tra sự khác biệt cá nhân trong đọc khả năng thường liên quan đến bộ dữ liệu có chứa một số lớn các hoặc dự đoán và một số lượng quan sát nhỏ. Trong bài này, chúng tôi thảo luận về phương pháp ngẫu nhiên rừng và chứng minh của nó phù hợp với địa chỉ các mối quan tâm thống kê lớn lên bởi các bộ dữ liệu. Các phương pháp tương phản với các phương pháp của ước tính tương đối biến tầm quan trọng, đặc biệt là phân tích sự thống trị và Multimodel suy luận. Tất cả các phương pháp được áp dụng cho một tập hợp dữ liệu đo chuyển động mắt trong đọc và offline hiểu trong bối cảnh nhiều khả năng biện pháp với cao collinearity do của cốt lõi được chia sẻ bằng lời nói. Chúng tôi chứng minh rằng phương pháp ngẫu nhiên rừng vượt qua các phương pháp khác trong khả năng của mình để xử lý mô hình overfitting và các tài khoản cho một số tiền tương đương hoặc lớn hơn của phương sai trong đọc các biện pháp tương đối so với các phương pháp khác.

Kết quả (Việt) 2:

Nghiên cứu điều tra khác biệt cá nhân trong khả năng đọc thường liên quan đến các bộ dữ liệu có chứa một số lượng lớn các nhân tố ảnh cộng tuyến và một số quan sát nhỏ. Trong bài viết này, chúng tôi thảo luận về các phương pháp ngẫu nhiên Rừng và chứng minh tính phù hợp để giải quyết những mối quan tâm thống kê đưa ra bởi bộ dữ liệu đó. Phương pháp này tương phản với các phương pháp khác để ước lượng tầm quan trọng biến tương đối, đặc biệt là sự thống trị phân tích và suy luận Multimodel. Tất cả các phương pháp đã được áp dụng cho một tập hợp dữ liệu mà đo lường được cử động mắt khi đọc và hiểu ẩn trong bối cảnh nhiều biện pháp khả năng với cộng tuyến cao do lõi bằng lời chia sẻ của họ. Chúng tôi chứng minh rằng phương pháp ngẫu nhiên Rừng vượt qua các phương pháp khác trong khả năng của mình để xử lý mô hình overfitting và tài khoản cho một số tiền tương đương hoặc lớn hơn của phương sai trong các biện pháp đọc sách liên quan đến các phương pháp khác.