Nerd vs. Geek

How to do Linguistics with R 讀書筆記

Andrea / 2020-06-04 /

最近在老師的研究安排下讀了 How to do Linguistics with R 的第十二章 *Probabilistic multifactorial grammar and lexicology: Binominal logistic regression*。本章介紹了如何以 logistic regression 解釋並預測兩個近似詞的使用情形。接下來將使用 Rling 中的資料集 nerd 做練習。

# Following the instructions of the book:
# install.packages(c("rms", "visreg", "car"))
# To install `Rling`:
# install.packages(pkgs = file.choose(), repos = NULL, type = "source")
library(Rling)
library(rms)
library(dplyr)
library(ggplot2)

1. 取得 `Rling` 中的資料集 `nerd`

data(nerd)
summary(nerd)

##    Noun     Num      Century   Register         Eval    
##  geek:670   pl:436   XX :515   ACAD: 54   Neg     :132  
##  nerd:646   sg:880   XXI:801   MAG :622   Neutral :896  
##                                NEWS:343   Positive:288  
##                                SPOK:297

2. 資料視覺化

由下圖所示，在 20 世紀時，nerd 出現的次數比 geek 多。但在 21 世紀，geek 的使用次數超過前一世紀的兩倍，而 nerd 在兩世紀的次數無明顯差異，因此 geek 在 21 世紀的出現次數超過 nerd。

nerd %>%
  group_by(Noun, Century) %>%
  count(Noun) %>%
  ungroup() %>%
  ggplot(aes(Century, n, fill = Noun)) +
  geom_bar(position = "dodge", stat = "identity", width = 0.3)

接下來看看不同世紀使用 nerd 與 geek 時的 polarities。可以發現不論在 20 或 21 世紀，使用 nerd 和 geek 時大部分都是 neutrual polarity。特別的是，geek 在 21 世紀時被使用於 positive polarity 的次數很高。

nerd %>%
  group_by(Noun, Century, Eval) %>%
  summarise(n = n()) %>%
  ungroup() %>%
  ggplot(aes(Noun, n, fill = Eval)) +
  facet_wrap(~Century) +
  geom_bar(position = "dodge", stat = "identity", width = 0.5)

因為好奇，到 Cambridge Dictionary 上查了兩字的釋義：

nerd (n.)
(1) a person, especially a man, who is not attractive and is awkward or socially embarrassing
(2) a person who is extremely interested in one subject, especially computers, and knows a lot of facts about it

geek (n.)
someone who is intelligent but not fashionable or popular

看起來 geek 似乎真的比 nerd 還來得正面一些，至少有 intelligent 的部分~

再看看兩詞在不同領域中的使用情形。在 20 與 21 世紀，geek 和 nerd 出現次數於學術領域最少，雜誌最多，而新聞又比口語多一些。且 21 世紀時， geek 在雜誌出現的次數增加許多。

nerd %>%
  group_by(Century, Noun, Register, Eval) %>%
  summarise(n = n()) %>%
  ungroup() %>%
  ggplot(aes(Register, n, fill = Noun)) +
  facet_wrap(~Century) +
  geom_bar(stat = "identity", width = 0.4)

3. Logistic Regression Model

試著用書上的方式 (p.258) 跑 lrm。

m.lrm <- lrm(Noun ~ Num + Century + Register + Eval, data = nerd)
m.lrm

## Logistic Regression Model
##  
##  lrm(formula = Noun ~ Num + Century + Register + Eval, data = nerd)
##  
##                        Model Likelihood     Discrimination    Rank Discrim.    
##                           Ratio Test           Indexes           Indexes       
##  Obs          1316    LR chi2     180.32    R2       0.171    C       0.687    
##   geek         670    d.f.             7    g        0.905    Dxy     0.374    
##   nerd         646    Pr(> chi2) <0.0001    gr       2.471    gamma   0.394    
##  max |deriv| 3e-08                          gp       0.200    tau-a   0.187    
##                                             Brier    0.219                     
##  
##                Coef    S.E.   Wald Z Pr(>|Z|)
##  Intercept      1.5038 0.3515  4.28  <0.0001 
##  Num=sg        -0.2724 0.1291 -2.11  0.0348  
##  Century=XXI   -0.8063 0.1220 -6.61  <0.0001 
##  Register=MAG  -0.7457 0.3208 -2.32  0.0201  
##  Register=NEWS -0.5962 0.3301 -1.81  0.0709  
##  Register=SPOK -0.5729 0.3310 -1.73  0.0835  
##  Eval=Neutral   0.0991 0.1942  0.51  0.6098  
##  Eval=Positive -1.5084 0.2375 -6.35  <0.0001 
##

3.1 Model Likelihood Ratio Test

從 Model Likelihood Ratio Test 的欄位中，可以得知 p-value 小於 0.05，代表這個 model 的顯著。

3.2 Discrimination Indexes

在 Discrimination Indexes 欄中可以看到 R2 值。R2 值介於 0 和 1 之間，這個 model 的 R2 值為 0.171，代表預測能力低。但書中提到 logistic regression 的 R2 值通常會比 linear regression models 的來得低，因此並不建議採用 R2 值作為評斷。

3.3 Rank Discrim. Indexes

在 Rank Discrim. Indexes 欄中，C 代表 concordance index (一致性指數)，說明 model 的預測能力。表中可見 C = 0.687，預測能力普通。

3.4 Coef

接著來到 Coef 欄。以變數 Register 為例，ACAD 是 reference level，因此不在表上。與 ACAD 差異最大的是 MAG（Coef = -0.7457），其中 p = 0.0201 (<0.05) 代表顯著。

Century=XXI 的 Coef = -0.8063，表示 nerd 對 geek 的 odds 在 21 世紀降低了。也可以說，geek 在 21 世紀時出現次數較 nerd 頻繁。

相較於 Eval=Neutral，Eval=Positive 的 Coef 更小且為負數，表示 geek 在使用上較 nerd 有更多 positive connotation。

Num=sg 的 Coef = -0.2724，表示 geek 較 nerd 更常以單數出現。

4. Murmuring

照著書上的步驟跑了一個 Logistic Regression Model，但卻不大懂數值所代表的意義，重複讀了很多遍才稍微了解一點點。統計知識真的要補足啊！

1. 取得 Rling 中的資料集 nerd