The statement to be discussed is ‘Language processing is predictive’. This short article supported an interactive approach to language processing by critically reviewing studies investigating the role of contextual influence.

Although ‘enough data’ lead to higher accuracy, ‘human-like’ performance in word prediction requires a comprehensive modification of the underlying mechanism of the language model.

Hierarchical regression is a theory-driven method. However, when an exploratory study can benefit from this method, it is rarely discussed what should be done if no well-established theories can be identified.

读书笔记 Kline, R. B. (2015). Principles and practice of structural equation modeling. Guilford publications. [p. 17] 相比于其他传统的检验方法（比如ANOVA、多元线性回归），在SEM中，显著性检验的重要性要小很多！ 其中，最核心的原因是，SEM以对模型整体的评估为核心，看待数据分析的角度也更宏观。在很多研究中，相对于模型来说，一条线、某个独立效应的显著与否或许并不是那么重要（更准确的讲，并不是SEM关注的核心）。 即使在一些研究中，某个独立效应的显著性是重点之一，SEM研究者也需要从更加宏观的角度去思考整个模型——是否要拒绝该模型？是否要修正该模型？如果要修正的话，如何修正？因此，我们可以看出，在SEM中，模型整体的判断要远高于独立效应的判断。 第二个原因则是SEM的大样本需求有时让显著性检验不那么准确。如果还不熟悉SEM的样本需求，可以关注一下之前的文章 :) 受过传统统计训练的小伙伴可能清楚，p值受样本量的影响很大。在大样本研究中，我们经常遇到一些非常显著（比如p

读书笔记 Kline, R. B. (2015). Principles and practice of structural equation modelling. Guilford publications. [pp. 14 - 16] 相比起“传统”方法来说，SEM更加需要“大样本”。那么，多大的样本叫做“大样本”呢？ 因为影响SEM样本量需求的因素很多，所以我们很难得到一个简单的答案。 我们先来简单总结一下这些影响因素： · 越复杂的模型、变量越多的模型，所需的样本量就越大。这是因为变量越多，我们在统计模型中需要进行的估计就越多。在这种情况下，为了让计算机得出准确的估计值，我们必须要有更大的样本量。 · 数据越“不完美”，需要的样本量就越大。什么是“不完美”的数据呢？比如非连续性变量、不符合正态分布的数据、不符合线性的数据、变量间有交互作用等情况。当然，我们需要在挑选SEM的估计方法时也小心谨慎，

The present essay will argue that identity is a dynamic concept covering all cognitive, affective, and behavioural levels.