gathering and analyzing varia1on data
play

Gathering and Analyzing Varia1on Data Judy and Sallys - PowerPoint PPT Presentation

Gathering and Analyzing Varia1on Data Judy and Sallys narra1ves Get me something by Monday, 10 AM Brief presenta1ons in Mondays class That


  1. Gathering ¡and ¡Analyzing ¡Varia1on ¡Data ¡ • Judy ¡and ¡Sally’s ¡narra1ves ¡ – Get ¡me ¡something ¡by ¡Monday, ¡10 ¡AM ¡ – Brief ¡presenta1ons ¡in ¡Monday’s ¡class ¡ • That ¡other ¡liEle ¡assignment ¡ • Gathering ¡and ¡analyzing ¡varia1on ¡data ¡ – The ¡quan1ta1ve ¡enterprise ¡ – Trea1ng ¡linguis1c ¡variables ¡ – Trea1ng ¡the ¡social ¡ • The ¡seGng, ¡or ¡“community” ¡ • Quan1fying ¡a ¡qualita1ve ¡social ¡world ¡ – GeGng ¡the ¡data ¡ – A ¡couple ¡of ¡observa1ons ¡about ¡the ¡rela1on ¡between ¡survey ¡and ¡ ethnographic ¡reasoning ¡

  2. The ¡Varia1on ¡Enterprise ¡ • The ¡study ¡of ¡varia1on ¡is ¡inherently ¡quan1ta1ve, ¡and ¡ uses ¡quan1ta1ve ¡methods ¡to ¡find ¡rela1ons ¡between ¡ linguis1c ¡variability ¡and ¡poten1al ¡constraints ¡on ¡the ¡ produc1on ¡and ¡percep1on ¡of ¡this ¡variability. ¡ – Linguis1c ¡ – Social ¡ – Psychological ¡ • The ¡study ¡of ¡varia1on ¡works ¡with ¡sets ¡of ¡ – Variables ¡ – Variants ¡ – Linguis1c ¡environments ¡ – People ¡ • Who ¡can ¡represent ¡1me ¡as ¡well ¡as ¡social ¡categories ¡ • The ¡challenge ¡in ¡studying ¡social ¡varia1on ¡-­‑ ¡reducing ¡a ¡ qualita1ve ¡social ¡world ¡to ¡quan1fiable ¡sets. ¡ ¡

  3. Why ¡Sets? ¡ • Constraints ¡on ¡an ¡event ¡– ¡why ¡did ¡this ¡event ¡ happen ¡and ¡not ¡some ¡other ¡possible ¡events? ¡ • What’s ¡the ¡range ¡of ¡possible ¡events? ¡ – Possible ¡variables ¡(!) ¡ – Possible ¡variants ¡of ¡a ¡variable ¡ – Linguis1c ¡constraints ¡ • Possible ¡sets ¡of ¡condi1oning ¡environments ¡ • Possible ¡environments ¡within ¡those ¡sets ¡ – Social ¡constraints ¡ • Possible ¡sets ¡of ¡social ¡constraint ¡(e.g. ¡gender, ¡class) ¡ • Possible ¡members ¡of ¡those ¡ ¡sets ¡(e.g. ¡M/F, ¡U/M/W/L) ¡

  4. Variables ¡are ¡commonly ¡treated ¡as ¡individual ¡ events, ¡but ¡they ¡may ¡be ¡members ¡of ¡sets ¡(i.e. ¡ structurally ¡related) ¡ Casual Careful Reading Word List Casual ¡ Careful ¡ Reading ¡ Word ¡List ¡ 0 0 ¡ 5 5 ¡ Upper ¡Middle ¡Class ¡(9) ¡ 10 10 ¡ 15 15 ¡ Lower ¡Middle ¡Class ¡ (6-­‑8) ¡ 20 ¡ 20 Working ¡Class ¡(3-­‑5) ¡ 25 ¡ 25 30 ¡ 30 35 ¡ 35 40 ¡ 40 NYC ¡(aeh) ¡ NYC ¡(oh) ¡

  5. Descrip1ve ¡Sta1s1cs ¡ • Quan1ta1ve ¡descrip1on ¡of ¡the ¡main ¡features ¡ of ¡a ¡data ¡distribu1on: ¡ – Percentages ¡ – Means ¡ – Dispersion ¡ – ... ¡ • Tests ¡of ¡significance ¡

  6. Trea1ng ¡Variables ¡as ¡Con1nuous ¡or ¡Binary ¡ • Commonly ¡treated ¡as ¡binary ¡ – Consonant ¡dele1on, ¡stress, ¡nega1ve ¡concord... ¡ • Commonly ¡treated ¡as ¡con1nuous ¡ – Vowel ¡height/frontness, ¡F0, ¡segment ¡length... ¡ • Many ¡variables ¡can ¡be ¡treated ¡either ¡way ¡ – The ¡two ¡may ¡show ¡different ¡things ¡

  7. Binary: ¡% ¡uvular ¡/r/ ¡ SANKOFF, ¡GILLIAN. ¡2006. ¡ Age: ¡Apparent ¡1me ¡and ¡real ¡ 1me. ¡Elsevier ¡encyclopedia ¡ of ¡language ¡and ¡linguis1cs. ¡ Oxford: ¡Elsevier. ¡ Based ¡on ¡CLERMONT, ¡J. ¡and ¡ CEDERGREN, ¡H. ¡1979. ¡Les ¡ "R" ¡de ¡ma ¡mère ¡sont ¡perdus ¡ dans ¡l'air. ¡Le ¡français ¡parlé: ¡ Etudes ¡sociolinguis1ques, ¡ ed. ¡by ¡P. ¡Thibault, ¡13-­‑28. ¡ Edmonton, ¡Alberta: ¡ Linguis1c ¡Research. ¡ ¡

  8. Binary: ¡% ¡Nega1ve ¡Concord ¡in ¡Belten ¡ High ¡ 50 45 40 35 % Negative Concord 30 25 20 15 10 5 0 Burnout Girls Burnout Boys Jock Girls Jock Boys

  9. Binary: ¡apical ¡-­‑ing ¡ 90 80 70 60 Lower 50 Working Lower Middle 40 Upper Middle 30 20 10 0 Casual Careful Reading

  10. Binary: % Full Tone � ZHANG, ¡QING. ¡2005. ¡A ¡Chinese ¡yuppie ¡in ¡Beijing: ¡Phonological ¡varia1on ¡and ¡the ¡ construc1on ¡of ¡a ¡new ¡professional ¡iden1ty. ¡Language ¡in ¡society, ¡34.431-­‑66. ¡

  11. Clearly ¡con1nuous ¡variables: ¡(ay) ¡ i ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡u ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡e ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ʌ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡o ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡a ¡

  12. con1nuous ¡vs. ¡binary ¡ 0.3 ¡ 1 ¡ 0.9 ¡ 0.25 ¡ 0.8 ¡ 0.7 ¡ 0.2 ¡ 0.6 ¡ 0.15 ¡ 0.5 ¡ 0.4 ¡ 0.1 ¡ 0.3 ¡ 0.2 ¡ 0.05 ¡ 0.1 ¡ 0 ¡ 0 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡w ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡x ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡mj ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡mb ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡w ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡x ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡mj ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡mb ¡ 0 ¡ 1 ¡ 2 ¡ 3 ¡ 4 ¡ 5 ¡ 0 ¡ 1 ¡ 2 ¡ 3 ¡ 4 ¡ 5 ¡ 1=[a] ¡ ¡2=[ ʌ ] ¡3=[ ¡̂ ʌ͐ ] ¡4=[o, ʊ ] ¡ % ¡4 ¡

  13. /ay/ ¡in ¡Belten ¡High ¡ (ay) sig=.000 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Burnout Girls Burnout Boys Jock Girls Jock Boys

  14. ECKERT, ¡PENELOPE. ¡1988. ¡ Sound ¡change ¡and ¡adolescent ¡ social ¡structure. ¡Language ¡in ¡ Society, ¡17.183–207. ¡

  15. Con1nuous: ¡raising ¡of ¡New ¡York ¡City ¡/aeh/ ¡ 15 ¡ 20 ¡ 25 ¡ LOWER ¡ WORKING ¡ MIDDLE ¡ 30 ¡ 35 ¡ 40 ¡ casual ¡ formal ¡ reading ¡ word ¡list ¡ Labov, W. (1966). The social stratification of English in New York City. Washington, DC, Center for Applied Linguistics.

  16. Con1nuous: ¡/aw/,/ay/ ¡on ¡Martha’s ¡Vineyard ¡ ¡ all ¡ages ¡ 100 ¡ 90 ¡ 80 ¡ 70 ¡ 60 ¡ 50 ¡ 40 ¡ 30 ¡ 20 ¡ 10 ¡ 0 ¡ English ¡(ay) ¡ English ¡(aw) ¡ Na1ve ¡American ¡ Na1ve ¡American ¡ (ay) ¡ (aw) ¡ 140 ¡ 140 ¡ 120 ¡ 120 ¡ 100 ¡ 100 ¡ 80 ¡ 80 ¡ English ¡(ay) ¡ English ¡(aw) ¡ 60 ¡ 60 ¡ Na1ve ¡American ¡(ay) ¡ Na1ve ¡American ¡(aw) ¡ 40 ¡ 40 ¡ 20 ¡ 20 ¡ 0 ¡ 0 ¡ >60 ¡ 46-­‑60 ¡ 31-­‑45 ¡ <30 ¡ >60 ¡ 46-­‑60 ¡ 31-­‑45 ¡ <30 ¡

  17. Con1nuous: ¡dh-­‑stopping ¡in ¡New ¡York ¡City ¡ 90 � 80 � 70 � 60 � Lower Class (0-2) � 50 � (dh) index � Working Class (3-5) � 40 � 30 � 20 � 10 � 0 � Casual Style � Interview Style � Reading style �

  18. Height ¡as ¡a ¡con1nuum ¡ 2.5 2 height of /u/ 1.5 Males 1 Females 0.5 0 Mountain Dairy Farming Factory Work Agriculture 0=[o]...4=[u] HOLMQUIST, ¡JONATHAN. ¡1985. ¡Social ¡correlates ¡of ¡a ¡linguis1c ¡variable: ¡A ¡study ¡in ¡ a ¡Spanish ¡village. ¡Language ¡in ¡Society, ¡14.191-­‑203. ¡

  19. PODESVA, ¡ROBERT. ¡2004. ¡On ¡construc1ng ¡social ¡meaning ¡with ¡stop ¡release ¡ bursts. ¡Paper ¡presented ¡at ¡Sociolinguis1cs ¡Symposium ¡15. ¡Newcastle ¡upon ¡ Tyne. ¡

  20. Quan1ta1ve ¡analysis ¡ • Your ¡approach ¡to ¡quan1ta1ve ¡analysis ¡can ¡be ¡ as ¡varied ¡as ¡your ¡sta1s1cal ¡sophis1ca1on. ¡ • Even ¡if ¡you ¡don’t ¡have ¡much ¡SS, ¡there ¡are ¡ good ¡standard ¡tools ¡for ¡working ¡out ¡the ¡ constraints ¡in ¡varia1on. ¡ ¡ – Goldvarb ¡ • individual.utoronto.ca/tagliamonte/goldvarb.htm ¡ – Rbrul ¡ ¡ • hEp://www.danielezrajohnson.com/rbrul.html ¡

  21. Regressions ¡ • Controlling ¡for ¡linguis1c ¡constraints ¡when ¡ running ¡social ¡factors ¡ • Comparing ¡the ¡effects ¡of ¡different ¡social ¡or ¡ linguis1c ¡factors ¡ • Looking ¡for ¡interac1ons ¡among ¡factors ¡ (especially ¡social ¡factors) ¡ • Regressions ¡ – Logis1c ¡(binomial) ¡ – Linear ¡(con1nuous) ¡

  22. The ¡nasal ¡paEern ¡ stand ¡ class ¡ ECKERT, ¡PENELOPE. ¡2008. ¡Where ¡do ¡ethnolects ¡stop? ¡Interna1onal ¡ journal ¡of ¡bilingualism, ¡12.25-­‑42. ¡ ¡

  23. The ¡Chicano ¡paEern ¡ I ¡slammed ¡him ¡into ¡-­‑ ¡ bars ¡ Candace ¡

Recommend


More recommend