[論文レビュー] Discovering Psychological Dynamics in Time-Series Data

Sacha Epskamp, Lourens Waldorp+2 more|arXiv (Cornell University)|Sep 14, 2016

Mental Health Research Topics被引用数 9

ひとこと要約

本論文は、時間的系列心理データに対してガウスグラフィカルモデル（GGMs）を拡張するための、新しい多層ベクトル自己回帰（mlVAR）フレームワークを導入する。このフレームワークは、同時に被験者内時間的ネットワークと被験者間同時的ネットワークを推定する。多層VARモデルが被験者内および被験者間の効果を分離できることを示し、タイムラグ付きおよび同時的関係を通じて因果的類似の経路を明らかにする。また、実用的応用を可能にするためにRパッケージとして実装されている。

ABSTRACT

This paper provides a methodological overview of statistical network models in cross-sectional and time-series data. The increasing trend of modeling psychological data through networks attempts to highlight potential causal relationships between observed variables. When data are cross-sectional, it is becoming increasingly popular to estimate a Gaussian graphical model (GGM; a network of partial correlation coefficients). In a time-series analysis, networks are typically constructed through the use of (multilevel) vector autoregression (VAR). VAR estimates a directed network that encodes temporal predictive effects - the temporal network. We show that GGM and VAR models are closely related: VAR generalizes the GGM by taking violations of independence between consecutive cases into account. VAR analyses can also return a GGM that encodes relationships within the same window of measurement - the contemporaneous network, which has not yet been extensively utilized in the literature. When multiple subjects are measured, multilevel VAR estimates fixed and random temporal networks. Proper centering can disentangle within- and between-subject variance in such processes. We show, for the first time, that the between-subject effects can be summarized in a GGM network - the between-subjects network. We argue that such between-subjects effects can also indicate causal pathways. Furthermore, we propose a novel two-step, multilevel estimation procedure to obtain fixed and random effects for contemporaneous network structures. We have implemented this procedure in the R package mlVAR. We present a simulation study to show the performance of mlVAR and to showcase the method in an empirical example on personality inventory items and physical exercise.

研究の動機と目的

• 縦断的心理データにおける時間的関係と同時的関係の両方をモデル化する分野におけるギャップを埋める。
• 被験者内ダイナミクスと被験者間のネットワーク構造の違いを分離する手法を開発する。
• 従来あまり活用されていなかった被験者間ネットワークが、意味のある因果的経路を反映できることを示す。
• 同時的（GGMに類似した）ネットワークにおける固定効果とランダム効果を別々に推定する2段階の多層推定手順を提案する。
• シミュレーションと性格および身体活動データへの実応用を通じて、手法の実装と検証を行う。

提案手法

• 本手法は、変数間の時系列的予測効果を時間的ポイント間でモデル化するために多層ベクトル自己回帰（VAR）を用いる。
• 動的関係における個人差を捉えるために、時間的ネットワークの固定効果とランダム効果を推定する。
• 被験者内および被験者間の分散成分を分離するために、変数の適切なセンター化が適用される。
• 残差分散共分散行列から同時的ネットワークを抽出し、同じ測定期間内での関係を表す。
• 同時的ネットワーク構造の固定効果とランダム効果を別々に推定するための2段階推定手順が提案される。
• このアプローチはRパッケージmlVARとして実装されており、多層時系列データのスケーラブルかつ再現可能なかつての分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 多層VARモデルは、心理的時系列データにおける被験者内および被験者間の分散を効果的に分離できるか？
• RQ2 多層VARモデルから導かれる被験者間ネットワークは、意味的で、おそらく因果的関係を反映しているか？
• RQ3 提案された2段階推定手順は、同時的ネットワーク構造における固定効果とランダム効果をどの程度正確に回復できるか？
• RQ4 mlVARは、測定誤差とサンプルサイズの異なる条件下でも、真のネットワーク構造を検出する性能を示すか？
• RQ5 この手法は、時間経過に伴う性格特性と身体活動行動における明確な心理的ダイナミクスを明らかにできるか？

主な発見

• 多層VARフレームワークは、被験者内および被験者間の効果を効果的に分離し、時間的および同時的ネットワーク構造の両方の推定を可能にした。
• 残差分散共分散行列から得られた被騟能者間ネットワークは、個々の個人をまたがる安定的で、おそらく因果的関係を反映する。
• 同時的ネットワークのための2段階推定手順は、標準的手法と比較して、固定効果およびランダム効果の推定精度を向上させた。
• シミュレーション結果から、mlVARは現実的な条件下でも良好な統計的パワーと低い第一種過誤率を維持することが示された。
• 性格および運動データへの実応用分析から、被験者内での動的パターンの違いと意味のある被験者間ネットワーク構造が明らかになった。