[論文レビュー] Discovering Psychological Dynamics: The Gaussian Graphical Model in Cross-sectional and Time-series Data

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

Mental Health Research Topics参考文献 41被引用数 39

ひとこと要約

この論文は、RパッケージmlVARを用いて、多水準時系列データにおける時系列的および同時的ネットワーク構造を統合的にモデル化する2段階の多段階推定手順を導入する。ベクトル自己回帰（VAR）が、窓内（同時的）および時系列的（時間的）な依存関係の両方を捉えることで、ガウス・グラフィカル・モデル（GGM）を一般化し、両方のネットワークタイプの固定効果および変動効果の推定を可能にする。

ABSTRACT

This paper outlines statistical network models in cross-sectional and time-series data, that attempt to highlight potential causal relationships between observed variables. The paper describes three kinds of datasets. In cross-sectional data (1), one can estimate a Gaussian graphical model (GGM; a network of partial correlation coefficients). In single-subject time-series analysis (2), 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. When multiple subjects are measured (3), multilevel VAR estimates fixed and random temporal networks. We show that between-subject effects can also be obtained in a GGM network---the between-subjects network. We propose a novel two-step multilevel estimation procedure to obtain fixed and random effects for contemporaneous network structures. This procedure is implemented in the R package mlVAR. The paper presents a simulation study to show the performance of mlVAR and showcases the method in an empirical example on personality inventory items and physical exercise.

研究の動機と目的

• 心理的ダイナミクスを、横断的および時系列的データの両方を用いて統一的な統計枠組みでモデル化すること。
• 既存のモデルが多水準データにおいて同時的および時間的依存関係を別々に扱うという限界に対処すること。
• 同時的（GGM）および時間的（VAR）ネットワーク構造の両方の固定効果および変動効果を同時に推定する2段階の多水準推定手順を提唱すること。
• シミュレーションおよび性格および身体活動に関する実データ応用を通じて、手法の性能を示すこと。
• 心理的研究における実用的実装を可能にするためのRパッケージ（mlVAR）を提供すること。

提案手法

• 横断的データにおける部分相関ネットワーク（条件付き依存関係）を推定するためにガウス・グラフィカル・モデル（GGM）を用いる。
• 単一被験者の時系列データにおける時間的予測効果をモデル化するために多水準ベクトル自己回帰（VAR）を適用し、有向時間的ネットワークを生成する。
• VARモデルが同じ測定ウィンドウ内での同時的ネットワーク構造を回復できることを示し、GGMを一般化すること。
• 複数被験者への応用を拡張するため、2段階の多水準プロセスを用いて時間的および同時的ネットワークの両方の固定効果および変動効果を推定する。
• 2段階推定プロセスを採用：まず被験者内VARおよびGGM成分を推定し、次にそれらの分布を被験者間でモデル化する。
• 心理的および行動的研究への容易な応用を可能にするために、RパッケージmlVARにこの手法を実装する。

実験結果

リサーチクエスチョン

• RQ1 多水準時系列データにおいて、同時的および時間的ネットワーク構造をどのように統合的に推定できるか？
• RQ2 多水準VARは、時間的および被験者間の依存関係を考慮することで、ガウス・グラフィカル・モデル（GGM）をどの程度一般化するか？
• RQ3 提案された2段階多水準推定手順は、同時的および時間的ネットワークの両方の固定効果および変動効果をどの程度正確に回復できるか？
• RQ4 被験者間の心理的ダイナミクスの違いは、ネットワーク構造にどのように現れ、信頼性高く推定できるか？
• RQ5 提案された手法は、実世界の時系列データを用いて、性格特性や身体活動行動といった心理的構造を効果的にモデル化できるか？

主な発見

• 提案された2段階多水準推定手順は、同時的（GGM）および時間的（VAR）ネットワーク構造の両方の固定効果および変動効果を的確に回復した。
• 多水準VARは時間的依存関係を組み込むことでGGMを一般化し、窓内および時系列的関係の両方を同時に推定可能にした。
• シミュレーション研究により、手法はネットワークエッジを検出するための適切な第一種の誤り率と統計的パワーを維持していることが確認された。
• 性格インベントリ項目および身体活動に関する実応用では、被験者内および被験者間の意味のあるネットワークパターンを同定できることが示された。
• RパッケージmlVARにより、研究者が心理的ネットワーク分析のためのアクセス可能で再現性のあるワークフローで手法を実装できるようになった。
• GGMネットワークにおける被験者間効果は信頼性高く推定されており、個々の被験者における心理的ダイナミクスの違いを体系的にモデル化できることが示された。