[논문 리뷰] Discovering Psychological Dynamics in Time-Series Data

Sacha Epskamp, Lourens Waldorp외 2명|arXiv (Cornell University)|2016. 09. 14.

Mental Health Research Topics인용 수 9

한 줄 요약

이 논문은 시간적 심리학적 자료에 대해 가우시안 그래픽 모델(GGMs)을 확장하는 새로운 다수준 벡터 자기회귀(mlVAR) 프레임워크를 소개한다. 이 프레임워크는 동시에 개인 내 시간적 네트워크와 개인 간 동시적 네트워크를 추정한다. 다수준 VAR 모델이 개인 내 및 개인 간 효과를 분리할 수 있음을 보여주며, 시차가 있는 관계와 동시에 발생하는 관계를 통해 인과 유사 경로를 드러낸다. 이 방법은 실증적 활용을 위해 R 패키지로 구현되어 있다.

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.

연구 동기 및 목표

• 종단적 심리학적 자료에서 시간적 관계와 동시적 관계를 함께 모델링하는 데 있어 발생하는 격차를 해소하기 위해.
• 개인 내 역동성과 개인 간 네트워크 구조의 차이를 분리할 수 있는 방법을 개발하기 위해.
• 이전에 적극적으로 활용되지 않았던 개인 간 네트워크가 의미 있는 인과 경로를 반영할 수 있음을 보여주기 위해.
• 동시적(GGM 유사) 네트워크에서 고정효과와 랜덤효과를 추정하기 위한 이중단계 다수준 추정 절차를 제안하기 위해.
• 시뮬레이션과 성격 및 신체 활동 데이터에 대한 실증 적용을 통해 방법을 구현하고 검증하기 위해.

제안 방법

• 이 방법은 변수 간 시간에 따른 예측 효과를 시간 포인트 간에 모델링하기 위해 다수준 벡터 자기회귀(VAR)를 사용한다.
• 시간적 네트워크의 고정효과와 랜덤효과를 추정하여 개인 간 역동적 관계의 차이를 포착한다.
• 개인 내 및 개인 간 분산 성분을 분리하기 위해 변수의 적절한 중심화를 적용한다.
• 잔차 공분산 행렬에서 동시적 네트워크를 추출하여 동일한 측정 창 내의 관계를 나타낸다.
• 동시적 네트워크 구조의 고정효과와 랜덤효과를 별도로 추정하기 위해 이중단계 추정 절차를 제안한다.
• 이 접근법은 R 패키지 mlVAR에 구현되어 있어 다수준 시간시계열 자료의 스케일러블하고 재현 가능한 분석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 다수준 VAR 모델은 심리학적 시간시계열 자료에서 개인 내 및 개인 간 분산을 효과적으로 분리할 수 있는가?
• RQ2 다수준 VAR 모델에서 유도된 개인 간 네트워크는 변수 간 의미 있는, 잠재적으로 인과적인 관계를 반영하는가?
• RQ3 제안된 이중단계 추정 절차는 동시적 네트워크 구조에서 고정효과와 랜덤효과를 얼마나 잘 복원하는가?
• RQ4 mlVAR는 측정 오차 수준과 표본 크기가 다양할 경우 진짜 네트워크 구조를 탐지하는 데 얼마나 잘 성능을 발휘하는가?
• RQ5 이 방법은 시간에 따라 성격 특성과 신체 활동 행동의 고유한 심리적 역동성을 드러낼 수 있는가?

주요 결과

• 다수준 VAR 프레임워크는 개인 내 및 개인 간 효과를 성공적으로 분리하여 시간적 및 동시적 네트워크 구조의 추정을 가능하게 한다.
• 잔차 공분산 행렬에서 유도된 개인 간 네트워크는 개인 간에 안정적이고 잠재적으로 인과적인 관계를 포착한다.
• 동시적 네트워크에 대한 이중단계 추정 절차는 표준 접근 방식에 비해 고정효과와 랜덤효과의 추정 정확도를 향상시킨다.
• 시뮬레이션 결과, mlVAR는 현실적인 조건 하에서 양호한 통계적 검정력과 낮은 I형 오류 비율을 유지한다.
• 성격 및 운동 데이터에 대한 실증 분석에서 개인 내 동적 패턴의 차이와 의미 있는 개인 간 네트워크 구조가 드러났다.