[논문 리뷰] Discovering Psychological Dynamics: The Gaussian Graphical Model in Cross-sectional and Time-series Data

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

Mental Health Research Topics참고 문헌 41인용 수 39

한 줄 요약

이 논문은 R 패키지 mlVAR를 통해 다수의 수준(time-series) 데이터에서 시간적 구조와 동시적 네트워크 구조를 함께 모델링하기 위한 이단계 다중 수준 추정 절차를 제안한다. 벡터 자기회귀(VAR) 모형이 시간 내부(동시적) 및 시간 간섭(시간적) 의존성을 모두 포착함으로써 일반화된 그래픽 모형(GGM)을 일반화함을 보여주며, 이로써 동시적(네트워크 유형) 및 시간적(네트워크 유형)에 대한 고정 및 임의 효과를 동시에 추정할 수 있다.

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.

연구 동기 및 목표

• 심리적 역동성을 다각도로 분석하기 위한 통합된 통계적 프레임워크를 개발하는 것.
• 기존 모형이 다중 수준 데이터에서 동시적 및 시간적 의존성을 별도로 다루는 한계를 해결하는 것.
• 동시적(GGM) 및 시간적(VAR) 네트워크 구조에 대해 고정 및 임의 효과를 동시에 추정할 수 있는 이단계 다중 수준 추정 절차를 제안하는 것.
• 시뮬레이션 및 성격 및 신체 활동 데이터에 대한 실증 적용을 통해 제안된 방법의 성능을 입증하는 것.
• 심리학 연구에서 제안된 방법을 실용적으로 적용할 수 있도록 R 패키지(mlVAR)를 제공하는 것.

제안 방법

• 교차적 설문 데이터에서 부분 상관관계 네트워크를 추정하기 위해 일반화된 그래픽 모형(GGM)을 사용하여 변수 간 조건부 의존성을 포착한다.
• 개별 참가자의 시간적 시계열에서 시간 예측 효과를 모델링하기 위해 다중 수준 벡터 자기회귀(VAR)를 적용하여 유도된 시간 네트워크를 생성한다.
• VAR 모형이 동일한 측정 창 내에서 동시적 네트워크 구조를 복원할 수 있음을 보여줌으로써 GGM을 일반화한다.
• 시간적 및 동시적 네트워크에 대해 고정 및 임의 효과를 추정하기 위해 이단계 다중 수준 절차를 다수의 참가자에 적용하여 접근을 확장한다.
• 이중 단계 추정 과정을 활용: 먼저 참가자 내부의 VAR 및 GGM 구성요소를 추정한 후, 이를 참가자 간 분포로 모델링한다.
• 심리학적 및 행동 연구에서 접근 가능하게 활용할 수 있도록 R 패키지 mlVAR에 이 방법을 구현한다.

실험 결과

연구 질문

• RQ1 다중 수준 시계열 데이터에서 동시적 및 시간적 네트워크 구조는 어떻게 함께 추정할 수 있는가?
• RQ2 다중 수준 VAR가 시간 및 참가자 간 의존성을 고려함으로써 일반화된 그래픽 모형(GGM)을 얼마나 잘 일반화하는가?
• RQ3 제안된 이단계 다중 수준 추정 절차가 동시적 및 시간적 네트워크에 대한 고정 및 임의 효과를 얼마나 잘 복원하는가?
• RQ4 심리적 역동성의 참가자 간 차이가 네트워크 구조에 어떻게 나타나며, 이를 신뢰성 있게 추정할 수 있는가?
• RQ5 제안된 방법이 실제 세계의 시계열 데이터를 활용하여 성격 특성 및 신체 활동 행동과 같은 심리적 구성요소를 효과적으로 모델링할 수 있는가?

주요 결과

• 제안된 이단계 다중 수준 추정 절차는 동시적(GGM) 및 시간적(VAR) 네트워크 구조에 대한 고정 및 임의 효과를 성공적으로 복원한다.
• 다중 수준 VAR는 시간적 의존성을 통합함으로써 GGM을 일반화하며, 이로써 창 내부 및 시간 간 관계를 동시에 추정할 수 있다.
• 시뮬레이션 연구 결과, 방법이 네트워크 간선 탐지에 있어 적절한 I형 오류 비율과 통계적 검정력을 유지함을 확인하였다.
• 성격 인벤토리 항목 및 신체 활동에 대한 실증 적용을 통해 방법이 참가자 내외부의 의미 있는 네트워크 패턴을 탐지할 수 있음을 입증하였다.
• R 패키지 mlVAR는 연구자들이 심리학적 네트워크 분석을 위한 접근 가능하고 재현 가능한 워크플로우를 구현할 수 있도록 한다.
• GGM 네트워크에서의 참가자 간 효과는 신뢰성 있게 추정되었으며, 개인 간 심리적 역동성의 차이를 체계적으로 모델링할 수 있음을 보여주었다.