[论文解读] Variability as a Predictor: A Bayesian Variability Model for Small Samples and Few Repeated Measures

Joshua F. Wiley, Bei Bei+2 more|arXiv (Cornell University)|Nov 11, 2014

Statistical Methods and Bayesian Inference参考文献 30被引用 12

一句话总结

本文提出了一种新颖的贝叶斯分层模型，用于在小样本及重复测量次数较少的情境下，将个体内变异度作为预测因子进行估计，相较于传统的个体标准差（ISD）方法，其准确性有所提升。该方法通过开源R包VARIAN实现，在模拟研究中表现出更优的参数估计性能，并应用于真实数据，探究睡眠变异度如何通过中介效应预测睡眠质量和抑郁症状。

ABSTRACT

Whilst most psychological research focuses on differences in means, a growing body of literature demonstrates the value of considering differences in intra-individual variability. Compared to the number of methods available for analyzing mean differences, there is a paucity of methods available for analyzing intra-individual variability, particularly when variability is treated as a predictor. In the present article, we first reviewed methods of analyzing intra-individual variability as an outcome, including the individual standard deviation (ISD) and some recent methods. We then introduced a novel Bayesian method for analyzing intra-individual variability as a predictor. To make this method easily accessible to the research community, we developed an open source R package, VARIAN. To compare the accuracy of parameter estimates using the proposed Bayesian analysis against the ISD as a predictor in a regression, we carried out a simulation study. We then demonstrated, using empirical data, how the estimated intra-individual variability derived from the proposed Bayesian analysis can be used to answer the following two questions: (1) is intra-individual variability in daily time-in-bed associated with subjective sleep quality? (2) does subjective sleep quality mediate the association between time-in-bed variability and depressive symptoms? We concluded with a discussion of methodological and practical considerations that can help guide researchers in choosing methods for evaluating intra-individual variability.

研究动机与目标

• 为解决在小样本且重复测量次数较少的情境下，分析个体内变异度作为预测因子时缺乏稳健统计方法的问题。
• 开发一种贝叶斯分层模型，相较于传统方法（如个体标准差，ISD）能更准确地估计个体变异度。
• 创建一个易于使用的开源R包（VARIAN），以促进心理学和健康科学领域研究人员的采用。
• 通过模拟研究和实证应用，评估该模型相较于ISD的性能表现。
• 展示该模型在心理和健康研究中，利用变异度作为预测因子解决实际研究问题的实用性。

提出的方法

• 所提出的方法利用贝叶斯分层模型，通过在参与者之间借用信息来估计个体水平的变异度，从而在小样本中提高估计精度。
• 使用正态似然函数对每位个体的重复测量进行建模，并为每位个体的均值设置一个随机效应，为其变异度设置另一个独立的随机效应。
• 该模型估计个体特定均值的方差以及个体特定标准差的方差，从而允许将变异度本身作为预测因子进行处理。
• 该方法采用弱信息先验，并使用马尔可夫链蒙特卡洛（MCMC）抽样进行后验推断，确保在数据有限时的稳健性。
• VARIAN R包实现了该模型，提供用户友好的函数用于模型拟合、诊断分析和后验预测。
• 该方法与传统ISD方法形成对比，后者将变异度视为固定的汇总统计量，而未对其中的潜在分布进行建模。

实验结果

研究问题

• RQ1 每日就寝时间的个体内变异度是否与主观睡眠质量相关？
• RQ2 主观睡眠质量是否在就寝时间变异度与抑郁症状之间起中介作用？
• RQ3 在小样本和重复测量次数较少的条件下，贝叶斯变异度模型与个体标准差（ISD）在参数估计准确性方面有何差异？
• RQ4 当传统方法失效时，贝叶斯模型是否能检测到变异度与结果之间的有意义关联？
• RQ5 在心理和健康研究中，将个体内变异度作为预测因子时，其方法论和实际应用方面需考虑哪些问题？

主要发现

• 在模拟研究中，贝叶斯变异度模型在小样本和重复测量次数较少的情况下，相较于ISD方法，产生了更准确且更精确的参数估计。
• 在实证数据中，该模型成功检测到就寝时间变异度与主观睡眠质量之间的显著关联，而ISD方法未能一致捕捉到该关联。
• 研究发现主观睡眠质量在就寝时间变异度与抑郁症状之间起显著中介作用，支持了睡眠节律紊乱通过心理机制影响情绪的路径。
• VARIAN R包实现了模型的高效应用，提供了清晰的诊断工具和后验预测检验，以验证模型拟合效果。
• 在估计变异度作为预测因子时，贝叶斯方法表现出更高的稳健性及更低的I类错误率，优于ISD方法。
• 当样本量较小且重复测量有限时，建议研究人员优先采用贝叶斯模型而非ISD方法，因其具有更高的统计效率和有效性。