[论文解读] 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 39

一句话总结

本文在 R 包 mlVAR 中提出了一种两步多水平估计程序，用于在多水平时间序列数据中联合建模时间依赖结构和同期网络结构。结果表明，向量自回归（VAR）通过捕捉窗内（同期）和跨时间（时间）依赖关系，将高斯图模型（GGM）推广为更一般的形式，从而能够同时估计两种网络结构的固定效应和随机效应。

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.

研究动机与目标

• 开发一个统一的统计框架，用于结合横断面数据与时间序列数据建模心理动态。
• 解决现有模型在多水平数据中将同期依赖与时间依赖分开处理的局限性。
• 提出一种两步多水平估计程序，同时估计同期（GGM）与时间（VAR）网络结构的固定效应与随机效应。
• 通过模拟研究与对人格特质与体力活动数据的实证应用，展示该方法的性能。
• 提供 R 包 mlVAR，便于在心理学研究中实际应用该方法。

提出的方法

• 使用高斯图模型（GGM）估计横断面数据中的偏相关网络，捕捉变量间的条件依赖关系。
• 应用多水平向量自回归（VAR）建模单一个体时间序列中的时间预测效应，生成有向的时间网络。
• 通过证明 VAR 模型可在同一测量窗口内恢复同期网络结构，推广 GGM 模型。
• 通过估计时间网络与同期网络的固定效应与随机效应，将该方法扩展至多个受试者，采用两步多水平程序。
• 采用两步估计流程：首先估计个体内 VAR 与 GGM 组件，然后建模其在受试者间的分布。
• 在 R 包 mlVAR 中实现该方法，便于心理学与行为科学研究中的可访问应用。

实验结果

研究问题

• RQ1 如何在多水平时间序列数据中联合估计同期网络与时间网络结构？
• RQ2 多水平 VAR 在多大程度上通过考虑时间与受试者间的依赖关系，推广了高斯图模型（GGM）？
• RQ3 所提出的两步多水平估计程序在恢复同期网络与时间网络的固定效应与随机效应方面表现如何？
• RQ4 受试者间心理动态的差异如何在网络结构中体现，又如何能可靠地估计？
• RQ5 该方法能否有效利用真实世界的时间序列数据，对人格特质与体力活动行为等心理构念进行建模？

主要发现

• 所提出的两步多水平估计程序成功恢复了同期（GGM）与时间（VAR）网络结构的固定效应与随机效应。
• 多水平 VAR 通过引入时间依赖关系，推广了 GGM，实现了窗内关系与跨时间关系的同时估计。
• 模拟研究证实，该方法在检测网络边时保持了适当的 I 类错误率与统计功效。
• 对人格量表条目与体力活动数据的实证应用表明，该方法能够检测到有意义的个体内与个体内网络模式。
• R 包 mlVAR 使研究人员能够通过可访问、可复现的工作流程实现该方法，用于心理网络分析。
• GGM 网络中的受试者间效应被可靠估计，表明个体间心理动态的差异可系统性地建模。