Specifying exogeneity and bilinear effects in data-driven model searches.
Specifying exogeneity and bilinear effects in data-driven model searches.
复制标题
在数据驱动的模型搜索中指定外生性和双线性效应。
DOI：
10.3758/s13428-020-01469-2
复制
发表时间：
2021-06
影响因子：
5.4
通讯作者：
Wright A
中科院分区：
文献类型：
--
作者：
Arizmendi C;Gates K;Fredrickson B;Wright A
数据驱动模型搜索提供了使用动态评估数据量化个人特定过程的机会。这里，搜索空间通常包括变量之间的所有潜在关系，这意味着所有变量都可以潜在地解释所有其他变量的可变性。通常，这是不现实的。例如，天气不太可能通过某人的情绪状态来预测，而反之亦然。允许规范的外生变量，或变量的系统内没有预测，允许更现实的模型，并允许研究人员通过使用适度变量来模拟上下文的变化过程。我们使用两组每日日记数据来证明允许在GIMME（组迭代多模型估计）中指定外生变量的能力，GIMME是一种模型搜索算法，允许模型具有特定的，个人水平的以及具有密集纵向数据的子组和组水平的过程。首先，使用从诊断为人格障碍的个人收集的数据，我们显示的结果，其中天气相关的和时间的基础变量被指定为外源性的，和报告的影响和行为是内源性的。接下来，我们展示了干预研究中的治疗效果建模，查看来自中年人为期6周的冥想研讨会的数据。最后，我们使用冥想干预数据来证明建模适度效应，其中两个内生变量之间的关系取决于给定参与者的当前研究阶段（即，目前正在参加冥想课程或没有）。最后，我们提出了自适应LASSO作为探测从GIMME获得的结果的方法。
Data driven model searches provide the opportunity to quantify person-specific processes using ambulatory assessment data. Here, the search space typically includes all potential relations among variables, meaning that all variables can potentially explain variability in all other variables. Oftentimes, this is unrealistic. For example, weather is unlikely to be predicted by someone’s emotional state, whereas the reverse might be true. Allowing for specification of exogenous variables, or variables that are not predicted within the system, permits more realistic models and allows the researcher to model contextual change processes via the use of moderation variables. We use two sets of daily diary data to demonstrate the capabilities of allowing for the specification of exogenous variables in GIMME (Group Iterative Multiple Model Estimation), a model search algorithm that allows for models with idiographic, individual-level as well as subgroup- and group-level processes with intensive longitudinal data. First, using data collected from individuals diagnosed with personality disorders, we show results where weather-related and temporal basis variables are specified as exogenous, and reports on affect and behavior are endogenous. Next, we demonstrate the modeling of treatment effects in an intervention study, looking at data from a 6-week meditation workshop in midlife adults. Finally, we use the meditation intervention data to demonstrate modeling moderation effects, where relationships between two endogenous variables are dependent on the current stage of the study for a given participant (i.e., currently attending meditation classes or not). We end by presenting adaptive LASSO as a method for probing results obtained from GIMME.
登录
查看更多内容
影响因子：
7
作者：
Lane, Stephanie T.;Gates, Kathleen M.;Wright, Aidan G. C.
通讯作者：
Wright, Aidan G. C.
影响因子：
3.2
作者：
BARNSTON, AG
通讯作者：
BARNSTON, AG
影响因子：
6.1
作者：
ENGLE, RF;HENDRY, DF;RICHARD, JF
通讯作者：
RICHARD, JF
影响因子：
3.6
作者：
Fredrickson BL;Boulton AJ;Firestine AM;Van Cappellen P;Algoe SB;Brantley MM;Kim SL;Brantley J;Salzberg S
通讯作者：
Salzberg S
影响因子：
3.8
作者：
Beltz AM;Gates KM
通讯作者：
Gates KM