On the Use of Mixed Markov Models for Intensive Longitudinal Data.
On the Use of Mixed Markov Models for Intensive Longitudinal Data.
复制标题
DOI：
10.1080/00273171.2017.1370364
复制
发表时间：
2017-11
影响因子：
3.8
通讯作者：
Hamaker EL
中科院分区：
文献类型：
--
作者：
de Haan-Rietdijk S;Kuppens P;Bergeman CS;Sheeber LB;Allen NB;Hamaker EL
马尔可夫模型提出了一个有吸引力的分析框架，研究人员谁有兴趣在一个人，二分体，家庭，群体或其他系统随着时间的推移发生的状态切换过程。马尔可夫建模非常灵活，可以与各种类型的数据一起使用来研究观察到的或潜在的状态切换过程，并且可以包括特定于对象的随机效应来解释异质性。我们专注于应用混合马尔可夫模型密集的纵向数据集在心理学，这是越来越普遍，并提供了丰富的描述每个主题的过程。我们研究如何规范的马尔可夫模型的变化时，连续的随机效应分布，以及如何混合马尔可夫模型可以用于密集的纵向研究的背景下。贝叶斯估计的优点进行了讨论，并说明了两个实证应用的方法。
Markov modeling presents an attractive analytical framework for researchers who are interested in state-switching processes occurring within a person, dyad, family, group, or other system over time. Markov modeling is flexible and can be used with various types of data to study observed or latent state-switching processes, and can include subject-specific random effects to account for heterogeneity. We focus on the application of mixed Markov models to intensive longitudinal data sets in psychology, which are becoming ever more common and provide a rich description of each subject’s process. We examine how specifications of a Markov model change when continuous random effect distributions are included, and how mixed Markov models can be used in the intensive longitudinal research context. Advantages of Bayesian estimation are discussed and the approach is illustrated by two empirical applications.
登录
查看更多内容
影响因子：
6.8
作者：
AKAIKE, H
通讯作者：
AKAIKE, H
影响因子：
3
作者：
ALBERT, JH;CHIB, S
通讯作者：
CHIB, S
影响因子：
2
作者：
DeSantis, StaciaM.;Bandyopadhyay, Dipankar
通讯作者：
Bandyopadhyay, Dipankar
影响因子：
3.7
作者：
Celeux, G;Hurn, M;Robert, CP
通讯作者：
Robert, CP
影响因子：
3.3
作者：
Crayen, Claudia;Eid, Michael;Vermunt, Jeroen K.
通讯作者：
Vermunt, Jeroen K.