面向密集纵向数据的有序结局状态空间模型
统计方法学
2025-01-08 v1
摘要
密集纵向（IL）数据在心理科学中日益普遍，伴随使每日日记与生态瞬时评估等研究设计易于实施的技术进步。IL 数据的特征是在一段时间内快速收集数据（每天 1 次以上），从而能够捕捉心理与行为过程背后的动态。分析 IL 数据的一个有力框架是状态空间建模，其中观测变量被视为随时间共同变化的潜在状态（即潜变量）的度量。然而，状态空间建模通常依赖连续测量，而心理数据常以 Likert 量表条目等有序测量的形式出现。在本稿中，我们针对具有有序测量的状态空间模型开发了一种通用估计方法，特别关注于 Likert 量表条目的分级反应模型。我们将模型与估计量的表现同常用的“线性近似”模型（将有序测量当作连续测量处理）进行比较。我们发现，我们的模型给出了状态动态的无偏估计，而线性近似则导致状态动态的强烈偏倚估计。
引用
@article{arxiv.2305.13444,
title = {Ordinal Outcome State-Space Models for Intensive Longitudinal Data},
author = {Teague R. Henry and Lindley R. Slipetz and Ami Falk and Jiaxing Qiu and Meng Chen},
journal= {arXiv preprint arXiv:2305.13444},
year = {2025}
}
备注
28 pages, 6 figures, 7 pages supplementary materials