多受试者密集纵向数据的惩罚估计与预测
统计方法学
2025-01-08 v2 机器学习
摘要
密集纵向数据（ILD）正日益为社会与行为科学家所获取。这种可及性的提升带来了建模和预测复杂生物、行为与生理现象的新机遇。尽管存在这些新机遇，心理学研究者尚未充分利用该数据固有的、在个体层面预测心理过程的潜在价值。为弥补文献中的这一缺口，我们提出了一种新颖的建模框架，解决了心理学动态过程建模文献中的若干热点挑战与开放问题。第一，当个体时间序列长度与所收集变量数大致相当，或时间序列长度短于时间序列分析通常所需时，我们如何建模并预测 ILD？第二，我们如何最好地利用大多数 ILD 情境固有的横截面（人际间）信息，同时承认个体在定量（如参数大小）与定性（如结构动态）上均存在差异？尽管许多心理过程存在公认的人际异质性，是否可能借助群体层面信息来支持个体层面改进的预测？在文稿剩余部分，我们试图解决这些及其他与多受试者 ILD 预测相关的紧迫问题。
引用
@article{arxiv.2007.05052,
title = {Penalized Estimation and Forecasting of Multiple Subject Intensive Longitudinal Data},
author = {Zachary F. Fisher and Younghoon Kim and Barbara Fredrickson and Vladas Pipiras},
journal= {arXiv preprint arXiv:2007.05052},
year = {2025}
}