贝叶斯多层隐马尔可夫模型的样本量考量：基于睡眠数据且具有高度重叠分量分布的多元连续数据模拟研究
统计方法学
2022-01-25 v1 统计计算
摘要
部分受传感器与基于网络的数据收集方法数量不断增长的推动，密集型纵向数据（ILD）在社会与行为科学中的使用正变得愈发普遍。该领域收集的 ILD 常被假设为潜在状态（如行为、情绪）的结果，而 ILD 的前景在于其能够捕捉这些状态随时间展开的动态。特别地，通过对多个受试者收集数据，研究者可观察此类动态如何因受试者而异。贝叶斯多层隐马尔可夫模型（mHMM）是一种相对新颖的模型，适用于对这类 ILD 建模，同时考虑受试者间的异质性。尽管 mHMM 已应用于多种场景，但考察该模型所需样本量的大规模研究尚属缺乏。本文中，我们通过开展模拟研究来解决这一研究空白，评估（1）受试者数量、（2）观测次数、以及（3）受试者间变异性对 mHMM 所得参数估计的影响。我们将该模拟研究置于睡眠研究背景下，其由呈现显著状态依赖分量分布重叠的多元连续数据构成。此外，我们生成了一组具有更一般数据属性的基线场景。总体而言，受试者数量对模型性能影响最大。然而，观测次数对于充分建模潜在状态转移十分重要。我们讨论了数据特征如何影响参数估计，并为希望将 mHMM 应用于自身数据的研究者提供建议。
引用
@article{arxiv.2201.09033,
title = {Sample Size Considerations for Bayesian Multilevel Hidden Markov Models: A Simulation Study on Multivariate Continuous Data with highly overlapping Component Distributions based on Sleep Data},
author = {Jasper Ginn and Sebastian Mildiner Moraga and Emmeke Aarts},
journal= {arXiv preprint arXiv:2201.09033},
year = {2022}
}
备注
main text: 35 pages, 9 figures. Submitted to Computational Statistics & Data Analysis