用于非平稳多变量时间序列缺失数据的状态空间模型多重插补及其在数字精神病学中的应用

移动技术实现了对个体行为、社交互动、症状及其他健康状况前所未有的持续监测，为治疗进展和精神疾病病因的科学发现带来巨大机遇。移动数据的持续收集产生了一种新型数据：结果、暴露与协变量的纠缠多变量时间序列。缺失数据在生物医学与社会科学研究中普遍存在，使用移动设备的生态瞬时评估（EMA）精神病学研究也不例外。然而，多变量时间序列的复杂结构给正确处理缺失数据以进行恰当因果推断带来了新挑战。数据插补通常被推荐用于提升数据效用与估计效率。现有多数插补方法要么针对随访时间有限的纵向数据，要么针对平稳时间序列，与可能非平稳的时间序列不兼容。在精神病学领域，非平稳数据频繁出现，因为症状与治疗方案可能随时间剧烈变化。为处理可能非平稳多变量时间序列中的缺失数据，我们提出了一种基于状态空间模型（SSMmp）的新颖多重插补策略以及一个计算效率更高的变体（SSMimpute）。我们通过评估其在平稳与非平稳时间序列模拟中、面对多种缺失机制时的理论性质与经验表现，展示了它们相对于其他广泛使用缺失数据策略的优势。我们将 SSMimpute 应用于一项双相情感障碍患者多年观察性智能手机研究，在控制混杂变量下探究社交网络规模与负性情绪之间的关联。