Researchers are interested in examining between-individual differences in within-individual changes. If the process under investigation is tracked for a long time, its trajectory may show a certain degree of nonlinearity, so the rate-of-change is not constant. A fundamental goal of modeling such nonlinear processes is to estimate model parameters that reflect meaningful aspects of change, including the rate-of-change and other parameters that shed light on substantive hypotheses. However, if the measurement occasion is unstructured, existing models cannot simultaneously estimate these two types of parameters. This article has three goals. First, we view the change over time as the area under the curve (AUC) of the rate-of-change versus time ($r-t$) graph. Second, with the instantaneous rate-of-change midway through a time interval to approximate the average rate of change during that interval, we propose a new specification to describe longitudinal processes. In addition to obtaining the individual rate-of-change and other parameters related to specific research questions, the new specification allows for unequally-space study waves and individual measurement occasions around each wave. Third, we derive the model-based change-from-baseline, a common measure to evaluate change over time. We evaluate the proposed specification through a simulation study and a real-world data analysis. We also provide \textit{OpenMx} and \textit{Mplus 8} code for each model with the novel specification.


翻译:研究人员感兴趣的是研究个人内部变化中的个体差异。 如果对调查过程进行长期跟踪,其轨迹可能显示某种程度的不线性,因此变化率并不固定。建模这种非线性进程的基本目标是估计反映有意义变化的模型参数,包括变化率和揭示实质性假设的其他参数。但是,如果测量时间不结构,现有模型无法同时估计这两类参数。这篇文章有三个目标。首先,我们视时间变化的变化为变化率与时间(美元-美元)曲线下的一个区域。第二,随着瞬间变化率的中间间隔以近似该间隔期间的平均变化率,我们提出新的规格来描述纵向过程。除了获得与具体研究问题有关的单个变化率和其他参数外,新的规格允许在每一波上进行不均匀的空间研究波和单个测量时间。第三,我们用基于时间的进度(AUC) 与时间(美元-美元) 的规格(美元-美元-美元) 的曲线下区域。第二,即瞬间变化率变化率中间隔,以接近该间隔期间的平均变化率速度,我们提出一个新的规格分析。我们用一个基于模型的模型的模型和方向来评估。

0
下载
关闭预览

相关内容

强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年7月1日
VIP会员
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员