DTVEM-RE: A Hierarchical Random-Effects Extension of the Differential Time-Varying Effect Model for Person-Specific Multi-Lag Estimation in Intensive Longitudinal Data

Dieses Paper führt DTVEM-RE ein, eine hierarchische Random-Effects-Erweiterung des Differential Time-Varying Effect Model, die durch sowohl diskrete Bayes-VAR- als auch kontinuierliche Ornstein-Uhlenbeck-Frameworks eine personenspezifische Multi-Lag-Schätzung in intensiven longitudinalen Daten ermöglicht und dabei eine überlegene Vorhersagegenauigkeit sowie die Fähigkeit demonstriert, individuelle Unterschiede in Lag-Strukturen zu erfassen, die traditionelle Methoden übersehen.

Das Wesentliche

Stellen Sie sich vor, Sie möchten verstehen, wie sich die Stimmungen von Menschen im Laufe des Tages verändern. Sie haben eine Gruppe von 40 Personen, die Ihnen einen Monat lang viermal täglich SMS über ihre Gefühle schicken. Sie wollen wissen: Sagt die Stimmung, wie jemand sich gerade fühlt, auch voraus, wie er sich eine Stunde später fühlen wird? Oder vielleicht zwei Stunden später?

Dies ist das Problem, das die Arbeit behandelt. Sie stellt ein neues Werkzeug namens DTVEM-RE vor. Um zu verstehen, warum es besonders ist, schauen wir uns den alten Weg im Vergleich zum neuen Weg an.

Der alte Weg: Das „Einheitsrezept“

Das ursprüngliche Werkzeug (genannt DTVEM) funktioniert wie ein Chefkoch, der eine riesige Suppe probiert, die aus den Zutaten aller Menschen zusammengemischt wurde.

1. Der Geschmackstest: Der Koch kostet die „durchschnittliche“ Suppe, um das beste Rezept zu finden. Er könnte sagen: „Okay, für diese Gruppe sagt die Traurigkeit von heute die Traurigkeit von morgen voraus.“
2. Das Problem: Der Koch wendet dann dieses exakt gleiche Rezept auf jede einzelne Person an. Er geht davon aus, dass, weil der Durchschnitt der Gruppe funktioniert, es für jeden funktioniert.
3. Der Fehler: In der Realität sind manche Menschen wie Liebhaber von scharfem Essen (ihre Stimmungen ändern sich schnell), während andere wie Liebhaber von mildem Essen sind (ihre Stimmungen bleiben lange Zeit gleich). Indem das alte Werkzeug das gleiche Rezept für alle verwendet, übersieht es diese gewaltigen Unterschiede. Es ist, als würde man einem Marathonläufer und einem Sprinter das exakt gleiche Tempo vorgeben, weil „das das ist, was der Durchschnittsmensch macht“.

Der neue Weg: DTVEM-RE (Der „Maßschneider“)

Die Autoren haben DTVEM-RE (Random Effects) entwickelt. Betrachten Sie dies nicht als einen Chefkoch, sondern als einen Maßschneider, der maßgeschneiderte Anzüge anfertigt.

1. Das Gruppenmuster (Der Stoff): Zuerst betrachtet der Schneider die gesamte Gruppe, um den allgemeinen Stil des Stoffes zu sehen. Dies ist das „durchschnittliche“ Muster.
2. Die persönliche Passform (Der individuelle Schnitt): Dann misst der Schneider jeden Einzelnen aus, um zu sehen, wie sich sein spezifischer Körper vom Durchschnitt unterscheidet.
   • Wenn Person A sehr anders als der Durchschnitt ist, passt der Schneider den Anzug für sie signifikant an.
   • Wenn Person B dem Durchschnitt sehr ähnlich ist, nimmt der Schneider nur winzige Anpassungen vor.
   • Die Magie: Dieser Prozess nutzt einen statistischen „Shrinkage“-Trick (Schrumpfungseffekt). Er zieht extreme individuelle Vermutungen in Richtung des Gruppenmittelwerts, wenn es für diese spezifische Person nicht genügend Daten gibt, lässt sie aber deutlich hervorstechen, wenn die Datenlage stark ist. Dies verhindert wilde Vermutungen, fängt aber dennoch einzigartige Merkmale ein.

Was haben sie herausgefunden?

Die Autoren testeten diesen neuen Schneider an echten Daten von Menschen mit Angstzuständen und Depressionen. Hier sind die drei wichtigsten Entdeckungen, einfach erklärt:

1. Jeder ist anders (und das wussten wir, aber jetzt können wir es messen)
Das alte Werkzeug sagte: „Jeder hat eine Verzögerung von 1 Stunde.“ Das neue Werkzeug sagte: „Tatsächlich ist es bei einigen Menschen so, dass die Stimmung von heute die von morgen vorhersagt (eine lange Verzögerung), während sie bei anderen so schnell wechselt, dass die Stimmung von heute die von morgen überhaupt nicht vorhersagt.“

• Das Ergebnis: Die Unterschiede zwischen den Menschen waren riesig. Die Stimmungen einiger Menschen waren fast völlig unabhängig von der Vergangenheit, während sie bei anderen sehr beständig und beharrlich waren. Das neue Werkzeug konnte diese Unterschiede erfolgreich messen, ohne durch das „Rauschen“ verwirrt zu werden.

2. Der „Sweet Spot“ verändert sich für jeden
Dies ist der überraschendste Teil. Die Forscher schauten nicht nur auf „1 Stunde später“, sondern auch auf „2 Stunden später“ und „3 Stunden später“.

• Die Entdeckung: Bei einigen Menschen (speziell bei denen, die „Grübeln/Sorgen“ tracken) zeigte sich der größte Unterschied zwischen den Individuen bei 3 Schritten später. Bei anderen (die „Energie“ tracken) zeigte sich der größte Unterschied bereits bei 2 Schritten später.
• Die Analogie: Stellen Sie sich eine Gruppe von Musikern vor. Das alte Werkzeug ging davon aus, dass bei allen Instrumente bei derselben Note verstimmt sind. Das neue Werkzeug fand heraus, dass das Problem bei den Geigerinnen bei der hohen Note lag, aber bei den Schlagzeugern bei der tiefen Note lag. Frühere Werkzeuge konnten für alle nur die „hohe Note“ prüfen; dieses neue Werkzeug prüft alle Noten für jeden.

3. Es ist besser darin, die Zukunft vorherzusagen
Die Autoren testeten, ob diese neue Methode die nächste Stimmungswertung besser erraten kann als die alten Methoden.

• Das Ergebnis: Sie war etwas besser. Es war kein Wunderheilmittel, das die Zukunft perfekt vorhersagt, aber sie war die genaueste der Gruppe. Wichtiger noch: Sie lieferte einen besseren „Konfidenzwert“ (sie wusste, wann sie sich unsicher war).

Warum ist das wichtig?

Die Arbeit argumentiert, dass wir in der Psychologie oft davon ausgehen, dass alle Gehirne auf einer Gruppenebene gleich funktionieren. Aber das ist so, als würde man annehmen, dass alle Autos denselben Motor haben.

• DTVEM-RE ermöglicht es Forschern zu sagen: „Wir kennen den durchschnittlichen Automotor, aber hier ist die spezifische Motorenkarte für diesen Fahrer.“
• Es bestätigt, dass die „Zeitverzögerung“ (wie lange es dauert, bis ein Gefühl verblasst oder sich aufbaut) ein einzigartiges persönliches Merkmal ist und keine universelle Regel.

Was das Papier nicht sagt

Die Autoren sind sehr vorsichtig bei der Aussage, was sie noch nicht getan haben:

• Sie haben nicht bewiesen, dass dies die Behandlung von Patienten heute grundlegend ändern wird.
• Sie haben nicht gesagt, dass „Person A ein anderes Medikament braucht“ basierend darauf.
• Sie haben nicht getestet, ob diese Muster über Jahre hinweg für eine Person gleich bleiben (Reliabilität).

Sie sagen lediglich: „Wir haben ein besseres Maßband gebaut, das zeigt, dass jeder Mensch auf spezifische, messbare Weise anders ist, und die bisherigen Werkzeuge waren zu stumpf, um das zu sehen.“

Zusammenfassung

Betrachten Sie DTVEM-RE als ein Upgrade von einem Gruppenfoto (in dem alle miteinander verschwimmen) zu einem hochauflösenden Porträt jedes Einzelnen, während gleichzeitig der Kontext des gesamten Raumes erhalten bleibt. Es beweist, dass es in Bezug auf Stimmung und Angst den „Durchschnittsmenschen“ nicht gibt, sondern dass die wahre Geschichte in den einzigartigen, individuellen Unterschieden liegt.

Technische Zusammenfassung

Technisches Resümee: DTVEM-RE

Problemstellung
Das Differential Time-Varying Effect Model (DTVEM), eingeführt von Jacobson, Chow und Newman (2019), ist ein Standardwerkzeug zur Identifizierung optimaler Lag-Strukturen in intensiven longitudinalen Daten (ILD). Es verwendet ein zweistufiges Hybridverfahren: ein exploratives Generalisiertes Additives Gemischtes Modell (GAMM) zum Glätten autoregressiver Koeffizienten über Lag-Distanzen hinweg, gefolgt von einem konfirmatorischen State-Space Vektor-Autoregressiven Modell (VAR). Das veröffentlichte DTVEM geht jedoch von einer einzigen, auf alle Individuen gemeinsamen Gruppen-Lag-Struktur aus. Diese Annahme steht im Konflikt mit dem idiografischen Paradigma der modernen Psychopathologieforschung, die postuliert, dass sich Individuen in ihren psychologischen Dynamiken signifikant unterscheiden. Wie die ursprünglichen Autoren anmerkten, stellt das Fehlen einer personenbezogenen Lag-Schätzung eine kritische Einschränkung dar, die verhindert, dass die Methode die zwischenpersonenbezogene Heterogenität in dynamischen Prozessen erfasst.

Methodik
Die Arbeit stellt DTVEM-RE (DTVEM mit Random Effects) vor, eine hierarchische Erweiterung, die personenbezogene Multi-Lag-Koeffizienten mit Shrinkage in Richtung der Gruppenmittelwerte schätzt. Das Framework besteht aus zwei Stufen:

1. Stufe 1: Hierarchisches exploratives GAMM

   • Erweitert die Standard-DTVEM-Stufe 1 durch Anpassung eines Faktor-Smooth-GAMM unter Verwendung des Pakets mgcv::bam.
   • Modelliert die Lag-Effekt-Kurve als Summe einer populationsweiten Smooth-Funktion $f(\Delta t)$ und personenbezogener Abweichungen $b_i(\Delta t)$.
   • Verwendet eine Faktor-Smooth-Basis (bs = "fs"), um alle teilnehmerspezifischen Smooths durch einen einzigen gemeinsamen Glättungsparameter zu koppeln. Dies ermöglicht eine automatische per-Person-Regularisierung, indem individuelle Kurven dort zum Populationsmittelwert schrumpfen, wo die Daten spärlich sind, und dort distinkte Formen zulassen, wo die Daten informativ sind.

2. Stufe 2: Hierarchisches Bayesianisches State-Space VAR

   • Implementiert ein mittels Hamiltonian Monte Carlo (HMC) in Stan geschätztes konfirmatorisches VAR-Modell.
   • Univariater Fall: Für ein einzelnes Item werden die personenbezogenen autoregressiven Koeffizienten ($a_i$) und die Residuen-Standardabweichungen ($\sigma_i$) hierarchisch modelliert:
     • $a_i \sim N(\mu_a, \tau_a^2)$, wobei $\mu_a$ der Populationsmittelwert und $\tau_a$ die Standardabweichung zwischen den Personen ist.
     • $\sigma_i$ folgt einer hierarchischen Log-Normalverteilung, um Positivität zu gewährleisten und Skalenparameter zu handhaben.
   • Multi-Lag-Erweiterung: Das Modell generalisiert auf $K$ Lags, indem jedem Lag separate Hyperparameter ($\mu_k, \tau_k$) zugewiesen werden. Dies ermöglicht es, dass die Magnitude der zwischenpersonenbezogenen Heterogenität über verschiedene Lags hinweg nicht-monoton variiert – ein Merkmal, das bestehende Methoden, die Random Effects auf Lag-1 beschränken, nicht unterstützen.
   • Parametrisierung: Verwendet nicht-zentrierte Parametrisierungen für personenbezogene Koeffizienten und Residuen-SDs, um trichterförmige Posterior-Pathologien zu vermeiden und eine effiziente Stichprobenziehung (Null Divergent Transitions) zu gewährleisten.
   • Priors: Es werden schwach informative Priors verwendet (z. B. $N(0, 0.5)$ für Mittelwerte, Half-Normal(0, 0.3) für die zwischenpersonenbezogene SD), um Skepsis gegenüber unplausibel großen Heterogenitäten auszudrücken, während gleichzeitig der stationäre Bereich abgedeckt wird.

Wesentliche Beiträge

1. Modellspezifikation & Implementierung: Die Autoren spezifizieren das DTVEM-RE-Modell und stellen eine vollständige Stan-Implementierung bereit, deren Code zur Replikation veröffentlicht wurde. Es behält das Standard-DTVEM als Fixed-Effects-Spezialfall bei (wenn $\tau = 0$).
2. Validierung der Parameterrekonstruktion: Eine Simulationsstudie ($N=4, T=130$) über vier Heterogenitätsstufen hinweg bestätigt, dass der Parameter der zwischenpersonenbezogenen Varianz ($\tau_a$) mit einem absoluten Bias von unter 0,01 und einer Credible-Interval-Abdeckung von 90–93 % rekonstruiert wird, was die Zuverlässigkeit der Methode bei typischen Ecological Momentary Assessment (EMA) Stichprobengrößen validiert.
3. Empirische Demonstration: Anwendung auf den Datensatz von Fisher et al. (2017) ($N=40$ Patienten mit GAD/MDD): Die Methode demonstriert:
   • Substanzielle personenbezogene Heterogenität in den Lag-1-Effekten (die eine Größenordnung umfasst).
   • Hohe Übereinstimmung ($r=0,87$ bis $0,92$) zwischen hierarchischen Bayesianischen Schätzungen und unabhängigen pro-Person-GAMM-Schätzungen.
   • Überlegene One-Step-Ahead-Vorhersgeleistung (Log-Likelihood und RMSE) im Vergleich zu Gruppen-basierten, naiven Pro-Person- sowie einfachen hierarchischen Baselines, wenn auch nur um moderate Margen.
4. Entdeckung von Multi-Lag-Heterogenität: Die Multi-Lag-Erweiterung zeigt, dass die zwischenpersonenbezogene Heterogenität ($\tau_k$) bei den Lags 1, 2 und 3 gleichzeitig statistisch robust ist (90 % KI schließt Null aus). Entscheidend ist, dass der Lag, bei dem die Heterogenität am größten ist, je nach Affekt-Item variiert (z. B. Lag 1 für „down“, Lag 2 für „energetic“, Lag 3 für „worried“) – ein Muster, das durch Methoden, die Random Effects auf Lag-1 beschränken, nicht detektierbar ist.

Ergebnisse

• Simulation: Die zwischenpersonenbezogene SD ($\tau_a$) wurde ohne signifikanten Bias rekonstruiert. Der Populationsmittelwert ($\mu_a$) zeigte einen kleinen, konsistenten Downward-Bias (~0,02), der konsistent mit der endlichen Stichproben-AR(1)-Schätzungstheorie ist, was jedoch die Schätzung der Heterogenität nicht beeinflusste.
• Empirischer Lag-1: Alle drei Affekt-Items („down“, „worried“, „energetic“) zeigten eine signifikante zwischenpersonenbezogene Variation in den Lag-1-Koeffizienten. Das hierarchische Modell lieferte eine kalibrierte Unsicherheitsquantifizierung, wobei 39 von 40 Teilnehmern eine nicht-null autoregressive Abhängigkeit aufwiesen.
• Empirischer Multi-Lag: Alle neun Schätzungen der zwischenpersonenbezogenen SD über drei Items und drei Lags hinweg waren signifikant größer als Null. Die Form der Heterogenität war nicht-monoton und itemspezifisch, im Gegensatz zum monotonen Abfall der Populationsmittelwerte.
• Vorhersage: DTVEM-RE erreichte die beste prädiktive Log-Likelihood und den niedrigsten RMSE unter vier Baselines. Der absolute Gewinn war jedoch moderat (ca. 0,01 Log-Likelihood-Einheiten pro Beep), was auf die Stabilität der naiven Pro-Person-OLS bei $T \approx 110$ zurückzuführen ist. Der primäre Wert in diesem Regime liegt eher in der kalibrierten Unsicherheit und der Multi-Lag-Fähigkeit als in einer dramatischen Vorhersageüberlegenheit.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass DTVEM-RE nach Kenntnis der Autoren die erste prinzipielle idiografische Implementierung einer DTVEM-artigen Lag-Detektion darstellt. Sie adressiert direkt die von den ursprünglichen DTVEM-Autoren identifizierte Einschränkung, indem sie die Schätzung personenbezogener Multi-Lag-Profile ermöglicht und gleichzeitig die Vorteile des hierarchischen Poolings beibehält.

Die Autoren betonen, dass die methodische Neuartigkeit in der Kombination von nichtparametrischer Multi-Lag-Exploration mit hierarchischem Pooling auf personenbezogenen Koeffizienten an jedem detektierten Lag liegt. Dies erlaubt die Detektion komplexer Heterogenitätsstrukturen (z. B. variierende Peaks der Heterogenität über Lags hinweg), die bestehende hierarchische VAR-Methoden (wie mlVAR) nicht erfassen können.

Die Arbeit bleibt hinsichtlich klinischer Implikationen bescheiden und stellt fest, dass die Ergebnisse explorativ sind und keine direkten klinischen Empfehlungen rechtfertigen. Die Autoren rahmen den Befund der Multi-Lag-Heterogenität als ein Phänomen, das einer Replikation in größeren, diverseren Stichproben und weiterer Untersuchung der Stabilität und klinischen Relevanz bedarf, statt ihn als unmittelbaren Beleg für eine Änderung der klinischen Praxis darzustellen. Die Methode wird als Werkzeug zur Beschreibung personenbezogener Lag-Strukturen präsentiert, wobei die klinische Nutzbarkeit solcher Beschreibungen eine separate empirische Frage bleibt.