Beyond the mean: Sequence analysis methods for clustering ordinal EMA data

Resumen Técnico: Más allá de la media: Métodos de análisis de secuencias para el agrupamiento de datos EMA ordinales

1. El Problema (Contexto y Motivación)

El estudio aborda los desafíos inherentes al análisis de los datos de Evaluación Ecológica Momentánea (EMA). Los datos EMA capturan comportamientos y estados psicológicos en tiempo real en entornos naturales, lo que genera perfiles longitudinales ricos pero complejos. Los problemas principales identificados son:

• Pérdida de información: Tradicionalmente, los investigadores utilizan resúmenes simplificados (como la media aritmética) para analizar estos datos, lo que ignora los patrones dinámicos y temporales de los individuos.
• Heterogeneidad y variabilidad: El número de observaciones y la intensidad del muestreo varían significativamente entre sujetos.
• Limitaciones de métodos existentes: Los métodos de Análisis de Clase Latente (LCA) y Análisis de Transición Latente (LTA) son computacionalmente intensivos, tienen dificultades con un gran número de puntos temporales y suelen requerir una estructura de tiempo uniforme, lo cual no ocurre en la práctica con los datos EMA.
• Teorías en conflicto: Existe un debate teórico sobre si el estrés se manifiesta como eventos agudos y esporádicos (Teoría de la Activación Cognitiva del Estrés - CATS) o como un estado de inseguridad constante y elevado (Teoría de la Inseguridad Generalizada - GUTS).

2. Metodología Propuesta

Los autores proponen un enfoque basado en el Análisis de Secuencias (SA), originalmente utilizado en biología para el ADN, para capturar la complejidad de las trayectorias ordinales. El método se divide en tres etapas principales:

1. Extracción de Estadísticos de Resumen (Features): En lugar de usar solo la media, calculan medidas que capturan la dinámica temporal, tales como:
   • La media y la desviación estándar de los niveles de estrés.
   • Variables de rezago (lag): La diferencia entre observaciones consecutivas ($L_{it} = X_{it} - X_{i(t-1)}$), incluyendo su media, desviación estándar y la proporción de estabilidad (cuando el cambio es cero).
   • La moda y la probabilidad de que una observación coincida con la moda.
2. Reducción de Dimensionalidad: Aplican el Análisis de Componentes Principales (PCA) sobre estos estadísticos para resumir la información y reducir la dimensionalidad de las trayectorias individuales.
3. Agrupamiento (Clustering): Utilizan el algoritmo K-means sobre los primeros componentes principales para identificar grupos latentes de individuos con patrones de estrés similares.

3. Contribuciones Clave

• Flexibilidad Temporal: A diferencia de LCA/LTA, el método propuesto maneja fácilmente sujetos con diferentes números de observaciones y tiempos de muestreo irregulares.
• Captura de la Dinámica: El modelo no solo mira "cuánto" estrés hay, sino "cómo" cambia (volatilidad, estabilidad y patrones de transición).
• Robustez frente a la Multicolinealidad: Al utilizar PCA antes del clustering, el método evita los problemas de redundancia de información que surgen al usar múltiples estadísticos de resumen directamente en un modelo de regresión.
• Validación mediante Simulación: Demuestran que su método es más estable y consistente que LCA y LTA en diversos escenarios (con ruido, con solapamiento de clases y con patrones cíclicos).

4. Resultados Principales

• Simulación: El enfoque basado en PCA demostró una mayor estabilidad en la precisión, exhaustividad (recall) y exactitud en comparación con los métodos tradicionales, especialmente en escenarios de alta complejidad o solapamiento de grupos.
• Aplicación con Datos Reales (MyBPLab): Al analizar datos de estrés y rendimiento cognitivo (memoria), identificaron tres grupos distintos:
  • Cluster 1: Perfil de bajo estrés y alta estabilidad (alineado con la teoría CATS).
  • Cluster 2: Perfil de alto estrés, muy volátil y con cambios frecuentes (alineado con la teoría GUTS).
  • Cluster 3: Perfil intermedio.
• Impacto Cognitivo: El modelo que incorporó los grupos identificados mediante el método propuesto (Modelo 2) mostró un mejor ajuste (menor AIC) que el modelo que solo utilizaba la media de estrés, lo que sugiere que los patrones temporales de estrés son predictores más informativos del rendimiento de la memoria que el simple promedio.

5. Significancia y Conclusiones

Este trabajo proporciona un marco metodológico accesible para que investigadores en psicología y ciencias de la salud aprovechen la riqueza de los datos de alta frecuencia. Al permitir la identificación de "subtipos" de respuesta al estrés, el método facilita una comprensión más matizada de cómo los procesos dinámicos influyen en la salud y el comportamiento, superando las limitaciones de los análisis estadísticos tradicionales que colapsan la dimensión temporal.