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

Este artículo presenta DTVEM-RE, una extensión jerárquica de efectos aleatorios del Modelo de Efecto Diferencial en el Tiempo que permite la estimación multiretraso específica de cada persona en datos longitudinales intensivos a través de marcos de VAR bayesiano de tiempo discreto y de Ornstein-Uhlenbeck de tiempo continuo, demostrando una precisión predictiva superior y la capacidad de capturar diferencias individuales en las estructuras de retardo que los métodos tradicionales pasan por alto.

Lo esencial

Imagina que estás tratando de entender cómo cambian los estados de ánimo de las personas a lo largo del día. Tienes un grupo de 40 personas que te envían mensajes de texto sobre sus sentimientos cuatro veces al día durante un mes. Quieres saber: ¿El cómo se siente alguien ahora mismo predice cómo se sentirá una hora después? ¿O tal vez dos horas después?

Este es el problema que aborda el artículo. Introduce una nueva herramienta llamada DTVEM-RE. Para entender por qué es especial, echemos un vistazo a la forma antigua de hacer las cosas frente a la nueva.

La forma antigua: La receta de "talla única"

La herramienta original (llamada DTVEM) funciona como un maestro chef que prueba una olla gigante de sopa hecha mezclando los ingredientes de todos.

1. La prueba del sabor: El chef prueba la sopa "promedio" para determinar la mejor receta. Podría decir: "Bien, para este grupo, el sabor de la tristeza hoy predice la tristeza mañana".
2. El problema: El chef luego aplica esa misma receta exacta a cada persona. Asumen que, debido a que el promedio del grupo funciona, funciona para todos.
3. El fallo: En la realidad, algunas personas son como los amantes de la comida picante (sus estados de ánimo cambian rápido), mientras que otras son como los amantes de la comida insípida (sus estados de ánimo se mantienen iguales por mucho tiempo). Al usar una sola receta para todos, la herramienta antigua pierde estas enormes diferencias. Es como decirle a un maratonista y a un velocista que corran al mismo ritmo porque "es lo que hace el promedio de las personas".

La nueva forma: DTVEM-RE (El "Sastre Personalizado")

Los autores crearon DTVEM-RE (Efectos Aleatorios). Piensa en esto no como un maestro chef, sino como un sastre que hace trajes a medida.

1. El patrón del grupo (La tela): Primero, el sastre mira a todo el grupo para ver el estilo general de la tela. Este es el patrón "promedio".
2. El ajuste personal (El corte personalizado): Luego, el sastre mide a cada individuo para ver cómo su cuerpo específico difiere del promedio.
   • Si la Persona A es muy diferente al promedio, el sastre ajusta el traje significamente para ella.
   • Si la Persona B es muy similar al promedio, el sastre realiza solo ajustes diminutos.
   • La magia: Este proceso utiliza un truco estadístico de "contracción" (shrinkage). Atrae las conjetchas extremas de los individuos hacia el promedio del grupo si no hay suficientes datos para esa persona específica, pero permite que destaquen si los datos son sólidos. Esto evita conjetras salvajes mientras sigue capturando rasgos únicos.

¿Qué descubrieron?

Los investigadores probaron este nuevo sastre con datos reales de personas con ansiedad y depresión. Aquí están los tres grandes descubrimientos, explicados de forma sencilla:

1. Todos son diferentes (y lo sabíamos, pero ahora podemos medirlo)
La herramienta antigua decía: "Todos tienen un desfase de 1 hora". La nueva herramienta dijo: "En realidad, para algunas personas, el estado de ánimo de hoy predice el de mañana (un desfase largo), mientras que para otras, el estado de ánimo cambia tan rápido que el de hoy no predice el de mañana en absoluto".

• El resultado: Las diferencias entre las personas eran enormes. Los estados de ánimo de algunas personas eran casi completamente independientes del pasado, mientras que otros eran muy persistentes y constantes. La nueva herramienta logró medir estas diferencias sin confundirse con el ruido.

2. El "punto ideal" cambia para todos
Esta es la parte más sorprendente. Los investigadores no solo miraron "1 hora después", sino también "2 horas después" y "3 horas después".

• El descubrimiento: Para algunas personas (específicamente aquellas que rastrean la "preocupación"), la mayor diferencia entre individuos apareció a las 3 etapas de distancia. Para otros (que rastrean la "energía"), la mayor diferencia apareció a las 2 etapas de distancia.
• La analogía: Imagina un grupo de músicos. La herramienta antigua asumía que el instrumento de todos estaba desafinado en la misma nota. La nueva herramienta encontró que para los violinistas, el problema estaba en la nota aguda, pero para los bateristas, el problema estaba en la nota grave. Las herramientas anteriores solo podían revisar la "nota aguda" para todos; esta nueva herramienta revisa todas las notas para cada uno.

3. Es mejor prediciendo el futuro
Los autores probaron si este nuevo método podía adivinar la siguiente calificación de estado de ánimo mejor que los métodos antiguos.

• El resultado: Funcionó ligeramente mejor. No fue una cura milagrosa que predice el futuro perfectamente, pero fue la más precisa de su clase. Más importante aún, proporcionó una mejor "puntuación de confianza" (sabía cuándo no estaba seguro).

¿Por qué es esto importante?

El artículo argumenta que en psicología, a menudo asumimos que el cerebro de todos funciona de la misma manera a nivel de grupo. Pero esto es como asumir que todos los coches tienen el mismo motor.

• DTVEM-RE permite a los investigadores decir: "Conocemos el motor promedio, pero aquí está el mapa de motor específico para este conductor".
• Confirma que el "desfase de tiempo" (cuánto tiempo tarda un sentimiento en desvanecerse o construirse) es un rasgo personal único, no una regla universal.

Lo que el artículo no dice

Los autores son muy cuidadosos al decir lo que no han hecho todavía:

• No han demostrado que esto cambiará la forma en que los médicos tratan a los pacientes hoy.
• No han dicho que "la Persona A necesita un medicamento diferente" basándose en esto.
• No han probado si estos patrones se mantienen iguales para una persona a lo largo de los años (fiabilidad).

Simplemente están diciendo: "Construimos una mejor cinta métrica que muestra que todos son diferentes de maneras específicas y medibles, y las herramientas anteriores eran demasiado toscas para verlo".

Resumen

Piensa en DTVEM-RE como una actualización de una foto grupal (donde todos aparecen borrosos y mezclados) a un retrato de alta definición de cada persona, manteniendo al mismo tiempo el contexto de toda la habitación. Demuestra que cuando se trata de estado de ánimo y ansiedad, la persona "promedio" es un mito, y la verdadera historia se encuentra en las diferencias individuales únicas.

Resumen técnico

Resumen Técnico: DTVEM-RE

Planteamiento del Problema
El Modelo de Efecto Diferencial en el Tiempo (DTVEM), introducido por Jacobson, Chow y Newman (2019), es una herramienta estándar para identificar estructuras de rezago óptimas en datos longitudinales intensivos (ILD). Emplea un procedimiento híbrido de dos etapas: un Modelo Aditivo Generalizado (GAMM) exploratorio para suavizar los coeficientes autorregresivos a través de las distancias de rezago, seguido de un Modelo de Autorregresión Vectorial (VAR) de Espacio de Estados confirmatorio. Sin embargo, el DTVEM publicado asume una estructura de rezago de nivel de grupo compartida por todos los individuos. Esta suposición entra en conflicto con la premisa idiográfica de la investigación moderna en psicopatología, la cual postula que los individuos difieren significativamente en sus dinámicas psicológicas. Como señalaron los autores originales, la falta de estimación de rezagos específicos por persona es una limitación crítica que impide que el método capture la heterogeneidad entre personas en los procesos dinámicos.

Metodología
El artículo introduce el DTVEM-RE (DTVEM con Efectos Aleatorios), una extensión jerárquica que estima coeficientes de rezago múltiple específicos de cada persona con contracción (shrinkage) hacia las medias de nivel de grupo. El marco consta de dos etapas:

1. Etapa 1: GAMM Exploratorio Jerárquico

   • Extiende la Etapa 1 del DTVEM estándar ajustando un GAMM de suavizado de factores mediante el paquete mgcv::bam.
   • Modela la curva de efecto de rezago como una suma de un suavizado a nivel poblacional $f(\Delta t)$ y desviaciones específicas de la persona $b_i(\Delta t)$.
   • Utiliza una base de suavizado de factores (bs = "fs") para acoplar todos los suavizados específicos de los participantes a través de un único parámetro de suavizado compartido. Esto proporciona una regularización automática por persona, contrayendo las curvas individuales hacia la media poblacional donde los datos son escasos y permitiendo formas distintas donde los datos son informativos.

2. Etapa 2: VAR de Espacio de Estados Bayesiano Jerárquico

   • Implementa un modelo VAR confirmatorio estimado mediante el muestreo de Monte Carlo Hamiltoniano (HMC) en Stan.
   • Caso Univariante: Para un solo ítem, los coeficientes autorregresivos ($a_i$) y las desviaciones estándar de los residuos ($\sigma_i$) específicos de la persona se modelan jerárquicamente:
     • $a_i \sim N(\mu_a, \tau_a^2)$, donde $\mu_a$ es la media poblacional y $\tau_a$ es la desviación estándar entre personas.
     • $\sigma_i$ sigue una distribución log-normal jerárquica para asegurar la positividad y manejar los parámetros de escala.
   • Extensión de Multi-rezago: El modelo se generaliza a $K$ rezagos asignando hiperparámetros separados ($\mu_k, \tau_k$) a cada rezago. Esto permite que la magnitud de la heterogeneidad entre personas varíe de forma no monotónica a través de los rezagos, una característica que no es soportada por los métodos existentes que restringen los efectos aleatorios al rezago-1.
   • Parametrización: Utiliza parametrizaciones no centradas para los coeficientes y las DE de los residuos específicos de la persona para evitar patologías de la distribución posterior en forma de embudo y asegurar un muestreo eficiente (cero transiciones divergentes).
   • Priors: Se utilizan distribiones informativas débiles (p. ej., $N(0, 0.5)$ para las medias, Half-Normal(0, 0.3) para las DE entre personas) para expresar escepticismo hacia una heterogeneidad implausiblemente grande mientras se cubre el rango de estacionariedad.

Contribuciones Clave

1. Especificación e Implementación del Modelo: Los autores especifican el modelo DTVEM-RE y proporcionan una implementación completa en Stan con código liberado para replicación. Este retiene al DTVEM estándar como un caso especial de efectos fijos (cuando $\tau = 0$).
2. Validación de la Recuperación de Parámetros: Un estudio de simulación ($N=130, T=40$) a través de cuatro niveles de heterogeneidad confirma que el parámetro de varianza entre personas ($\tau_a$) se recupera con un sesgo absoluto inferior a 0.01 y una cobertura de intervalo de credibilidad del 90–93%, validando la fiabilidad del método en tamaños de muestra típicos de la Evaluación Momentánea Ecológica (EMA).
3. Demostración Empírica: Aplicado al conjunto de datos de Fisher et al. (2017) ($N=40$ pacientes ambulatorios con GAD/MDD), el método demuestra:
   • Una sustancial heterogeneidad específica de la persona en los efectos de rezago-1 (que abarca un orden de magnitud).
   • Una alta concordancia ($r=0.87$ a $0.92$) entre las estimaciones bayesianas jerárquicas y las estimaciones independientes de GAMM por persona.
   • Un rendimiento predictivo superior de un paso adelante (log-verosimilitud y RMSE) comparado con los baselines de solo grupo, de persona ingenuos y de jerarquía simple, aunque por márgenes modestos.
4. Descubrimiento de Heterogeneidad de Multi-rezago: La extensión de multi-rezago revela que la heterogeneidad entre personas ($\tau_k$) es estadísticamente robusta (el IC del 90% excluye el cero) en los rezagos 1, 2 y 3 simultáneamente. Crucialmente, el rezago en el que la heterogeneidad es mayor difiere según el ítem de afecto (p. ej., rezago 1 para "decaído", rezago 2 para "enérgico", rezago 3 para "preocupado"), un patrón indetectable por métodos que restringen los efectos aleatorios al rezago-1.

Resultados

• Simulación: La DE entre personas ($\tau_a$) fue recuperada sin sesgo significativo. La media poblacional ($\mu_a$) mostró un sesgo descendente pequeño y consistente (~0.02) consistente con la teoría de estimación de AR(1) de muestra finita, pero esto no afectó la estimación de la heterogeneidad.
• Empírico Rezago-1: Los tres ítems de afecto ("decaído", "preocupado", "enérgico") mostraron una variación significativa entre personas en los coeficientes de rezago-1. El modelo jerárquico proporcionó una cuantificación de la incertidumbre calibrada, con 39 de 40 participantes mostrando dependencia autorregresiva no nula.
• Empírico Multi-rezago: Todas las nueve estimaciones de la DE entre personas a través de tres ítems y tres rezagos fueron significativamente mayores que cero. La forma de la heterogeneidad fue no monotónica y específica del ítem, contrastando con la disminución monotónica de las medias poblacionales.
• Predicción: El DTVEM-RE logró la mejor log-verosimilitud y el RMSE más bajo entre cuatro baselines. Sin embargo, la ganancia absoluta fue modesta (aproximadamente 0.01 unidades de log-verosimilitud por beep), atribuida a la estabilidad del OLS por persona ingenuo con $T \approx 110$. El valor principal en este régimen se identifica como la incertidumbre calibrada y la capacidad de multi-rezago más que una superioridad predictiva dramática.

Significancia y Reivindicaciones
El artículo afirma que el DTVEM-RE proporciona, según conocimiento de los autores, la primera implementación idiográfica con principios del estilo de detección de rezagos de DTVEM. Aborda directamente la limitación identificada por los autores originales del DTVEM al permitir la estimación de perfiles de rezago múltiple específicos de la persona manteniendo los beneficios de la agrupación jerárquica.

Los autores enfatizan que la novedad metodológica reside en combinar la exploración de rezagos múltiples no paramétrica con la agrupación jerárquica en los coeficientes específicos de cada rezago detectado. Esto permite la detección de estructuras de heterogeneidad complejas (p. ej., picos de heterogeneidad variables a través de los rezagos) que los métodos de VAR jerárquicos existentes (como mlVAR) no pueden capturar.

El artículo mantiene la modestia respecto a las implicaciones clínicas, afirmando que los resultados son exploratorios y no autorizan recomendaciones clínicas directas. Los autores presentan el hallazgo de la heterogeneidad de multi-rezago como un fenómeno candidato que requiere replicación en muestras más grandes y diversas, así como una mayor investigación sobre su estabilidad y relevancia clínica, en lugar de evidencia inmediata para cambiar la práctica clínica. El método se presenta como una herramienta para describir la estructura de rezago específica de la persona, siendo la ventaja clínica de tales descripciones una cuestión empírica separada.