🤖 machine learning

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

यह शोध पत्र DTVEM-RE को प्रस्तुत करता है, जो डिफरेंशियल टाइम-वेरिंग इफेक्ट मॉडल का एक पदानुक्रमित रैंडम-इफेक्ट्स विस्तार है, जो डिस्क्रीट-टाइम बेयसियन VAR और कंटीन्यूअस-टाइम ऑर्नस्टीन-उहलेन बीक फ्रेमवर्क दोनों के माध्यम से गहन अनुदैर्ध्य डेटा (इंटेंसिव लॉन्गिट्यूडिनल डेटा) में व्यक्ति-विशिष्ट मल्टी-लैग अनुमान सक्षम बनाता है, जो उत्कृष्ट भविष्य कहनेवाला सटीकता और उन व्यक्तिगत अंतरों को पकड़ने की क्षमता प्रदर्शित करता है जिन्हें पारंपरिक विधियाँ छोड़ देती हैं।

मूल लेखक: Amartya Bhattacharya

प्रकाशित 2026-06-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amartya Bhattacharya

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि लोगों का मूड पूरे दिन कैसे बदलता है। आपके पास 40 लोगों का एक समूह है जो एक महीने तक दिन में चार बार आपको अपनी भावनाओं के बारे में टेक्स्ट भेजते हैं। आप यह जानना चाहते हैं: क्या कोई व्यक्ति अभी कैसा महसूस कर रहा है, इससे यह पता चलता है कि वह एक घंटे बाद या शायद दो घंटे बाद कैसा महसूस करेगा?

यह समस्या है जिसे यह शोध पत्र (paper) हल करता है। यह एक नया टूल पेश करता है जिसे DTVEM-RE कहा जाता है। इसे समझने के लिए कि यह क्यों खास है, आइए पुराने तरीके और नए तरीके को देखते हैं।

पुराना तरीका: "एक ही आकार सबके लिए" वाला नुस्खा (The "One-Size-Fits-All" Recipe)

मूल टूल (जिसे DTVEM कहा जाता है) एक मास्टर शेफ की तरह काम करता है जो सभी के अवयवों (ingredients) को मिलाकर बनाए गए सूप के एक विशाल बर्तन को चखता है।

टेस्टिंग: शेफ सबसे अच्छा नुस्खा जानने के लिए "औसत" सूप को चखता है। वे कह सकते हैं, "ठीक है, इस समूह के लिए, आज की उदासी कल की उदासी की भविष्यवाणी करती है।"
समस्या: शेफ फिर उस बिल्कुल उसी नुस्खे को हर व्यक्ति पर लागू करता है। वे यह मान लेते हैं कि क्योंकि समूह का औसत काम करता है, इसलिए यह सबके लिए काम करता है।
खामी: वास्तव में, कुछ लोग तीखे भोजन के शौकीन होते हैं (जिनका मूड तेजी से बदलता है), जबकि अन्य सादे भोजन के शौकीन होते हैं (जिनका मूड लंबे समय तक एक जैसा रहता है)। सभी के लिए एक ही नुस्खा उपयोग करके, पुराना टूल इन बड़ी भिन्नताओं को छोड़ देता है। यह एक मैराथन धावक और एक स्प्रिंटर को बिल्कुल एक ही गति से दौड़ने के लिए कहने जैसा है क्योंकि "औसत व्यक्ति ऐसा ही करता है।"

नया तरीका: DTVEM-RE (द "पर्सनलाइज्ड टेलर")

लेखकों ने DTVEM-RE (रैंडम इफेक्ट्स) बनाया है। इसे एक मास्टर शेफ के रूप में नहीं, बल्कि एक दर्जी (tailor) के रूप में सोचें जो कस्टम सूट बनाता है।

समूह का पैटर्न (कपड़ा): पहले, दर्जी पूरे समूह को देखता है ताकि कपड़े की सामान्य शैली देखी जा सके। यह "औसत" पैटर्न है।
व्यक्तिगत फिट (कस्टम कट): फिर, दर्जी प्रत्येक व्यक्ति को मापता है यह देखने के लिए कि उनका विशिष्ट शरीर औसत से कैसे अलग है।
- यदि व्यक्ति A औसत से बहुत अलग है, तो दर्जी उनके लिए सूट में महत्वपूर्ण बदलाव करता है।
- यदि व्यक्ति B औसत के समान है, तो दर्जी केवल छोटे बदलाव करता है।
- जादू: यह प्रक्रिया एक सांख्यिकीय "श्रिंकेज" (shrinkage) ट्रिक का उपयोग करती है। यदि उस विशिष्ट व्यक्ति के लिए पर्याप्त डेटा नहीं है, तो यह चरम व्यक्तिगत अनुमानों को समूह के औसत की ओर खींच लेती है, लेकिन यदि डेटा मजबूत है, तो उन्हें अलग दिखने देती है। यह जंगली अनुमानों को रोकता है जबकि अद्वितीय गुणों को भी पकड़ता है।

उन्होंने क्या पाया?

शोधकर्ताओं ने चिंता (anxiety) और अवसाद (depression) वाले लोगों के वास्तविक डेटा पर इस नए दर्जी का परीक्षण किया। यहाँ तीन खोजें दी गई हैं, जिन्हें सरल भाषा में समझाया गया है:

1. हर कोई अलग है (और हम यह जानते थे, लेकिन अब हम इसे माप सकते हैं)
पुराने टूल ने कहा, "हर किसी का लैग (lag) 1 घंटा है।" नए टूल ने कहा, "वास्तव में, कुछ लोगों के लिए, आज का मूड कल की भविष्यवाणी करता है (एक लंबा लैग), जबकि अन्य लोगों के लिए, उनका मूड इतनी तेजी से बदलता है कि आज का मूड कल की भविष्यवाणी बिल्कुल नहीं करता।"

परिणाम: लोगों के बीच के अंतर बहुत बड़े थे। कुछ लोगों का मूड अतीत से लगभग पूरी तरह स्वतंत्र था, जबकि अन्य बहुत स्थिर और निरंतर था। नए टूल ने शोर (noise) से भ्रमित हुए बिना इन अंतरों को सफलतापूर्वक मापा।

2. "स्वीट स्पॉट" सबके लिए बदल जाता है
यह सबसे आश्चर्यजनक हिस्सा है। शोधकर्ताओं ने न केवल "1 घंटे बाद", बल्कि "2 घंटे बाद" और "3 घंटे बाद" को भी देखा।

खोज: कुछ लोगों के लिए (विशेष रूप से "चिंता/worry" को ट्रैक करने वालों के लिए), व्यक्तियों के बीच सबसे बड़ा अंतर 3 स्टेप्स बाद दिखाई दिया। दूसरों के लिए (ऊर्जा/energy को ट्रैक करने वालों के लिए), सबसे बड़ा अंतर 2 स्टेप्स बाद दिखाई दिया।
उपमा: कल्पना कीजिए कि संगीतकारों का एक समूह है। पुराने टूल ने माना कि हर वाद्य यंत्र एक ही सुर पर बेसुरा है। नए टूल ने पाया कि वायलिन वादकों के लिए, समस्या ऊंचे सुर पर थी, लेकिन ड्रमर के लिए, समस्या निचले सुर पर थी। पिछले उपकरण केवल सभी के लिए एक ही "ऊंचा सुर" चेक कर सकते थे; यह नया उपकरण सभी के लिए सभी सुर चेक करता है।

3. यह भविष्य की भविष्यवाणी करने में बेहतर है
लेखकों ने परीक्षण किया कि क्या यह नया तरीका पुराने तरीकों की तुलना में अगली मूड रेटिंग का बेहतर अनुमान लगा सकता है।

परिणाम: यह थोड़ा बेहतर था। यह भविष्य की भविष्यवाणी करने वाला कोई चमत्कार नहीं था, लेकिन यह उपलब्ध विकल्पों में सबसे सटीक था। अधिक महत्वपूर्ण बात यह है कि इसने एक बेहतर "कॉन्फिडेंस स्कोर" (यह जानता था कि वह कब अनिश्चित है) दिया।

यह क्यों मायने रखता है?

यह शोध पत्र तर्क देता है कि मनोविज्ञान में, हम अक्सर यह मान लेते हैं कि हर किसी का मस्तिष्क समूह स्तर पर एक ही तरह से काम करता है। लेकिन यह ऐसा है जैसे यह मानना कि सभी कारों का इंजन एक समान है।

DTVEM-RE शोधकर्ताओं को यह कहने की अनुमति देता है: "हम जानते हैं कि औसत कार का इंजन कैसा होता है, लेकिन यहाँ इस ड्राइवर के लिए विशिष्ट इंजन मैप है।"
यह पुष्टि करता है कि "टाइम लैग" (भावना के कम होने या बनने में लगने वाला समय) एक अनूठा व्यक्तिगत गुण है, न कि एक सार्वभौमिक नियम।

जो पेपर नहीं कहता है

लेखक बहुत सावधान हैं कि उन्होंने अभी तक क्या नहीं किया है:

उन्होंने यह साबित नहीं किया है कि इससे आज डॉक्टरों के इलाज करने के तरीके में बदलाव आएगा।
उन्होंने यह नहीं कहा है कि इस आधार पर "व्यक्ति A को अलग दवा की आवश्यकता है।"
उन्होंने यह भी नहीं टेस्ट किया है कि क्या ये पैटर्न वर्षों तक एक व्यक्ति में समान रहते हैं (विश्वसनीयता)।

वे केवल यह कह रहे हैं: "हमने एक बेहतर मापने वाला टेप बनाया है जो दिखाता है कि हर कोई विशिष्ट, मापने योग्य तरीकों से अलग है, और पिछले उपकरण इसे देखने के लिए बहुत धुंधले थे।"

सारांश

DTVEM-RE को एक ग्रुप फोटो (जहाँ सभी धुंधले दिखाई देते हैं) से बदलकर प्रत्येक व्यक्ति के हाई-डेफिनिशन पोर्ट्रेट (उच्च-गुणवत्ता वाले चित्र) में अपग्रेड करने के रूप में देखें, जबकि पूरे कमरे का संदर्भ भी बनाए रखें। यह साबित करता है कि जब मूड और चिंता की बात आती है, तो "औसत" व्यक्ति एक मिथक है, और असली कहानी व्यक्तिगत और अद्वितीय अंतरों में छिपी है।

तकनीकी सारांश: DTVEM-RE

समस्या विवरण
डिफरेंशियल टाइम-वेरिंग इफेक्ट मॉडल (DTVEM), जिसे जैकबसन, चाउ और न्यूमैन (2019) द्वारा पेश किया गया था, गहन अनुदैर्ध्य डेटा (intensive longitudinal data - ILD) में इष्टतम लैग संरचनाओं (lag structures) की पहचान करने के लिए एक मानक उपकरण है। यह एक दो-चरणीय हाइब्रिड प्रक्रिया का उपयोग करता है: एक खोजपूर्ण जनरलाइज्ड एडिटिव मिक्स्ड मॉडल (GAMM), जो लैग दूरियों पर ऑटो-रिग्रेसिव गुणांकों को स्मूथ (smooth) करता है, और उसके बाद एक पुष्टिकारी स्टेट-स्पेस वेक्टर ऑटोरेग्रेशन (VAR)। हालांकि, प्रकाशित DTVEM सभी व्यक्तियों के लिए साझा किए गए एकल समूह-स्तरीय लैग स्ट्रक्चर को मानता है। यह धारणा आधुनिक मनोविकृति अनुसंधान (psychopathology research) के इडियोग्राफिक (idiographic) सिद्धांत के साथ संघर्ष करती है, जो यह प्रतिपादित करता है कि व्यक्ति मनोवैज्ञानिक गतिकी (psychological dynamics) में सार्थक रूप से भिन्न होते हैं। मूल लेखकों द्वारा उल्लेखित अनुसार, व्यक्ति-विशिष्ट लैग अनुमान की कमी एक महत्वपूर्ण सीमा है जो इस पद्धति को गतिशील प्रक्रियाओं में व्यक्ति-दर-व्यक्ति विषमता (between-person heterogeneity) को पकड़ने से रोकती है।

कार्यप्रणाली
यह शोध पत्र DTVEM-RE (रैंडम इफेक्ट्स के साथ DTVEM) प्रस्तुत करता है, जो एक पदानुक्रमित विस्तार (hierarchical extension) है जो समूह-स्तरीय माध्यों की ओर संकुचन (shrinkage) के साथ व्यक्ति-विशिष्ट मल्टी-लैग गुणांकों का अनुमान लगाता है। यह ढांचा दो चरणों से बना है:

चरण 1: पदानुक्रमित खोजपूर्ण GAMM
- यह mgcv::bam पैकेज का उपयोग करके एक फैक्टर-स्मूथ GAMM फिट करके मानक DTVEM चरण 1 का विस्तार करता है।
- यह लैग-इफेक्ट कर्व को एक जनसंख्या-स्तरीय स्मूथ $f(\Delta t)$ और व्यक्ति-विशिष्ट विचलन $b_i(\Delta t)$ के योग के रूप में मॉडल करता है।
- एक साझा स्मूथिंग पैरामीटर के माध्यम से सभी प्रतिभागी-विशिष्ट स्मूथ्स को जोड़ने के लिए एक फैक्टर-स्मूथ बेसिस (bs = "fs") का उपयोग करता है। यह स्वचालित रूप से प्रति-व्यक्ति रेगुलाइजेशन प्रदान करता है, जो डेटा की कमी होने पर व्यक्तिगत वक्रों को जनसंख्या माध्य की ओर सिकोड़ता है और जहाँ डेटा सूचनात्मक हो वहाँ विशिष्ट आकार की अनुमति देता है।
चरण 2: पदानुक्रमित बेयसियन स्टेट-स्पेस VAR
- यह हैमिल्टोनियन मोंटे कार्लो (HMC) के माध्यम से Stan में अनुमानित एक पुष्टिकारी VAR मॉडल को लागू करता है।
- एकचर मामला (Univariate Case): एक एकल आइटम के लिए, व्यक्ति-विशिष्ट ऑटो-रिग्रेसिव गुणांक ( $a_i$ $a_{i}$ ) और रेसिडुअल स्टैंडर्ड डेविएशन ( $\sigma_i$ $σ_{i}$ ) को पदानुक्रमित रूप से मॉडल किया जाता है:
  - $a_i \sim N(\mu_a, \tau_a^2)$ , जहाँ $\mu_a$ जनसंख्या माध्य है और $\tau_a$ के बीच-व्यक्ति मानक विचलन है।
  - $\sigma_i$ एक पदानुक्रमित लॉग-नॉर्मल वितरण का पालन करता है ताकि धनात्मकता सुनिश्चित की जा सके और स्केल पैरामीटर्स को संभाला जा सके।
- मल्टी-लैग विस्तार: मॉडल $K$ लैग्स के लिए अलग-अलग हाइपरपैरामीटर्स ( $\mu_k, \tau_k$ ) असाइन करके एक VAR मॉडल के रूप में सामान्यीकृत होता है। यह प्रत्येक लैग के लिए के बीच-व्यक्ति विषमता के परिमाण को गैर-मोनोटोनिक रूप से बदलने की अनुमति देता है, जो कि मौजूदा विधियों की एक विशेषता नहीं है जो रैंडम इफेक्ट्स को केवल लैग-1 तक सीमित रखती हैं।
- पैरामीटराइजेशन: फनल-आकार की पोस्टीरियर पैथोलॉजी से बचने और कुशल सैंपलिंग (शून्य डायवर्जेंट ट्रांजिशन) सुनिश्चित करने के लिए व्यक्ति-विशिष्ट गुणांकों और रेसिडुअल SD के लिए नॉन-सेंटर्ड पैरामीटराइजेशन का उपयोग किया जाता है।
- प्रायर्स (Priors): अत्यधिक बड़े विषमता के प्रति संदेह व्यक्त करने और स्थिर रेंज को कवर करने के लिए कमजोर रूप से सूचनात्मक प्रायर्स का उपयोग किया जाता है (जैसे, माध्य के लिए $N(0, 0.5)$ , के बीच-व्यक्ति SD के लिए Half-Normal(0, 0.3))।

प्रमुख योगदान

मॉडल स्पेसिफिकेशन और कार्यान्वयन: लेखक DTVEM-RE मॉडल को निर्दिष्ट करते हैं और पुनरावृत्ति (replication) के लिए कोड के साथ एक पूर्ण Stan कार्यान्वयन प्रदान करते हैं। यह मानक DTVEM को एक फिक्स्ड-इफेक्ट्स विशेष मामले (जब $\tau = 0$ हो) के रूप में बनाए रखता है।
पैरामीटर रिकवरी वैलिडेशन: चार विषमता स्तरों के माध्यम से एक सिमुलेशन अध्ययन ( $N=130, T=130$ ) पुष्टि करता है कि के बीच-व्यक्ति वेरिएंस पैरामीटर ( $\tau_a$ ) को 0.01 से कम के एब्सोल्यूट बायस और 90-93% के क्रेडिबल इंटरवल कवरेज के साथ रिकवर किया गया है, जो विशिष्ट इकोलॉजिकल मोमेंटरी असेसमेंट (EMA) सैंपल साइज पर इस पद्धति की विश्वसनीयता को प्रमाणित करता है।
अनुभवजन्य प्रदर्शन (Empirical Demonstration): फिशर एट अल. (2017) के डेटासेट ( $N=40$ $N = 40$ आउटपेशेंट्स विद GAD/MDD) पर लागू करने पर, विधि निम्नलिखित प्रदर्शित करती है:
- लैग-1 प्रभावों में पर्याप्त व्यक्ति-विशिष्ट विषमता (एक क्रम के परिमाण तक फैली हुई)।
- स्वतंत्र प्रति-व्यक्ति GAMM अनुमानों के साथ पदानुक्रमित बेयियन अनुमानों के बीच उच्च सहमति ( $r=0.87$ से $0.92$)।
- ग्रुप-ओनली, नेइव (naive) प्रति-व्यक्ति, और सरल पदानुक्रमित बेसलाइन्स की तुलना में बेहतर वन-स्टेप-अहेड प्रेडिक्टिव प्रदर्शन (लॉग-लाइक्लीहुड और RMSE)।
मल्टी-लैग विषमता की खोज: मल्टी-लैग विस्तार प्रकट करता है कि तीन आइटम और तीन लैग्स के बीच-व्यक्ति SD ( $\tau_k$ ) के सभी नौ अनुमान सांख्यिकीय रूप से मजबूत (90% CI शून्य को बाहर करता है) हैं। महत्वपूर्ण बात यह है कि विषमता का लैग जिस लैग पर सबसे अधिक होता है वह अफेक्ट आइटम के अनुसार भिन्न होता है (जैसे, "डाउन" के लिए लैग 1, "एनर्जेटिक" के लिए लैग 2, "वरीड" के लिए लैग 3), जो कि उन विधियों द्वारा पता नहीं लगाया जा सकता जो रैंडम इफेक्ट्स को लैग-1 तक सीमित रखती हैं।

परिणाम

सिमुलेशन: के बीच-व्यक्ति SD ( $\tau_a$ ) को बिना किसी सार्थक बायस के रिकवर किया गया। जनसंख्या माध्य ( $\mu_a$ ) ने एक छोटा, सुसंगत डाउनवर्ड बायस (~0.02) दिखाया जो सीमित-सैंपल AR(1) अनुमान सिद्धांत के अनुरूप है, लेकिन इसने विषमता के अनुमान को प्रभावित नहीं किया।
अनुभवजन्य लैग-1: तीनों अफेक्ट आइटम्स ("डाउन," "वरीड," "एनर्जेटिक") ने लैग-1 गुणांकों में महत्वपूर्ण के बीच-व्यक्ति वेरिएशन दिखाया। पदानिर्हित मॉडल ने कैलिब्रेटेड अनसर्टेन्टी क्वांटिफिकेशन प्रदान किया, जिसमें 40 में से 39 प्रतिभागियों ने गैर-शून्य ऑटो-रिग्रेसिव डिपेंडेंस दिखाया।
अनुभवजन्य मल्टी-लैग: तीन आइटम और तीन लैग्स के बीच-व्यक्ति SD के सभी नौ अनुमान शून्य से काफी अधिक थे। विषमता का आकार गैर-मोनोटोनिक और आइटम-विशिष्ट था, जो जनसंख्या माध्य के मोनोटोनिक क्षय (decay) के विपरीत था।
प्रेडिक्शन: DTVEM-RE ने चार बेसलाइन्स में सर्वश्रेष्ठ प्रेडिक्टिव लॉग-लाइक्लीहुड और निम्नतम RMSE प्राप्त किया। हालांकि, पूर्ण लाभ मामूली था (लगभग 0.01 लॉग-लाइक्लीहुड यूनिट प्रति बीप), जिसका कारण $T \approx 110$ पर नेइव प्रति-व्यक्ति OLS की स्थिरता है। इस रिजीम में प्राथमिक मूल्य नाटकीय प्रेडिक्टिव श्रेष्ठता के बजाय कैलिब्रेटेड अनसर्टेन्टी और मल्टी-लैग क्षमता में पहचाना गया है।

महत्व और दावे
शोध पत्र दावा करता है कि लेखकों के ज्ञान के अनुसार, यह DTVEM-शैली के लैग डिटेक्शन का पहला सिद्धांत-आधारित इडियोग्राफिक कार्यान्वयन प्रदान करता है। यह सीधे तौर पर मूल DTVEM लेखकों द्वारा पहचानी गई सीमा को संबोधित करता है, जिससे पदानिक्रमित पूलिंग के लाभों को बनाए रखते हुए व्यक्ति-विशिष्ट मल्टी-लैग प्रोफाइल का अनुमान लगाना संभव होता है।

लेखक इस बात पर जोर देते हैं कि पद्धतिगत नवीनता गैर-पैरामीट्रिक मल्टी-लैग एक्सप्लोरेशन को प्रत्येक पता लगाए गए लैग पर व्यक्ति-विशिष्ट गुणांकों पर पदानिक्रमित पूलिंग के साथ जोड़ने में निहित है। यह जटिल विषमता संरचनाओं (जैसे, विभिन्न लैग्स पर विषमता के शिखर का भिन्न होना) का पता लगाने की अनुमति देता जिसे मौजूदा पदानिक्रमित VAR विधियां (जैसे mlVAR) कैप्चर नहीं कर सकती हैं।

शोध पत्र नैदानिक निहितार्थों के संबंध में विनम्र रहता है, यह कहते हुए कि परिणाम खोजपूर्ण हैं और प्रत्यक्ष नैदानिक सिफारिशों की अनुमति नहीं देते हैं। लेखक मल्टी-लैग विषमता के निष्कर्ष को एक उम्मीदवार घटना के रूप में फ्रेम करते हैं जिसे बड़े, विविध नमूनों में पुनरावृत्ति और स्थिरता एवं नैदानिक प्रासंगिकता की आगे की जांच की आवश्यकता है, न कि तत्काल नैदानिक अभ्यास को बदलने के प्रमाण के रूप में। विधि को व्यक्ति-विशिष्ट लैग संरचना का वर्णन करने के उपकरण के रूप में प्रस्तुत किया गया है, जबकि ऐसे विवरणों का नैदानिक लाभ एक अलग अनुभवजन्य प्रश्न बना हुआ है।