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

1. Il Problema (Problem Statement)

La ricerca contemporanea in psicologia e scienze comportamentali utilizza sempre più la Valutazione Ecologica Momentanea (EMA) per raccogliere dati in tempo reale nel contesto naturale dei soggetti. Questi dati presentano sfide statistiche uniche:

• Natura dei dati: Sono spesso variabili ordinali (es. scale Likert) o categoriche.
• Struttura longitudinale: I dati sono raccolti ripetutamente, creando profili temporali ricchi ma complessi.
• Eterogeneità: Il numero di osservazioni per soggetto e l'intensità del campionamento variano significativamente tra gli individui.
• Limiti delle sintesi tradizionali: Spesso i ricercatori utilizzano semplici medie (summary statistics) per riassumere i profili individuali. Tuttavia, la media ignora la dinamica temporale (es. la volatilità o la sequenza degli stati), perdendo informazioni cruciali sui pattern di comportamento o stress.

L'obiettivo del paper è identificare gruppi latenti di individui che condividono pattern temporali simili, superando i limiti dei modelli che considerano solo la media o che faticano con dati ad alta frequenza e campionamento irregolare.

2. Metodologia (Methodology)

Gli autori propongono un approccio innovativo che combina la Sequence Analysis (SA) con tecniche di riduzione della dimensionalità e clustering.

A. Estrazione delle Feature (Sequence Analysis)

Invece di usare solo la media, il metodo introduce variabili di "lag" (ritardo) per catturare la dinamica tra osservazioni consecutive ($L_{it} = X_{it} - X_{i(t-1)}$). Vengono calcolate sette statistiche riassuntive per ogni individuo:

1. Media dello stress ($\bar{X}_{i\cdot}$).
2. Deviazione standard dello stress ($SD(X_{i\cdot})$).
3. Media del lag ($\bar{L}_{i\cdot}$), che misura l'entità media dei cambiamenti.
4. Deviazione standard del lag ($SD(L_{i\cdot})$), che misura la volatilità dei cambiamenti.
5. Stabilità temporale: Proporzione di lag uguali a zero (frequenza di stati costanti).
6. Moda della sequenza.
7. Frequenza della moda: Probabilità che un'osservazione coincida con la moda individuale.

B. Clustering basato su PCA e K-means

Il framework proposto segue tre passaggi (Algoritmo 1):

1. Costruzione della matrice: Creazione di una matrice $N \times 8$ contenente le statistiche sopra descritte.
2. Riduzione della dimensionalità: Applicazione della Principal Component Analysis (PCA) per condensare l'informazione e mitigare la multicollinearità.
3. Clustering: Applicazione dell'algoritmo K-means sulle prime componenti principali per identificare i gruppi latenti.

C. Validazione e Confronto

Il metodo è stato testato tramite:

• Simulazioni: Utilizzando un modello di regressione funzionale categorica per confrontare l'accuratezza del metodo proposto rispetto alla Latent Class Analysis (LCA) e alla Latent Transition Analysis (LTA).
• Dati Reali: Applicazione su un dataset MyBPLab riguardante i livelli di stress e le prestazioni cognitive (memoria).

3. Contributi Chiave (Key Contributions)

• Nuovo Framework di Clustering: Un metodo robusto che integra la dinamica delle sequenze (SA) in un contesto di regressione familiare (PCA + K-means).
• Flessibilità: A differenza di LCA e LTA, che richiedono spesso un numero limitato di punti temporali o una struttura regolare, l'approccio proposto gestisce facilmente campionamenti irregolari e un numero variabile di osservazioni per soggetto.
• Superamento della Multicollinearità: L'uso della PCA permette di utilizzare un set ricco di statistiche descrittive senza incorrere nei problemi di instabilità dei coefficienti tipici dell'uso diretto di variabili altamente correlate.

4. Risultati (Results)

A. Studio di Simulazione

• Il metodo basato su PCA + K-means ha dimostrato la maggiore stabilità in tutti gli scenari testati (LCA-friendly, LTA-friendly, con rumore o con sovrapposizione di classi).
• Mentre la LCA eccelleva in scenari semplici e la LTA in scenari con transizioni deterministiche, il metodo proposto ha mantenuto performance costanti e bilanciate, specialmente quando le classi presentavano sovrapposizioni (Setting 4).

B. Applicazione ai Dati Reali (Stress e Memoria)

• Sono stati identificati tre cluster distinti di stress:
  1. Cluster 1 (Stabile/Basso stress): Bassi livelli medi di stress e alta stabilità (88% di osservazioni senza variazioni).
  2. Cluster 2 (Volatile/Alto stress): Alti livelli di stress, alta variabilità e frequenti transizioni tra stati.
  3. Cluster 3 (Intermedio): Livelli di stress moderati con fluttuazioni più frequenti rispetto al Cluster 1.
• Impatto Cognitivo: L'inclusione dei cluster latenti nel modello di regressione (GLMM) ha migliorato il fit del modello (minore AIC) rispetto al solo utilizzo della media dello stress, dimostrando che i pattern temporali sono predittori più efficaci delle prestazioni di memoria.

5. Significato e Implicazioni (Significance)

Il lavoro dimostra che "andare oltre la media" non è solo un esercizio accademico, ma una necessità metodologica per comprendere i fenomeni biologici e psicologici.

L'approccio fornisce ai ricercatori uno strumento accessibile per trasformare dati EMA grezzi e disordinati in profili comportamentali strutturati. Questo ha implicazioni dirette nella medicina di precisione e nella psicologia clinica, permettendo di identificare sottogruppi di pazienti che, pur avendo medie simili, presentano dinamiche di stress (es. volatilità vs. costanza) che influenzano diversamente la salute e le funzioni cognitive.