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

Sintesi Tecnica: DTVEM-RE

Problematica
Il Modello di Effetto Differenziale Variabile nel Tempo (DTVEM), introdotto da Jacobson, Chow e Newman (2019), è uno strumento standard per identificare le strutture di lag ottimali nei dati longitudinali intensivi (ILD). Esso impiega una procedura ibrida a due stadi: un modello additivo generalizzato (GAMM) esplorativo per smussare i coefficienti autoregressivi attraverso le distanze di lag, seguito da un modello vettoriale autoregressivo (VAR) di tipo state-space confermativo. Tuttavia, il DTVEM pubblicato assume una singola struttura di lag a livello di gruppo condivisa tra tutti gli individui. Questa assunzione contrasta con la premessa idiografica della moderna ricerca sulla psicopatologia, la quale postula che gli individui differiscano significativamente nelle loro dinamiche psicologiche. Come osservato dagli autori originali, la mancanza di una stima del lag specifica per persona è un limite critico che impedisce al metodo di catturare l'eterogeneità tra le persone nei processi dinamici.

Metodologia
Il documento introduce il DTVEM-RE (DTVEM con Effetti Casuali), un'estensione gerarchica che stima coefficienti multi-lag specifici per persona con contrazione (shrinkage) verso le medie di gruppo. Il framework consiste in due stadi:

1. Stadio 1: GAMM Esplorativo Gerarchico

   • Estende lo Stadio 1 del DTVEM standard applicando un GAMM factor-smooth tramite il pacchetto mgcv::bam.
   • Modella la curva dell'effetto del lag come la somma di una funzione smooth a livello di popolazione $f(\Delta t)$ e di deviazioni specifiche per persona $b_i(\Delta t)$.
   • Utilizza una base factor-smooth (bs = "fs") per accoppiare tutti gli smooth specifici dei partecipanti attraverso un singolo parametro di smoothing condiviso. Ciò fornisce una regolarizzazione automatica per persona, contraendo le curve individuali verso la media della popolazione dove i dati sono scarsi e permettendo forme distinte dove i dati sono informativi.

2. Stadio 2: VAR State-Space Bayesiano Gerarchico

   • Implementa un modello VAR confermativo stimato tramite Hamiltonian Monte Carlo (HMC) in Stan.
   • Caso Univariato: Per un singolo item, i coefficienti autoregressivi ($a_i$) e le deviazioni standard residue ($\sigma_i$) specifici per persona sono modellati gerarchicamente:
     • $a_i \sim N(\mu_a, \tau_a^2)$, dove $\mu_a$ è la media della popolazione e $\tau_a$ è la deviazione standard tra le persone.
     • $\sigma_i$ segue una distribuzione log-normale gerarchica per garantire la positività e gestire i parametri di scala.
   • Estensione Multi-Lag: Il modello si generalizza a $K$ lag assegnando iperparametri separati ($\mu_k, \tau_k$) a ciascun lag. Ciò consente alla magnitudo dell'eterogeneità tra le persone di variare in modo non monotonico attraverso i lag, una caratteristica non supportata dai metodi esistenti che limitano gli effetti casuali al lag-1.
   • Parametrizzazione: Utilizza parametrizzazioni non centrate per i coefficienti e le SD residue per evitare patologie della distribuzione posteriore a imbuto (funnel-shaped) e garantire un campionamento efficiente (zero transizioni divergenti).
   • Prior: Vengono utilizzati prior debolmente informativi (es. $N(0, 0.5)$ per le medie, Half-Normal(0, 0.3) per le SD tra le persone) per esprimere scetticismo verso eterogeneità implausibilmente grandi pur coprendo l'intervallo di stazionarietà.

Contributi Chiave

1. Specificazione del Modello e Implementazione: Gli autori specificano il modello DTVEM-RE e forniscono un'implementazione completa in Stan con codice rilasciato per la replicazione. Il DTVEM standard rimane un caso speciale a effetti fissi (quando $\tau = 0$).
2. Validazione del Recupero dei Parametri: Uno studio di simulazione ($N=40, T=130$) attraverso quattro livelli di eterogeneità conferma che il parametro di varianza tra le persone ($\tau_a$) viene recuperato con un bias assoluto inferiore a 0,01 e una copertura dell'intervallo di credibilità del 90–93%, validando l'affidabilità del metodo con campioni tipici della valutazione ecologica momentanea (EMA).
3. Dimostrazione Empirica: Applicato al dataset di Fisher et al. (2017) ($N=40$ pazienti ambulatoriali con GAD/MDD), il metodo dimostra:
   • Sostanziale eterogeneità specifica per persona nei coefficienti del lag-1 (che abbraccia un ordine di grandezza).
   • Alto accordo ($r=0,87$ a $0,92$) tra le stime bayesiane gerarchiche e le stime GAMM indipendenti per persona.
   • Prestazioni predittive superiori passo dopo passo (log-likelihood e RMSE) rispetto ai baseline di gruppo, ai modelli per persona ingenui e ai semplici modelli gerarchici, sebbene con margini modesti.
4. Scoperta dell'Eterogeneità Multi-Lag: L'estensione multi-lag rivela che l'eterogeneità tra le persone ($\tau_k$) è statisticamente robusta (il CI al 90% esclude lo zero) simultaneamente ai lag 1, 2 e 3. Crucialmente, il lag in cui l'eterogeneità è maggiore differisce per item di affetto (es. lag 1 per "down", lag 2 per "energetic", lag 3 per "worried"), un pattern non rilevabile dai metodi che limitano gli effetti casuali al lag-1.

Risultati

• Simulazione: La deviazione standard tra le persone ($\tau_a$) è stata recuperata senza bias significativi. La media della popolazione ($\mu_a$) ha mostrato un piccolo e costante bias verso il basso (~0,02), coerente con la teoria della stima AR(1) a campioni finiti, ma ciò non ha influenzato la stima dell'eterogeneità.
• Empirico Lag-1: Tutti e tre gli item di affetto ("down", "worried", "energetic") hanno mostrato una variazione significativa tra le persone nei coefficienti del lag-1. Il modello gerarchico ha fornito una quantificazione calibrata dell'incertezza, con 39 partecipanti su 40 che mostravano una dipendenza autoregressiva non nulla.
• Empirico Multi-Lag: Tutte le nove stime della deviazione standard tra le persone attraverso tre item e tre lag sono risultate significativamente maggiori di zero. La forma dell'eterogeneità era non monotonica e specifica per item, contrastando con il decadimento monotonico delle medie della popolazione.
• Predizione: Il DTVEM-RE ha ottenuto la migliore log-likelihood predittiva e il RMSE più basso tra quattro baseline. Tuttavia, il guadagno assoluto è stato modesto (circa 0,01 unità di log-likelihood per beep), attribuito alla stabilità dell'OLS per persona ingenuo a $T \approx 110$. Il valore primario in questo regime è identificato nella quantificazione calibrata dell'incertezza e nella capacità multi-lag piuttosto che in una drastica superiorità predittiva.

Significatività e Rivendicazioni
Il documento afferma che il DTVEM-RE fornisce, per quanto a conoscenza degli autori, la prima implementazione idiografica fondata della rilevazione dei lag in stile DTVEM. Esso affronta direttamente il limite identificato dagli autori originali del DTVEM, consentendo la stima di profili di lag specifici per persona pur mantenendo i benefici del pooling gerarchico.

Gli autori sottolineano che la novità metodologica risiede nell'unire l'esplorazione non parametrica multi-lag con il pooling gerarchico sui coefficienti specifici per persona ad ogni lag rilevato. Ciò consente la rilevazione di strutture di eterogeneità complesse (es. picchi di eterogeneità variabili attraverso i lag) che i metodi VAR gerarchici esistenti (come mlVAR) non possono catturare.

Il documento rimane modesto riguardo alle implicazioni cliniche, affermando che i risultati sono esplorativi e non autorizzano dirette raccomandazioni cliniche. Gli autori inquadrano il ritrovamento dell'eterogeneità multi-lag come un fenomeno candidato che richiede repliche in campioni più ampi e diversificati e ulteriori indagini sulla stabilità e sulla rilevanza clinica, piuttosto che come prova immediata per cambiare la pratica clinica. Il metodo è presentato come uno strumento per descrivere la struttura di lag specifica per persona, lasciando la questione della leva clinica di tali descrizioni a una domanda empirica separata.