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

Dit artikel introduceert DTVEM-RE, een hiërarchische random-effects uitbreiding van het Differential Time-Varying Effect Model die persoonspecifieke multi-lag schatting in intensieve longitudinale data mogelijk maakt via zowel discrete-time Bayesiaanse VAR als continuous-time Ornstein-Uhlenbeck kaders, waarbij superieure voorspellende nauwkeurigheid en het vermogen om individuele verschillen in lag-structuren te vangen die traditionele methoden missen, wordt aangetoond.

De kern

Stel je voor dat je probeert te begrijpen hoe de stemmingen van mensen gedurende de dag veranderen. Je hebt een groep van 40 mensen die je vier keer per dag via een tekstbericht vertellen hoe ze zich voelen gedurende een maand. Je wilt weten: Voorspelt hoe iemand zich nú voelt ook hoe diegene zich een uur later zal voelen? Of misschien twee uur later?

Dit is het probleem dat het artikel aanpakt. Het introduceert een nieuwe tool genaamd DTVEM-RE. Om te begrijpen waarom dit bijzonder is, kijken we naar de oude manier van doen versus de nieuwe manier.

De Oude Manier: Het "Eén-maat-voor-iedereen" Recept

De oorspronkelijke tool (genaamd DTVEM) werkt als een meesterkok die een enorme pan soep proeft die gemaakt is door de ingrediënten van iedereen te mengen.

1. De Smaaktest: De chef proeft de "gemiddelde" soep om het beste recept te bepalen. Hij kan zeggen: "Oké, voor deze groep voorspelt de smaak van verdriet vandaag verdriet morgen."
2. Het Probleem: De chef past dat exacte zelfde recept toe op elke persoon. Hij gaat ervan uit dat omdat het gemiddelde van de groep werkt, het voor iedereen werkt.
3. De Fout: In werkelijkheid zijn sommige mensen als liefhebbers van pittig eten (hun stemmingen veranderen snel), terwijl anderen meer van mild eten houden (hun stemmingen blijven lange tijd hetzelfde). Door één recept voor iedereen te gebruiken, mist de oude tool deze enorme verschillen. Het is alsof je een marathonloper en een sprinter vertelt dat ze precies hetzelfde tempo moeten aanhouden omdat "dat is wat de gemiddelde persoon doet."

De Nieuwe Manier: DTVEM-RE (De "Persoonlijke Kleermaker")

De auteurs hebben DTVEM-RE (Random Effects) gecreëerd. Denk hierbij niet aan een meesterkok, maar aan een kleermaker die maatpakken maakt.

1. Het Groepspatroon (De Stof): Eerst kijkt de kleermaker naar de hele groep om de algemene stijl van de stof te zien. Dit is het "gemiddelde" patroon.
2. De Persoonlijke Pasvorm (De Maatwerk Snit): Vervolgens meet de kleermaker elk individu om te zien hoe hun specifieke lichaam afwijkt van het gemiddelde.
   • Als Persoon A erg afwijkt van het gemiddelde, past de kleermaker het pak aanzienlijk aan voor hen.
   • Als Persoon B erg lijkt op het gemiddelde, maakt de kleermaker slechts kleine aanpassingen.
   • De Magie: Dit proces gebruikt een statistische "shrinkage"-truc. Het trekt extreme individuele schattingen naar het groepsgemiddelde toe als er niet genoeg data is voor die specifieke persoon, maar laat ze uitblinken als de data sterk genoeg is. Dit voorkomt wilde gokken terwijl unieke eigenschappen toch worden vastgelegd.

Wat Hebben Ze Ontdekt?

Het artikel heeft deze nieuwe kleermaker getest op echte gegevens van mensen met angst en depressie. Hier zijn de drie belangrijkste ontdekkingen, eenvoudig uitgelegd:

1. Iedereen is Verschillend (en dat wisten we al, maar nu kunnen we het meten)
De oude tool zei: "Iedereen heeft een vertraging van 1 uur." De nieuwe tool zei: "Eigenlijk is het zo dat voor sommige mensen de stemming van vandaag de stemming van morgen voorspelt (een lange vertraging), terwijl de stemming voor anderen zo snel verandert dat de stemming van vandaag de stemming van morgen helemaal niet voorspelt."

• Het Resultaat: De verschillen tussen mensen waren enorm. De stemming van sommige mensen was bijna volledig onafhankelijk van het verleden, terwijl die van anderen heel hardnekkig en persistent was. De nieuwe tool slaagde erin deze verschillen te meten zonder in de war te raken door de ruis.

2. Het "Sweet Spot" Verandert voor Iedereen
Dit is het meest verrassende deel. De onderzoekers keken niet alleen naar "1 uur later", maar ook naar "2 uur later" en "3 uur later".

• De Ontdekking: Voor sommige mensen (specifiek bij het bijhouden van "zorgen") kwam het grootste verschil tussen individuen naar voren bij 3 stappen later. Voor anderen (bij het bijhouden van "energie") kwam het grootste verschil naar voren bij 2 stappen later.
• De Analogie: Stel je een groep muzikanten voor. De oude tool nam aan dat ieders instrument op dezelfde toon vals was. De nieuwe tool vond dat voor de violisten het probleem bij de hoge noot zat, maar voor de drummers het probleem bij de lage noot zat. Eerdere tools konden alleen de "hoge noot" voor iedereen controleren; deze nieuwe tool controleert alle noten voor iedereen.

3. Het Is Beter in het Voorspellen van de Toekomst
De auteurs testten of deze nieuwe methode de volgende stemming-score beter kon raden dan de oude methoden.

• Het Resultaat: Het deed het iets beter. Het was geen wondermiddel dat de toekomst perfect voorspelde, maar het was wel de meest nauwkeurige van de groep. Belangrijker nog, het gaf een betere "vertrouwensscore" (het wist wanneer het onzeker was).

Waarom Is Dit Belangrijk?

Het artikel betoogt dat we in de psychologie vaak aannemen dat ieders brein op groepsniveau hetzelfde werkt. Maar dit is alsoك aannemen dat alle auto's dezelfde motor hebben.

• DTVEM-RE stelt onderzoekers in staat om te zeggen: "We kennen de gemiddelde automotor, maar hier is de specifieke motormap voor deze bestuurder."
• Het bevestigt dat de "tijdvertraging" (hoe lang het duurt voordat een gevoel vervaagt of opbouwt) een uniek persoonlijk kenmerk is, en geen universele regel.

Wat het Papier Niet Zegt

De auteurs zijn zeer voorzichtig in wat ze nog niet hebben gedaan:

• Ze hebben nog niet bewezen dat dit de manier waarop artsen patiënten vandaag de dag behandelen zal veranderen.
• Ze hebben niet gezegd dat "Persoon A een ander medicijn nodig heeft" op basis hiervan.
• Ze hebben niet getest of deze patronen jarenlang hetzelfde blijven voor een persoon (betrouwbaarheid).

Ze zeggen simpelweg: "We hebben een betere meetlat gebouwd die laat zien dat iedereen op specifieke, meetbare manieren verschilt, en vorige tools waren te bot om dat te zien."

Samenvatting

Beschouw DTVEM-RE als een upgrade van een groepsfoto (waarbij iedereen is vervaagd tot één geheel) naar een high-definition portret van iedere persoon afzonderlijk, terwijl de context van de hele kamer behouden blijft. Het bewijst dat wanneer het gaat om stemming en angst, de "gemiddelde" persoon een mythe is, en dat het echte verhaal te vinden is in de unieke, individuele verschillen.

Technische samenvatting

Technische Samenvatting: DTVEM-RE

Probleemstelling
Het Differential Time-Varying Effect Model (DTVEM), geïntroduceerd door Jacobson, Chow en Newman (2019), is een standaardinstrument voor het identificeren van optimale lag-structuren in intensieve longitudinale data (ILD). Het maakt gebruik van een tweestaps hybride procedure: een exploratieve Generalized Additive Mixed Model (GAMM) om autoregressieve coëfficiënten over lag-afstanden te middelen, gevolgd door een bevestigende State-Space Vector Autoregressie (VAR). Echter, het gepubliceerde DTVEM gaat uit van een enkele groep-niveau lag-structuur die gedeeld wordt door alle individuen. Deze aanname staat in strijd met de idiografische premisse van modern psychopathologisch onderzoek, die stelt dat individuen fundamenteel verschillen in hun psychologische dynamiek. Zoals de oorspronkelijke auteurs opmerkten, is het gebrek aan persoon-specifieke lag-schatting een kritieke beperking die de methode verhindert om tussen-persoon heterogeniteit in dynamische processen te vangen.

Methodologie
Het artikel introduceert DTVEM-RE (DTVEM met Random Effects), een hiërarchische uitbreiding die persoon-specifieke multi-lag coëfficiënten schat met shrinkage naar de groep-gemiddelden. Het raamwerk bestaat uit twee stadia:

1. Stadium 1: Hiërarchische Exploratieve GAMM

   • Breidt de standaard DTVEM Stadium 1 uit door een factor-smooth GAMM te fitten met behulp van het mgcv::bam pakket.
   • Modelleert de lag-effect curve als een som van een populatie-niveau smooth $f(\Delta t)$ en persoon-specifieke afwijkingen $b_i(\Delta t)$.
   • Gebruikt een factor-smooth basis (bs = "fs") om alle deelnemers-specifieke smooths te koppelen via een enkele gedeelde smoothing parameter. Dit zorgt voor automatische per-persoon regularisatie, waarbij individuele curves naar het populatiegemiddelde worden teruggebracht waar de data schaars zijn, en unieke vormen toestaat waar de data informatief zijn.

2. Stadium 2: Hiërarchische Bayesiaanse State-Space VAR

   • Implementeert een bevestigende VAR-model geschat via Hamiltonian Monte Carlo (HMC) in Stan.
   • Univariante Casus: Voor een enkel item worden persoon-specifieke autoregressieve coëfficiënten ($a_i$) en residuele standaarddeviaties ($\sigma_i$) hiërarchisch gemodelleerd:
     • $a_i \sim N(\mu_a, \tau_a^2)$, waarbij $\mu_a$ het populatiegemiddelde is en $\tau_a$ de tussen-persoon standaarddeviatie.
     • $\sigma_i$ volgt een hiërarchische log-normale verdeling om positiviteit te garanderen en schaalparameters te hanteren.
   • Multi-Lag Uitbreiding: Het model generaliseert naar $K$ lags door aparte hyperparameters ($\mu_k, \tau_k$) toe te wijzen aan elke lag. Dit maakt het mogelijk dat de magnitude van tussen-persoon heterogeniteit niet-monotoon varieert over de lags, een kenmerk dat niet ondersteund wordt door bestaande methoden die random effects beperken tot lag-1.
   • Parametrisering: Gebruikt non-centered parametriseringen voor persoon-specifieke coëfficiënten en residuele SD's om funnel-vormige posterior pathologieën te vermijden en efficiënte sampling te waarborgen (nul divergente transities).
   • Priors: Er worden zwak informatieve priors gebruikt (bijv. $N(0, 0.5)$ voor gemiddelden, Half-Normal(0, 0.3) voor tussen-persoon SD's) om scepsis te uiten tegenover onwaarschijnlijk grote heterogeniteit, terwijl het stationaire bereik wordt gedekt.

Belangrijkste Bijdragen

1. Model Specificatie & Implementatie: De auteurs specificeren het DTVEM-RE model en leveren een volledige Stan-implementatie met code die vrijgegeven is voor replicatie. Het behoudt het standaard DTVEM als een fixed-effects special case (wanneer $\tau = 0$).
2. Validatie van Parameter Recovery: Een simulatiestudie ($N=40, T=130$) over vier heterogeniteitsniveaus bevestigt dat de tussen-persoon variantieparameter ($\tau_a$) wordt gerecupereerd met een absolute bias onder de 0.01 en een credible interval dekking van 90–93%, wat de betrouwbaarheid van de methode bij typische Ecological Momentary Assessment (EMA) steekproefgroottes valideert.
3. Empirische Demonstratie: Toegepast op de Fisher et al. (2017) dataset ($N=40$ patiënten met GAD/MDD), demonstreert de methode:
   • Substantiële persoon-specifieke heterogeniteit in lag-1 effecten (variërend over een orde van grootte).
   • Hoge overeenkomst ($r=0.87$ tot $0.92$) tussen hiërarchische Bayesiaanse schattingen en onafhankelijke per-persoon GAMM schattingen.
   • Superieure one-step-ahead voorspellende prestaties (log-likelihood en RMSE) vergeleken met groep-alleen, naïeve per-persoon, en eenvoudige hiërarchische baselines, zij het met bescheiden marges.
4. Ontdekking van Multi-Lag Heterogeniteit: De multi-lag uitbreiding onthult dat tussen-persoon heterogeniteit ($\tau_k$) statistisch robuust is (90% CI sluit nul uit) bij lags 1, 2 en 3 simultaan. Cruciaal is dat de lag waarbij de heterogeniteit het grootst is, verschilt per affect-item (bijv. lag 1 voor "down", lag 2 voor "energetic", lag 3 voor "worried"), een patroon dat ondetecteerbaar is door methoden die random effects beperken tot lag-1.

Resultaten

• Simulatie: De tussen-persoon SD ($\tau_a$) werd zonder betekenisvolle bias gerecupereerd. Het populatiegemiddelde ($\mu_a$) vertoonde een kleine, consistente neerwaartse bias (~0.02) die consistent is met eindige-steekproef AR(1) schattingstheorie, maar dit beïnvloedde de schatting van heterogeniteit niet.
• Empirische Lag-1: Alle drie de affect-items ("down", "worried", "energetic") vertoonden significante tussen-persoon variatie in lag-1 coëfficiënten. Het hiërarchische model bood gekalibreerde onzekerheidskwantificatie, waarbij 39 van de 40 deelnemers een niet-nul autoregressieve afhankelijkheid vertoonden.
• Empirische Multi-Lag: Alle negen schattingen van tussen-persoon SD over drie items en drie lags waren significant groter dan nul. De vorm van de heterogeniteit was niet-monotoon en item-specifiek, in contrast met de monotone afname van de populatiegemiddelden.
• Voorspelling: DTVEM-RE behaalde de beste voorspellende log-likelihood en de laagste RMSE onder vier baselines. De absolute winst was echter bescheiden (ongeveer 0.01 log-likelihood eenheden per beep), wat wordt toegeschreven aan de stabiliteit van naïeve per-persoon OLS bij $T \approx 110$. De primaire waarde in dit regime wordt geïdentificeerd als gekalibreerde onzekerheid en multi-lag capaciteit in plaats van dramatische voorspellende superioriteit.

Significantie en Claims
Het artikel claimt dat DTVEM-RE, naar weten van de auteurs, de eerste principiële idiografische implementatie is van DTVEM-stijl lag-detectie. Het adresseert direct de beperking die door de oorspronkelijke DTVEM-auteurs is geïdentificeerd door de schatting van persoon-specifieke multi-lag profielen mogelijk te maken, terwijl de voordelen van hiërarchische pooling behouden blijven.

De auteurs benadrukken dat de methodologische nieuwheid ligt in het combineren van niet-parametrische multi-lag exploratie met hiërarchische pooling op persoon-specifieke coëfficiënten bij elke gedetecteerde lag. Dit maakt de detectie van complexe heterogeniteitsstructuren mogelijk (bijv. variërende pieken van heterogeniteit over de lags) die bestaande hiërarchische VAR-methoden (zoals mlVAR) niet kunnen vangen.

Het artikel blijft bescheiden over klinische implicaties en stelt dat de resultaten exploratief zijn en geen directe klinische aanbevelingen rechtvaardigen. De auteurs framen de bevinding van multi-lag heterogeniteit als een kandidaat-fenomeen dat replicatie in grotere, diverse steekproeven en verder onderzoek naar stabiliteit en klinische relevantie vereist, in plaats van als onmiddellijk bewijs voor het wijzigen van de klinische praktijk. De methode wordt gepresenteerd als een instrument voor het beschrijven van persoon-specifieke lag-structuren, waarbij de klinische leverage van dergelijke beschrijvingen een apart empirisch vraagstuk blijft.