Modelado de efectos de interacción latente dentro de los niveles en modelos vectoriales autorregresivos de varios...

Área de la Ciencia:

• Ciencias Psicológicas
• Psicología cuantitativa
• Análisis longitudinal de los datos

Sus antecedentes:

• Los modelos de series temporales de varios niveles (latentes) se utilizan cada vez más para la dinámica interna.
• Los modelos actuales a menudo pasan por alto los moderadores que varían en el tiempo e influyen en las relaciones longitudinales.
• Esto limita la comprensión de cómo los procesos dinámicos dentro de la persona se ven afectados por factores cambiantes.

Objetivo del estudio:

• Ampliar los modelos de series temporales latentes de varios niveles mediante la incorporación de efectos de interacción latente a nivel interno.
• Proporcionar un tutorial para la aplicación de estos modelos mejorados utilizando la estimación bayesiana.
• Investigar la dinámica temporal del afecto negativo, la rumia y la atención consciente.

Principales métodos:

• Extensión de los modelos de series temporales latentes de varios niveles para incluir efectos de interacción latente.
• Estimación bayesiana a través de las técnicas de cadena de Markov Monte Carlo (MCMC).
• Estudios de simulación para evaluar el rendimiento y la complejidad del modelo.

Principales resultados:

• Se ha demostrado la incorporación exitosa de efectos de interacción latente en análisis dinámicos interpersonales.
• Proporcionó ejemplos empíricos usando afecto negativo, rumiación y atención consciente.
• Recomendaciones sobre la complejidad del modelo y los requisitos de tamaño de la muestra basadas en simulaciones.

Conclusiones:

• Los modelos mejorados proporcionan un enfoque más amplio para estudiar la dinámica interna dependiente del tiempo.
• Los investigadores aplicados pueden utilizar estos modelos para explorar relaciones longitudinales matizadas.
• Los tamaños de muestra adecuados (por ejemplo, 100 puntos de tiempo para 100 personas) son cruciales para los modelos complejos de efectos aleatorios.