Modelos de Espacio de Estados Ordinales para Datos Longitudinales Intensivos | JoVE Visualize

Área de la Ciencia:

Ciencia Psicológica
Psicología Cuantitativa
Ciencia Conductual

Sus antecedentes:

Los datos longitudinales intensivos (IL), recopilados con frecuencia (por ejemplo, diario diario, evaluaciones ecológicas momentáneas), son cruciales para comprender la dinámica psicológica y conductual.
El modelado de espacio de estados es un marco poderoso para analizar datos IL, tratando las variables observadas como indicadores de estados latentes que evolucionan con el tiempo.
Los modelos tradicionales de espacio de estados a menudo asumen mediciones continuas, lo que es una limitación ya que los datos psicológicos consisten frecuentemente en mediciones ordinales (por ejemplo, escalas Likert).

Objetivo del estudio:

Desarrollar un enfoque de estimación general para modelos de espacio de estados específicamente diseñados para mediciones ordinales.
Introducir un modelo de respuesta graduada adaptado para datos de escala Likert dentro del marco del espacio de estados.
Comparar el rendimiento del modelo ordinal propuesto con el método convencional de aproximación lineal.

Principales métodos:

Desarrollo de un enfoque de estimación novedoso para modelos de espacio de estados que acomodan datos ordinales.
Implementación de un modelo de respuesta graduada para ítems de escala Likert dentro del marco del espacio de estados.
Análisis comparativo que evalúa el modelo propuesto frente al método de aproximación lineal utilizando datos simulados o del mundo real.

Principales resultados:

El modelo de espacio de estados propuesto con mediciones ordinales arrojó estimaciones imparciales de la dinámica del estado subyacente.
El método de aproximación lineal comúnmente utilizado, que trata los datos ordinales como continuos, produjo estimaciones significativamente sesgadas de la dinámica del estado.
Se desarrolló un error estándar aproximado, denominado errores estándar de corte, y se encontró que era más liberal (más pequeño) que los errores estándar verdaderos, lo que indica un sesgo consistente.

Conclusiones:

El modelo de espacio de estados desarrollado proporciona un método más preciso para analizar datos longitudinales intensivos con mediciones ordinales en comparación con las aproximaciones lineales.
La estimación precisa de la dinámica psicológica y conductual es esencial, y el modelo propuesto ofrece una mejora significativa para los datos de escala Likert.
Se necesita más investigación para refinar la estimación del error estándar para el modelo propuesto, abordando el sesgo observado en los errores estándar de corte.