DLV-NET

Dynamische latente Variablenmodelle und Netzwerkmodelle

01.04.2024 bis 31.03.2027

Die Erfassung und Verarbeitung sog. itensiver längsschnittlicher Daten (ILD) hat in der Psychologie (und anderen Sozial- und Verhaltenswissenschaften) in vergangenen Jahren substantiell zugenommen (Trull & Ebner-Priemer, 2014). Dabei wurden jüngst dynamische latente Variablenmodelle angewendet (z.B. dynamische Strukturgleichungsmodelle, DSEM, Asparouhov, Hamaker, & Muthén, 2018), die autoregressive Zeitreihenmodelle mit konfirmatorischen latenten Messmodellen und einer Mehrebenenmodellierung (zwecks Berücksichtigung inter-individueller Unterschiede der Trajektorien) kombinieren. Obgleich es sich um eine recht allgemeine Verfahrensklasse handelt, weisen dynamische latente Variablenmodelle gewisse Einschränkungen bzgl. der angewandten Bayesianischen Schätzverfahren und ihrem konfirmatorischen Charakter der Messmodelle auf. Eine mehr explorative Alternative zur Analyse multivariater Zusammenhänge von beobachteten Variablen bieten sog. Netzwerkmodelle (e.g., Borsboom, 2008, 2022). Diese Verfahrensweisen erlauben eine unstrukturierte Untersuchung der Variablenzusammenhänge zwecks Detektion von bedeutsamen Aktivierungsmustern. Sie wurden jüngst für ILD und inter-individuelle Unterschiede weiterentwickelt (vgl. Epskamp, 2020), weisen aber in der Fachliteratur kaum diskutierte Gemeinsamkeiten und Unterschiede zu oben genannten dynamischen latenten Variablenmodellen auf. Z.B. ist in der Gruppe der Netzwerkmodelle die Abbildung von Heterogenität (etwa über latente Klassen) nicht so flexibel wie bei dynamischen latenten Variablenmodellen. In diesem Forschungsvorhaben sollen daher vier Ziele adressiert werden: 1. Es sollen verwandte Submodelle aus beiden Verfahrensklassen beschrieben werden und eine systematische, taxonomische Diskussion der Modelle erfolgen. Dies soll vor dem Hintergrund der Identifikation relevanter Modelllücken und der Übertragbarkeit von Schätzverfahren geschehen. 2. Es werden Reanalysen von Mehrebenen-ILD aus einer Studie zum Studienabbruch in der Mathematik anhand von Netzwerkmodellen durchgeführt, die bereits mit dynamischen latenten Variablenmodelle untersucht wurden, um neue Zusammenhangsmuster der hochdimensionalen Daten zu erkennen. 3. Unter Berücksichtigung der taxonomischen Diskussion werden frequentistische Schätzer für die Submodelle der dynamischen latenten Variablenmodelle übertragen und entwickelt (z.B. FIML und mehrstufige Verfahren für latente Klassen), für welche bisher Bayesianische Schätzungen dominieren. 4. Aufbauend auf der Publikation eines recht allgemeinen Forward Filtering Backward Sampling (FFBS) Algorithmus für dynamische latente Variablenmodelle (Kelava, Kilian, Glaesser, Merk, & Brandt, 2022) soll ein Forecasting Algorithmus für Netzwerkmodelle entwickelt werden, so dass Muster von Zusammenhängen vorhergesagt werden können (z.B. Kognitionen, die mit dem Studienabbruch assoziiert sind oder klinische Symptome).