(Acest articol a fost publicat pentru prima dată pe Jonas Haslbeck – rși cu amabilitate a contribuit la R-bloggeri). (Puteți raporta problema legată de conținutul acestei pagini aici)
Doriți să vă distribuiți conținutul pe R-bloggeri? dați clic aici dacă aveți un blog, sau aici dacă nu aveți.
Modelele Markov ascunse (HMM) sunt modele puternice pentru a surprinde comportamentele complexe ale proceselor psihologice care comută între diferite stări latente. Exemplele includ stările maniacale și depresive în tulburarea bipolară, stările de recuperare și recădere așa cum se observă în dependență și stările de dispoziție „normale” și „depresive” în tulburarea depresivă majoră. Pe lângă detectarea empiric a stărilor de dispoziție/comportament latente, fiecare dintre acestea fiind asociată cu experiențe subiective diferite, HMM-urile modelează tendința de a comuta între diferite stări latente în timp. De exemplu, deducerea probabilității de a rămâne într-o stare depresivă sau de a trece la o stare maniacale de la un moment la altul. Acesta este ceva ce modelele utilizate în mod obișnuit (de exemplu, modelele autoregresive) nu pot face. Emmeke Aarts și cu mine avem două noi preprintări pe HMM-uri pe mai multe niveluri: în primul (https://osf.io/preprints/psyarxiv/prm3t_v1), oferim o introducere blândă în HMM-urile pe mai multe niveluri și un tutorial complet reproductibil despre specificarea modelului, estimarea, selecția și interpretarea setului de date ale seriilor temporale de emoții EMA. În cel de-al doilea (https://osf.io/preprints/psyarxiv/b5mxk_v2) efectuăm un studiu de simulare extins pentru a evalua dacă software-ul existent funcționează conform intenției și cât de bine pot fi estimate HMM-urile pe mai multe niveluri în modelele tipice de serie de timp în psihologie.
