Het verbeteren van Kernel Change Point detectie door het samenvoegen van informatie over subjecten en variabelen heen

Individuen kunnen beschouwd worden als complexe dynamische systemen, wiens gedachten, gevoelens en gedragingen fluctueren doorheen de tijd. Deze fluctuaties worden geleid door systeemeigenschappen zoals emotionele differentiatie, emotionele variabiliteit en emotionele inertie. Crosssectionele en prospectieve studies hebben aangetoond dat deze systeemeigenschappen gerelateerd zijn aan psychopathologie. Deze resultaten roepen de vraag op of mentale gezondheidsproblemen voorafgegaan worden door veranderingen in deze eigenschappen. In mijn proefschrift toonde ik aan dat Kernel Change Point detection (KCP) een handige tool is om deze vraag te beantwoorden omdat het kantelpunten in systeemeigenschappen kan signaleren. In dit PDM zullen we de detectiekracht van deze methode verder verhogen door twee grote analytische uitdagingen aan te pakken die voorkomen in een typische ESM-studie (experience sampling method): te weinig tijdstippen en sterk gecorreleerde variabelen.