Regressie-methodes voor het modelleren van affect-dynamiek: Zinvol in rekening brengen van context en seriële afhankelijkheid

Affect dynamica bestudeert hoe affect processen over de tijd evolueren. Door vele herhaalde metingen te nemen van dergelijke processen over tijd verkrijgen onderzoekers rijke tijdsreeksen aan data intensief longitudinale data (ILD). Onderzoekers analyseren deze ILD om karakteristieken te kwantificeren die indicatief kunnen zijn voor het affectief functioneren van een individu. Om dit te doen formuleren onderzoekers modellen, en gebruiken ze statistiek om de parameters van hun modellen te schatten. Een interessant beginpunt is het autoregressief (AR) model. Dit model laat een paar kern eigenschappen toe die typisch gezien geattribueerd worden aan het affect systeem, zoals seriële afhankelijkheid en regulatief gedrag naar typische emotionele staten (de emotional homebase). 

Het idee dat men context dient te betrekken in onze modellen van affect dynamiek heeft meer tractie gekregen in recente jaren. Contextuele invloeden kunnen worden geconceptualiseerd als perturbaties van het affect systeem, zoals het ervaren van dagelijkse lasten, zonder fundamentele veranderingen teweeg te brengen in de dynamiek van het affect systeem. Andere contextuele invloeden (zoals belangrijke levensgebeurtenissen) zouden wel de dynamiek kunnen veranderen. In dergelijke gevallen kan men de parameters van de modellen laten variëren over tijd. Een populaire manier om dat te doen is om veranderingen in parameters te relateren aan veranderingen in een covariaat, die de contextuele informatie reflecteert. Toch is er weinig geweten over de factoren die de schattings-accuratesse van dergelijke effecten beïnvloeden, hoe studies kunnen opgezet worden om de effecten accuraat te schatten, en hoe men op een zinvolle manier zowel context als seriële afhankelijkheid kan betrekken.  

Het proefschrift is onderverdeeld in 6 hoofdstukken. Hoofdstuk 1 situeert het proefschriftwerk in de bredere staat van de literatuur. Hoofdstuk 2 geeft een overzicht van de literatuur rond het analyseren van psychologische ILD door middel van AR modellen. De nadruk ligt op uitdagingen die toegepaste onderzoekers tegenkomen als ze deze methodes willen toepassen, en hoe de literatuur deze uitdagingen tegemoet tracht te komen. In Hoofdstuk 3 bestuderen we patronen van covariantie die geïmpliceerd worden door AR modellen met lineaire gelijktijdige of temporele covariaat effecten. Specifiek tonen we dat het temporeel gedrag van covariaten implicaties heeft voor de accuratesse van schattingen, en bijgevolg topics die belangrijk voor het ontwerpen van studies, zoals het plannen van de steekproefgrootte. In Hoofdstuk 4 geven we een kritische kijk op typisch gebruikte manieren om met seriële afhankelijkheid om te gaan in regressie modellen. We tonen hoe deze manieren gerelateerd zijn, en hoe een onderzoeker tot geïnformeerde beslissingen kan komen over een bepaalde manier van omgaan met seriële afhankelijkheid. In Hoofdstuk 5 denken we aan manieren om gebruik te maken van periodes van verhoogde affect variabiliteit om metingen te nemen in experience sampling studies. Metingen nemen tijdens en na emotionele episodes kan voordelig zijn voor de accuratesse van de kleinste kwadraten schatter, maar een aantal belangrijke eigenschappen van een dergelijke studie opzet zullen invloed hebben op deze accuratesse. Hoofdstuk 6 sluit af met een discussie van de resultaten en richtingen voor toekomstig onderzoek.