这篇博客介绍了时间序列分析在处理密集型纵向数据（ILD）中的应用，强调了时间序列分析（AR）的概念和站稳性。通过R和Mplus两个工具，详细阐述了如何分析AR模型，包括数据读取、理解、描述性统计和滞后变量的创建。讨论了Mplus在多水平数据分析中的潜力，尤其是对于交叉滞后效应的检验，指出当前研究在数据分析上的不足，并提供了相关资源和学习路径。
1. Intensive longitudinal data
现在由于智能手机等一系列设备的应用，极大的方便了研究者收集数据，可以不断追踪被试数天，数月甚至数十年，这样的数据通常就属于intensive longitudinal data (ILD)。如下图所示，ILD常见的形式来源有日记法，经验取样法，生态瞬时测量等，越来越多研究使用这些方法。
(Hamaker, 2019)
2. What is time series analysis?
时间序列分析，通俗来讲就是前面的测量对后面测量的影响，也就是autoregression (AR)。通常的分析思路为，创建不同时间lag的变量，然后进行autoregression 分析即可。
与传统回归分析不同，该方法的目的不仅仅在于解释variance，同时考虑了autocovariances。
若对比Nested model，则采用卡方差异检验；
若对比nested 和un-nested model，则比较AIC, BIC,
最低0.47元/天 解锁文章
扫一扫
1392
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
