抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データを収集するセンサとWebベースの方法の絶えず成長している数によって部分的には,集中的な縦断データ(ILD)の使用は,社会と行動科学においてより一般的になっている。この分野で集めたILDは,しばしば潜在状態(例えば,行動,感情)の結果であり,ILDの有望性は,時間的に非折畳みとして,これらの状態のダイナミクスを捉える能力にある。特に,複数の被験者に対するデータを収集することにより,研究者は,そのようなダイナミクスが被験者間でどのように異なるかを観察することができる。Bayesマルチレベル隠れMarkovモデル(mHMM)は,対象間の不均一性を考慮しながら,この種のILDをモデル化するのに適した比較的新しいモデルである。mHMMは様々な設定で応用されているが,このモデルの必要な試料サイズを調べる大規模研究は不足している。本論文では,(1)被験者数,(2)回数,(3)mHMMにより得られたパラメータ推定に対する被験者変動性間の変化の影響を評価するため,シミュレーション研究を実施することにより,この研究ギャップに取り組んだ。このシミュレーション研究を,状態依存成分分布においてかなりの重複を示す多変量連続データから成る,睡眠研究との関連で枠組みした。さらに,より一般的なデータ特性を有する一連のベースラインシナリオを生成した。全体として,被験者数はモデル性能に最大の影響を与える。しかし,潜在状態遷移を適切にモデル化するためには,機会の数が重要である。データの特性がどのようにパラメータ推定に影響し,研究者が自分自身のデータにmHMMを適用するかを追求する。【JST・京大機械翻訳】