Nieuwe SEM-methoden voor het valide vergelijken van structurele relaties tussen individuen en tijd

Veel prangende onderzoeksvragen proberen 'verborgen mechanismen' te ontdekken – dat wil zeggen relaties tussen variabelen die niet direct waarneembaar zijn – en deze te vergelijken over individuen en tijd. In deze ongekende tijden zijn psychologen en gedragsonderzoekers over de hele wereld bijvoorbeeld geïntrigeerd door onderzoeksvragen als: Wat is het effect van social distancing op de dynamiek van eenzaamheid en psychologisch welzijn in het dagelijks leven? Waarom kwijnen sommige mensen weg terwijl anderen lijken te gedijen? Welke soorten mensen lopen meer risico? In hoeverre hangt hun veerkracht af van hun persoonlijkheid en/of copingstrategieën? Hoe verandert het in de loop van de tijd en waarom? De variabelen van belang zijn niet direct waarneembaar : het zijn latente variabelen die worden gemeten door vragenlijstitems die meetfouten bevatten. Dit impliceert dat structurele vergelijkingsmodellen (SEM; Kline, 2015) nodig zijn om de onderlinge relaties goed te bestuderen. In dit voorstel zal ik structurele relaties tussen latente variabelen ook 'latente processen' of 'mechanismen' noemen. Ondanks de noodzaak om inzicht te krijgen in deze latente processen, kan de bestaande SEM-methodologie geen inzichtelijke en valide antwoorden geven om de volgende redenen : (1) De onderzoeken hebben betrekking op herhaalde metingen voor veel proefpersonen. Door een groot aantal personen is het onwaarschijnlijk dat bij alle personen dezelfde mechanismen in het spel zijn. Tegelijkertijd vereisen gedifferentieerde interventies om het welzijn te verbeteren op zijn minst enige generalisatie over personen, dus het vinden van overeenkomsten tussen veel proefpersonen is net zo belangrijk als het vinden van verschillen. (2) De meting van de latente variabelen is hoogstwaarschijnlijk inequivalent of 'niet-invariant' over de onderwerpen en in de tijd . Het negeren van deze verschillen in het zogenaamde 'meetmodel' maakt de vergelijking van latente processen tussen proefpersonen en in de tijd ongeldig. Meer specifiek hebben meetverschillen (niet-invarianties) betrekking op twee niveaus, overeenkomend met twee stappen naar meetinvariantie: niveau-1 niet-invarianties belemmeren de vergelijking van latente processen, terwijl niveau-2 niet-invarianties de vergelijkingen niet belemmeren. Niet-invarianties van niveau-1 moeten vooraf worden aangepakt door niet-invariante items of eenheden te verwijderen, terwijl niet-invarianties van niveau-2 in rekening gebracht kunnen worden door verschillen in meetparameters tussen personen op te nemen. Het modelleren van niet-invarianties op 'niveau 2', in plaats van ze te negeren, essentieel voor een geldige vergelijking van latente processen. Voor longitudinale data is het interessant om ofwel het clusterlidmaatschap en/of de latente processen dynamisch te maken in de tijd . In multisubject intensieve longitudinale data, zoals de populaire experience sampling studies (ondervragen van deelnemers via smartphone-apps), worden dynamische latente processen gevat (d.w.z. hoe de latente variabelen elkaar beïnvloeden van tijdpunt tot tijdpunt). Om deze dynamische mechanismen vast te leggen, is dynamische SEM (DSEM; Asparouhov , Hamaker , & Muthén , 2018) de state-of-the-art. DSEM schiet echter tekort als het gaat om het opnemen van deels persoons- en/of tijdspecifieke meetmodellen. Bij experience sampling data zijn verschillen in meetmodellen tussen deelnemers zeer waarschijnlijk, bijvoorbeeld omdat deelnemers verschillende antwoordstijlen hebben. Ook gebeurtenissen in het dagelijks leven kunnen ervoor zorgen dat het meetmodel in de loop van de tijd verandert. Daarom zal dit doctoraatsproject zich richten op het ontwikkelen van nieuwe methoden en het uitbreiden van bestaande methoden om dynamische processen tussen personen en in de tijd valide te vergelijken, zelfs wanneer er niet-invariantie bestaat tussen personen en/of in de tijd. Op deze manier zal het project een grote bijdrage leveren aan de meetkwaliteit van experience sampling studies.