ITEM METADATA RECORD
Title: Analyzing core affect changes with the hierarchical Ornstein-Uhlenbeck process model
Authors: Oravecz, Zita
Issue Date: 25-Nov-2009
Abstract: Onze emotionele levens worden gekenmerkt door veranderingen en fluctuaties doorheen de tijd. Verschillende onderzoekers in de emotiepsychologie hebben recent opgeroepen tot een nieuwe focus met een paradigma dat meer toepasselijk is voor de studie van emotionele dynamie k. In dit proefschrift willen we tot deze onderzoekslijn bijdragen. Ons hoofdd oel is het ontwikkelen van een coherent kader waarin we de dynamische eigenscha ppen van emotionele beleving kunnen modelleren. Hiertoe hebben we een hiërarc hisch model op basis van een stochastisch proces ontwikkeld. Verder gaan we di eper in op de algoritmische aspecten voor de statistische inferentie en tonen we hoe men een dergelijk model kan toepassen om de dynamische componenten van e moties te vatten. We baseren ons dynamisch model op het stochastische Ornstein-Uhlenbeckproces (OU proces). Dit proces laat toe om continue bewegingen doorheen de tijd te beschrijven met behulp van drie belangrij ke onderliggende eigenschappen (te weten: de gemiddelde positie, de intraindividuele variabiliteit en de centripetale tendens naar het gemid delde). Deze componenten kunnen rechtstreeks worden gekoppeld aan de belangrijks te eigenschappen van emotionele veranderingen. Omdat het waarschijnlijk is dat mensen onderling verschillen in deze aspecten, ontwerpen we een hiërarch ische (multilevel) versie van het model om interindividuele verschillen te kun nen onderzoeken. Een groot voordeel van de aanpak is dat het de belangrijkst e eigenschappen van emotionele verandering in één wiskundig model vat en tegelijkertijd met interindividuele verschillen rekening houdt. Het proefschrift opent met een Algemene inleiding. Dit is een korte uiteenzetting over de zin van wiskundige modellen in de emotiepsychologie. De rest van het proefschrift bestaat uit vijf manuscr ipten. Hoofdstuk 1 bevat een eerste versie van een hiërarchisch model op basis van het bivariate OU proces. We ontwikkelen een hiërarchi sch OU model waarbij de variabelen gemeten worden zonder meetfout. Het statisti sch kader waarin de infererenties gebeuren is Bayesiaans van aard, en we beschrijven het Markov chain Monte Carlo (MCMC) algoritme waarmee steekp roeven uit de posteriorverdeling getrokken worden. Op basis van de ontwikkelingen in het eerste hoofdstuk, stellen we in Hoofdstuk 2 een meer complexe versie van het hiërarchische OU model (HOU model) voor. In de versie van het model die in dit hoofdstuk wordt voorgesteld, is het mogelijk dat de geobserveerde variabelen aan meetfou t onderhevig zijn. Het model wordt dan ook op het latente niveau gedefinie erd. Dit hoofdstuk belicht hoofdzakelijk de implementatie van een MCMC algori tme voor de statistische inferentie met het model in het Bayesiaanse statist ische kader. Voorts wordt de methode getoetst in simulatiestudies. In Hoofdstuk 3 wordt het model uit het tweede hoofdstuk in groter detail besproken. Het doel van dit hoofdstuk is om het model en z ijn eigenschappen voor te stellen aan een breder publiek van onderzoekers me t een mogelijke interesse in het toepassen van het HOU model op inhoudelijke problemen. Het HOU model wordt stapsgewijze geïntroduceerd door eerst de overeenstemmende differentiaalvergelijking van de eerste orde te besprek en en vervolgens de stochastische differentiaalvergelijkingen. Het hoofdstuk b evat tevens een toepassing van het model op kernaffect. In Hoofdstuk 4 onderzoeken we op een meer uitgebreide wijze hoe valide onze aanpak is voor het modelleren van emotionele verandering en. Eerst geven we een gedetailleerd overzicht van de inhoudelijke theorie betreffende emotionele veranderingen en concluderen dat het basisprincip e van het HOU model met deze bevindingen overeenstemt. Dan passen we een uitge breide versie van het HOU model toe in twee studies en geven we statistische ev identie voor de validiteit van onze aanpak door verschillende aspecten van goodness-of-fit (hoofdzakelijk grafisch) te onderzoeken. Door het HOU mo del toe te passen, konden we nieuwe en consistente bevindingen trekken over de r elatie tussen de modelparameters en verschillende trekmaten. In Hoofdstuk 5 plaatsen we het model in een breder perspectief door het te vergelijken met een vaak toegepast algemeen stat istisch kader: de familie van de Linear Mixed Models (LMM). We bespreken enkele gelijkenissen tussen het HOU model en de LMMs. Verder geven we aan onder welke omstandigheden de ene aanpak nuttiger kan zijn dan de andere.
Publication status: published
KU Leuven publication type: TH
Appears in Collections:Quantitative Psychology and Individual Differences

Files in This Item:
File Status SizeFormat
DoctoralDissertation_ZitaOravecz.pdf Published 6104KbAdobe PDFView/Open Request a copy

These files are only available to some KU Leuven Association staff members

 




All items in Lirias are protected by copyright, with all rights reserved.