LONG-TERM INCREASES IN DAILY STRESS REACTIVITY PREDICTS WELL-BEING: FINDINGS FROM DAISI MEASUREMENT BURST DATA
Notice bibliographique
Résumé
Short-term within-person associations are considered to reflect unique dynamic characteristics of an individual and are frequently used to predict distal outcomes. These effects are typically examined with a two-step statistical process, where i) person-specific estimates are extracted from a multilevel model; then ii) these estimates are included as a time-invariant individual difference predictor variable in a subsequent statistical model (e.g., general linear regression, survival model) to predict some other distal outcome (e.g., mental health, mortality). The present research demonstrates how long-term changes in short-term within-person associations can be modeled simultaneously within a multilevel structural equation modeling framework. We demonstrate the utility of this model using measurement burst data from the Daily Stress Interview (DAISI) Study. Two measurement bursts were separated by six years, with each containing daily measures of stress and affect. Burst one consisted of thirty daily measurement occasions, whereas burst two consisted of seven. Measures of psychological well-being were also assessed across the six-year period. Three-level structural equation models were fit to simultaneously model short-term within-person associations between stress and negative affect and long-term changes in these associations over the six-year period. Individual differences in long-term changes of the short-term dynamics between stress and affect predicted psychological well-being levels. We highlight how characterizing an individual based on the strength of their within-person associations across multiple time scales can be important predictors of distal outcomes, as well as the utility of employing multilevel structural equation models in conjunction with measurement burst designs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».