MARC

 008250123s2024        us                              c    eng  d
■001000017161069
■00520250211151157
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382632360
■035    ▼a(MiAaPQ)AAI31236692
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a151
■1001  ▼aUrban,  Christopher  J.
■24510▼aModeling  Intensively  Measured,  Longitudinal,  and  Multidimensional  Item  Responses:  Capturing  Continuous-Time  Latent  Change  Processes  via  Neural  Stochastic  Differential  Equations
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a56  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Bauer,  Daniel  J.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2024.
■520    ▼aI  develop  a  novel  deep  learning  framework  for  second-order  latent  growth  modeling  using  intensive  longitudinal  data.  Specifically,  I  propose  a  neural  stochastic  differential  equations  (SDEs)  approach  wherein  the  latent  trajectories  follow  SDEs  parameterized  by  neural  networks  (NNs),  providing  enhanced  modeling  capacity  relative  to  prior  methods.  To  provide  insight  into  the  temporal  distribution  of  item  responses,  I  propose  an  extension  of  the  usual  second-order  latent  growth  model  (SLGM)  wherein  measurement  times  and  response  missingness  are  jointly  modeled  via  a  neural  SDE-based  marked  point  process.  I  discuss  identifiability  of  the  proposed  model  class,  then  derive  a  scalable  approximate  marginal  maximum  likelihood  estimator  and  conduct  a  brief  simulation  study  to  demonstrate  proof-of-concept.  I  conclude  with  a  discussion  of  various  implementation  challenges  as  well  as  future  directions.
■590    ▼aSchool  code:  0153.
■650  4▼aQuantitative  psychology
■650  4▼aComputer  science
■650  4▼aStatistics
■653    ▼aDeep  learning
■653    ▼aForecasting
■653    ▼aLatent  growth  model
■653    ▼aNeural  networks
■653    ▼aStochastic  differential  equations
■690    ▼a0632
■690    ▼a0984
■690    ▼a0463
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161069▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books