JPA2026_NetworkTutorial_JunKashihara

日本心理学会第90回大会のチュートリアル企画「心理ネットワークアプローチ入門：縦断ネットワークモデルのバリエーション，N = 1ネットワークの推定」用に作成したスライド資料です。

Transcript

1. 心理ネットワークアプローチ入門： 縦断ネットワークモデルのバリエーション， N = 1ネットワークの推定 日本心理学会第90回大会 2026年9月4日 樫原 潤 (広島大学) 1/67
2. 開始に先駆けてのお願い ◼ Confitの「参加者用ログイン」で，本TWSのページを ご確認ください • コメント機能を活用し，TWSに必要な情報をまとめています • 本日のスライド資料やコードを共有しています ※ 本TWSでは， レクチャーと演習の両方を実施します ※ 演習ではRおよびRStudioを用いるので，まだの方はレクチャーの 間にダウンロードしてください 2/67
3. 過去2年間のTWS ◼ 横断ネットワーク分析に焦点化 • 分析の演習と，結果の解釈を扱った https://note.com/junkashihara/ m/m1da859ea0d7a 3/67
4. 本TWSの目的 ◼ 縦断ネットワーク分析の世界に踏み出そう！ • 時系列データの種類に応じたバリエーションを把握する • N = 1の個人別ネットワーク推定にトライする ※ Borsboom et al. (2021) より引用 4/67
5. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 5/67
6. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 6/67
7. 心理ネットワークアプローチとは① ◼ 心理統計学者Denny Borsboomが創始し，臨床心理学 分野から火のついたアプローチ https://dennyborsboom.com/ https://www.uni-marburg.de/en/ fb04/team-hofmann/team/profdr-stefan-g-hofmann 7/67
8. 心理ネットワークアプローチとは② ◼ PsychoSystemsグループによって急速に発展 https://www. adelaisvoranu.com/ http://sachaepskamp. com/ https://www.nsmd.eu/ organisation/people/ waldorp-laurens https://dennyborsboom.com/ 8/67
9. ネットワークというものの見方 うつ病 抑うつ 不眠 食欲不振 無価値観 e1 e2 e3 e4 食欲不振 抑うつ 不眠 無価値観 潜在変数モデルではなく，観測 変数同士の相互作用に着目して 心を捉える 臨床心理学の場合… クライエントは，「疾病概念」では なく，「症状の連鎖」に苦しんでいる セラピストが介入できるのは， 「症状」や「連鎖」のみである ※ 樫原 (2021) より引用 9/67
10. ネットワーク分析とは ◼ 多変量が相互作用してできる複雑系を推定・視覚化する ※ Epskamp et al. (2018) をもとに作図 ※ Borsboom et al. (2021) より引用 10/67
11. 体系的テキストも翻訳されています！ ◼ ぜひ今日，第一歩を踏み出しましょう！ Isvoranu et al. (2022) 樫原・小杉 (監訳) (2024) 11/67
12. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 12/67
13. 「データ」と「分析」の分類 People • 横断デザイン：1時点で一斉に データを測定する • 縦断デザイン (時系列データ)：同じ人 から何時点かにわたりデータを測定する Time ◼ データ：横断 / 縦断 ◼ 分析：個人内 / 個人間 • 個人内：「同じ人の中での比較」を行う (例：国語 vs 数学) • 個人間：「異なる人 (群) の間の比較」を行う (例：男性 vs 女性，オンライン群 vs 対面群) 13/67
14. 横断データの限界 ◼ 多くの心理変数は個人内で変動するのに，たった1時点 しか測定できていない • 「たまたま不安が募っていた / 安心しきっていた」という人も いるのに，「不安傾向が強い人ほど…」と議論されてしまう ※ 厳密な個人間比較のためには，時系列の平均を取るなどしたい ◼ 多くの場合，変数間の前後関係が掴めない ※ 例外：「幼少期の虐待経験」と「現在の精神症状」など • どういった分析を選択しても，因果関係の議論には不向き 14/67
15. 横断ネットワーク分析の限界① ◼ 無向ネットワークしか推定できない • エッジを解釈するとき，「どちらがどちらに影響」と言えない のは想像以上にストレスフル ◼ 個人間効果と個人内効果が 混ざっている • 個人間 / 個人内どちらのタイプの主張も 展開しづらい ※ Epskamp et al. (2018) をもとに作図 15/67
16. 横断ネットワーク分析の限界② ◼ 介入仮説を導出しづらい • 「中心性指標の値が高いノードは，有効 な介入ターゲットとなるはずだ」という 期待には，早々に疑問符がついた (Bringmann et al., 2019) ※ 最近では，nodeIdentifyR algorithm (NIRA) を用いて，横断ネットワーク から介入ターゲットを同定するという 提案も (Wang et al., 2026) ※ Epskamp et al. (2018) をもとに作図 16/67
17. 縦断 (時系列) データの分類軸 ◼ N = 1か，N > 1か • やり方次第では，N = 1でもケース研究として成り立つ (e.g., Kroeze et al., 2017) ◼ 測定時点数と測定間隔は，それぞれどのぐらいか • Pre-postデータ：事前と事後の2時点，測定間隔は様々 • パネルデータ：多くは3時点以上，測定間隔は月・年単位 • 集中縦断データ (intensive longitudinal data: ILD)：多くは20時点 以上，「1日数回，経験サンプリング法で収集」が定番 ※「毎週」「毎セッション」など，狭間のデザインも 17/67
18. 縦断ネットワーク分析の強み① ◼ 有向ネットワークを推定できる • 「このノードがこのノードに影響」という形で，効果の方向性を 含めて議論できた方が圧倒的に楽しい！ • 介入仮説や変容のプロセスについて，洞察を得やすい ◼ 多様な縦断 (時系列) データに対応した分析モデルがある • N > 1のILDだけでなく， N = 1のILDや，パネルデータに適した モデルも開発されている ※ Pre-postデータは，「横断ネットワークの事前事後比較」が定番 ※ 狭間のデザインの場合は，何かしらの限界を引き受けつつ選択 18/67
19. 縦断ネットワーク分析の強み② ◼ 複数種類のネットワーク構造を推定できる ＝変数間の関連を多角的に検討できる • 経時的 (temporal) ネットワーク： 個人内の，時点をまたいだ関連 • 同時性 (contemporaneous) ネットワーク： 個人内の，同一時間枠における関連 経時的ネットワークの残差 • 個人間 (between-person) ネットワーク： 個人間比較，N > 1の場合にのみ推定可能 ※ N > 1の場合，「個人内＝average personのなかでの」となる 19/67
20. 同時性ネットワークの意義？ ◼ 経時的ネットワーク (左) ばかりが議論されがちだが… • 「この変数が現れているときは，この変数も共起しているかも」 というアラートとして使える • 残差なので，測定頻度の枠外で起きている効果が含まれうる ※ Borsboom et al. (2021) より引用 20/67
21. 縦断 (時系列) データの限界 ◼ 反復測定に特有のバイアスが生じうる • 慣れや惰性が生じる，回答者のなかで判断基準が変化するなど ◼ どうしても，欠損値が生じやすい • 「一部項目の回答漏れ」と「測定機会まるごとの無回答」の両方 が頻発する ◼ 因果関係の一歩手前までしか迫れない • 「変数間の前後関係」は明らかにできるが，「剰余変数をすべて 統制できた」とは言えない (グレンジャー因果止まり) 21/67
22. 縦断ネットワーク分析の限界 ◼ (VARモデル群などの場合) 非線形の関連は検討できない • 複雑系と言いつつ，個々のエッジは線形 (＝直線) の関連だけ表す ◼ ラグ1の経時的関連しか検討していない場合がほとんど • 「次の時点」ではなく，効果が遅れて現れる可能性もある ⇔ ラグの設定は変更できるが，分析で使う時点数が削られてしまう ◼ (多くのモデル群では) 定常性の仮定を置いている • 「ネットワーク構造は，時系列を通じて不変」という仮定 ⇔ 実際には，時間経過とともに関連の出方も変動するはず 22/67
23. 様々な分野で活用が広がっている！ ◼ 縦断ネットワーク分析の「強み」と「限界」について， 個々の文脈に引き付けて考えてみてください！ https://doi.org/10.1111/jpr.12604 https://doi.org/10.1177/1073191116645909 https://doi.org/10.1038/s41541-022-00533-6 23/67
24. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 24/67
25. 様々なルーツのモデルがある！ ◼ (G)VARモデル群 (※ 次スライド以降詳述) ◼ 交差遅延パネル・ネットワーク (CLPN; Wysocki et al., 2025) ◼ 動的構造方程式モデリング (DSEM; Asparouhov et al., 2018) ◼ グループ反復多重モデル推定 (GIMME; Gates & Molenaar, 2012) ◼ 隠れマルコフモデル (HMM; Aarts & Haslbeck, 2026) 25/67
26. まず学ぶなら，(G)VARモデル群を推奨 ◼ グラフィカル・ベクトル自己回帰 (GVAR) とは… • グラフィカル：変数間の関連をグラフ (ネットワーク) で表現 • ベクトル：変数群同士の関連を検討 • 自己回帰：同一の変数 (もしくは変数群) 内の，時点をまたいだ 回帰効果を検討 ◼ アムステルダム大学勢を中心に，組織的に展開されている • Rパッケージが充実，操作がシンプル，図の見栄えがいい • チュートリアル (論文，WS資料等) が充実している • データの種類などに応じたバリエーションが豊富 26/67
27. (G)VARモデル群のバリエーション① ◼ グラフィカルVAR (GVAR; Epskamp et al., 2018) • 個人別 (N = 1) の縦断ネットワーク構造を推定 ◼ マルチレベルVAR (ML-VAR; Epskamp et al., 2018) • 集団平均 (N > 1) としての縦断ネットワーク構造を推定 ◼ パネルGVAR (panel GVAR; Epskamp, 2020) • 集団平均としての縦断ネットワーク構造を，時点数の少ない (＝3時点以上) パネルデータで推定 27/67
28. (G)VARモデル群のバリエーション② ◼ 時変VAR (TV-VAR; Haslbeck et al., 2021) • 集団平均としての縦断ネットワーク構造を推定するうえで， ネットワーク構造の時間変動を許容 ◼ 潜在クラスVAR (LCVAR; Ernst & Haslbeck, 2025) • 縦断ネットワーク構造の似通ったサブグループ (クラスタ，潜在 クラス) を特定 ◼ 混合マルチレベルVAR (MMVAR; Ernst et al., 2024) • LCVARと目的は同様だが，パラメータ数が多く大変らしい 28/67
29. (G)VARモデル群のバリエーション③ ◼ サブグループ化連鎖VAR (SCVAR; Park et al., 2024) • 経時的効果と同時性効果の両方を考慮しながらサブグループ特定 できるのが強みらしい ※ 「LCVARにはない強み」なのかまでは読みこめていません ◼ 3レベルVAR (3L-VAR; Xiao et al., 2026) • ML-VARの拡張版，「個人 ∈ 上位のユニット ∈ 全体」や 「時点 ∈ 日 ∈ 個人」など，3層ネスト構造を考慮して分析できる ※ その他のバリエーションも，まだまだあります！ 29/67
30. 様々なモデルとの付き合い方 ◼ 複雑なモデルが「良い」かどうかは，研究文脈による • 一般的に，モデルが複雑化するほどdata-hungryになる • どの程度のデータサイズが必要なのか，事前確認が大事 ◼ 使い分けのためには，モデル間の対応関係の理解が必要 • どのモデルも，既存のモデルの拡張版 ◼ 「これなら自分でもできる」という感覚が案外重要 • サンプルコードが難解で，取っつきづらいものもある • 有料ソフトウェアが必要なのかもチェックしておきたい 30/67
31. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 31/67
32. N = 1の分析に絞るねらい ◼ より複雑なモデルを学ぶための足掛かりとして • 経時的効果と同時性効果の分割という，基本コンセプトを掴める ※ 来年度は，集団単位の縦断ネットワーク分析として，ML-VARと panel GVARを扱う予定 ◼ 「個人に特有のネットワーク構造を推定できる」という話 そのものがワクワクする！ • 心理学を学び始めて以降，「データ分析でわかるのは，集団全体 の傾向だけ」という話を嫌と言うほど聞かされてきた • でも，「人それぞれの心のありよう」に迫る分析もあるんだ！ 32/67
33. GVARモデル推定の基本ツール ◼R • プログラミング言語および，その開発実行環境 ◼ RStudio • Rをより円滑に操作するためのインターフェース ◼ graphicalVARパッケージ (Epskamp et al., 2018) • GVAR (N = 1) の推定に必要な関数を提供するRパッケージ 33/67
34. 今回用いるデータ ◼ Fried et al. (2022) の公開データ • openESMデータベース (後述) に登録済み • 2020年3月と4月，コロナ禍のオランダでデータ収集 • ライデン大学の学生80名 (男性19名，女性60名，不明1名; 平均20.38歳, SD = 3.68) が対象 • 調査開始直前にロックダウン措置が始まり，調査期間中はずっと 休校状態だった • スマートフォン通知を活用し，1日4回の測定を14日間連続で実施 • ストレス関連の変数や対人交流関係の変数を，計14項目測定 • 時系列を通じた欠損値の発生率は，9.9% 34/67
35. openESMとは？ ◼ 経験サンプリング法の公開データを集めたデータベース • 詳細は，Siepe et al. (2026) の論文 を参照 • RやPythonのopenesmパッケージ から，データを呼び出せる https://openesmdata.org/ 35/67
36. ネットワークに含める変数群 ◼ ストレス関連の6項目 • difficulties_relaxing (リラックスの困難) • worry (心配) ・ nervous (神経質) • nothing_look_forward (お先真っ暗) ◼ 社交関連の3項目 ・ irritable (イライラ) ・ anhedonia (快感消失) 全項目，「この3時間どうだっ たか」を，5件法のリッカート 尺度で回答してもらった • alone (孤独感) • social_offline (オフラインの社交) • social_online (ソーシャルメディア利用) 36/67
37. RStudioで分析してみよう！ ◼ 練習用コードを一緒に動かそう！ • ダウンロードがまだの人は，下記にアクセス https://doi.org/10.5281/zenodo.22182394 ◼ 大まかな流れは以下の通り • • • • 分析の準備 (パッケージの読み込み，データのダウンロードなど) 前処理 (欠損値代入，各変数の推移の図示，デトレンド) 2名分のGVARの推定と視覚化 2名分の中心性指標の算出と視覚化 37/67
38. ネットワーク図：ID4 38/67
39. ネットワーク図：ID7 39/67
40. 中心性プロット：同時性ネットワーク ◼ 経時的ネットワークの分は， 今回は空だったので割愛 • 出強度と入強度など，「影響 を及ぼす側か，受ける側か」 を区別して各ノードの機能を 要約できる 40/67
41. Extra: 2者のGVARの統計的比較 ◼ Individual Network Invariance Test (INIT; Hoekstra et al., 2024) • 経時的 / 同時性ネットワークのそれぞれについて実施できる • 2者間に等値の制約を置く / 置かないモデルの適合度を比較 • 情報量規準 (AIC, BIC) ベースで良好なパフォーマンスを示すのは， 1名当たりの時点数が100を上回るとき • χ2 検定が良好なパフォーマンスを示すのは，1名当たりの時点数が 1,000以上のとき ⇒ 現実場面では，有意差があるどうかの判断は困難 41/67
42. なぜ経時的ネットワークは空に？① ◼ 一般的に，経時的効果は小さくなりやすい傾向 • 同時性効果と比べ，係数が小さく出ている研究が多い (経験則) • 「かつては経時的効果を過大評価した研究が多く，何か怪しいな となって，同時性効果を分割するようになった」との開発者談 ◼ N = 1であるために，データサイズが小さくなっていた • 「たった」56時点のデータで，9個「にも上る」ノード数のネット ワークを推定していた，という見方ができる • 集団単位での縦断ネットワーク分析であれば，「時点数×人数」で データサイズを稼ぐことができる 42/67
43. なぜ経時的ネットワークは空に？② ◼ 測定の時間枠が粗かったのかもしれない • 1日4回の通知で，「この3時間はどうだったか」を尋ねていた → 「1時間SNSを眺め，その後1時間はお先真っ暗という感覚に」の 体験も，「同一時間枠内の体験」として処理されかねない ⇒ 細かなダイナミクスが，同時性効果に吸収されていたかも？ ◼ 測定のスケールが限られていたせいかもしれない • 5件法のリッカート式で測定し，項目単位で分析に投入したので， 回答のバリエーションが各項目5通りしかない ⇒ 0～100点などスライダースケールを用いれば，より細かなダイナ ミクスも捕捉できたかも？ 43/67
44. 分析上の留意点：設計と前処理① ◼ 一般論として，ノードの個数は10個未満を目安としよう • 「ノード6個，100時点」でも感度が低くなるとしたシミュレー ションも (Mansueto et al., 2023) • 項目数が多い場合は，因子得点化や平均得点化の検討を： 測定誤差への対処にもなる (Kankaanpää et al., 2026) ◼ 欠損値は，ネットワーク推定の前に処理しよう • 推定時に引数beepvarを用いると，非連続な観測値のペアが削除 されるので，時点数が大きく削られる場合がある • カルマンフィルター代入法 (Hamaker & Grasman, 2012) が手軽で， バイアスも比較的少ない (Mansueto et al., 2023) 44/67
45. 分析上の留意点：設計と前処理② ◼ デトレンドする前に，得点の推移を確認しよう • 全体的なトレンドだけでなく，変動の激しさなど，素朴に見て 気づくことがあるはず → そうした気づきが，ネットワークの解釈を豊かにする ◼ デトレンド処理を施してから，ネットワークを推定しよう • (G)VARモデル群の多くは，定常性 (時系列を通じ，ネットワーク 構造は不変) の仮定を置いている • デトレンドしないと，「変数 i, j がそれぞれ単調増加 / 減少して， たまたま経時的効果が検出された」という交絡が起きかねない 45/67
46. 分析上の留意点：ネットワーク推定 ◼ メインの関数は，引数 (オプション) の意味を確認しよう • Rでは，「?関数名」でヘルプを呼び出せる • 「R [パッケージ名] package」の検索で，マニュアルを入手できる ◼ 引数の意味を咀嚼し，「今回の分析での落としどころ」を 考えよう • 等間隔測定の仮定を厳密に守るには，「夜から朝の間だけ間隔が 空くので，引数dayvarで朝一番のデータを削除」が正しい ⇔ データの時点数が豊富でない場合，さらに削って良いのか？ 「あえて削らず，限界の考察で対処」というのも立派な選択 46/67
47. 分析上の留意点：図の視覚化 ◼ ネットワーク図は，見た目にこだわろう • qgraph 関数の引数themeでは，青赤配色 (colorblind) のほかに， 白黒印刷対応のテーマ (gray) を指定できる • 「RStudioの画面に表示された図をコピー」ではなく，pdf 関数 などでファイル保存すれば，きれいに描画できる • エッジが重なって見づらい場合，セルフループの角度，エッジの 曲率，ノードサイズ，ノード間距離などを調整できる ◼ 集団間比較を行う場合は，レイアウトを統一しよう • qgraph パッケージの averageLayout 関数を用いるか，描画する とき layout = “circle” と指定するか 47/67
48. 本TWSの構成 ◼ 心理ネットワークアプローチのクイック導入 ◼ 縦断ネットワーク分析の強み ◼ 縦断ネットワークモデルのバリエーション ◼ N = 1の個人別ネットワークを推定してみよう！ ◼ おまけ：細かいHow toを学ぶための資料 48/67
49. 縦断ネットワーク分析のレビュー論文 ◼ 様々なモデルの要点を，比較しながら学べる ※ 「ほぼすべてのモデルを網羅」のレビューはまだない印象 https://doi.org/10.1002/jclp.22957 https://osf.io/preprints/ psyarxiv/zbjd9_v1 49/67
50. GVARの日本語チュートリアル ◼ 数理的な解説やタイムスタンプの処理など，本TWSでは 扱いきれなかった要素も ※ 「経時的 / 同時性ネットワークのレイアウトをそろえる」 「引数 dayvar と beepvar は機能を理解して取捨選択する」という 解説は不足 https://doi.org/10.34360/0002001214 50/67
51. 先行研究の公開コード ◼ 前処理や視覚化のコツ，その他の細かいテクは，公開 コードを通じて徐々に蓄積すると良い ※ ML-VARを用いた研究も，GVARのコードを書くうえで参考になる https://osf.io/preprints/ psyarxiv/s45dt_v1 51/67
52. アムステルダム勢のWS ◼ アムステルダム大で年2回，シンガポール国立大で年1回， インテンシブなWSを開催中！ https://psychosystems.org/workshops/ https://fass.nus.edu.sg/psy/network-psychometrics-for-behavioral-and-social-scientists/ 52/67
53. WS資料のWeb公開 ◼ アムステルダム大の過去WSのうち一部については，オン ラインで資料が公開されている！ ※ 以下は，コロナ禍直前の2020年1月末，樫原も参加した思い出 深いWSの資料 https://osf.io/hcd8u/overview 53/67
54. Sacha Epskampの動画シリーズ ◼ ネットワーク分析に限らず，大量に動画がある！ ※ 縦断ネットワーク分析なら，Longitudinal Network Modeling in Clinical Psychologyの4本シリーズなどがある https://www.youtube.com/@Sacha_Epskamp/videos 54/67
55. もちろん，翻訳書も手に取ってほしい！ ◼ 原文のロジックの強さとドライブ感がそのまま伝わるよう， めっちゃがんばって訳しました！ https://www.keisoshobo.co.jp/ book/b648945.html 55/67
56. オンラインコミュニティのご案内 ◼ ぜひ，独りではなく，一緒にがんばりましょう！ • Slackで“Psych Networks Japan”コミュニティを運営中 • 「とりあえずつながる」ことから始めましょう https://note.com/junkashihara/n/n71752ea65086 56/67
57. 文献 Aarts, E., & Haslbeck, J. (2026). Modeling psychological time series with multilevel hidden Markov models: A tutorial. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000830 Asparouhov, T., Hamaker, E. L., & Muthén, B. (2018). Dynamic structural equation models. Structural Equation Modeling: A Multidisciplinary Journal, 25(3), 359–388. https://doi.org/10.1080/10705511.2017.1406803 Borsboom, D., Deserno, M. K., Rhemtulla, M., Epskamp, S., Fried, E. I., McNally, R. J., ... & Waldorp, L. J. (2021). Network analysis of multivariate data in psychological science. Nature Reviews Methods Primers, 1, Article 58. https://doi.org/10.1038/s43586-021-00055-w 57/67
58. 文献 Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., ... & Snippe, E. (2019). What do centrality measures measure in psychological networks? Journal of Abnormal Psychology, 128(8), 892–903. https://doi.org/10.1037/abn0000446 Bringmann, L. F., Pe, M. L., Vissers, N., Ceulemans, E., Borsboom, D., Vanpaemel, W., … Kuppens, P. (2016). Assessing temporal emotion dynamics using networks. Assessment, 23, 425–435. https://doi.org/10.1177/1073191116645909 Chambon, M., Kammeraad, W. G., van Harreveld, F., Dalege, J., Elberse, J. E., & van der Maas, H. L. (2022). Understanding change in COVID-19 vaccination intention with network analysis of longitudinal data from Dutch adults. npj Vaccines, 7, Article 114. https://doi.org/10.1038/s41541-022-00533-6 58/67
59. 文献 Epskamp, S. (2020). Psychometric network models from time-series and panel data. Psychometrika, 85(1), 206–231. https://doi.org/10.1007/s11336-020-09697-3 Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 50(1), 195–212. https://doi.org/10.3758/s13428-017-0862-1 Epskamp, S., Waldorp, L. J., Mõttus, R., & Borsboom, D. (2018). The Gaussian graphical model in cross-sectional and time-series data. Multivariate Behavioral Research, 53(4), 453–480. https://doi.org/10.1080/00273171.2018.1454823 Ernst, A. F., & Haslbeck, J. M. (2025). Modeling qualitative between-person heterogeneity in time series using latent class vector autoregressive models. Behavior Research Methods, 58(1), Article 28. https://doi.org/10.3758/s13428-025-02909-7 59/67
60. 文献 Ernst, A. F., Timmerman, M. E., Ji, F., Jeronimus, B. F., & Albers, C. J. (2024). Mixture multilevel vector-autoregressive modeling. Psychological Methods, 29(1), 137–154. https://doi.org/10.1037/met0000551 Freichel, R., Isvoranu, A., Gates, K., Ebrahimi, O. V., Ruppin, S., Hamlett, G. E., … Epskamp, S. (2024, August 20). Preregistration guidelines for longitudinal network analyses. Retrieved from https://doi.org/10.31234/osf.io/zbjd9 Fried, E. I., Papanikolaou, F., & Epskamp, S. (2022). Mental health and social contact during the COVID-19 pandemic: An ecological momentary assessment study. Clinical Psychological Science, 10(2), 340–354. https://doi.org/10.1177/21677026211017839 60/67
61. 文献 Gates, K. M., & Molenaar, P. C. (2012). Group search algorithm recovers effective connectivity maps for individuals in homogeneous and heterogeneous samples. NeuroImage, 63(1), 310–319. https://doi.org/10.1016/j.neuroimage.2012.06.026 Hamaker, E. L., & Grasman, R. P. P. P. (2012). Regime switching state-space models applied to psychological processes: Handling missing data and making inferences. Psychometrika, 77(2), 400–422. https://doi.org/10.1007/s11336-012-9254-8 Haslbeck, J. M. B., Bringmann, L. F., & Waldorp, L. J. (2021). A tutorial on estimating time-varying vector autoregressive models. Multivariate Behavioral Research, 56(1), 120–149. https://doi.org/10.1080/00273171.2020.1743630 61/67
62. 文献 Hoekstra, R. H. A., Epskamp, S., Nierenberg, A. A., Borsboom, D., & McNally, R. J. (2024). Testing similarity in longitudinal networks: The individual network invariance test. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000638 Isvoranu, A.-M., Epskamp, S., Waldorp, L., & Borsboom, D. (Eds.). (2022). Network psychometrics with R: A guide for behavioral and social scientists. Routledge. (イスヴォラヌ, A.-M.・エプスカンプ, S. C.・ウォルドープ, L.・ボースブーム, D. (編著) 樫原 潤・小杉 考司 (監訳) (2024). 心理ネットワークアプローチ入 門――行動科学者と社会科学者のためのガイド―― 勁草書房) 62/67
63. 文献 Jordan, D. G., Winer, E. S., & Salem, T. (2020). The current status of temporal network analysis for clinical science: Considerations as the paradigm shifts? Journal of Clinical Psychology, 76(9), 1591–1612. https://doi.org/10.1002/jclp.22957 Kankaanpää, R., de Ron, J., Hoekstra, R. H., & van Bork, R. (2026). Comparing multiple-indicator approaches to account for measurement error in dynamic networks. Cognitive Therapy and Research, 50, 706–726. https://doi.org/10.1007/s10608-026-10719-0 樫原 潤 (2021). 理論構築の観点から紐解く心理ネットワークアプローチの活用上 の留意点――松本論文へのリプライ―― 心理学評論, 64(2), 204–223. https://doi.org/10.24602/sjpr.64.2_204 63/67
64. 文献 Kashihara, J., Kunisato, Y., Sugawara, D., & Ito, M. (2025, September 10). Network analysis on the efficacy of the unified protocol for transdiagnostic cognitive behavioral therapy of emotional disorders. Retrieved from https://doi.org/10.31234/osf.io/s45dt_v1 Kroeze, R., Van der Veen, D. C., Servaas, M. N., Bastiaansen, J. A., Oude Voshaar, R. C., Borsboom, D., Ruhé, H. G., Schoevers, R. A., & Rieser, H. (2017). Personalized feedback on symptom dynamics of psychopathology: A proof-of-principle study. Journal for Person-Oriented Research, 3(1), 1-10. https://doi.org/10.17505/jpor.2017.01 Mansueto, A. C., Wiers, R. W., van Weert, J. C. M., Schouten, B. C., & Epskamp, S. (2023). Investigating the feasibility of idiographic network models. Psychological Methods, 28(5), 1052–1068. https://doi.org/10.1037/met0000466 64/67
65. 文献 大水 拓海・国里 愛彦 (2025). 単一事例研究への心理ネットワーク分析の適用―― graphicalVAR を用いたチュートリアル―― 専修人間科学論集 心理学篇, 15(1), 45–56. https://doi.org/10.34360/0002001214 Park, J. J., Chow, S. M., Epskamp, S., & Molenaar, P. C. (2024). Subgrouping with chain graphical VAR models. Multivariate Behavioral Research, 59(3), 543–565. https://doi.org/10.1080/00273171.2023.2289058 Shimotsukasa, T., & Mieda, T. (2026). Understanding individual personality structures through idiographic factor analysis and network models. Japanese Psychological Research, 68(1), 117–130. https://doi.org/10.1111/jpr.12604 Siepe, B. S., Haslbeck, J. M., Kloft, M., Büchner, A., Zhang, Y., Fried, E. I., & Heck, D. W. (2026). Introducing openESM: A database of openly available experience sampling datasets. Behavior Research Methods, 58, Article 240. https://doi.org/10.3758/s13428-026-03112-y 65/67
66. 文献 Wang, F., Wu, Y., Wu, Y., & Zhu, T. (2026). Simulation intervention for crosssectional network models: Based on the R packages NodeIdentifyR and NIRApost. Advances in Methods and Practices in Psychological Science, 9(3), Article 25152459261452944. https://doi.org/10.1177/25152459261452944 Wysocki, A., McCarthy, I., van Bork, R., & Cramer, A.O.J. (2025). Cross-lagged panel networks. advances.in/psychology, 2, Article e739621. https://doi.org/10.56296/aip00037 Xiao, Y., Liu, H., & Zhang, Z. (2026). Three-level vector autoregressive models. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000848 66/67
67. Enjoy the Psychological Network Approach! ※本発表は，科研費課題 (25K00009) の一環で行われました。 ※本発表について，開示すべき利益相反関連事項はありません。 67/67