情绪调节与抑郁症状的社会情绪动力学:一种个人特定网络方法

摘要

从事日常生活的社会间谍过程可能会为影响心理健康的方式提供和/或限制个人的情感调节。来自经验的研究结果表明，持续性情绪（情感惯性），个人负面情绪（情绪网络密度）的关系，以及负面/侵略性人际关系交易的周期与心理健康有关。Using multiple bursts of intensive experience sampling data obtained from 150 persons over one year, person-specific analysis, and impulse response analysis, this study quantifies the complex and interconnected socioemotional processes that surround individuals’ daily social interactions and on-going regulation of negative emotion in terms of recovery time. We also examine how this measure of regulatory inefficiency is related to interindividual differences and intraindividual change in level of depressive symptoms. Individuals with longer recovery times had higher overall level of depressive symptoms. Also, during periods where recovery time of sadness was longer than usual, individuals’ depressive symptoms were also higher than usual, particularly among individuals who experienced higher overall level of stressful life events. The findings and analysis highlight the utility of a person-specific network approach to study emotion regulation, how regulatory processes change over time, and potentially how planned changes in the configuration of individuals’ systems may contribute to psychological health.

1.介绍

寿命发展理论将人视为复杂的动态系统，其情感、思想和行为相互关联并随时间而变化。个体发展是众多动态过程的产物，这些过程跨越多个分析层次、多个功能领域和多个时间尺度[1- - - - - -3.］．在他们的核心，大多数发展理论认为个人的发展是一个复杂的动态系统的输出，随着个人在生命阶段之间的过渡和受到生命事件的影响，这个系统重新组织和改变。

与发展理论的基本原则一致，概念性工作和实证研究阐述了个人正在进行的社会情绪过程是一个动态系统，其中情绪和社会行为相互作用，产生或影响心理健康和发展[4- - - - - -6］．情绪促进社会行为[7，以及社会互动调节情绪(8，而这些系统动态与一般的心理健康和抑郁症有关[9- - - - - -11.］．更具体地说，围绕情绪和社会行为网络内嵌套在互连网络中的循环造成结构可能会以影响心理健康的方式提供和/或限制个人的情感调节。本文提出了新的实证工作，审查了个人日常情绪和社会经验的动态与抑郁症状的间面差异和闭合性变化有关。通过利用密集的体验采样数据和新的基于时间序列的网络方法，我们研究社会间谍监管过程的低效率如何与抑郁症状的个人经验相关联。

1.1。情绪调节，抑郁和反馈循环

大量的证据表明，对负面情绪的低效率管理会使个人面临抑郁的风险，这也是抑郁症的一个标志。12.］．与将持续的负面情绪作为抑郁症的核心症状的认定一致[13.[多个体验抽样研究说明了情绪惯性，从时刻到时刻的瞬间的程度，负面情绪（即，人类在内部自相关）与抑郁和心理不变性相关[14.，15.］．在这些研究中扩展，研究人员已经开始同时检查多种情绪的时间动态。利用基于时间序列的网络方法的概念和方法论优势[16.)及同事[17.例如，审查了11个负面和积极情绪之间关系的结构如何与心理健康有关。他们发现，与控制相比，情绪抑郁症的个体具有更强烈的时间关系，情绪网络的更大密度，尤其是负面情绪网络的密度，与控制相比（另见[18.]). 解释的重点是网络密度如何指示情绪系统对变化的抵抗力以及相互强化的负面情绪螺旋的存在。其基本思想是，密集的网络很可能包含反馈回路，在这种回路中，负面情绪的任何干扰都会产生回响并持续，这是一种低效的情绪调节形式[19.］．相反，稀疏网络不太可能包含反馈循环，因此任何新引入的负面情绪在影响网络的其他部分之前就会消散，这是一种有效的情绪调节形式。

在这项工作的基础上，我们进一步扩展了相关的变量网络，包括情绪和社会经验方面。理论模型和经验发现已经强调了各种各样的人际机制，它们可能会导致情绪调节不良和抑郁风险[20.，21.］．例如，过度寻求保证[22.，来自朋友的负面评价[23.]，无论社交背景如何，都过度披露[6所有人都与抑郁症有关。这种行为往往征求来自社会伙伴的负面反应，包括霸道的行为、轻视或拒绝[22.，24.- - - - - -27.当一个人对亲密关系有强烈的情绪反应时，可以循环回产生更多的负面情绪[28.］．事实上，经验抽样研究表明，社会交往中不那么热情、更顺从的行为往往伴随着更多的负面情绪[29.，30.］．特别是有问题的情绪和社会体验的配置，包括反馈循环，使负面情绪的体验持续下去，例如，当负面情绪导致不适应的社会行为和人际互动导致负面情绪(例如，负面/攻击性人际交易的循环[31.，32.])。总之，日常生活的研究表明人际关系和情感体验之间存在联系，具体类型的动力，即反馈循环，可能与个人的抑郁症状体验有关。

为了更直接地说明反馈回路如何有助于调节，图中显示了基于网络的两个假设个体的社会情绪动态模型1．在个体A的网络中(图1(一)），较高的悲伤导致幸福较低（悲伤影响随后的幸福的时间关系），较低的幸福导致社会参与降低（幸福影响随后在+0.6的社区行为的时间关系中，较低的社会参与悲伤更高（共同行为影响后续悲伤的时间关系在-0.6）。这种循环结构的整体效果是阳性的，如三个时间关系的乘法所示（-0.60．6(-0.6) = 0.216)。因此，这三种暂时的关系共同形成了一个积极的反馈循环，一个维持悲伤变化的结构。相反，在个体B的网络中(图1 (b))，存在一个负反馈循环，因为社交参与与悲伤呈正相关。这种循环结构的总体影响为负（-0.6）0．60.6 = -0.216);因此，这三种时间关系共同形成了一个负反馈循环。在这里，关系的结构有助于调节悲伤。反馈回路的影响可以用数学方法来检验脉冲响应分析（[33.];方法部分中引入的详细信息)。如伴随悲伤的时间剖面所示，个体A从悲伤的增加中恢复(悲伤= 1.0在t= 1)t= 18(图1 (c)）.相反，B个体从悲伤的增加中恢复过来(悲伤= 1.0)t= 1)t= 15(图1 (d)）.这一对比表明，正反馈循环将悲伤的恢复时间延长了约20%，这是一个低效的情绪调节过程。

1.2。体验采样，特定于特定的网络和恢复时间

在低维系统中或通过可控系统的实验操作来确定反馈回路是相对简单的[34.］．然而，当系统变得更大(更多变量)和更复杂(更现实)时，潜在的复杂性就会增加。高维、多元人类系统的研究可以通过(a)收集密集的经验采样(时间序列)数据和(b)从经验时间序列中识别网络结构的方法组合来促进，(c)表征网络的性能(例如，(d)通过回归模型描述系统的个体间和个体内差异。

1.2.1。密集的经验取样

移动计算的技术进步提供了一种基础设施，这种基础设施提供了前所未有的机会，以获得将个体作为高维、多元动态系统进行研究所需的时间密集和全面的经验取样[35.］．在这些研究中，个人在日常生活中提供了许多关于他们的情绪和人际行为的报告，这些研究开始获得识别和建模涉及情绪调节的复杂反馈循环所需的多变量时间序列数据类型。多时间尺度或“测量突发”研究设计，其中数据收集在微观和宏观时间尺度(小时和月;［36.，37.)提供了新的机会来观察控制短期行为(例如，社会情感动态)的每时每刻过程如何在长期中演变。

1.2.2。将社会情绪过程建模为个人特定网络

经验抽样研究所收集的时间序列数据，有助使用网络方法研究人与人之间的过程[16.，19.］．在这些模型中，时间序列数据中的变量之间的时间关系由特定于人格的多变量时间序列方法估计，并将其描绘为节点之间的路径网络[38.］．例如图中所示的密集体验抽样数据2（a） 用于推导关系网络，如图所示2(b).每个情感和社会行为变量用网络中的一个节点(标记为圆圈)表示，每对变量之间的统计关系用边(箭头)表示。变量对其他变量的影响用方向路径表示，指明一个变量的变化如何随后影响其他变量。边的方向性表示因果关系(例如，快乐指向愤怒的边表示快乐的变化可能导致愤怒的变化)。关系的符号、强度和时间滞后分别由颜色(绿=正，红=负)、线宽(宽=强)和线类型(虚线= lag-1，实线=同时代)表示。共13个节点和连接边在网络中如图所示2(b)提供一个模型，说明在他们提供数据的21天期间，这个特定个体的社会情感系统是如何运作的。

1.2.3。恢复时间作为个人情感调节的描述

如图所示的特定于人的网络2(b)明显比图中所示的网络更大和更复杂1．虽然网络确实提供了更好地覆盖了社会间谍空间（13与3个变量），但嵌入式反馈环的识别和解释基本上更困难。通常，使用诸如网络密度和节点中心等概要测量来量化较大网络的结构（参见[39.]). 然而，由于这些指标通常涉及对边的绝对值求和，因此它们不区分正（兴奋性）或负（抑制性）反馈回路，即具有相反调节功能的回路（注意，图中的网络1两者都有密度= 2.4）。可以使用更多的直接量化网络结构的情绪调节影响脉冲响应分析［33.]. 一个“脉冲”被赋予一个特定的节点，通过多个时间步长的模拟观察系统的行为[40- - - - - -42］．例如，在Figure中2(c)，我们看到网络的行为如图所示2(b)在一个脉冲被传递到悲伤节点之后。脉冲滤波器通过连接节点(由于时间关系)，然后返回平衡。的恢复时间取决于网络内正回路和/或负回路的存在和配置（参见，例如[43- - - - - -45]），积极反馈回路延伸恢复时间和负反馈回路缩短恢复时间。这种仿真方法提供了衡量个人情感监管效率的新机会。

1.3。本研究：恢复时间和抑郁症状之间的关联

在本研究中，我们使用从150人一年多的密集经验抽样数据中获得的多次“突发”，个人特定的网络分析，以及脉冲响应分析方法来推导一个新的网络度量，恢复时间，以量化情绪调节效率，并强调对围绕日常社会互动和情绪调节的复杂和相互关联的社会情绪过程的考虑。然后我们检查悲伤的恢复时间是如何与个体间差异和个体内的变化在抑郁症状的经验。我们假设神经网络调节悲伤的效率与抑郁症状的程度有关，因为持续的悲伤是抑郁症的显著特征[13.］．具体来说，我们预计恢复时间较长的个体将经历更多的抑郁症状(人与人之间的关联)。在爆发时，恢复时间比平时长，典型的人也会经历比平时更多的抑郁症状(人内关联)。

承认情绪调节与人际行为有关并受其影响(见[6)，我们在个人特定的网络中包含尽可能多的变量。在日常生活中正常社会互动的背景下获得的可用数据包括一些负面情绪(悲伤、愤怒和羞愧)，一些积极情绪(快乐、骄傲)，人际行为和感知(交流、代理)，对自我和他人的益处的感知，对控制的感知，和自尊。我们并没有详细说明每个变量是如何对悲伤的调节起作用的，而是明确地采取一个整体的观点，利用所有这些变量之间的时间关系来推导个人对悲伤的调节是如何与抑郁症状的体验相关的。鉴于抑郁症状的变化也可能与个人的即时生活环境有关[46- - - - - -48，我们控制了压力生活事件的差异。

2.方法

我们的分析使用了来自情感、健康和人际行为的个体内研究(iSAHIB)的数据，这是一个多时间尺度的经验抽样研究，旨在阐明和研究面向过程的理论和方法[49］．辅助材料中有分析教程（可用）在这里)，以及athttps://quantdev.ssri.psu.edu/tutorials.．

2.1. 参与者

iSAHIB的样本包括150名成年人(50%是女性)，他们是从宾夕法尼亚州立大学和周围社区招募的，并按性别和年龄分层，覆盖整个成人寿命。参与者的年龄从18岁到89岁不等(米_年龄= 47.10, SD_年龄= 18.76)，且受过2至24年正规教育(米_建造= 16.36,SD._建造= 3.90)， 91%的人自认为是白种人(4%非洲裔美国人，1%亚裔美国人，4%混合或其他种族)。大多数人认为自己是异性恋(93%)，6%认为自己是双性恋/男/女同性恋。在参与者被招募后，被告知评估的密集性质，并自我选择进入研究，他们开始了评估方案。在一年的时间里，他们通过基于网络(在访问实验室期间完成)和基于智能手机(在日常生活中每天完成多次)的问卷调查，提供了关于他们生活的大量报告。

虽然参与者从一般社区中得出，但它们展现了一系列的不适应。使用人格评估库存 - 边界特征规模测量边界人格障碍症状[50]，一个24件李克特级问卷调查问卷，物品在1到4李克特量表上测量。促使参与者在4个维度上“给自己自己的看法”，包括情感不稳定，身份问题，消极关系和自我危害。将项目响应总结为获得障碍严重程度的复合措施，其范围为27至72（米_PAIBFS= 44.6，SD._PAIBFS= 10.0)。虐儿及创伤量表记录虐儿及创伤经历[51]，一份有14个项目的问卷，其中的项目采用1至5李克特量表进行测量。参与者被鼓励“从一个或多个对你的成长负有主要责任的人的角度来回答问题”，包括身体虐待、语言虐待、性虐待和情感虐待。项目回答被总结，以获得儿童虐待和创伤严重程度的综合衡量标准，范围从14到59 (米_猫= 23.3，SD._猫= 9.3)。人际关系问题采用人际关系问题量表[52]是一份包含32个项目的问卷，其中的项目采用0到4李克特量表进行测量。参与者被要求从8个维度对自己进行评价，包括专横、报复心强、冷漠、回避社交、不武断、可利用性强、过度教养和侵入性强。项目的回答被总结，以获得人际关系问题严重程度的综合衡量指标，范围从6到73 (米_ipc= 33.6,SD._ipc= 15.7）。

2.2. 经验抽样程序

参与者在一年内完成了三次为期21天的“测量爆发”，间隔大约是均匀的。在每21天的突发事件中，参与者使用研究提供的智能手机和定制的应用程序，提供持续时间超过5分钟的面对面社交互动的突发事件报告。每个互动级别的报告都描述了互动发生的时间和地点，与谁进行了互动，他们和他们的伙伴如何行为，以及之后他们的感受。为了便于遵守，如果参与者在上午8点到晚上8点的任何两个小时内没有提供报告，智能手机就会发出提示。数据流是实时监控的，这一过程使研究人员能够定期“签到”电话，支持、激励和帮助参与者(如解决技术问题)提供高质量的数据。在整个研究期间，参与者提供了多变量时间序列，平均427.4个观察(SD._T在422测量突发时段（由于一些样本磨损，可能的450）期间= 145.7，范围= 88至869）。在每个突发的开始和结束时，个人访问了实验室，接受了培训或汇报，拾取或删除的智能手机，并完成了人口，健康，人格和其他调查问卷。参与者赔偿500美元以完成整个协议。

２.３.措施

目前的分析使用了经验抽样协议中所有可用的情感和人际变量，以推导出高维的个体网络表征，多变量动态系统，并将网络功能的特定方面(悲伤冲动后的恢复时间)与个体的抑郁症状和生活事件经验的爆发级数据联系起来。

2.3.1。情绪与人际行为

在每次社交互动(事件随机抽样)后，参与者会被提示使用“接触点连续体”(例如，允许左锚之间连续范围的滑块式界面)对一系列项目作出反应“不”和右锚“非常”）在0到100级（参与者不可见的数字）上数字编码。在每个社会互动之后，个人报告了五种情绪。个人的羞愧使用该项目测量，“你现在有多么担心？”（“一点也不……非常喜欢“）。在所有社交互动中，个人评定了很低的水平羞愧（米= 6.45,SD.= 9.42)。个人的愤怒用一个项目测量，“你现在有多愤怒？”（米= 8.19,SD.= 12.85)。个人的悲伤用“你现在感觉SAD有多严重?””(米= 10.63,SD.= 15.51)。个人的幸福是用“你现在感觉有多快乐?””(米= 63.82,SD.= 22.00）。个人的骄傲使用该项目测量，“你现在感到骄傲吗？”（米= 54.14,SD.= 27.23).

个人也报告了各种人际和内部因素。社会伙伴的人际交流与代理[53通过要求参与者“评价对方的行为”，以及两个以“遥远的……友好的”和“顺从的……支配的”为终点的滑块来测量圣餐 - 其他（米= 80.44,SD.= 15.96)和代理 - 其他（米= 56.79,SD.分别为= 18.20)。平行测量参与者自己的人际行为，communion-self（米= 82.09,SD.=14.78）及代理自我（米= 55.08,SD.= 17.23)，会出现“评价你的行为”这一项，以及同样的两个滑块。个人目前对自我利益的印象(benefit-self)以“这种互动对你有多有用?””(“非常昂贵．..非常有益”;米= 64.11，SD.= 20.46)。与此同时，个人对刚刚交往的人的当前印象是有益的(有利于其他）由物品衡量，“对另一个人的互动有多有用？”（米= 65.51，SD.= 19.13)。个人的感知控制使用该项目测量，“我正在控制现在发生在我身上的事情。”（“一点也不......非常”;米= 70.81，SD.= 21.67），和自尊“我现在有很高的自尊心。”(米= 67.09,SD.= 23.77).

为了说明这一点，图中显示了来自一次突发事件的一个个体的多元13维时间序列数据2(a)可以看出，在整个研究过程中，每个变量的值在不同的交互作用中波动，有些变化幅度较大，有些变化是同步的(例如，愤怒和羞愧，互相关= 0.34)，一些朝相反方向移动(例如，愤怒和幸福，互相关= -0.22)和一些相互关系极小的(例如，代理 - 其他和代理自我，互相关= -0.001)。值得注意的是这个时间序列的长度(T> 150)、个体内变异性的程度、序列的“平稳性”(即随时间波动而不是上下浮动)以及变量对之间的同步水平。

2.3.2。抑郁症状和生活事件

在三次爆发之前，个人最近的抑郁症状使用20项流行病学研究抑郁症（CESD; [48])。参与者被提示说，“你在过去的一周中有过这种感觉吗?”接着是一系列的症状(例如，没胃口、睡不好、感到孤独、开心)。每一项都需要在4个复选框中的1个中注明很少或不经常(少于1天)、偶尔或很少(1-2天)、偶尔或适量(3-4天)、大部分或全部(5-7天)”。对0至3级的项目反应进行总结，以获得每次发作的抑郁症状严重程度的综合测量(米= 10.00,SD.= 8.25）。CESD评分为16是临床抑郁筛网的推荐切断[54］．在目前的样本中，参与者评分的数量≥16是爆发1，57名参与者的67名参与者，爆发2，47名参与者在突发3中。在一般社区（与临床）样本的背景下，我们选择运营化抑郁症维度（抑郁症状水平）而不是小型（抑郁症存在/缺席）。由于精神障碍的分类模型的局限性，临床心理学和精神病学正朝着精神病理学的尺寸模型进行55］．在临床研究中经常使用抑郁症状的维度测量，包括使用CESD的研究(例如，[56)，以及研究情绪网络和抑郁症状之间的联系(例如，[18.])。尺寸模型的抑郁症是比分类的更好的预测因子[57是更广泛的内在化症状的一部分[58］．

鉴于抑郁症状的突发性变化可能与个人的即时生活环境有关[46- - - - - -48，我们控制了最近生活事件的差异。采用自拟的12个条目，探讨个体近期生活经历生活事件鳞片[59，60］．参与者被提示，“自从我们最后一次见到你，[或第一次拜访时，“在过去的6个月里，”]，你在以下方面经历了变化吗?如果有，它对你有多大影响?其次是生活中的重大事件(例如，关系状态的变化、失去爱人、住院治疗)。每一项都要求参与者在5个标有“没有经历，不受影响，一点点，有点，很多”。以0至4为等级编码的回答被总结，以获得最近生活事件对每个人在每次突发事件中的影响的综合测量(米= 6.18，SD.= 6.08)。

２.４.数据准备与分析

数据分析中有三个阶段。在第一阶段，USEM [61]被用来构建特定于个人的网络，描述每个人的13维多元时间序列数据在每次突发(422个网络)下的配置和时间关系。在第二阶段，使用脉冲响应分析对这些网络的行为进行量化[33.]为了获得悲伤的网络特定恢复时间，衡量情绪调节。在第三阶段，我们使用了多级模型来检查恢复时间如何与抑郁症状的间差异和闭合性变化有关，控制差异和生活事件的变化。

2.4.1。数据准备

分析前，对数据进行适用性检查。应用uSEM的一般指导原则是，多元时间序列数据可以被视为弱平稳(具有随时间而恒定的均值和方差-协方差结构;有关预处理的详情，请参阅[7])。目视检查每个人的资料及测试多项式趋势(见[62)表明数据是相当稳定的(一个范例参与者的时间序列如图所示2(a))。将分析集中在个人内部调节动力学，每个人每次突发事件的13个变量时间序列被标准化为一个z指标(米= 0,SD.= 1），从而有效地去除级别和方差的突发到突发和人级差异（参见，例如，[63])。

2.4.2。建设网络

然后使用统一的结构方程模型(uSEM， [61])。简言之，多元观测时间序列被建模为潜在变量序列的输出 ， 在哪里是因素载荷矩阵和残差时间序列的方差-协方差结构是否由矩阵给出 ，假设这是对角线。的一组潜在构念之间的时间关系(图中的圆圈2(b)的模型为 在哪里 是多元潜在时间序列的滞后1版本的向量；是描述潜在变量之间同期关系的回归参数矩阵(图中实箭头2（b）），是一个描述潜在变量(图中虚线箭头)之间的滞后-1关系(自回归和交叉回归)的回归参数矩阵2（乐队是多变量的“震动”或输入时间序列。同时关系在一起和自动和交叉回归关系指出变量之间的因果影响，通过外生输入被处理和扩散(即，动态调节)。在实际层面，使用迭代搜索过程对uSEM模型进行估计，其中构建了一系列模型并对其进行了改进。每一步采用拉格朗日乘数检验(修正指标;(Sörbom, 1989)用于选择适合度最大改善的路径。然后释放该元素，重新估计模型，并计算一组新的修正指数，迭代地添加路径，直到进一步添加不能显著改善模型拟合。模型的展开受到限制，只有和释放模型参数矩阵的块，从而保持模型的时间序列结构完好无损。通过在初始模型中包括所有潜在的自回归关系，并通过在任何给定的元素时认为相反的路径来避免了同期关系中的双向路径被释放。在经验抽样研究设计被用来收集多变量，密集的纵向数据，项目池经常被优化，以最小化参与者负担。在每个潜在构形仅由一项测量的情况下，因素负荷矩阵被配置成单位矩阵 ，以及 ，方差 - 协方差矩阵 ，和是固定的= 0。

采用组迭代多模型估计包(GIMME;［64])。适应主要是为了确保模型拟合程序将产生可解释的结果，包括允许在两个变量之间拟合的同时关系的不超过一个方向，并将自动增加设置在配件过程中的初始迭代中释放。一旦获得了每个突发的人特定模型，和矩阵被提取并使用qgraph包绘制成网络图[65］．从概念上讲，生成的网络描述了行为是如何在微观时间尺度上组织和进行的。一个示例网络如图所示2（b），在哪里，for example, sadness was predictive of lower other’s communal behavior at the next observation, and other’s communal behavior was also predicting of lower sadness at the next observation (red dashed line from other’s communion to sadness and the opposite direction in Figure2(b))。这两条边在悲伤和他人交流之间形成了一个积极的反馈回路。

2.4.3。脉冲响应分析和恢复时间

422个网络中的每一个（150人x 3爆发，减去一些磨损）就相比概述了恢复时间悲伤，量化为在一个假设的扰动后，悲伤水平恢复到接近平衡的时间步数(例如，在渐近线的0.01以内)。形式上，脉冲响应仿真模型是通过将uSEM转换为矢量自回归模型并提前一步进行预测(见3.）;［33.，61，66])。

在我们的例子中，系统通过向悲伤节点发送初始冲动而启动(悲伤= 1.0)t= 1）计算系统如何发展超过150个时间步长（保证所有节点的足够长度返回均衡）。从图中网络的脉冲响应分析获得的时间曲线2（b）如图所示2(c)。恢复时间，定义为在平衡的±0.01范围内返回的时间，然后通过向后搜索来适应时间分布中的振荡得到。具体来说,我们搜索落后的从时间剖面的末端，确定时间步长，记为k，特定变量的级别是第一个±0.01界限外。将悲伤节点的恢复时间量化为k，从扰动到均衡的时间次数。横跨突发的差异如图所示3.．这个人的悲伤恢复时间在突发时改变了，开始了k₁= 3在第一突发中，增加到一个k₂在返回之前，在第二次爆发中= 8k_3.= 2.由于恢复时间的分布是歪斜的（不能低于零），所以在第三阶段使用之前，得分在分析中使用。

2.4.4。恢复时间和抑郁症状之间的关联

因为均衡代表的是悲伤的平均值，而正常的悲伤水平相当低(米= 10.63,SD.= 15.51），均衡中的悲伤中断最有可能导致悲伤程度增加，这是非常主观的。因此，围绕悲伤的阳性反馈回路，其维持这种破坏也是不希望的。这报了我们的假设，即在个人社会间谍网络中嵌入的悲伤的情感规则效率低于（个人差异）和增加（Intrinand Indiverial的变化）抑郁症状(ICC = 0.65，偏度= 1.25)，控制为生活事件．利用和容纳多爆纵向数据的嵌套性质（在150人内嵌套422次爆发），在多级建模框架内检验假设[67］．在常规实践之后，预测变量被分成了时间不变（人级手段;OverallLifeEvents_我，总共recoverytime_我)和时变的(爆发间的偏差，BurstLifeEvents_ib,BurstRecoveryTime_ib)组件。扩展的变量集之间的关系，然后使用形式的2级模型检验 个人抑郁症状的重复测量我在爆发b， ，被建模为针对特定人群的拦截函数， ，表明抑郁症状的基线水平;特定于人物的系数，和 ，表明了抑郁症状与特定的日志、恢复时间或生活事件之间的人际关联程度;系数, ，它捕捉到了生活事件是如何缓和人与人之间的联系的，在特定的爆发日志，恢复时间和抑郁症状之间。个人特定系数同时被建模为个人水平预测因子的函数 在哪里来是样本级参数和来被假定为多元正态方差的人与人之间的差异是否存在无法解释的残留 ， ，和和协方差 ， ，和 ．该模型使用R[中的nlme包来拟合数据。68]，将不完整数据(0.2%)随机视为缺失。人员水平预测因子以样本为中心，以促进对模型参数的解释，作为代表对原型人的影响(如上述平均人口统计数据所述)。所有可能的交互都进行了测试，但是，为了在最终模型的呈现中保持精简，迭代地修剪以删除那些不重要的(α= 0.05)，与假设不直接相关(始终保留成分主效应和低阶相互作用)。此外，还测试了各种随机效应结构，不同的配置对固定效应参数或解释的影响很小(即显著效应没有变化)。为了节省开支，我们只提出和解释包含随机效应的最终模型u_0i.和u_2我．

结果

3.1。社会间谍网络和恢复时间

个人特定的社会情感网络来自于使用uSEM在每21天测量爆发期间从每个人获得的13变量时间序列。在总共422个网络模型中，有411个模型很好地拟合了数据，这可以从以下至少三个拟合标准中看出:RMSEAs0.08, SRMRs0.08, cfi0.95, NNFI0.95(见Beltz et al.， 2013)。来自时间序列相对较短的11次爆发的模型(T= 31 to 62, compared toT_平均数= 145.7)不适合，被放在一边。提取变量之间的滞后和同期关系，并在脉冲响应分析中使用，以计算个人和爆发特定的悲伤恢复时间。恢复时间，被解释为衡量情绪调节效率的一项指标，范围从1到57 (米_伤心。RT= 4.63,SD._伤心。RT= 5.32).

3.2。恢复时间和抑郁症状之间的关联

结果从多水平模型检验之间的人和人内关联的日志恢复时间悲伤和抑郁症状程度见表1．在一次突发事件中，典型个体的抑郁症状水平为9.84 (= 9.84,p<0.001）在0到60级。正如预期的那样，日志恢复时间的人之间的差异与抑郁症状水平的差异有关，如图所示4(一)，较长的恢复时间与较高程度的抑郁症状有关(γ_01.= 2.29,p= 0.031)，即使在控制了压力生活事件(γ_02.= 0.70,p< 0.001)。人与人之间的联系也很重要。当悲伤的恢复时间比平时长时，典型的人有更高程度的抑郁症状(γ_10.= 1.26,p= 0.013)。然而，个人对生活事件的总体暴露程度(γ_12.= 0.32,p= 0.005）。如图所示4 (b)，对于高(+1SD.；蓝线）暴露于生活事件，在悲伤的恢复时间内的变化与抑郁症状有关（暗示的人体协会β_1I.= 2.80, 95% CI = [0.22, 5.01])SD.；红线)生活事件暴露，人体内悲伤恢复时间的变化与抑郁症状无关(暗示人体内相关)β_1I.=-0.28,95%CI=[-2.86,2.05]）。使用Johnson-Neyman方法进行事后探测([69];在R中使用probemod包实现;［70])表明当（以样本为中心的）总体生活事件水平大于2.49时，恢复时间和抑郁症状之间存在显著的人内联系。

后性病分析控制年龄，性别和教育（多年）发现了同样的结果模式。Log Recovery Time和抑郁症状之间的人内关联是重要的（γ_10.= 1.35,p= 0.009)，而人与人之间的相关性则略微显著(γ_01.= 1.96,p= 0.065)。此外，一个独立的事后分析控制的分数的边缘特征，儿童虐待和创伤，和人际问题的复杂性量表。Log Recovery Time和抑郁症状之间的人内关联是重要的（γ_10.= 1.16，p=0.02），虽然人与人之间的关联变得不显著，但关联的方向保持不变(γ_01.= 0.93,p= 0.30).

悲伤的自回归当然对悲伤的恢复时间有重要作用。因此，为了检查结果是否仅仅由单个变量驱动，而不是嵌入在更大网络中的反馈回路，我们重新进行了脉冲响应分析，将悲伤的自回归设置为零，并再次计算恢复时间。该日志中人与人之间的恢复时间差异不再与抑郁症状相关(γ_01.= 1.14,p= 0.31)，但人与人之间的相关性仍然很强。在日志恢复时间较长的突发事件中，抑郁症状较高(γ_10.= 1.22,p= 0.01)，突出了除了悲伤的自回归(情绪惯性)外，时间关系的影响。

4.讨论

本文从人的内在、过程导向和网络的角度考察了情绪调节。通过多次密集经验的“爆发”获得的数据，一年多的抽样数据被用来构建个人特定的网络，描述围绕着个人日常社会互动和持续的负面情绪管理的复杂和相互关联的社会情绪过程。采用脉冲响应分析方法对个体调节效率进行描述和量化恢复时间，并使用多水平模型来检验恢复时间如何与抑郁症状体验的人与人之间的差异和人与人之间的变化相关。

从基本原则出发，个体被视为具有广泛情绪和人际行为的整体互动动态系统，这些情绪和行为影响着他们如何调节消极情绪。我们发现，个体特定网络的行为，特别是说明性负面情绪(悲伤)的恢复时间，与抑郁症状的人与人之间差异和人与人内部变化相关。与假设一致的是，即使在控制了最近的生活事件后，恢复时间越长的人抑郁症状的总体水平也越高。此外，当悲伤的恢复时间比平时长时，抑郁症状也比平时高，尤其是那些经历了更高水平生活事件的人。这些结果表明，调节效率低下和抑郁症状之间存在人与人之间和人与人之间的联系。

4．1.个体特异性网络、情绪调节和抑郁症状

与先前工作一致[17.，18.，71，我们发现日常生活中的情感体验彼此之间(如悲伤、快乐)和人际行为(交流、代理)之间存在暂时的联系。与之前使用多级建模方法的研究不同，个人特定分析方法允许任意两个节点之间的特殊时间关系，而不将其限制在样本水平的平均值。就像多水平模型允许2或3个变量之间的关系存在个体间差异一样，个人特定网络方法允许许多变量之间的关系结构存在异质性。事实上，在我们获得的411个网络中，没有一个是完全相同的。每个个体和每次突发提供了一个独特的时间关系配置，这为社会情感(网络)动态中的个体间差异和个体内部变化提供了检验。

作为个体功能的整体表征，我们评估了所有411种社会情绪网络配置，以评估这种配置在多大程度上促进了低唤醒负面情绪的调节，特别是悲伤的恢复时间。一般来说，调节过程，包括那些涉及情绪调节的过程，是为了使系统恢复平衡[15.］．在现有工作中，通过分析单变量时间序列数据来检查返回均衡的效率。具体而言，使用单一情绪的体验采样并被解释为情感失调的指标，量化自相关或宣传的程度，情感惯性的程度如何量化。14.，15.］．目前的研究和其他近期的工作[17.，通过明确承认日常生活的其他方面(如人际关系、控制、自尊)可以提供或限制情绪调节，扩展了对情绪惯性和调节的研究。

恢复时间较长的人之间发现个人悲伤整体水平较高的抑郁症状确定恢复时间的解释度量来衡量监管的效率和与以前的工作证明抑郁之间的关系(或其他心理障碍)消极情绪的低效调节和情绪惰性[12.，14.，15.］．这种解释进一步得到了亲身体验的支持。事实上，当悲伤的恢复时间比平时长时，抑郁症状也比平时高。这是一个新的发现，由一个多重爆发的研究设计促进，提供了一个更直接的测试，情绪(dys)调节和抑郁症状之间的人体内联系，这在以前的研究(单爆发或横断面研究)中是没有的。有趣的是，在控制了人口统计学变量和广泛的适应不良量表的人与人之间的差异后，悲伤恢复时间和抑郁症状之间的人内关联仍然很强大，这表明在未来的研究中，人内关联值得更多的考虑。

重要的是，通过整体生命事件水平，这一组织内部协会受到了众所周知的。调节效率（恢复时间较长的效率所示的联系（如恢复时间更长）和抑郁症状的联系在经历了多种影响力的生活事件的个人中特别强大，表明，当个人在胁迫下，人们的联系可能更容易观察，因为示例，在“测试 - 限制”上下文中（见[72])。为了说明，考虑心脏病的诊断。个体通常经受运动“应激试验”，其中观察其心血管反应性和调节，因为它们的身体被推动到它们的生理限制（例如，在跑步机上运行）。一般思想是产生能够更容易观察到功能障碍的情况。当个人在休息或进行日常生活时，心血管功能的差异并不明显。然而，在“胁迫”条件下，功能性差异变得清晰，并且可以被诊断并随后治疗。我们的调节结果表明，“压力测试”范式也可用于日常生活中情绪调节的研究。虽然可能需要监测个体的长持续时间，但是鉴定自然实验，其中个人的自适应能力被推动到其限制应该提供更多观察情绪调节差异的机会。

4.2. 脉冲响应分析和个人干预

调节结果也强调了在干预研究中使用脉冲响应分析的机会。本研究的结果表明，结合密集经验抽样数据、网络方法和脉冲响应分析，可以为个性化预防或干预的设计和部署提供信息[16.，73］．首先，根据网络中提供的信息，临床医生可以发现不良反馈回路并设计目标治疗计划。例如，考虑一个案例，在几周的监测之后，临床医生发现他们的患者的社会间谍网络包含反馈循环，其中悲伤导致远处，不友好的行为（低通信），这反过来导致更令人悲伤。这种配置意味着通过一些社交技能培训可能减轻了负面情绪的持久性，从而打破了悲伤和撤回之间的联系，争吵，社会行为。临床医生还可以通过使用脉冲响应分析来模拟不同的网络结构（电流与理想）导致不同的恢复时间来测试或展示特定治疗计划的可能影响。对于含有多个不适用反馈环路的患者网络，脉冲响应分析可用于比较不同治疗计划的潜在效率。当然，在治疗之前和治疗之前和之后收集的采样数据对于评估，如果实际上，则网络配置以促进功能和健康的方式而改变。

4．3．限制和前景

这项研究的结果必须解释在设计和实施方面的一些限制。首先，虽然按年龄和性别分层，但提供数据的人的样本有些同质。本研究以居住在大学城或大学城附近的便利样本为基础，由愿意参与密集体验抽样方案的个人组成。在推广到更大的群体之前，与其他群体接触是特别有用的。例如，临床人群、非常年长的人或最近经历过特定类型的生活事件(创伤)的个人，可能允许对受胁迫的网络结构和调控过程进行更详细的研究。由于我们的样本具有同质的人口统计学特征(例如，超过90%的白人、顺性别和异性恋)，并且在边缘化人群中存在抑郁率的差异，因此在更多样化和/或特殊人群中验证这些结果很重要。

这里使用的研究设计在一年中的三个21天期间集中跟踪人员，每次测量突发产生约150个观测值的多变量时间序列，该长度有助于构建13个变量网络。即便如此，现有的测量数据数量也不允许我们研究突发事件中个体特定网络结构的个体内变化。更密集的采样和/或更长的时间序列将提供将每个时间序列分割成多个窗口的可能性，并研究网络在较短时间尺度上的变化，或获得恢复时间估计可靠性的估计值（参见，例如[74])。这也是一个更深入地探测到特定节点对的关系的机会（例如，同步）和特定节点的特征（例如，恢复时间）。我们的希望是，作为新技术（例如，可穿戴传感器）开始提供更加密集型和更长的数据流，建模更细微的网络行为的细分改变的机会将扩大。

这里使用的数据来自一个多学科研究，围绕一组精选的实质性领域和抽样程序设计。认识到许多行为、想法和感觉都涉及到个体在日常生活中进行的情绪调节过程，我们使用13个连续值变量在经验抽样问卷中评估，构建了个人特定网络。虽然这组变量符合我们将个体建模为高维、多元动态系统的意图，但未来的研究在确定哪些变量需要反复评估并纳入动态系统的一部分时，可能会更具选择性或更具包容性。更专注的网络可能只使用情感来构建。更广泛的网络可能还包括更广泛的自我认知(如自我价值感)和认知(如毅力)。

与在应用网络方法以体验采样数据的其他工作中一样[71，75，76，我们的分析采用了一个三阶段的过程。当然，使用一个分析的输出作为下一个分析的输入存在一些风险，因为在早期分析中存在的不确定性在随后的分析中被忽略了。一般来说，最好在一个模型中同时估计所有模型。然而，据我们所知，这是不可能的。因此，对结果的解释仍应谨慎和保守。

我们选择干扰悲伤，并以恢复时间表征脉冲响应曲线，因为持续的悲伤情绪与抑郁症有关。可能还有其他方法来扰乱系统[77]和脉冲响应分析的替代表征(脉冲响应分析曲线下的面积;［78])。未来的研究可以进一步考察不同节点(如社会行为节点)受到扰动时系统行为的各个方面。

4.4。结论

本文在前人研究情绪调节过程的基础上，将密集经验抽样数据与基于时间序列的网络方法相结合，构建了基于个体的社会情绪网络。相互关联的网络证据表明，情感和社会行为确实是相互作用的。利用恢复时间量化社会情绪网络的调节效率，我们进一步提供了社会情绪动态的调节效率与抑郁症状相关的实证证据。这种关联的证据表明，情绪和社会行为的相互关联确实有助于情绪调节。

数据可用性

用于进行分析步骤的R码（例如，USEM模型拟合，脉冲响应分析，网络可视化）以及用于支持本研究结果的所有特定网络的可视化都包含在补充信息文件中。

利益冲突

作者声明他们没有利益冲突。

致谢

感谢研究参与者在如此长的一段时间内提供了详细的日常生活一瞥，并感谢许多研究助理帮助获得了如此丰富的数据。国家健康研究所(RC1 AG035645, R01 HD076994, R24 HD041025, UL1 TR002014, T32 DA017629)，国家科学基金I/UCRC医疗机构转型中心(CHOT, NSF I/UCRC award #1624727)，国家老龄研究所(T32 AG049676)资助一个ISSBD-JJF早期职业学者指导奖学金，以及宾夕法尼亚州立大学社会科学研究所。

补充材料

补充材料中有两个文件。“教程”记录了R代码以执行分析步骤（例如，uSEM模型拟合、脉冲响应分析、网络可视化），并且“411网络合并文件”包括所有个人特定网络的可视化。（补充材料）

参考

1. P. B. Baltes，U.Lindenberger和U. M.Staudinger，“发育心理学的寿命理论”儿童心理学手册:人类发展的理论模型， M. R. Lerner, Ed.， vol. 1, pp. 569-664, Wiley, New York, NY，第6版，2006。浏览：出版商网站|谷歌学者
2. d·h·福特和r·m·勒纳，发展系统理论：一种综合方法，贤者，纽伯里公园，加州，1992年。
3. D. Magnusson和R. B. Cairns，《发展科学:走向统一框架》，卡罗莱纳人类发展协会，页7-30,1996。浏览：出版商网站|谷歌学者
4. J. C. Coyne，《抑郁症的相互作用描述》精神病学第39卷第3期1，第28-40页，1976。浏览：出版商网站|谷歌学者
5. A. L. Pincus, C. J. Hopwood, and A. G. C. Wright， "人际关系情境:人格、精神病理学和心理治疗研究的综合框架"，刊于牛津心理情况手册，D. Funder，J.F. Rauthmann和R. Sherman，Eds。，牛津大学出版社，纽约：牛津。浏览：出版商网站|谷歌学者
6. J. Rottenberg和I. H. Gotlib，《社会情感功能抑郁症》，出版情绪障碍:科学与实践手册M《权力》，编辑部，第61-78页，约翰·威利父子公司，新泽西州霍博肯，2004年。浏览：谷歌学者
7. D. Keltner和A. M. Kring，《情绪、社会功能和精神病理学》，普通心理学综述，卷。2，不。2，pp。320-342，1998。浏览：谷歌学者
8. e·a·巴特勒，《暂时的人际情感系统》，人格与社会心理学评论，卷。15，不。4，PP。367-393，2011。浏览：出版商网站|谷歌学者
9. C. L. Hammen和J. Shih，“抑郁和人际流程”抑郁症的手册， I. H. Gotlib和C. L. Hammen主编。，pp。27.7- - - - - -295, Guilford Press, New York, 3rd edition, 2014.浏览：谷歌学者
10. C. Segrin，“与抑郁和寂寞相关的人际关系通信问题”沟通和情感的手册安德森(p.a. Anderson)和格雷罗(l.a. Guerrero)。，pp。21.5–242, Academic Press, New York, 1998.浏览：谷歌学者
11. C. G. Segrin，“抑郁症和人际流程”在人际心理学手册中：理论，研究，评估和治疗干预措施，第425-448页，John Wiley and Sons，霍博肯，新泽西州，2012。浏览：谷歌学者
12. C. E. Durbin和D. M. Shafir，“情绪调节和抑郁的风险”，发表于儿童和青少年抑郁症手册阿贝拉(J. R. Z. Abela)和B. L.汉金(B. L. Hankin)主编。，pp。14.9- - - - - -176，Guilford Press, New York, 2008.浏览：出版商网站|谷歌学者
13. 美国精神病学协会精神障碍诊断和统计手册，美国精神病出版社，阿灵顿，VA，第5版，2013。
14. P. Koval, M. L. Pe, K. Meers，和P. Kuppens，“与抑郁症状相关的影响动力学:可变的，不稳定的还是惰性的?”情感，第13卷，第2期6, p. 1132, 2013。浏览：出版商网站|谷歌学者
15. P. Kuppens, N. B. Allen, L. B. Sheeber，《情绪惯性与心理失调》，心理科学第21卷第2期7, pp. 984-991, 2010。浏览：出版商网站|谷歌学者
16. D. Borsboom和A. O. J. Cramer，“网络分析：精神病理学结构的综合方法”年度临床心理学综述，第9卷，第5期。1，pp。91-121,2013。浏览：谷歌学者
17. M. L. Pe, K. Kircanski, R. J. Thompson等人，《重度抑郁症的情绪网络密度》，临床心理科学，第3卷，第2期。2, pp. 292-300, 2015。浏览：出版商网站|谷歌学者
18. DM莱顿·斯塔利，M。夏，H。W麦和G。MFosco，“日常生活中的青少年情绪网络动态及其对抑郁症的影响，”异常儿童心理学杂志, 2018年。浏览：出版商网站|谷歌学者
19. D. Borsboom，“精神障碍网络理论”，世界精神病学，第16卷，第5期。1, pp. 5-13, 2017。浏览：出版商网站|谷歌学者
20. J大卫拉，C。B斯特劳德和L。R斯塔尔，“夫妻和家庭中的抑郁症”，在抑郁症的手册， I. H. Gotlib和C. L. Hammen主编。，卷。3.rd, pp. 410–428, Guilford Press, New York, NY, 2014.浏览：出版商网站|谷歌学者
21. “压力在抑郁症中的产生:对实证文献的系统回顾和对未来研究的建议”，临床心理学评论， vol. 30, pp. 582-593, 2010。浏览：出版商网站|谷歌学者
22. LR斯塔尔和J。Davila，“过度寻求安慰、抑郁和人际排斥：元分析综述，”心理学异常杂志，卷。117，没有。4，第13866款，第762-775号，2008年。浏览：谷歌学者
23. T. E. Joiner Jr和K. A. Timmons， "人际关系中的抑郁抑郁症手册H. Ian和C. L. Hammen, Eds。，卷。2nd, pp. 322–329, Guilford Press, New York, NY, 2002.浏览：谷歌学者
24. l·m·霍洛维茨精神病理学的人际基础，美国心理学会，华盛顿，美国，2004。
25. K. D. Locke，L. Sayegh，J.K.Penberthy，C. Weber，K.Haentjens，G.Gurecki，“持续抑郁的人际关系圆锥形曲线：目标，自我效力，群体治疗的影响，”临床心理学杂志，第73卷，第2期6, pp. 595-611, 2017。浏览：出版商网站|谷歌学者
26. PJ小麦卡洛，慢性抑郁治疗：心理治疗认知行为分析系统（CBASP），吉尔福德出版社，纽约，纽约，2000。
27. J. G. Stewart和K. L. Harkness，“使用过度寻求安慰的实验室测量来测试一个修正过的抑郁人际关系理论，”临床心理学杂志，第73卷，第2期3，pp。331-348,2017。浏览：出版商网站|谷歌学者
28. J. B. Nezlek, M. Imbrie, G. D. Shean，《抑郁与日常社交互动》，人格与社会心理学杂志，第67卷，第5期6，页1101-1111,1994。浏览：出版商网站|谷歌学者
29. G. Sadikaj，D. S. Moskowitz，D. C. Zuroff，“附属相关的情感动态：与他人的人际行为的差异反应性”，人格与社会心理学杂志，第100卷，第5期，第905-917页，2011年。浏览：出版商网站|谷歌学者
30. S. Wang，M. J. Roche，A.L.Pincus，D. E. Conroy，A. L. Regar，N. Ram，“日常生活中的人际关系依赖和情感”《人格研究杂志》， vol. 53, pp. 12-10, 2014。浏览：谷歌学者
31. GSadikaj，D。s莫斯科维茨，J。J罗素，D。C祖罗夫和J。Paris，“边缘人格障碍中的争吵行为：行为和情感反应对他人感知的影响，”心理学异常杂志第122卷1, pp. 195-207, 2013。浏览：出版商网站|谷歌学者
32. A. G. C. Wright, S. D. Stepp, L. N. Scott等，“病态自恋对人际关系和社会互动中的情感过程的影响”，心理学异常杂志，第126卷，第898-910页，2017。浏览：出版商网站|谷歌学者
33. H.Lütkepohl，多时间序列分析新介绍，施普林格，柏林，德国，2005。浏览：MathSciNet
34. b . Friedland控制系统设计：介绍状态空间方法多佛，纽约:2005年。
35. 梅尔先生和t.s.康纳先生，日常生活研究方法手册，桂福新闻，纽约，纽约，2012年。
36. N. Ram和M. Diehl，“多时间尺度的设计和分析:推动复杂开发过程的实时建模”在寿命周围的肌肉内部变异性手册， M. Diehl, K. Hooker和M. Sliwinski, Eds。，页308-323，纽约:劳特利奇，2015。浏览：出版商网站|谷歌学者
37. N. Ram和D. Gerstorf，《时间结构和个人内部变异:检验动态特征和过程发展的工具》心理学与老龄化，卷。24，pp。778-791,2009。浏览：出版商网站|谷歌学者
38. KM盖茨和P。CMMolenaar，“群搜索算法为同质和异质样本中的个体恢复有效的连通性映射，”科学杂志，第63卷，第2期1, pp. 310 - 319,2012。浏览：出版商网站|谷歌学者
39. A. Barabasi，网络科学，剑桥大学出版社，纽约，纽约，美国，2016，剑桥大学出版社。、网络科学。
40. S. H. Booij, E. H. Box, P. de Jonge, and A. J. Oldehinke，“皮质醇和情绪状态在抑郁和非抑郁个体中的时间动态:一个密集的时间序列方法，”心理学分泌者学，卷。69，pp。16-25,2016。浏览：出版商网站|谷歌学者
41. P. T. Brandt和T. Sandler，“贝叶斯泊松向量自回归模型”，政治分析， vol. 20, pp. 292 - 315,2012。浏览：出版商网站|谷歌学者
42. T. Lodewyckx, F. Tuerlinckx, P. Kuppens, N. B. Allen, L. Sheeber，《情感动力学的层次状态空间方法》，数学心理学杂志，卷。55，pp。68-83，2011。浏览：出版商网站|谷歌学者
43. 戴松，“组织科学中的多元动力学”，载牛津组织心理学手册， J. S. W. Kozlowski, Ed.，第1卷，117-141页，牛津大学出版社，纽约，纽约，2012。浏览：谷歌学者
44. K. H. Ohtsu和G. Peng，“通过AR建模的时间序列分析”，在分析与控制的时间序列建模：高级自动驾驶仪和监控系统，K.Kitagawa，H. Ohtsu和G.Peng，Eds。，第7-56页，春家，纽约，NY，2015年。浏览：出版商网站|谷歌学者
45. N拉姆，M。Shiyko，E。s伦肯海默，S。多肯和D。Conroy，“作为协调共生系统的家庭：利用非线性动态模型”，年家庭研究中的新兴方法，S. M. Mcchale，P. Amato和A. Booth，EDS。，PP。19-37，Springer，New York，NY，2014年。浏览：谷歌学者
46. W. R.Vison和R. J. Turner，“压力生活事件和抑郁症状：分解急性压力源和慢性菌株的影响，”中国健康与社会行为杂志，卷。29，不。3，pp。253-264,1988。浏览：出版商网站|谷歌学者
47. T. a . Glass, S. V. Kasl, L. F. Berkman，《老年人的压力生活事件和抑郁症状:来自前瞻性社区研究的证据》老龄健康杂志，第9卷，第5期。1，第70-89页，1997。浏览：出版商网站|谷歌学者
48. L. S. Radloff， " CES-D量表:研究普通人群的抑郁自我报告量表，"心理测量的应用，第1卷，第385-401页，1977。浏览：出版商网站|谷歌学者
49. N.RAM，D. E. Conroy，A.L.Pincus等，“检查多个时间尺度的过程的相互作用：插图与人群的影响，健康和人际行为（Isahib），”人类发展研究，第11卷，第5期。2, pp. 142-160, 2014。浏览：出版商网站|谷歌学者
50. l·c·莫雷个性评估量表手册，心理评估资源，奥德萨，佛罗里达，1991。
51. N. G. Poythress, J. L. Skeem和S. O. Lilienfeld，“在提供的样本中，早期虐待、分离和精神病理学之间的联系，”心理学异常杂志第115卷第1期2，页288-297,2006。浏览：谷歌学者
52. C. J. Hopwood, A. L. Pincus, R. M. DeMoor, E. A. Koonce，“大学生人际问题短环量表(iipsc)的心理测量特征”，个性评估杂志，第90卷，第5期。6, pp. 615-618, 2008。浏览：出版商网站|谷歌学者
53. D. S. Moskowitz和D. C. Zuroff，“评估人际交往网格的人际看法，”心理评估，第十七卷，第二期2，页218-230,2005。浏览：出版商网站|谷歌学者
54. P. M. Lewinsohn, J. R. Seeley, R. E. Roberts, N. B. Allen，“流行病学研究中心抑郁症量表(cesd)作为社区居住的老年人抑郁症的筛查工具”，心理学与老龄化，第12卷，第2期2，第277-287页，1997。浏览：出版商网站|谷歌学者
55. R. F. Krueger, R. Kotov, D. Watson等人，“实现精神病理学定量分类的进展”，世界精神病学，第17卷，第282-293页，2018。浏览：出版商网站|谷歌学者
56. S. Dawood和A. L. Pincus， "病态自恋和抑郁症状的严重性、可变性和不稳定性"，发表于人格障碍:理论、研究与治疗，第9卷，第144-154页，以及抑郁症状的不稳定性。《人格障碍理论》，2018年。浏览：出版商网站|谷歌学者
57. J. Prisciandaro和J. Roberts，“国家共病调查中单极抑郁维度和分类模型预测能力的比较”，心理学医学，卷。39，第280.08004522，PP。1087-1096，2009。浏览：谷歌学者
58. R. Kotov, R. F. Krueger, D. Watson等人，“精神病理学的层次分类学(HiTOP):传统疾病分类的一个维度替代”，心理学异常杂志，卷。126，pp。454-477,2017。浏览：出版商网站|谷歌学者
59. T. H. Holmes和R. H. Rahe， "社会再适应评定量表"身心研究杂志，第11卷，第5期。2，pp。213-218,1967。浏览：出版商网站|谷歌学者
60. I. G. Sarason，J. H. Johnson和J. M. Siegel，“评估生活的影响：生活经验调查的发展，”咨询与临床心理学杂志第46卷，第46期5、1978年。浏览：出版商网站|谷歌学者
61. K. M.栅极，P.C.M.MoLenaar，F.G. Hillary，N.Ram和M. J. Rovine，“自动搜索FMRI连接测绘：使用SEM路径建模，var和统一SEM之间的正式等效的GRANGER因果关系的替代方案，”科学杂志，第50卷，第5期。3，第1118-1125页，2010。浏览：出版商网站|谷歌学者
62. c .地方时间序列分析:导论，查普曼和霍尔，伦敦，第6版，2004年。浏览：MathSciNet
63. K. Bulteel, F. Tuerlinckx, A. Brose，和E. Ceulemans，“使用原始VAR回归系数构建网络可能会误导”，多元行为研究第51卷第1期2-3, pp. 330-344, 2016。浏览：出版商网站|谷歌学者
64. S. Lane, K. Gates, P. C. M. Molenaar等，gimme:组迭代多模型估计。R包版本0.3.2,2017。http://CRAN.R-project.org/package=gimme．
65. S. Epskamp, A. O. J. Cramer, L. J. Waldorp, V. D. Schmittmann, and D. Borsboom， " qgraph, Network visualization of relationships in psychometric data， "统计软件杂志，卷。48，不。4，pp。1-18,2012。浏览：出版商网站|谷歌学者
66. G. Amisano和C. Giannini，结构VAR计量经济学专题，斯普林克 - 韦尔拉格，纽约，纽约，第2版，1996年。
67. N. Bolger和J. P. laurence，密集型纵向研究方法：日记和经验 - 抽样研究介绍，纽约，纽约，2013年，纽约。
68. J. Pinheiro, D. Bates, S. DebRoy, D. Sarkar, and R. Core Team, nlme:线性和非线性混合效应模型。R包版本3.1-128,2016。http://CRAN.R-project.org/package=nlme．
69. DJ鲍尔和P。JCurran，“探索固定和多水平回归中的相互作用：推理和图形技术，”多元行为研究，第40卷，第5期。3，页373 - 400,2005。浏览：出版商网站|谷歌学者
70. J. C. Tan，ProBemod：探测适度效应的统计工具。R包，版本0.2.1。2015年。https://CRAN.R-project.org/package=probemod．
71. L. F. Bringmann, M. L. Pe, N. Vissers等人，“使用网络评估暂时情绪动态”，评估，第23卷，第2期。4, pp. 425-435, 2016。浏览：出版商网站|谷歌学者
72. D. Gerstorf和N. Ram，“Laight-Life：一个学习机制的场地，通过内容因素影响个人发展，”成年与衰老手册惠特伯恩(S. K. Whitbourne)和斯利文斯基(M. J. Sliwinski)。，New York, pp. 49–71, Wiley-Blackwell, 2011.浏览：出版商网站|谷歌学者
73. M. J. Roche和A. L. Pincus，《精确评估:理解患者日常生活中的个体化和时间动态方法》，威利人格评估手册，pp。192-204,2016。浏览：谷歌学者
74. S. Mejia, K. Hooker, N. Ram, T. Pham，和R. Metoyer，“捕捉个体内变异和共变异结构:使用多个时间尺度来评估结构的可靠性和稳定性，”人类发展研究，卷。11，pp。91-107，2014。浏览：出版商网站|谷歌学者
75. A. G. C. Wright, A. M. Beltz, K. M. Gates, P. C. M. Molenaar，和L. J. Simms，“在多个分析层次上检验日常内化和外化行为的动态结构”，心理学前沿，卷。6,2015。浏览：出版商网站|谷歌学者
76. X.-f.李，J. Liao，Z.-Q.Xin，W.-q.lu，和a.-l.刘，“松弛素通过调节I和MMP-2，通过调节胶原蛋白，”松弛致敏感二氧化硅诱导的肺纤维化“国际免疫药理学，第十七卷，第二期3，第537-542页，2013。浏览：出版商网站|谷歌学者
77. C. C. Driver和M. C. Voelkle，“用连续时间动态模型理解干预的时间过程”，发表于行为和相关科学中的连续时间建模J. H. L. Oud, M. C. Voelkle, Eds。，第79-109页，施普林格，柏林，2018。浏览：谷歌学者
78. F. M. Bos, F. J. Blaauw, E. Snippe, L. van der Krieke, P. de Jonge, M. Wichers，“探索有和没有快感缺乏的亚临床抑郁症个体的情绪动态:一项经验抽样研究，”情感障碍杂志，卷。228，pp.186-193,2018。浏览：出版商网站|谷歌学者

版权

版权所有©2018肖杨等人。这是一篇发布在创意公共归因许可证，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。