There recently has been growing interest in the study of psychological and neurological processes at an individual level. One goal in such endeavors is to construct person-specific dynamic assessments using time series techniques such as Vector Autoregressive (VAR) models. However, two problems exist with current VAR specifications: (1) VAR models are restricted in that contemporaneous relations are typically modeled either as undirected relations among residuals or directed relations among observed variables, but not both; (2) current estimation frameworks are limited by the reliance on stepwise model building procedures. This study adopts a new modeling approach. We first extended the current unified SEM (uSEM) framework, a widely used structural VAR model, to a hybrid representation (i.e., “huSEM”) to include both undirected and directed contemporaneous effects, and then replaced the stepwise modeling with a LASSO-type regularization for a global search of the optimal sparse model. Our simulation study showed that regularized huSEM performed uniformly the best over alternative VAR representations and/or modeling approaches, with respect to accurately recovering the presence and directionality of hybrid relations and reliably removing false relations when the data are generated to have two types of contemporaneous relations. The present study to our knowledge is the first application of the recently developed regularized SEM technique to the estimation of huSEM, which points to a promising future for statistical learning in psychometric models.

最近，人们对个体层面的心理和神经过程的研究越来越感兴趣。此类努力的一个目标是使用时间序列技术（例如向量自回归 (VAR) 模型）构建特定于个人的动态评估。然而，当前的 VAR 规范存在两个问题：(1) VAR 模型受到限制，因为同期关系通常被建模为残差之间的无向关系或观察变量之间的有向关系，但不能两者兼而有之；(2) 当前的估计框架受限于对逐步模型构建程序的依赖。本研究采用了一种新的建模方法。我们首先将当前的统一 SEM (uSEM) 框架（一种广泛使用的结构 VAR 模型）扩展到混合表示（即，“huSEM”）以包括无向和有向的同期效应，然后用 LASSO 类型的正则化替换逐步建模，以全局搜索最优稀疏模型。我们的模拟研究表明，正则化 huSEM 与替代 VAR 表示和/或建模方法相比，在准确恢复混合关系的存在和方向性以及在生成具有两种同时期关系的数据时可靠地去除错误关系方面表现一致. 据我们所知，目前的研究是最近开发的正则化 SEM 技术首次应用于 huSEM 的估计，这为心理测量模型中的统计学习指明了光明的未来。然后用 LASSO 类型的正则化替换逐步建模，以全局搜索最优稀疏模型。我们的模拟研究表明，正则化 huSEM 与替代 VAR 表示和/或建模方法相比，在准确恢复混合关系的存在和方向性以及在生成具有两种同时期关系的数据时可靠地消除错误关系方面表现一致. 据我们所知，目前的研究是最近开发的正则化 SEM 技术首次应用于 huSEM 的估计，这为心理测量模型中的统计学习指明了光明的未来。然后用 LASSO 类型的正则化替换逐步建模，以全局搜索最优稀疏模型。我们的模拟研究表明，正则化 huSEM 与替代 VAR 表示和/或建模方法相比，在准确恢复混合关系的存在和方向性以及在生成具有两种同时期关系的数据时可靠地消除错误关系方面表现一致. 据我们所知，目前的研究是最近开发的正则化 SEM 技术首次应用于 huSEM 的估计，这为心理测量模型中的统计学习指明了光明的未来。我们的模拟研究表明，正则化 huSEM 与替代 VAR 表示和/或建模方法相比，在准确恢复混合关系的存在和方向性以及在生成具有两种同时期关系的数据时可靠地消除错误关系方面表现一致. 据我们所知，目前的研究是最近开发的正则化 SEM 技术首次应用于 huSEM 的估计，这为心理测量模型中的统计学习指明了光明的未来。我们的模拟研究表明，正则化 huSEM 与替代 VAR 表示和/或建模方法相比，在准确恢复混合关系的存在和方向性以及在生成具有两种同时期关系的数据时可靠地去除错误关系方面表现一致. 据我们所知，目前的研究是最近开发的正则化 SEM 技术首次应用于 huSEM 的估计，这为心理测量模型中的统计学习指明了光明的未来。