LME untuk Pengukuran Berulang dan Experience Sampling

Menggunakan jamovi (GAMLj)

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

Research Data & Methods Team, Center for Advanced Internet Studies

2026-04-01

Outline

Keterbatasan lme biasa untuk data berulang
Repeated measures dengan lme
- Struktur kovarians residual: Identity, Compound Symmetry, Unstructured
- Membandingkan model dengan struktur residual berbeda
Experience Sampling Method (ESM)
- Apa itu ESM dan pada saat seperti apa ESM dilakukan?
- Temporal autocorrelation dan struktur AR(1) & ARMA(1,1)
- Person-mean centering: efek within- vs. between-person
- Cross-level interaction dalam data ESM
Setup di jamovi GAMLj
Melaporkan hasil dalam manuskrip

Mengapa pengukuran berulang dan ESM punya fitur berbeda?

Dalam materi sebelumnya, kita sudah belajar bahwa lme sangat berguna ketika struktur data kita berjenjang (murid dalam sekolah, karyawan dalam organisasi).
Dalam kasus ini, residual Level-1 diasumsikan independen satu sama lain.

Tapi apa yang terjadi jika orang yang sama diukur berkali-kali?

Masalah dependensi temporal

Bayangkan kita mengukur tingkat kecemasan menteri pada:
- Sebelum BBM naik (T1)
- Saat kebijakan BBM naik diumumkan (T2)
- Seminggu sesudah BBM dinyatakan naik (T3)
Kecemasan Dadan di T1 dan T2 sangat mungkin berkorelasi, karena Dadan yang sama yang diukur dua kali.
Ini melanggar asumsi independensi residual dari lme biasa.
Kalau kita abaikan, standard error akan terlalu kecil → risiko Type I error meningkat.

Waktu	Kecemasan Dadan	Kecemasan Bahlil
T1	72	55
T2	85	61
T3	58	48

Observasi dalam satu orang tidak independen!

Spesifikasi struktur kovarians residual

Kita perlu menspesifikasi, bagaimana pola korelasi antara residual dari pengukuran berulang pada orang yang sama.

Di GAMLj, ini diatur melalui menu Residuals Options.

Matriks kovarians residual

Bayangkan satu orang diukur sebanyak 4 kali (T1–T4). Matriks R menggambarkan varians (garis diagonal) dan kovariansi (luar garis diagonal) antar pengukuran.
Pertanyaan kuncinya: apakah kita asumsikan kovariansi antar waktu itu nol, sama semua, atau berbeda-beda?
Jawaban atas pertanyaan ini menentukan struktur varians-kovarians yang kita pilih.

\[\mathbf{R} = \begin{bmatrix} \sigma^2_{T1} & \sigma_{12} & \sigma_{13} & \sigma_{14} \\ \sigma_{12} & \sigma^2_{T2} & \sigma_{23} & \sigma_{24} \\ \sigma_{13} & \sigma_{23} & \sigma^2_{T3} & \sigma_{34} \\ \sigma_{14} & \sigma_{24} & \sigma_{34} & \sigma^2_{T4} \end{bmatrix}\]

Struktur 1: Identity (diagonal)

\[\mathbf{R} = \sigma^2 \begin{bmatrix} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix}\]

Semua varians sama (σ²), semua kovariansi = 0
Artinya: pengukuran berulang dianggap independen
Ini adalah asumsi OLS biasa
Kapan pakai: asumsi jarang terpenuhi; hanya jika ada alasan kuat bahwa tidak ada korelasi antar waktu
Jumlah parameter: 1

Hati-hati

Identity adalah default yang paling sering keliru dipakai untuk data berulang. Jika tidak ada alasan teoritis yang kuat, hindari opsi ini untuk repeated measures.

Struktur 2: Compound Symmetry (CS)

\[\mathbf{R} = \begin{bmatrix} \sigma^2 & \sigma_c & \sigma_c & \sigma_c \\ \sigma_c & \sigma^2 & \sigma_c & \sigma_c \\ \sigma_c & \sigma_c & \sigma^2 & \sigma_c \\ \sigma_c & \sigma_c & \sigma_c & \sigma^2 \end{bmatrix}\]

Semua varians sama (σ²), semua kovariansi sama (σ_c)
Korelasi antara T1–T2 = korelasi T1–T4: jarak waktu tidak berpengaruh
Ini adalah asumsi di balik Repeated Measures ANOVA klasik (disebut sphericity)
Kapan pakai: desain pre-post, kondisi eksperimen yang tidak berurutan
Jumlah parameter: 2

Mirip dengan ANOVA repeated measures

Compound symmetry adalah asumsi yang diuji oleh Mauchly’s test dalam ANOVA repeated measures. Jika Mauchly’s test signifikan, sphericity dilanggar dan CS bukan pilihan terbaik.

Struktur 3: Unstructured (UN)

\[\mathbf{R} = \begin{bmatrix} \sigma^2_1 & \sigma_{12} & \sigma_{13} & \sigma_{14} \\ \sigma_{12} & \sigma^2_2 & \sigma_{23} & \sigma_{24} \\ \sigma_{13} & \sigma_{23} & \sigma^2_3 & \sigma_{34} \\ \sigma_{14} & \sigma_{24} & \sigma_{34} & \sigma^2_4 \end{bmatrix}\]

Setiap varians dan kovariansi diestimasi secara bebas
Paling fleksibel, tidak ada asumsi tentang pola korelasi
Kapan pakai: sebagai baseline pembanding; time points sedikit (≤5) dan sampel besar
Perhatian: dengan p time points → p(p+1)/2 parameter — cepat boros, rentan tidak konvergen
Jumlah parameter: p(p+1)/2

Tip

Tips praktis: Gunakan UN untuk menguji apakah struktur yang lebih sederhana (CS) sudah cukup. Jika AIC/BIC UN dan CS tidak jauh berbeda, pilih CS karena lebih parsimonious.

Membandingkan struktur kovarians

Struktur	Parameter	Kapan pakai
Identity	1	Tidak ada korelasi temporal (jarang tepat)
Compound Symmetry	2	Korelasi sama untuk semua jarak waktu
Unstructured	p(p+1)/2	Baseline; time points sedikit, N besar
AR(1)	2	Korelasi meluruh seiring jarak waktu
ARMA(1,1)	3	AR(1) + efek lokal antar pengukuran berdekatan

Gunakan AIC/BIC untuk memilih: model dengan AIC/BIC lebih kecil = lebih baik.

Repeated Measures dengan `lme`

Mengapa `lme` lebih baik dari RM-ANOVA?

Keterbatasan RM-ANOVA:

Mengharuskan data lengkap di semua time point (tidak boleh ada missing data)
Interval waktu harus sama (equally spaced)
Hanya bisa mengestimasi efek fixed dari waktu
Tidak bisa memasukkan prediktor level-1 yang bervariasi antar waktu (time-varying covariates)

Keunggulan lme:

Menangani missing data dengan baik (ML/REML estimation)
Bisa digunakan untuk interval waktu yang tidak sama
Bisa memasukkan waktu sebagai variabel kontinu
Bisa memperkirakan perbedaan trajectory antar individu (random slopes)

Ilustrasi Kasus: Kecemasan selama masa ujian

Nisa adalah seorang mahasiswa psikologi yang penasaran apakah tingkat kecemasan teman-temannya berubah selama masa ujian.

Ia melakukan survei pada 120 mahasiswa dari 4 fakultas berbeda di dua universitas, sebanyak 4 kali pengukuran:

T1 — 2 minggu sebelum UAS
T2 — 1 minggu sebelum UAS
T3 — Saat UAS berlangsung
T4 — 2 minggu setelah UAS

Klik datasetnya di bawah ini dataset-rm.omv

Variabel:

id — ID mahasiswa
fakultas — Asal fakultas (1–4)
t — Waktu (1–4)
cemas — Skor kecemasan (0–100)
neuro — Neuroticism (trait)

Data repeated measures terlihat seperti ini

Format long (format yang dibutuhkan untuk lme):

id	t	cemas	neuro
001	1	52	68
001	2	61	68
001	3	78	68
001	4	49	68
002	1	44	55
002	2	50	55
…	…	…	…

Perhatikan: neuro tidak berubah antar waktu (variabel Level-2), sedangkan cemas berubah antar waktu (variabel Level-1).

Latihan 5️⃣: Setup repeated measures di GAMLj

Buka dataset-rm.omv

Latihan 5️⃣: Langkah-langkah

Langkah 1 — Model kosong (null model):

Klik Linear Models → Mixed Models
Masukkan cemas dalam Dependent Variable
Masukkan id dalam Cluster Variables
Pada Random Effects, masukkan intercept|id
Catat AIC

Note

Catatan penting: Belum ada struktur kovarians khusus — ini berarti kita masih menggunakan Identity (asumsi independensi). Kita akan ubah di langkah berikutnya.

Latihan 5️⃣: Membandingkan struktur kovarians

Langkah 2 — Tambahkan waktu sebagai prediktor:

Masukkan t dalam Covariates (jika ingin memperlakukan waktu sebagai kontinu) atau Factors (jika ingin diperlakukan sebagai kategoris)
Pada Random Effects, pertimbangkan apakah perlu menambahkan t|id (random slopes)

Langkah 3 — Ubah struktur kovarians residual:

Klik menu Residuals (atau Variances)
Coba satu per satu: Identity → Compound Symmetry → Unstructured
Catat AIC dan BIC untuk masing-masing
Pilih struktur dengan AIC/BIC terkecil

Tips

Urutkan dari yang paling sederhana ke yang paling kompleks: Identity → CS → UN. Jika CS sudah cukup baik (AIC/BIC tidak jauh lebih kecil dari UN), gunakan CS.

Contoh output: membandingkan model

Model dengan waktu + CS biasanya sudah jauh lebih baik daripada model dengan Identity
Lihat tabel Model Info (AIC) dan Fixed Coefficients (efek waktu terhadap kecemasan)
Jika efek waktu signifikan: ada perubahan rata-rata kecemasan yang bermakna antar time point
Periksa juga Random Coefficients: apakah varians random intercept besar? Ini menunjukkan bahwa ada perbedaan tingkat kecemasan dasar yang besar antar individu.

Interpretasi

Misalnya, B(waktu) = 8.5, artinya setiap bertambah 1 unit waktu (1 time point), skor kecemasan rata-rata meningkat 8.5 poin, dengan mengontrol perbedaan antar individu.

Experience Sampling Method (ESM)

Apa itu ESM?

ESM (Experience Sampling Method) adalah metode pengumpulan data di mana peserta mengisi survei singkat berkali-kali dalam kehidupan sehari-hari, biasanya melalui aplikasi di smartphone.
Tujuannya: menangkap pengalaman, perasaan, dan perilaku seseorang in the moment, dalam konteks kehidupan nyata, bukan hanya retrospektif.
Ada tiga jenis:
- Signal-contingent — alarm acak (mis. 5x/hari di jam berbeda)
- Interval-contingent — setiap X jam (mis. setiap 2 jam)
- Event-contingent — setiap kali kejadian tertentu terjadi

Nama lain ESM

Daily diary study (jika 1x/hari)
Ecological momentary assessment (EMA, lebih umum di konteks klinis)
Ambulatory assessment

Mengapa ESM?

Validitas ekologis tinggi — data dikumpulkan dalam kehidupan nyata, bukan di laboratorium
Mengurangi bias retrospektif — orang tidak selalu akurat mengingat bagaimana perasaannya kemarin
Mengungkap dinamika temporal — perubahan mood dari jam ke jam, bukan hanya rata-rata
Memisahkan efek within-person dan between-person secara lebih bersih
Mendeteksi intra-individual variability — seberapa fluktuatif seseorang dari waktu ke waktu

Struktur data ESM

Data ESM adalah data bersarang 3 level yang kita sederhanakan menjadi 2 level:

Level 3: Orang (N = 80)
    └── Level 2 (disederhanakan): Hari (7 hari/orang)
            └── Level 1: Pengukuran/beep (5x/hari → 35 beep/orang)

Total observasi: 80 × 35 = 2.800 baris

Dalam GAMLj 2-level: beep bersarang dalam orang.

Temporal autocorrelation

Misalnya: mood Dani jam 10 pagi sangat berkorelasi dengan mood Dani jam 10.30, cukup berkorelasi dengan mood Dani jam 12, dan hampir tidak berkorelasi dengan mood Dani jam 10 malam.

Korelasi meluruh (decay) seiring bertambahnya jarak waktu.

Ini disebut temporal autocorrelation — dan tidak bisa ditangani dengan struktur Identity atau Compound Symmetry, karena:

CS mengasumsikan korelasi sama untuk semua jarak waktu
Kenyataannya, korelasi lebih besar untuk waktu yang berdekatan

Struktur 4: AR(1) — Autoregressive order 1

\[\mathbf{R} = \sigma^2 \begin{bmatrix} 1 & \rho & \rho^2 & \rho^3 \\ \rho & 1 & \rho & \rho^2 \\ \rho^2 & \rho & 1 & \rho \\ \rho^3 & \rho^2 & \rho & 1 \end{bmatrix}\]

Korelasi antara pengukuran yang berjarak k = ρᵏ (|ρ| < 1)
Korelasi meluruh secara eksponensial seiring bertambahnya jarak
Kapan pakai: ESM, daily diary, longitudinal dengan pengukuran regular — ini pilihan paling natural untuk ESM
Asumsi: interval antar pengukuran harus sama (equally spaced)
Jumlah parameter: 2 (σ² dan ρ)

Intuisi AR(1)

Jika ρ = 0.5: korelasi beep berturutan = 0.5, dua beep terpisah = 0.25, tiga beep terpisah = 0.125. Semakin jauh jarak waktunya, korelasi makin melemah.

Struktur 5: ARMA(1,1) — Autoregressive Moving Average

Menggabungkan AR(1) dengan komponen moving average (MA)
Komponen MA (λ) menangkap “lonjakan korelasi lokal” antara dua pengukuran yang sangat berdekatan yang tidak sepenuhnya ditangkap oleh AR(1)
Kapan pakai: ESM dengan pengukuran sangat sering (mis. setiap 30 menit), ketika ada efek carry-over yang kuat di satu langkah berikutnya — atau ketika AR(1) masih menyisakan pola autokorelasi
Jumlah parameter: 3 (σ², ρ, λ)

Note

Contoh ARMA(1,1): Bayangkan ada kejadian mendadak (telepon penting jam 2 siang) yang meningkatkan kecemasan Anda. Efeknya sangat terasa di pengukuran jam 2.30, tapi mulai memudar setelahnya. Komponen MA menangkap “lonjakan lokal” ini — di luar pola meluruh reguler dari AR(1).

Person-mean centering dalam ESM

Dalam data ESM, kita menangani dua pertanyaan penelitian yang sangat berbeda:

Efek within-person (Level 1): ketika Dadan saat ini lebih stres dari biasanya, apakah afek negatifnya juga lebih tinggi dari biasanya?
Efek between-person (Level 2): apakah orang yang secara umum lebih stres juga secara umum memiliki afek negatif yang lebih tinggi?

Tanpa centering, kedua efek ini tercampur dan koefisien yang dihasilkan tidak dapat diinterpretasikan secara bermakna.

Formula: \[\text{stres\_centered}_{ij} = \text{stres}_{ij} - \bar{\text{stres}}_j\]

di mana \(\bar{\text{stres}}_j\) adalah rata-rata stres orang \(j\) di semua beep-nya.

Ini mirip dengan group-mean centering di materi sebelumnya, tapi unit pengelompokannya adalah individu, bukan sekolah/organisasi.

Efek within- vs. between-person: ilustrasi

Orang	Beep	Stres	M_stres	Stres_centered
Dadan	1	60	55	+5
Dadan	2	50	55	-5
Bahlil	1	40	45	-5
Bahlil	2	50	45	+5

Dadan dan Bahlil pada beep 2 sama-sama stres = 50, tetapi artinya berbeda: Dadan lebih rendah dari biasanya, Bahlil lebih tinggi dari biasanya.

Penting

Rata-rata individu (M_stres) dimasukkan sebagai prediktor Level-2 yang terpisah untuk mengestimasi between-person effect secara eksplisit — sama seperti grand-mean centering dalam materi sebelumnya.

Cross-level interaction dalam ESM

Pertanyaan yang paling menarik dalam banyak studi ESM: apakah hubungan within-person berbeda antar individu?

Misalnya: apakah hubungan antara stres sesaat dengan afek negatif sesaat lebih kuat pada orang dengan neuroticism tinggi?

Ini adalah cross-level interaction: interaksi antara prediktor Level-1 (stres_centered) dengan prediktor Level-2 (neuroticism).

Cara setup di GAMLj:

Masukkan stres_centered dan neuroticism dalam Fixed Effects
Klik Model → tambahkan stres_centered × neuroticism
Masukkan stres_centered|id dalam Random Effects (estimasi random slopes untuk stres_centered)

Ilustrasi Kasus ESM: Afek dan regulasi emosi

Joko adalah seorang mahasiswa S3 yang ingin tahu apakah strategi regulasi emosi seseorang mempengaruhi dinamika afek harian mereka.

Ia merekrut 80 mahasiswa dan meminta mereka mengisi survei singkat 5 kali sehari selama 7 hari melalui aplikasi smartphone.

Setiap beep, partisipan diminta menilai:

pa — afek positif saat ini (0–100)
stres — tingkat stres saat ini (0–100)

Sebelum studi dimulai, partisipan mengisi:

er — strategi regulasi emosi (emotion regulation, skor kontinu)

Klik teks di bawah ini untuk mengunduh dataset dataset-esm.omv

Variabel Level-1 (beep):

id, hari, beep, pa, stres

Variabel Level-2 (person):

er (regulasi emosi)

Latihan 6️⃣: Setup ESM di GAMLj

Buka dataset-esm.omv

Latihan 6️⃣: Langkah-langkah (1)

Persiapan data:

Sebelum analisis, kita perlu membuat variabel stres_centered (stres yang sudah di-person-mean centered)
- Dalam jamovi: Data → Add Computed Variable
- Formula: stres - VMEAN(stres, id) (mengurangi dengan rata-rata dalam kelompok id)
Buat juga variabel stres_mean (rata-rata stres per orang):
- Formula: VMEAN(stres, id) → variabel ini mewakili between-person effect

Note

Tips: dalam jamovi, fungsi VMEAN(var, group) menghitung rata-rata variabel var untuk setiap nilai group. Ini setara dengan group-mean yang kita gunakan di materi sebelumnya.

Latihan 6️⃣: Langkah-langkah (2)

Langkah 1 — Model null:

Klik Linear Models → Mixed Models
Dependent Variable: pa
Cluster Variables: id
Random Effects: intercept|id
Catat ICC dan AIC

Langkah 2 — Tambahkan prediktor Level-1:

Covariates: stres_centered
Random Effects: tambahkan stres_centered|id (random slopes)
Residuals → pilih AR(1) untuk menangkap temporal autocorrelation

Langkah 3 — Tambahkan prediktor Level-2:

Covariates: stres_mean (between-person), er (regulasi emosi)

Langkah 4 — Cross-level interaction:

Klik Model → tambahkan interaksi stres_centered × er

Bandingkan AIC antar model!

Apa yang kita estimasi?

Dari model ESM lengkap, kita mendapatkan estimasi:

Fixed effects:

Intercept: rata-rata afek positif keseluruhan
stres_centered (B₁): efek within-person — ketika seseorang lebih stres dari biasanya, seberapa besar afek positifnya menurun?
stres_mean (B₂): efek between-person — apakah orang yang lebih stres secara umum juga lebih rendah afek positifnya?
er (B₃): efek regulasi emosi antar individu
stres_centered × er (B₄): cross-level interaction

Random effects:

σ²_U0: varians random intercept (perbedaan baseline afek antar orang)
σ²_U1: varians random slopes (seberapa bervariasi reaktivitas stres antar orang)
σ²_e: varians residual Level-1

AR(1) parameter:

ρ: koefisien autokorelasi (besarnya korelasi antar beep yang berturutan)

Bagaimana melaporkannya? 1️⃣

“…untuk menguji hipotesis penelitian, kami melakukan analisis linear mixed effects (LME) dengan menggunakan REML (Restricted Maximum Likelihood) di jamovi (GAMLj). Data bersarang dalam dua level: pengukuran sesaat (beep, N=2.800) bersarang dalam individu (N=80).

Sebelum analisis, variabel stres sesaat di-person-mean centered dengan cara mengurangi skor stres setiap beep dengan rata-rata skor stres individu tersebut di seluruh beep-nya. Rata-rata stres individu dimasukkan sebagai prediktor Level-2 yang terpisah untuk mengestimasi efek between-person secara eksplisit.

Struktur kovarians residual AR(1) dipilih untuk menangkap temporal autocorrelation antar pengukuran, yang diperkuat oleh estimasi koefisien autokorelasi ρ=XX, menunjukkan korelasi yang moderat antara pengukuran berturutan…”

Bagaimana melaporkannya? 2️⃣

“…model null menunjukkan bahwa XX.X% varians afek positif sesaat berada di level individu (ICC=X.XX), mengindikasikan bahwa penggunaan LME lebih sesuai daripada regresi OLS.

Efek within-person stres sesaat terhadap afek positif sesaat signifikan negatif (B=XX 95% CI [XX, XX], SE=XX, t=XX, p=.0XX), artinya ketika seseorang saat ini lebih stres dari biasanya, afek positifnya juga lebih rendah dari biasanya sebesar XX poin.

Efek between-person stres juga signifikan (B=XX 95% CI [XX, XX]), artinya orang yang secara umum lebih stres memiliki afek positif rata-rata yang lebih rendah sebesar XX poin, dibanding orang yang lebih tidak stres — bahkan ketika perbedaan fluktuasi sesaat sudah dikontrol.

Cross-level interaction antara stres sesaat dan regulasi emosi signifikan (B=XX), menunjukkan bahwa orang dengan regulasi emosi yang lebih baik menunjukkan reaktivitas stres-afek yang lebih lemah…”

Rangkuman: kapan pakai struktur kovarians residual yang mana?

Repeated measures (sedikit time points, ≤ 5):

Mulai dengan Unstructured sebagai baseline
Bandingkan dengan Compound Symmetry
Jika AIC/BIC CS tidak jauh lebih buruk → pilih CS

ESM / daily diary (banyak time points, interval regular):

Mulai dengan AR(1) sebagai pilihan utama
Jika masih ada pola residual → coba ARMA(1,1)
Jangan gunakan Identity atau Compound Symmetry tanpa alasan teoritis yang kuat

Selalu lakukan:

Cek ICC di model null
Bandingkan AIC/BIC antar struktur
Lakukan person-mean centering untuk prediktor Level-1 dalam ESM
Estimasi random slopes untuk prediktor Level-1 yang menjadi fokus penelitian

Latihan mandiri 3️⃣

Menggunakan dataset-esm.omv, jawab pertanyaan berikut:

Seberapa besar proporsi varians afek positif sesaat yang ada di level individu? (ICC)
Apakah ada efek within-person dari stres sesaat terhadap afek positif sesaat? Seberapa besar?
Apakah hubungan tersebut berbeda antar individu? (Lihat varians random slopes)
Apakah regulasi emosi memoderasi hubungan antara stres sesaat dengan afek positif sesaat? (cross-level interaction)
Bandingkan model dengan struktur AR(1) vs. Identity. Mana yang lebih baik?

Yang belum dibahas…

Data ESM 3-level: pengukuran bersarang dalam hari, bersarang dalam individu
- Dalam R: lme4 dengan dua cluster variables
- Dalam jamovi GAMLj saat ini: belum didukung penuh
Lagged predictors: apakah stres sebelumnya memprediksi afek sekarang?
Intra-individual variability sebagai outcome (bukan hanya rata-rata)
Intensive longitudinal data: ketika jumlah beep sangat banyak (>100/orang)
ESM dengan variabel kategoris (mis. afek diukur dengan item nominal)
- Perlu generalized LME (GLMM)

Referensi tambahan

Bolger, N., & Laurenceau, J-P. (2013). Intensive longitudinal methods: An introduction to diary and experience sampling research. Guilford Press.
Hamaker, E.L., Kuiper, R.M., & Grasman, R.P.P.P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102-116. doi: 10.1037/a0038889
Nezlek, J.B. (2012). Multilevel modeling analyses of diary-style data. In M.R. Mehl & T.S. Conner (Eds.), Handbook of Research Methods for Studying Daily Life (pp. 384-410). Guilford Press.
Trull, T.J. & Ebner-Priemer, U. (2014). The role of ambulatory assessment in psychological science. Current Directions in Psychological Science, 23(6), 466-470. doi: 10.1177/0963721414550706

Ada pertanyaan❓

Note

Paparan disusun dengan menggunakan dan Quarto dengan template dari UNAIR Theme.
Kontak saya via amelia.zein@psikologi.unair.ac.id

id	t	cemas	neuro
001	1	52	68
001	2	61	68
001	3	78	68
001	4	49	68
002	1	44	55
002	2	50	55
…	…	…	…

id	t	cemas	neuro
001	1	52	68
001	2	61	68
001	3	78	68
001	4	49	68
002	1	44	55
002	2	50	55
…	…	…	…

LME untuk Pengukuran Berulang dan Experience Sampling

Outline

Mengapa pengukuran berulang dan ESM punya fitur berbeda?

Masalah dependensi temporal

Spesifikasi struktur kovarians residual

Matriks kovarians residual

Struktur 1: Identity (diagonal)

Struktur 2: Compound Symmetry (CS)

Struktur 3: Unstructured (UN)

Membandingkan struktur kovarians

Repeated Measures dengan lme

Mengapa lme lebih baik dari RM-ANOVA?

Ilustrasi Kasus: Kecemasan selama masa ujian

Data repeated measures terlihat seperti ini

Latihan 5️⃣: Setup repeated measures di GAMLj

Latihan 5️⃣: Langkah-langkah

Latihan 5️⃣: Membandingkan struktur kovarians

Contoh output: membandingkan model

Experience Sampling Method (ESM)

Apa itu ESM?

Mengapa ESM?

Struktur data ESM

Temporal autocorrelation

Struktur 4: AR(1) — Autoregressive order 1

Struktur 5: ARMA(1,1) — Autoregressive Moving Average

Person-mean centering dalam ESM

Efek within- vs. between-person: ilustrasi

Cross-level interaction dalam ESM

Ilustrasi Kasus ESM: Afek dan regulasi emosi

Latihan 6️⃣: Setup ESM di GAMLj

Latihan 6️⃣: Langkah-langkah (1)

Latihan 6️⃣: Langkah-langkah (2)

Apa yang kita estimasi?

Bagaimana melaporkannya? 1️⃣

Bagaimana melaporkannya? 2️⃣

Rangkuman: kapan pakai struktur kovarians residual yang mana?

Latihan mandiri 3️⃣

Yang belum dibahas…

Referensi tambahan

Ada pertanyaan❓

Repeated Measures dengan `lme`

Mengapa `lme` lebih baik dari RM-ANOVA?

id	t	cemas	neuro
001	1	52	68
001	2	61	68
001	3	78	68
001	4	49	68
002	1	44	55
002	2	50	55
…	…	…	…