Detecting Abrupt Changes in Developmental Trajectories with Continuous-Time State-Space Models

Marcos Romero-Suárez; Sy-Miin Chow; Pablo Fernández Cáncer; Eduardo Estrada

doi:10.31234/osf.io/qbdet_v2

PreprintDescarga libreInglés

Detecting Abrupt Changes in Developmental Trajectories with Continuous-Time State-Space Models

Marcos Romero-Suárez; Sy-Miin Chow; Pablo Fernández Cáncer; Eduardo Estrada

Año: 2026
DOI: 10.31234/osf.io/qbdet_v2 (se abre en una pestaña nueva)
Licencia: CC BY

Resumen ADIPA

Elaborado con IA a partir del resumen de los autores

Preprint que extiende un marco de detección de valores atípicos a modelos de espacio de estado en tiempo continuo para identificar cambios abruptos en trayectorias del desarrollo infantil. El objetivo es detectar qué individuos experimentan alteraciones súbitas y cuándo ocurren, como caídas en la capacidad lectora por ansiedad o saltos tras consolidar un hábito de lectura. Los autores proponen un criterio combinado (ρ² y SOI) que mejora el equilibrio entre sensibilidad y control de falsos positivos. Una simulación Monte Carlo con 54 condiciones y 1.000 replicaciones cada una comparó dos especificaciones de modelos y dos estadísticas existentes frente al criterio propuesto. El modelo determinista con ruido de proceso fijado a cero mostró mayor precisión, impidiendo que los cambios abruptos se absorban en la variabilidad de fondo. La reestimación posterior con los choques explícitamente incorporados mejora la recuperación de la varianza del ruido de proceso. Se proporcionan tutorial, funciones anotadas en R y un conjunto de datos de ejemplo para reproducir el análisis.

Puntos clave

Los modelos de espacio de estado en tiempo continuo permiten detectar cambios abruptos en trayectorias del desarrollo que de otro modo se pierden en la variabilidad de fondo.
El criterio combinado ρ² y SOI mejora significativamente el balance entre sensibilidad y reducción de falsos positivos en comparación con estadísticas de detección existentes.
La especificación determinista con ruido de proceso en cero resulta superior para identificar choques y permite estimar con precisión la varianza del ruido de proceso en la reestimación.
Detectar cambios abruptos en individuos específicos permite vincular las disrupciones a sus causas potenciales e informar intervenciones y programas de prevención dirigidos.

Para quién: Investigadores en psicología del desarrollo, metodólogos y estadísticos que trabajan con datos longitudinales en educación y salud mental para identificar y responder a cambios críticos en trayectorias individuales.

Resumen de los autores

Developmental trajectories are typically characterized by gradual, monotonic change. But what happens when a trajectory shows an abrupt shift? A child's reading ability may suddenly drop following the onset of anxiety or peer victimization, or accelerate after a sustained reading habit takes hold. When such shifts go undetected, they are absorbed into background noise, obscuring who is affected, when the disruption occurred, and why. This article addresses that gap, focusing on identifying which individuals experience abrupt changes and when. We extend an existing outlier detection framework to continuous-time state-space models and propose a combined detection criterion (ρ² & SOI) that improves the balance between sensitivity and false-positive control relative to existing alternatives. A Monte Carlo simulation (3 × 3 × 3 × 2 = 54 conditions, 1,000 replications each) compared two model specifications and two existing statistics against the proposed criterion. Detection is sharpest under a deterministic model with process noise fixed to zero, which outperforms the correctly specified alternative and prevents abrupt changes from being absorbed into background variability. Once shocks are identified, a corrected re-estimation with them explicitly incorporated improves recovery of the process noise variance, which is otherwise systematically overestimated. Knowing which individuals experienced abrupt changes, and when, transforms outlier detection into a practical scientific tool, linking disruptions to their causes and informing targeted prevention and intervention. To support adoption, we provide a step-by-step tutorial, annotated R functions ready to be sourced, and an example dataset that reproduces the full pipeline, applicable to any developmental domain.

Áreas y palabras clave

Psicología clínica y psicoterapia Infancia y adolescencia Trauma, violencia y crisis

Cómo citar (APA 7)

Romero-Suárez, M., Chow, S. M., Cáncer, P. F., & Estrada, E. (2026). Detecting Abrupt Changes in Developmental Trajectories with Continuous-Time State-Space Models. https://doi.org/10.31234/osf.io/qbdet_v2

BibTeX RIS (Zotero, Mendeley, EndNote)CSL-JSON

Detecting Abrupt Changes in Developmental Trajectories with Continuous-Time State-Space Models

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Detecting Abrupt Changes in Developmental Trajectories with Continuous-Time State-Space Models

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Relacionados