Modèle autorégressif : Dynamique temporelle de l’esprit

L’exploration contemporaine des processus psychologiques ne se contente plus d’évaluations statiques ou transversales : elle sonde désormais la cinétique continue des états affectifs, cognitifs et comportementaux au sein de l’expérience vécue. Au cœur de cette transition vers une psychologie idiographique et dynamique, le modèle autorégressif s’impose comme un cadre méthodologique fondamental pour mesurer la manière dont les états psychologiques passés façonnent, entretiennent ou entravent le fonctionnement présent de l’individu.

Modèle autorégressif (Modèle AR)

1. Définition concise

Un modèle autorégressif (souvent désigné sous l’acronyme modèle AR) est une formulation statistique de séries temporelles dans laquelle la valeur d’une variable observée à un instant temporel donné est modélisée comme une fonction linéaire de ses propres réalisations antérieures, pondérée par un paramètre de persistance et complétée par un terme d’erreur stochastique ou bruit blanc. Dans le domaine des sciences psychologiques, ce formalisme sert principalement à quantifier la dépendance temporelle intra-individuelle, l’inertie psychologique et la capacité d’autorégulation d’un système affectif ou cognitif à travers des mesures répétées dans le temps.

Dans sa forme la plus canonique du premier ordre, notée AR(1), le modèle stipule que le niveau actuel d’une variable psychologique (telle que l’humeur dépressive, l’anxiété situationnelle ou l’estime de soi) est directement déterminé par son niveau immédiatement antérieur, auquel s’ajoute une perturbation imprévisible reflétant les événements environnementaux incidents ou les fluctuations endogènes. Cette approche modélise mathématiquement la mémoire à court terme d’un processus psychologique, établissant une distinction fondamentale entre la stabilité structurelle du trait et la persistance dynamique de l’état.

Au-delà du simple ajustement statistique, le modèle autorégressif constitue une théorie computationnelle de la dynamique psychologique : il postule que la persistance temporelle d’un état reflète l’inertie fonctionnelle d’un système biologique ou psychologique, où des coefficients autorégressifs élevés signalent une rigidité adaptative, tandis que des coefficients modérés témoignent d’une homéostasie flexible et réactive.

2. Étymologie et origine linguistique

Le syntagme « autorégressif » se compose du préfixe grec auto- (αὐτός), signifiant « soi-même » ou « par soi-même », et du radical « régressif », dérivé du latin classique regressus, participe passé du verbe regredi, qui se traduit par « revenir en arrière » ou « retourner sur ses pas ». L’élément lexical « régression » avait été préalablement introduit en statistique par Sir Francis Galton à la fin du XIXe siècle pour désigner la tendance des grandeurs biologiques à revenir vers la moyenne de la population (« régression vers la moyenne »).

L’adjonction du préfixe auto- formalise le glissement sémantique et méthodologique : la variable observée ne régresse pas sur une variable explicative distincte ou exogène, mais « régresse sur elle-même », c’est-à-dire sur ses propres trajectoires antérieures décalées dans le temps. Le concept a émergé sous cette dénomination précise dans la littérature mathématique et économétrique anglophone des années 1920 sous la plume du statisticien Udny Yule, avant d’être adopté et transposé dans la terminologie francophone de la statistique, de l’économétrie et de la psychométrie quantitative.

3. Prononciation et forme grammaticale

En français standard, la locution nominale masculine se prononce phonétiquement /mɔ.dɛl o.to.ʁe.ɡʁɛ.sif/ au singulier, et /mɔ.dɛl o.to.ʁe.ɡʁɛ.sif/ au pluriel (« modèles autorégressifs »). L’adjectif « autorégressif » s’accorde en genre et en nombre avec le substantif qu’il qualifie (par exemple : une « équation autorégressive », des « dynamiques autorégressives »).

Sur le plan morphosyntaxique, le terme fonctionne comme un groupe nominal complexe servant de descripteur méthodologique. Les abréviations conventionnelles adoptent couramment la notation formelle anglo-saxonne AR, généralement accompagnée de l’ordre temporel du modèle entre parenthèses, à l’instar de AR(p), où p désigne un entier naturel positif représentant le nombre maximal d’intervalles passés (ou décalages, nommés lags) pris en compte dans l’équation de régression.

4. Explication conceptuelle détaillée

Pour appréhender le modèle autorégressif au sein de la psychologie contemporaine, il est impératif de comprendre le basculement épistémologique qu’il opère : le passage d’une vision inter-individuelle (comparer des individus entre eux à un instant T) à une vision intra-individuelle (analyser les fluctuations d’un individu unique à travers le flux continu du temps). Dans un protocole d’évaluation écologique momentanée (EMA) ou d’échantillonnage de l’expérience (ESM), un participant répond plusieurs fois par jour à des questionnaires évaluant son affect ou ses cognitions. Le modèle AR modélise précisément cette séquence temporelle ordonnée.

L’équation fondamentale d’un modèle autorégressif d’ordre 1, noté AR(1), s’énonce mathématiquement comme suit :

Y_t = c + φ Y_t-1 + ε_t

Dans cette formulation, Y_t représente l’état psychologique mesuré au moment t, c est une constante liée au niveau moyen de la variable pour cet individu, et ε_t symbolise l’innovation stochastique ou l’erreur résiduelle à l’instant t. Cette composante d’innovation représente tout événement imprévu, qu’il soit interne (une soudaine prise de conscience, une fluctuation neurochimique) ou externe (une critique formulée par un supérieur, une mauvaise nouvelle), survenant entre les mesures.

Le paramètre le plus crucial est le coefficient autorégressif, symbolisé par la lettre grecque φ (phi). Ce paramètre quantifie l’intensité de la dépendance temporelle séquentielle :

Premièrement, lorsque φ est égal à zéro, le processus ne présente aucune mémoire temporelle : l’état actuel de l’individu est totalement indépendant de ce qu’il ressentait l’instant précédent, oscillant de manière purement stochastique autour de sa moyenne. Deuxièmement, lorsque 0 < φ < 1, le système est doté d’une mémoire et exhibe une tendance au retour vers l’équilibre homéostatique. Plus la valeur de φ se rapproche de 1, plus l’état antérieur met de temps à se dissiper, un phénomène désigné en psychopathologie sous le terme d’« inertie affective ».

Troisièmement, la condition de stationnarité stricte exige que la valeur absolue du coefficient autorégressif soit strictement inférieure à un (|φ| < 1). Si φ est supérieur ou égal à 1, le système mathématique devient non stationnaire, développant ce que l’on qualifie de racine unitaire ou d’instabilité explosive, où la variance tend théoriquement vers l’infini au cours du temps, traduisant une rupture complète des mécanismes de rétroaction régulatrice.

5. Développement historique

La genèse conceptuelle du modèle autorégressif trouve ses racines dans les travaux pionniers du statisticien britannique Udny Yule en 1927. Confronté à l’analyse des fluctuations périodiques et irrégulières du cycle des taches solaires, Yule rejeta l’hypothèse régnante des superpositions d’ondes sinusoïdales pures pour concevoir un système mécanique analogue à un pendule perturbé par des chocs aléatoires d’intensité variable. Cette intuition fondatrice donna naissance à la théorie des processus autorégressifs stochastiques, ensuite formalisée par Gilbert Walker en 1931 à travers les équations de Yule-Walker.

Au cours des décennies suivantes, la modélisation autorégressive devint un pilier des sciences physiques et de l’ingénierie, avant d’être synthétisée et popularisée dans les sciences économiques et statistiques par George Box et Gwilym Jenkins en 1970 au moyen de leur célèbre méthodologie Box-Jenkins pour les modèles ARIMA (modèles autorégressifs intégrés à moyenne mobile). Durant cette période, la psychologie empirique demeurait cependant largement dominée par les paradigmes expérimentaux transversaux et l’analyse de variance inter-sujets de Fisher.

L’introduction substantielle des modèles AR dans l’arène psychologique s’est opérée à la fin du XXe siècle grâce aux contributions séminales de psychologues quantitatifs tels que John Nesselroade et Peter Molenaar. En 2004, Molenaar publia un manifeste décisif démontrant que, du fait de la non-ergodicité fondamentale des systèmes humains, les structures factorielles inter-individuelles ne pouvaient pas refléter les dynamiques intra-individuelles des individus singuliers. Dès lors, l’application de modèles autorégressifs univariés et vectoriels connut une expansion exponentielle, propulsée par la diffusion des téléphones intelligents permettant la récolte massive de séries temporelles écologiques.

6. Fondements théoriques

L’enracinement des modèles autorégressifs dans les théories psychologiques s’appuie principalement sur la théorie des systèmes dynamiques complexes. Dans ce cadre épistémologique, la psyché humaine n’est pas conçue comme une entité statique pourvue de traits rigides, mais comme un système auto-organisé évoluant continuellement dans un espace d’états. Le modèle AR formalise le concept de « bassin d’attraction » : la moyenne de la série correspond à l’état attracteur vers lequel tend le système, tandis que le paramètre φ mesure la vitesse de relaxation, c’est-à-dire le rythme auquel le système retourne à cet attracteur après avoir subi une perturbation externe.

Sur le plan des théories affectives et émotionnelles, le modèle AR opérationnalise la notion d’autorégulation émotionnelle. Les travaux théoriques de Peter Kuppens et ses collègues ont érigé le coefficient autorégressif en mesure canonique de l’inertie affective. Une inertie affective excessive est théorisée comme le signe d’un manque d’adaptabilité et de flexibilité psychologique : un individu incapable d’amortir la rémanence d’une émotion négative demeure prisonnier de son affect dégradé, augmentant substantiellement sa vulnérabilité aux épisodes dépressifs majeurs.

Enfin, le modèle autorégressif s’articule directement avec la théorie des réseaux psychologiques impulsée par Denny Borsboom. Dans cette conception transactionnelle de la santé mentale, les troubles psychiatriques ne sont plus imputés à une cause sous-jacente latente commune, mais émergent d’interactions causales directes entre symptômes. Au sein des réseaux dynamiques temporels, les boucles autorégressives représentent l’auto-entretien du symptôme dans le temps (par exemple, l’insomnie d’une nuit qui entraîne directement l’insomnie de la nuit suivante en raison de l’hyperactivation neurovégétative induite).

7. Composantes clés, types et dimensions

Les modélisations autorégressives se déclinent en plusieurs dimensions structurales et extensions méthodologiques adaptées à la complexité des données psychologiques :

• Ordre temporel du processus (p) : Définit l’étendue de l’horizon historique modélisé. Alors qu’un modèle AR(1) postule que seul l’instant immédiatement précédent (t – 1) influence directement l’instant présent, un modèle AR(2) intègre également l’effet de l’instant antérieur (t – 2), permettant de modéliser des trajectoires oscillatoires, cycliques ou biphasiques.
• Paramètre d’autorégression (φ) : Coefficient standardisé ou non standardisé reflétant l’inertie, la stabilité temporelle ou la dépendance séquentielle. Une valeur proche de 1 traduit une inertie temporelle élevée et un rétablissement lent à la suite d’un choc ; une valeur proche de 0 signale une réactivité immédiate sans rémanence ; une valeur négative dénote une alternance compensatoire rapide.
• Bruit blanc et innovation (ε_t) : Variable aléatoire indépendante et identiquement distribuée, de moyenne nulle et de variance constante, incarnant les chocs imprévus non expliqués par l’histoire temporelle interne du système.
• Modèle autorégressif vectoriel (VAR) : Extension multivariée où plusieurs variables psychologiques dépendantes sont modélisées simultanément, permettant à la fois d’estimer les effets autorégressifs individuels (l’effet d’une variable sur elle-même au cours du temps) et les effets de régression croisée (cross-lagged effects, où une variable à t – 1 prédit une autre variable à l’instant t).
• Modèle autorégressif structural dynamique (DSEM) : Intégration avancée proposée par Ellen Hamaker au sein du logiciel Mplus, couplant les modèles AR/VAR avec la modélisation par équations structurelles multiniveaux. Le DSEM traite les coefficients autorégressifs individuels comme des effets aléatoires variant d’une personne à l’autre au sein d’une population hiérarchisée.
• Modèles autorégressifs à seuil et non linéaires (TAR / SETAR) : Variantes mathématiques sophistiquées où le coefficient φ change dynamiquement de valeur lorsque la variable franchit un seuil critique prédéfini, simulant ainsi des ruptures qualitatives brutales (comme le déclenchement d’une crise de panique).

8. Exemples et cas illustratifs

Pour matérialiser la mise en œuvre pratique de ces concepts, considérons une étude d’échantillonnage de l’expérience menée auprès de deux patientes suivies en ambulatoire pour un trouble dysphorique : Claire et Sophie. Toutes deux remplissent un questionnaire sur leur niveau de tristesse dix fois par jour pendant vingt-et-un jours consécutifs.

L’analyse descriptive révèle que Claire et Sophie présentent exactement la même tristesse moyenne globale (une note de 4,5 sur une échelle de 1 à 10) et une variance identique. Cependant, l’ajustement d’un modèle AR(1) sur leurs séries temporelles respectives met en lumière des architectures dynamiques radicalement divergentes :

Chez Claire, le coefficient autorégressif est estimé à φ = 0,12. Lorsqu’un événement désagréable (l’innovation ε_t) provoque un pic de détresse émotionnelle à 14 heures, cette émotion s’atténue presque intégralement dès la mesure de 16 heures. Son système psychologique manifeste une haute résilience dynamique, caractérisée par une dissipation rapide des perturbations et un rétablissement prompt de l’état de repos.

Chez Sophie, à l’inverse, le modèle révèle un coefficient φ = 0,78. Lorsque sa tristesse augmente sous l’effet d’une contrariété, cette perturbation persiste obstinément à travers les intervalles de mesure successifs. Sa tristesse de l’instant présent est très fortement prédite par sa tristesse passée. Cette inertie affective considérable traduit une rigidité des boucles de régulation émotionnelle, confirmant cliniquement une tendance prononcée aux ruminations dépressives et une vulnérabilité accrue aux rechutes chroniques.

9. Mesure et évaluation psychométrique

L’estimation rigoureuse d’un modèle autorégressif repose sur des protocoles d’acquisition de données longitudinaux intensifs, typiquement dérivés de l’échantillonnage de l’expérience ou de capteurs physiologiques passifs (actigraphie, variabilité de la fréquence cardiaque). Contrairement aux études longitudinales traditionnelles comportant trois ou quatre vagues réparties sur plusieurs années, les modèles AR requièrent un nombre élevé de points temporels consécutifs par individu (généralement T ≥ 50 à 100 observations) afin d’assurer une puissance statistique adéquate.

La première étape diagnostique consiste à évaluer la stationnarité de la série temporelle. Les chercheurs utilisent couramment des tests de racine unitaire, tels que le test augmenté de Dickey-Fuller (ADF) ou le test KPSS. Si la série temporelle présente une tendance linéaire déterministe ou une non-stationnarité stochastique, une différenciation première (soustraire Y_t-1 de Y_t) ou une élimination de tendance polynomiale doit impérativement être opérée avant toute estimation autorégressive.

La sélection de l’ordre approprié du modèle (déterminer la valeur optimale de p) repose sur l’examen conjoint des fonctions d’autocorrélation simple (ACF) et d’autocorrélation partielle (PACF). Pour un processus AR pur, la fonction d’autocorrélation partielle subit une coupure nette après le décalage p. Cette inspection visuelle est complétée par des critères quantitatifs d’information théorique, notamment le critère d’Akaike (AIC) et le critère bayésien de Schwarz (BIC), qui pénalisent la sur-paramétrisation afin de préserver la parcimonie du modèle.

L’estimation des coefficients φ s’effectue traditionnellement par la méthode des moindres carrés ordinaires (OLS) ou par le maximum de vraisemblance (ML). Toutefois, dans le cadre de données multiniveaux groupées (plusieurs individus suivis simultanément), les méthodes d’estimation bayésienne par chaînes de Markov Monte Carlo (MCMC) sont désormais prévalentes, permettant de modéliser avec élégance les données manquantes et les intervalles temporels inégaux grâce à des formulations en temps continu (modèles CT-AR).

10. Applications et portée pratique

Dans le domaine de la psychopathologie clinique, les modèles autorégressifs servent d’outils d’évaluation diagnostique individualisée et de surveillance thérapeutique personnalisée. En quantifiant précisément l’inertie émotionnelle des affects négatifs, les cliniciens peuvent identifier les patients présentant un risque imminent d’effondrement psychique. De surcroît, le suivi dynamique du paramètre φ au cours d’une psychothérapie permet d’évaluer objectivement la flexibilisation des schémas émotionnels du patient bien avant qu’une baisse globale des scores agrégés de dépression ne devienne décelable.

En neurosciences cognitives et computationnelles, la modélisation autorégressive univariée et multivariée est intensivement mobilisée pour caractériser le signal de l’électroencéphalographie (EEG) et de l’imagerie par résonance magnétique fonctionnelle (IRMf). Elle constitue l’épine dorsale du calcul de la connectivité effective via la méthode de causalité de Granger, permettant de tester si l’activité passée d’un nœud neuronal ou d’un réseau cérébral (par exemple, le réseau du mode par défaut) améliore statistiquement la prédiction de l’activité future d’un autre territoire cérébral.

Dans le champ de la psychologie de la santé et de la médecine comportementale, les modèles AR sont appliqués aux flux de données continues issus d’objets connectés (surveillance de la glycémie chez le patient diabétique, régulation du cycle veille-sommeil). Ils permettent d’analyser comment l’auto-maintien de comportements sédentaires ou de fringales alimentaires s’articule temporellement avec des états de stress aigu, ouvrant la voie à des interventions comportementales en temps réel contextualisées et automatisées (interventions Just-In-Time Adaptive, ou JITAI).

11. Recherche et preuves empiriques

Un ensemble substantiel de recherches empiriques corrobore la valeur prédictive et diagnostique des dynamiques autorégressives. Les travaux fondateurs de Peter Kuppens et de ses collaborateurs (2010, 2012) ont documenté à maintes reprises qu’un coefficient autorégressif élevé pour les affects négatifs (tristesse, anxiété, colère) est corrélé de manière robuste à de faibles niveaux d’estime de soi, à des stratégies de régulation émotionnelle dysfonctionnelles (telles que la suppression expressive et la rumination), ainsi qu’à la sévérité globale des symptômes dépressifs cliniques.

Dans une perspective prospective novatrice, l’équipe de recherche néerlandaise dirigée par Marieke Wichers et Laura Bringmann (2016) a démontré l’existence d’un phénomène de « ralentissement critique » (critical slowing down) précédant les transitions de phase vers un épisode dépressif majeur. En analysant les données ESM de patients stabilisés, les auteurs ont découvert que l’augmentation progressive et mesurable du coefficient autorégressif AR(1) de l’humeur négative agissait comme un signal d’alerte précoce universel, révélant la perte progressive de résilience du système psychique quelques semaines avant la rechute clinique patente.

Parallèlement, la méta-analyse systématique menée par Houben et ses collègues (2015) a confirmé que l’inertie émotionnelle (mesurée par les coefficients AR) constitue un marqueur transdiagnostique central de la vulnérabilité psychologique, observé non seulement dans les troubles de l’humeur, mais également dans le trouble de la personnalité limite (borderline) et les troubles du comportement alimentaire. Ces résultats empiriques assoient la pertinence du modèle AR en tant que pont statistique entre les théories de la complexité et la réalité clinique observée au quotidien.

12. Considérations culturelles et transculturelles

L’application et l’interprétation des modèles autorégressifs en psychologie ne sauraient s’abstraire des matrices socioculturelles au sein desquelles les comportements humains sont observés. La signification psychologique attribuée à la persistance temporelle d’un état varie profondément en fonction des normes culturelles d’expression et de valorisation des émotions.

Dans les cultures occidentales individualistes, dominées par une valorisation de l’hédonisme actif, une forte inertie des émotions négatives est rapidement jugée pathologique et associée à l’inefficacité des mécanismes de régulation du moi. En revanche, dans de nombreuses cultures orientales imprégnées de philosophies dialectiques, bouddhistes ou taoïstes, l’expérience affective est conceptualisée comme intrinsèquement cyclique, transitoire et interconnectée. Les individus issus de ces contextes peuvent manifester une plus grande tolérance à la persistance temporaire d’états d’âme mélancoliques, interprétée non pas comme une rigidité délétère, mais comme une posture contemplative ou une forme de réserve émotionnelle vertueuse.

Sur le plan méthodologique, les rythmes socioculturels quotidiens (horaires réguliers de prière, rituels collectifs, structures du temps de travail et de repos) modulent structurellement la fréquence et la régularité des réponses aux sollicitations écologiques momentanées. Un modèle AR qui n’intègre pas les périodicités circadiennes ou hebdomadaires inhérentes à une écologie culturelle spécifique s’expose au risque de confondre une inertie psychique interne avec une périodicité comportementale socialement imposée.

13. Critiques, débats et limites

En dépit de son attrait théorique et de sa rigueur formelle, le modèle autorégressif fait l’objet de vives controverses méthodologiques et conceptuelles au sein de la communauté scientifique.

La première objection concerne l’hypothèse de stationnarité. Dans les données psychologiques humaines réelles, la moyenne, la variance et la structure d’autocorrélation sont fréquemment instables en raison d’événements de vie majeurs, d’effets d’apprentissage liés à la passation répétée des tests ou de processus de maturation psychologique. Appliquer un modèle autorégressif stationnaire à une série temporelle instable constitue une violation statistique qui biaise lourdement les estimations des paramètres φ.

La deuxième limite réside dans la dépendance stricte de l’estimation au choix de l’intervalle d’échantillonnage temporel (lag interval). Comme l’ont souligné des psychométriciens quantitatifs, le paramètre φ n’est pas invariant au temps : si un individu est évalué toutes les quinze minutes, son inertie sera mécaniquement beaucoup plus élevée que s’il est évalué toutes les six heures. Cette sensibilité arbitraire au protocole de mesure complique drastément la comparaison des résultats entre études et justifie l’abandon progressif des modèles en temps discret au profit des modèles d’équations différentielles en temps continu.

La troisième critique majeure met en garde contre l’illusion de causalité psychologique attribuée au paramètre autorégressif. Un coefficient φ élevé ne prouve pas nécessairement l’existence d’une inertie psychologique interne : il peut tout aussi bien résulter de la présence d’un stresseur environnemental externe persistant et non mesuré (par exemple, un harcèlement professionnel quotidien). Confondre la chronicité d’un environnement nocif avec un dysfonctionnement intrinsèque de l’autorégulation de l’individu constitue une erreur d’attribution causale récurrente.

14. Termes connexes et distinctions

La compréhension rigoureuse du modèle autorégressif impose de le situer par rapport à d’autres formalismes de séries temporelles avec lesquels il est souvent articulé ou confondu :

• Modèle à moyenne mobile (MA, Moving Average) : Alors que le modèle AR stipule que la variable courante dépend de ses propres valeurs antérieures, le modèle MA exprime la variable courante en fonction des résidus d’erreur (innovations stochastiques) passés. Les modèles AR présentent une mémoire théoriquement infinie mais décroissante de manière exponentielle, tandis que les modèles MA ont une mémoire strictement bornée par l’ordre du processus.
• Modèle autorégressif et moyenne mobile (ARMA) : Combine harmonieusement une composante autorégressive AR(p) et une composante de moyenne mobile MA(q), permettant une modélisation extrêmement parcimonieuse de structures dynamiques complexes dans les séries temporelles stationnaires.
• Modèle autorégressif vectoriel (VAR) : Généralisation multivariée du modèle AR univarié. Le modèle VAR permet de tester des interactions réciproques et des dépendances croisées (cross-lagged) entre plusieurs variables au cours du temps, servant de fondement aux approches de causalité de Granger.
• Modèle de Markov à états cachés (HMM) : Contrairement au modèle AR qui décrit l’évolution d’une variable quantitative continue par une relation linéaire, les modèles markoviens modélisent des transitions probabilistes discrètes entre plusieurs états latents qualitatifs non observés (par exemple, basculer d’un état euthymique à un état dépressif franc).

15. Résumé et points clés

Le modèle autorégressif (AR) s’affirme comme l’une des architectures méthodologiques les plus fécondes pour appréhender l’architecture temporelle de la psyché humaine :

• Principe mathématique : Il exprime la valeur actuelle d’une variable comme une fonction linéaire de ses réalisations antérieures pondérées par un paramètre φ, additionnée d’une innovation aléatoire.
• Signification psychologique : En psychologie, le coefficient φ opérationnalise l’inertie émotionnelle, la dépendance temporelle séquentielle et la résilience homéostatique des processus cognitivo-affectifs.
• Applications cliniques : Une inertie temporelle élevée des affects négatifs constitue un biomarqueur dynamique transdiagnostique associé à la dépression, à la rigidité psychologique et au risque de rechute.
• Exigences méthodologiques : Il requiert des données intensives longitudinales (EMA/ESM), une vérification stricte de la stationnarité et une prise en compte minutieuse des intervalles de mesure.
• Évolution moderne : Il s’intègre aujourd’hui au sein de modélisations complexes multiniveaux (DSEM) et de réseaux dynamiques de symptômes, révolutionnant l’évaluation de la santé mentale de précision.

Références

• Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118619193
• Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2013). A network approach to psychopathology: New insights into clinical longitudinal data. PLOS ONE, 8(4), e60188. https://doi.org/10.1371/journal.pone.0060188
• Hamaker, E. L., Asparouhov, T., Brose, A., Schmiedek, F., & Muthén, B. (2018). At the frontiers of modeling intensive longitudinal data: Dynamic structural equation modeling for the Mplus framework. In K. van Montfort, J. H. L. Oud, & M. C. Voelkle (Eds.), Continuous time modeling in the behavioral and related sciences (pp. 1–32). Springer. https://doi.org/10.1007/978-3-319-77290-5_1
• Kuppens, P., Allen, N. B., & Sheeber, L. B. (2010). Emotional inertia and psychological maladjustment. Psychological Science, 21(7), 984–991. https://doi.org/10.1177/0956797610372634
• Molenaar, P. C. M. (2004). A manifesto on psychology as idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. https://doi.org/10.1207/s15366359mea0204_1