壓力過程對抑郁狀態的動態預測： 基于多層決策樹

1引言

近年來，抑郁已成為越來越普遍的心理健康問題。世界衛生組織（WorldHealth Organization，WHO：2023）的調查顯示，全球約有 5% 的成年人（約2.8億人）患抑郁。根據《2023年度中國精神心理健康》藍皮書，中國成年人的抑郁檢出率為 10.6% 。可見，在現代社會的生活壓力下，抑郁問題日漸凸顯且亟待解決。許多研究者指出，預防是抑郁的有效應對策略之一（董健宇 等，2020；張偉霞 等，2023）。這需要對潛在抑郁患者的抑郁狀態進行準確預測，并及時采取預防措施。

大量研究表明壓力是抑郁的重要預測因素（Hammen，2005，2015；Vrshek-Schallhorn etal.，2020）。研究大多在個體間層面（inter-individuallevel），關注壓力對抑郁影響過程的調節因素，以識別抑郁的高風險個體（Hammen，2005，2015）。隨著數據收集技術與統計分析方法的發展，越來越多的研究采用日記法（dailydiary）或生態瞬時評估法（ecologicalmomentaryassessment）收集密集追蹤數據（intensive longitudinal data），考察個體內層面（intra-individuallevel）的日常壓力事件與個體抑郁狀態的動態關聯（Connollyamp; Alloy，2017；Fuller-Tyszkiewicz et al.， 2017; Luo et al.， 2025）。

抑郁狀態是指個體在日常生活中某一時刻所表現出的抑郁癥狀。密集追蹤研究關注個體內抑郁癥狀隨時間的動態波動與變化。以往研究揭示了對抑郁狀態有重要預測作用的多種壓力過程因素，但缺乏對各種因素預測路徑的整合考察（Almeida，2024）。更重要的是，雖然已有研究采用機器學習算法等提高對抑郁的預測準確性（Sauamp;Bhakta，2019;DelaBarreraetal.，2024），但這些預測模型主要用于識別抑郁的高風險個體，而無法考察個體內抑郁狀態的動態過程。考慮到個體內抑郁狀態的發生發展和波動變化可以有效指導回答臨床實踐中“何時干預\"和“對誰干預\"的關鍵問題，有必要收集密集追蹤數據并采用合適的機器學習算法，構建壓力過程對抑郁狀態的動態預測模型。

1.1 壓力過程與抑郁狀態的關系

從壓力的動態視角，Almeida（2024）提出了日常壓力過程模型（Daily StressProcessModel），對日常壓力相關的多種成分進行系統梳理。參考該過程模型（Almeida，2024），結合壓力過程與抑郁狀態在密集追蹤情境波動特點與動態關聯的實證證據，可歸納多種與抑郁狀態存在動態關聯的日常壓力過程成分（見圖1）。其中，壓力過程的第一階段是壓力源暴露（stressor exposure），與個體抑郁狀態的動態變化緊密相關。以往研究發現各個領域（如家庭、學校和同伴；Kiangamp;Buchanan，2014）和各種類型的壓力源（如人際壓力源；Flook，2011）對個體當天的抑郁狀態都有顯著的正向預測作用，即壓力源與抑郁狀態存在同期關聯（Goldringamp;Bolger，2021;Nezlekamp;Gable，2001）。還有研究發現當個體遇到壓力事件后，下一時段（幾小時后）的抑郁狀態水平更高，即壓力源對抑郁狀態還有滯后預測作用（Kang et al.，2023;Luo etal.，2025）。

壓力過程的第二階段是壓力源評估（stressorappraisal），指個體對壓力源所帶來的主觀壓力感受的評估，對預測個體抑郁狀態有重要作用（Fuller-Tyszkiewiczetal.，2017;O'Haraetal.，2014）。評估主觀壓力感受有助于區分經歷相等數量客觀壓力事件但主觀感受程度不同的個體（Bakeretal.，2020）。在客觀壓力事件的基礎上，個體的主觀壓力感受對抑郁狀態的預測有獨特的貢獻（Zawadzkiet al.，2022）。

壓力過程的第三階段是壓力反應（stressresponse），包括個體對壓力源的瞬時性和延續性反應（Almeida，2024），可以分為情緒、認知、行為和生理四個方面。具體而言，在情緒方面，壓力的情緒反應是指個體對于壓力源在情緒方面的瞬時和延續反應。大量研究表明壓力的情緒反應對個體的抑郁狀態有重要預測作用。基于個體重復測量的積極和消極情緒的平均水平與個體的抑郁癥狀緊密相關（Cooke et al.， 2022; Merz amp; Roesch，2011），且個體經歷日常壓力源后更低的積極情緒（Rackoffamp;Newman，2020）和更高的消極情緒（Charleset al.，2013;Parrish etal.，2011;Starr etal.，2024）能顯著預測個體數月甚至數年后的抑郁癥狀。在認知方面，抑郁的認知易感性壓力模型（cognitive vulnerability-stress model of depression; Abramson et al.， 1989;Beck，2002）認為，個體的認知易感性會與個體經歷的壓力事件產生交互作用，共同影響其抑郁狀態。反芻（rumination）是壓力過程中與抑郁狀態緊密相關的典型認知易感性因素（Nolen-Hoeksema et al.，2008），是指個體對自我、感受和不安經歷的長時間、反復消極的思考（Watkins，2008）。近期針對狀態性反芻的密集追蹤研究發現，當個體遭遇壓力事件且對壓力經歷有較多反芻時，個體會表現出較高的抑郁狀態水平（Connollyamp; Alloy，2017，2018）。這表明日常壓力事件與個體狀態反芻之間也會產生動態交互，共同預測個體的抑郁狀態。除了反芻這一回顧性的壓力認知反應，另一種前瞻性的壓力認知反應是壓力源預期。壓力源預期（stressor anticipation）是指個體對未來壓力事件的預期（Kramer etal.，2022）。大量研究表明，對壓力源的預期會產生與經歷真實壓力源相似的效果，對個體帶來生理以及情緒和認知等心理層面的消極影響（Kramer et al.，2022;Neubauer et al.，2018）。在行為方面，研究發現個體自我報告的當前壓力應對情況能顯著正向預測同時期和后續的悲傷等消極狀態（Zawadzkietal.，2022），以及個體后續的抑郁狀態（Fuller-Tyszkiewicz etal.，2017）。此外，還有研究揭示了壓力過程中的預期壓力應對在預測個體后續健康相關行為時的獨特作用（Pannicke et al.，2021）。在生理方面，研究發現個體的抑郁狀態與其身體癥狀存在同時的相互影響（Goldringamp; Bolger，2021）。在有抑郁或焦慮癥狀的群體中，個體的抑郁狀態與其身體癥狀之間還存在滯后的動態交互（Luo et al.，2025）。

此外，壓力事件和/或壓力反應隨時間的累積（accumulation），或稱壓力堆積（pileup;Smyth et al.，2018，2023），也值得關注。以往關于壓力過程成分的研究指出，壓力過程因素的累積對個體的健康狀態有重要預測作用。例如，Almeida等人（2020）發現，壓力事件和壓力的消極情緒反應各自和共同的累積都能有效預測個體后續更低的身體活動水平，而壓力的消極情緒反應本身沒有顯著的預測作用。這表明，單個壓力過程因素的累積和多個壓力過程因素共同的累積，都可能對抑郁狀態的動態預測有重要貢獻。然而，目前仍缺乏在密集追蹤情境中探討壓力累積與抑郁狀態間關聯的研究，尚不清楚哪些壓力過程因素自身的累積或相互之間的疊加能預測更高的抑郁狀態風險。因此，有必要考察壓力過程因素的累積對個體抑郁狀態的影響，以深化對于壓力過程與抑郁狀態間動態關聯模式的理解。

雖然已有大量研究探討了日常壓力過程中的客觀壓力事件、主觀壓力感受和4種壓力反應（情緒、認知、行為和生理反應）對抑郁狀態的預測作用，但仍缺乏對日常壓力過程與個體抑郁狀態的整合研究。因此，仍不清楚哪些壓力過程因素在抑郁狀態預測中發揮主要作用，以及哪些因素（及其累積）對預測效果可能存在獨特貢獻。考慮到壓力過程與抑郁狀態的復雜關系，以及對抑郁狀態的識別與預防的重要性，亟需系統考察壓力過程與抑郁狀態的動態關聯機制，構建對個體抑郁狀態的實時預測與決策模型。

1.2 抑郁狀態的動態預測

對抑郁的預測研究大多基于個體對過去一段時間內平均抑郁水平的回顧性測量，這可能忽視了個體抑郁狀態隨時間波動變化的過程中有助于預測的關鍵信息（AanhetRotetal.，2012;Jimenez etal.，2022）。此外，關于壓力與抑郁關系的研究越來越關注個體在日常生活中經歷的壓力事件的影響，并強調考察個體內動態壓力過程和抑郁狀態變化的重要性（Connollyamp; Alloy，2017; Zawadzki et al.，2022）。因此，近年來有研究開始收集密集追蹤數據來更好地捕捉壓力過程和抑郁狀態的動態變化。

密集追蹤數據（intensive longitudinal data）是指個體內重復測量次數較多（如，大于 10 次或 20 次）的追蹤數據。研究者通常采用日記法（一天一次）或生態瞬時評估（一天多次）等方法（Bolgeramp;Laurenceau，2013；Shiffmanetal.，2008）記錄個體在日常生活中多種狀態的變化過程。與回顧性測量和實驗室操縱相比，這些方法具有高生態效度、低回憶偏差、能實時監測等重要優勢（Bolgeramp;Laurenceau，2013;Shiffmanetal.，2008）。更重要的是，密集追蹤數據中蘊含著關于個體內動態過程的豐富信息，在抑郁狀態的實時預測方面具有重要潛力。

然而，密集追蹤數據的復雜數據結構也對抑郁預測模型的構建提出挑戰。密集追蹤數據有重復測量（個體內水平）嵌套于個體（個體間水平）的多層結構。以往收集密集追蹤數據的抑郁預測研究僅對預測變量進行密集追蹤，而對結果變量（即個體抑郁情況）進行單次測量，故預測變量為多層結構，而結果變量仍為每個個體一個數據點的單層結構（Asareetal.，2022;DelaBarrera etal.，2024;Groenet al.，2019;Horwitz et al.，2023;Shin amp;Bae，2023）。因此，這些研究采用各種方法將每個個體多個數據點的預測變量整合為每個個體一個數據點，進而在個體間水平采用機器學習算法進行抑郁預測建模。

但考慮到抑郁狀態在日常生活中的動態變化（AanhetRotetal.，2012;Jimenezetal.，2022），有必要對抑郁狀態（結果變量）及其預測變量均進行密集追蹤，以構建抑郁狀態的實時預測模型。此時，抑郁預測模型中的預測變量和結果變量均為多層數據結構。以往抑郁預測研究采用的機器學習算法未考慮多層數據中個體內觀測不獨立的問題，無法直接用于這類密集追蹤數據的建模分析（Huamp;Szymczak， 2023）。

對此，有研究者提出了廣義線性混合模型樹（generalized linear mixed model （GLMM） tree;Fokkemaetal.，2018，2021）。這種機器學習算法基于廣義線性混合效應模型構建決策樹，是一種基于模型的遞歸分區算法（model-basedrecursivepartitioningalgorithm；Zeileisetal.，2oo8）。一方面，廣義線性混合模型（GLMM能有效考慮數據的多層結構，并允許模型中的截距和斜率在個體間存在差異（即可估計隨機截距和隨機斜率）；另一方面，決策樹作為經典的機器學習算法，其重要優勢在于樹狀結構具有較高的可解釋性，且可基于大量預測變量靈活構建預測模型并提供實踐決策指導。廣義線性混合模型樹（GLMM樹）綜合了GLMM和決策樹的多種優勢，將決策樹算法拓展運用于多層的情境。以往研究演示了如何運用GLMM樹分析橫斷多層數據（如，病人嵌套于不同治療方案或治療中心；Fokkemaetal.，2018；2021）或長時追蹤數據（間隔數月或數年的重復測量嵌套于個體；Fokkemaamp;Zeileis，2024），但尚無研究將此方法應用于密集追蹤情境來預測抑郁狀態。本研究嘗試采用此算法分析密集追蹤數據，以構建壓力過程對抑郁狀態的動態預測模型。

1.3 研究目的

本研究旨在采用生態瞬時評估法和多層決策樹，構建大學生日常壓力過程對抑郁狀態的動態預測模型。以往抑郁預測研究多聚焦于個體間水平的風險因素（Sauamp;Bhakta，2019），但近年來研究開始強調在個體日常生活中識別異常心理健康狀態并提供及時干預的重要性（Nahum-Shani etal.，2018）。本研究首先采用生態瞬時評估法收集密集追蹤數據，在個體內水平捕捉個體壓力過程和抑郁狀態隨時間的動態變化。隨后，采用多層決策樹分析數據，在考慮多層嵌套數據結構（即重復測量嵌套于個體）以及個體一般抑郁水平差異（即估計隨機截距）的情況下，構建動態壓力過程對個體抑郁狀態的實時預測模型。為了充分考察個體日常壓力過程的動態特點及其對抑郁狀態的預測效果，研究在得到每個壓力過程因素的實時分數后，還計算了每個因素的累積均值（即每個個體該因素截止至當前時刻的均值）和偏離值（即每個個體該因素當前時刻的分數相對于此刻累積均值的差值），作為進一步描述日常壓力過程的動態特征指標，以實現對個體抑郁狀態更準確的預測。更重要的是，為了對個體近期的潛在抑郁狀態進行有效地預測與預警，研究構建了當前時刻的壓力過程動態特征對下一時刻（約3小時后）的抑郁狀態的動態預測模型，以期為抑郁狀態的預防和干預提供實踐決策的支持。

2 方法

2.1 研究對象與程序

研究對象為356名中國大學生 75.84% 為女性），平均年齡為 20.66 歲（17～25， SD=1.64） ，84.88% 為本科生。研究通過問卷星平臺發布被試招募問卷，并在社交媒體平臺進行宣傳，招募有意愿的在校大學生參與研究。招募過程未限制參與者的學校、所在地等，但要求參與者每天可以較為自由地使用手機（以便接收在線問卷信息并及時填寫）。

首先，每位參與者均簽署知情同意書，并填寫一份包括人口統計學信息的調查問卷。在隨后的7天內，參與者每天11點、14點、17點、20點和23點通過智能手機收到帶有問卷鏈接的信息，并報告他們自上次填寫問卷以來的抑郁和壓力相關狀態。最終，在參與者收到的所有問卷中 （N=12460 ；356名參與者 ×35 份問卷），完成率為 90.59% （完成11288份問卷），即參與者們表現出較高的遵從率，這也對應較低的缺失比例（所有變量的缺失率均為1-90.59%=9.41%） 。每位參與者在完成研究后獲得70元被試費作為報酬。本研究未進行預注冊。本研究獲得了倫理委員會的批準。

2.2 測量工具

考慮到以往研究發現生態瞬時評估中較長的問卷會增加參與者的負擔并損害數據質量（Eiseleetal.，2022），削弱研究結果的可靠性和有效性，本研究盡可能選擇題量較少的工具測量研究關心的變量。

2.2.1 結果變量

采用兩題版患者健康問卷（PatientHealthQuestionnaire-2，PHQ-2；Loweetal.，2005）測量個體的抑郁狀態。參與者需根據自己的真實感受，從0（幾乎沒有\"到4（\"非常多\"對兩項題自描述（對做事情沒有興趣或樂趣”；“感到沮喪、抑郁或無望\"）進行5點評分。由于抑郁狀態兩道題的總分呈現明顯的正偏態分布，且表示有無的二分類變量有助于臨床實踐的干預決策，因此根據總分是否為0將抑郁狀態重新編碼為二分類變量。0表示無抑郁狀態，1表示有抑郁狀態。

2.2.2 預測變量

對于壓力過程的第一個階段（壓力源暴露），測量客觀壓力事件。采用針對大學生群體編制的日常壓力源清單（Bakeretal.，2020）評估壓力源暴露情況。該清單包括關于各類日常壓力事件的9個題項（包括“學業任務太多”、“為未來或職業道路做準備”、“準備或參加了考試或小測驗”、“平衡學業和其他責任”、“為未來或職業道路做準備”、“工作上遇到問題”、“獲得比預期低的分數”、“財務相關問題”、“人際關系問題（如，與同學、家人、戀人、上級等）\"），研究還詢問參與者是否有任何其它未列出的壓力事件）。參與者需要用0（\"否\"）或1（\"是\"）表明自上次填寫問卷以來是否經歷過這些壓力源。最終計算所有題項的總分。

對于壓力過程的第二個階段（壓力源評估），測量主觀壓力感受。對于報告的壓力源，參與者需要考慮這些壓力事件對他/她產生的壓力有多大，從1（\"完全沒壓力\"到7（“非常有壓力\"進行評分。

對于壓力過程的第三個階段（壓力反應），測量參與者在情緒、認知、行為和生理這4個方面的壓力反應。在情緒方面，基于簡版積極消極情緒量表（theshort-form of the Positive andNegative AffectSchedule（PANAS）;Thompson，2007），參考以往研究發現的積極和消極情緒的個體內維度結構（Cookeetal.，2022），并綜合考慮題項的維度含義代表性、動態情境適用性、表述易理解性等，選取適用于本研究的狀態情緒題項。具體而言，分別采用2個情緒詞測量積極（“果斷的\"和“備受鼓舞的\"）和消極（“害怕的\"和\"心神不寧的\"情緒。參與者需要從1（“幾乎沒有\"到5（“非常多\"對各個情緒詞進行評分。由于對積極消極情緒動態測量結構的研究表明，狀態消極情緒在個體內水平包括恐懼（fear）和憂慮（distress）兩個子維度（Cookeetal.，2022），故對積極情緒采用兩個題項的平均分，而對消極情緒則分別采用兩題各自的得分描述恐懼和憂慮兩個子維度的得分。

在認知方面，參考以往研究（Blankeetal.，2022）測量狀態反芻（“自上次填寫問卷以來，我無法停止對某些事情的思考，或思考我的感受\"，參與者從1（“完全沒有\"到7（“非常多\"進行評分。此外，參考以往對壓力源預期的研究（Krameretal.，2022），要求參與者從1 （\"完全不預期\"）到7（\"非常預期\"），預期自己多大程度上在接下來的幾個小時內會發生一些緊張或不愉快的事情。

在行為方面，參考以往研究（Pannickeetal.，2021），采用改編自感知壓力量表（thePerceivedStressScale，PSS;Cohenetal.，1983）的2個題項分別測量個體的當前壓力應對和預期壓力應對，參與者從1（“完全沒有把握\"）到7（“非常有把握\"進行評分。

在生理方面，參考以往研究中的身體癥狀清單（Goldring amp; Bolger，202l；Larsen amp; Kasimatis，1991），采用9個題項對個體的壓力生理反應進行客觀評估。研究還詢問了參與者是否有任何其它未列出的身體癥狀。參與者需要用0（\"否\"）或1（\"是\"）表明自上次填寫問卷以來是否出現各種身體癥狀（如頭痛、腹瀉和其它胃腸道癥狀等），最終計算所有題項的總分。此外，參與者還需進行相應的主觀評估，即從0（\"沒有不適感\"）到100 （“不適感非常強\"對身體癥狀造成的不適程度進行評價。

2.2.3 動態指標

對于壓力過程的上述11個預測變量，研究基于每個個體各個壓力過程因素的實時分數，進一步計算了個體各因素的累積均值和偏離值。累積均值是指個體某個壓力過程因素從初始時刻 （t₀=1） 到當前時刻（t的所有觀測分數的平均值，反映了個體在過去一段時間內該壓力過程因素的平均水平，其值越大表明個體過去一段時間該因素的整體水平較高。偏離值是指個體某個壓力過程因素在當前時刻（t）的實時數值與從初始時刻到此時 （t₀～t） 的累積均值的差值，反映了個體該壓力過程因素當前瞬時水平相對過去一段時間平均水平的偏離情況，其值大于（或小于）0表明個體當前該壓力過程因素水平高于（或低于）過去一段時間該因素的整體水平。舉例而言，若個體某壓力過程因素在前3個時間點的實時分數分別為2、1、3，則該壓力過程因素第三個時間點的瞬時水平為3，累積均值為 3）/3），偏離值為 1（=3-2） 。累積均值和偏離值是基于個體自身以往情況計算得到的壓力過程動態指標，能有效反映不同個體的壓力過程變化情況。綜合考慮每個壓力過程因素的實時分數、累積均值和偏離值可以更充分地體現壓力過程的動態特點，有助于實現對個體抑郁狀態更準確的預測。

2.3 數據分析

2.3.1 數據準備

數據準備階段對數據進行預處理，并作初步分析。首先運用R4.2.2（RCoreTeam，2021）中的imputeTS程序包（Moritzamp;Bartz-Beielstein，2017），采用卡爾曼濾波法對有時序依賴性的數據進行缺失值插補。隨后，對于壓力過程中的11個預測變量（壓力源暴露、主觀壓力評估、積極情緒、消極情緒（恐懼）、消極情緒（憂慮）、反芻、壓力源預期、當前壓力應對、預期壓力應對、身體癥狀和身體不適感），分別計算每個個體的各個變量截止至 t 時刻的累積均值，以及 t 時刻分數相對于此刻累積均值的偏離值，作為對壓力過程動態特征的進一步考察。此外，為了構建有時間滯后的抑郁狀態預測模型（即采用t時刻的壓力過程變量預測 t+1 時刻的抑郁狀態），生成一階滯后的抑郁狀態分數。最后，采用psych程序包（Revelle，2017）對重復測量嵌套于個體的多層數據進行描述統計分析，計算群體總均值、個體間標準差、組內相關（intraclasscorrelation，ICC），以及個體內水平和個體間水平不同變量間相關。

2.3.2 模型擬合

本研究采用廣義線性混合模型樹（GLMM樹）算法擬合多層決策樹，構建對抑郁狀態的動態預測模型。這種算法的特點是運用每個終端節點內的觀測數據對參數的固定效應進行局部估計，而運用所有觀測數據對參數的隨機效應進行全局估計（Fokkemaetal.，2018）。關于隨機效應的選取，由于本研究不重點關注或預期某個體內變量對抑郁狀態預測作用的個體間差異，故研究僅納人抑郁狀態的隨機截距（即，個體抑郁狀態平均水平的個體間差異），而不考慮隨機斜率。下面以僅含隨機截距的GLMM樹為例介紹此算法的主要流程（同時含隨機截距和隨機斜率的GLMM樹算法流程類似，具體可參見Fokkema和Zeileis（2024）的研究）。此研究中，個體 i（i=1，2，...，356） 抑郁狀態的期望 （μ_i） 可以表示為：

g（μ_i）=X_iβ_j+Z_iθ_i

其中， μ_i 為 T× 1 的向量，表示個體 i 在各個 t（t⁼ 1，2，…，35 T=35 時刻抑郁狀態的期望， g 表示鏈接函數； X_i 為個體 i 的固定效應設計矩陣，含 T 行、（p+1） 列（1用來表示截距， p 表示時變預測變量的數量）； β_j 為個體 i 所在的終端節點 j（j=1，2，…，J; J 表示終端節點的數量）局部估計的固定效應系數，為 （1+p）×1 的向量，其第一個元素為隨機截距的固定部分，其余元素為各個預測變量的固定斜率;Z_i 為個體 i 的隨機效應設計矩陣，在隨機效應僅為隨機截距時，即為 T× 1 的向量且元素均為1； θ_i 是全局估計的個體 i 的隨機效應，即隨機截距的隨機部分，假設滿足均值為0，方差為 σ² 的正態分布。僅含隨機截距的GLMM樹的估計步驟如下：

（1）設置 r 的初始值為0，并設置 為0;

（2）設置 r=r+1 。以 為偏移量（offset），擬合不考慮截距隨機效應的廣義線性模型樹GLM樹），得到分區結果 j_（r） 。得到分區結果的過程遵循基于模型的遞歸分區算法的一般步驟，具體可參見Zeileis等人（2008）和Fokkema等人（2018）的介紹;（3）基于上一步得到的分區結果 j_（r） ，擬合GLMM （g（μ_i）=X_iβ_j，（r）+Z_iθ_i，（r））， ），得到固定效應系數（ ）和隨機截距的隨機部分（ ）的估計值;（4）重復第2到3步，直至模型收斂。可以通過第3步中GLMM的對數似然考察模型的收斂情況。當第2步中GLM樹的分區結果 j_（r） 與上一次迭代的分區結果 j_（r-1） 相同時，模型通常已收斂。

總的來說，GLMM樹算法在每次迭代中，先擬合GLM樹（第2步），再擬合GLMM估計參數的固定和隨機效應（第3步），如此交替擬合GLM樹和GLMM直至收斂。該算法的具體實現采用R中的glmertree程序包（Fokkemaetal.，2018，2021）。在本研究中，預測變量包括11個壓力過程的3個動態特征指標（t時刻預測變量的值、累積均值和偏離值），共33個預測變量；結果變量為后續 （t+1 時刻的二分類抑郁狀態。模型允許每個個體的抑郁狀態平均值存在個體間差異（考慮隨機截距）。擬合GLM樹時設置分區變量參數不穩定性檢驗的顯著性水平為0.05，并對多重檢驗進行Bonferroni校正（默認設置；Fokkemaetal.，2018）。采用限制性極大似然估計（默認估計方法）得到 GLMM中的固定和隨機效應。關于隨機效應的初始值，研究考察了程序包的默認設置（初始值為0）和初始值為傳統混合效應模型估計值時的結果，不同初值設置下結果相對穩定，最終選擇預測效果略優且較常用的默認設置。此外，研究采用 3×3 網格搜索法調整算法參數得到最優預測模型，最終設置GLMM樹的終端節點最小觀測數量為30，最大數深度為5。

2.3.3 模型評價

為了評價模型表現，進行分塊和分層的五折交叉驗證。由于傳統的 k 折交叉驗證不適用于觀測間有相互依賴性的多層數據結構（在本研究中，重復觀測嵌套于個體，個體內的多次觀測間相互不獨立），因此采用分塊的交叉驗證，使得每個個體的所有觀測被分配到同一折中。又由于結果變量的不平衡（如0和1的占比差異較大）可能會影響交叉驗證的結果，故采用分層的交叉驗證，使得每個折中抑郁狀態風險較高和較低水平的個體占比相等或相近（具體操作為不同折之間個體有抑郁狀態次數的占比的中位數相等）。整個分塊和分層的五折交叉驗證重復5次以獲得更穩定和準確的結果。最終，采用靈敏度、特異性和ROC曲線下面積（AUC）對模型表現進行評價。靈敏度描述了模型能正確識別出有抑郁狀態的概率，特異性描述了模型能正確識別出無抑郁狀態的概率。ROC曲線下面積體現了模型對于有和無抑郁狀態的區分能力，若值為0.5表示幾乎沒有區分能力（即隨機水平），越接近1表示區分準確性越高。為了確定能得到最優的模型靈敏度和特異性的結果變量概率判定標準（指判定為有/無抑郁狀態的概率標準），采用 pROC 程序包（Robinetal.，2011）并基于“最接近左上角\"的原則來確定結果變量的概率臨界值。

3 結果

3.1 描述統計分析

壓力過程預測變量（原始分數）與抑郁狀態（含原始分數和下一時刻的二分類值）的描述統計和相關分析結果見表1。組內相關系數的結果顯示，這些變量有 50%～70% 的變異在個體間水平。相關分析的結果顯示，除積極情緒外的所有預測變量與結果變量在個體間和個體內水平均存在顯著的相關關系 （pslt;0.001） 。

3.2 預測模型結果與評價

圖2呈現了表現最優的抑郁狀態預測模型I。在5次五折交叉驗證中，該模型的平均靈敏度為0.80 （ SD=0.03? ，平均特異性為0.64（ ），平均AUC為0.80（ ?SD=0.02? 。這表明該模型正確識別有抑郁狀態的概率較高，正確識別無抑郁狀態的概率可以接受，且能較為準確地區分有無抑郁狀態。具體而言，該模型顯示有3種路徑表明個體在下一時段可能出現抑郁狀態：（1）個體的消極情緒（憂慮）累積均值有一些 （gt;1.85 ；此解讀基于測量量表計分點的實際含義，下同）；（2）個體的消極情緒（憂慮）累積均值較低（1～1.85），壓力源的累積均值較低 （?0.75） ，且當前消極情緒（憂慮）略高于累積平均水平（偏離值 gt;0.24） ；（3）個體的消極情緒（憂慮）累積均值較低 （1～1.85） ，壓力源的累積均值較高（gt;0.75 ；表明累積平均每3個小時可能經歷約1個壓力事件），且有一定程度的反芻 （gt;2.08） 。這一預測模型表明，運用壓力過程的3個因素（即，消極情緒（憂慮）、壓力源和反芻）及其動態特征即可有效預測個體后續的抑郁狀態，且各種壓力過程動態特征在抑郁狀態的動態預測中都發揮著重要作用。

在預測模型I中還可觀察到，憂慮的消極情緒對后續抑郁狀態的預測發揮著關鍵作用。然而，以往研究發現，有抑郁狀態的個體更少地表露他們的情緒狀態（Kahnamp;Garrison，20o9；Macdonaldamp;Morley，2001），且他們在頻繁報告情緒狀態時會感知到較高水平的負擔和侵入性（DeGirolamoetal.，2020；VanGenugtenetal.，2020）。此外，在監控和預測抑郁狀態的實際研究中，頻繁測量個體的積極消極情緒可能存在操作上的困難。因此，本研究嘗試去除預測變量中的積極和消極情緒，進一步探索不含情緒狀態的抑郁狀態預測模型。

3.3 補充分析

圖3呈現了不含情緒預測變量的抑郁狀態預測模型。該模型在5次五折交叉驗證中，平均靈敏度為0.72 SD=0.03? ），平均特異性為0.67（ SD=0.03） ，平均AUC為0.76（ ?SD=0.03） 。這表明去除積極消極情緒的模型Ⅱ對抑郁狀態的預測效果略有下降，但仍能較為準確地區分個體有無抑郁狀態的情況。根據模型Ⅱ，有3種路徑表明個體在下一時段可能出現抑郁狀態：（1）個體有中等及以上的當前壓力應對的累積均值 （gt;3.12） ，但也有中等及以上的主觀壓力感受 （gt;3.02） ；（2）個體有中等及以上的當前壓力應對的累積均值 （gt;3.12） ，較低的主觀壓力感受（20 （?3.02） ，但有一定程度的反芻 （gt;2.97） ;（3）個體當前壓力應對的累積均值較低 （?3.12） ，預期壓力應對的累積均值中等或較低 （≤5.77） ，且有一定程度的身體不適感 （gt;21.20） 。

圖2壓力過程（t）對抑郁狀態 （t+1） 的動態預測模型I

注：所有分區變量的參數不穩定性（parameterinstability）檢驗的 p 值均小于 0.001 。

圖3壓力過程（t）對抑郁狀態 （t+1） 的動態預測模型Ⅱ

注：預測變量中不含積極和消極情緒及其動態特征，所有分區變量的參數不穩定性檢驗的 p 值均小于0.001。

4討論

本研究首次基于多層決策樹（即GLMM樹），構建大學生日常壓力過程對其抑郁狀態的動態預測模型。研究發現含情緒狀態的最佳預測模型I（AUCξ=ξ0.80） 揭示了對抑郁狀態有關鍵預測作用的壓力過程因素：消極情緒（憂慮；壓力情緒反應）、壓力源和反芻（壓力認知反應）。不含情緒狀態的預測模型ⅡI也表現出較好的預測效果 （AUC=0.76） ，表明綜合當前和預期壓力應對（壓力行為反應）、反芻（壓力認知反應）、身體不適感（壓力生理反應）和主觀壓力感受也可以實現對個體抑郁狀態較為準確的預測。此外，研究結果表明，除了壓力過程的當前水平，其累積均值和偏離值這些動態特征在抑郁狀態的實時預測中也起到重要作用。本研究從壓力過程與抑郁狀態之間關系的理論基礎出發，采用數據驅動的機器學習算法，系統探究了壓力過程對抑郁狀態的復雜預測模式，為個體在日常生活中抑郁狀態的動態預測提供了有效的決策工具，對抑郁預測相關的理論和實踐研究都有重要貢獻。

4.1 抑郁狀態動態預測的重要發現

研究首先發現，日常壓力過程中的各個成分對個體抑郁狀態的預測都有不同程度的貢獻。其中，憂慮這種消極情緒是個體后續抑郁狀態最強的風險因素。以往也有大量研究發現消極情緒與抑郁狀態存在較強的正向關聯（Cookeetal.，2022；Merzamp;Roesch，2011;Starretal.，2024），這與本研究的結果一致。更重要的是，本研究基于狀態消極情緒的恐懼-憂慮兩維度結構（Cookeetal.，2022），進一步揭示憂慮這種消極情緒在抑郁狀態的動態預測中發揮重要作用，而恐懼情緒對抑郁狀態的預測作用相對較弱。這啟示情緒相關的抑郁干預實踐應聚焦于個體的憂慮情緒進行設計和實施，且未來研究應根據更精細的消極情緒結構探究其與個體狀態的動態關聯。此外，在抑郁狀態的動態預測中，個體經歷的壓力源的累積均值和個體當前的反芻水平也發揮著獨特作用。當個體有中等水平的憂慮情緒累積均值，過去一段時間持續經歷著日常壓力事件（本研究中平均每3個小時經歷接近1個壓力事件），且最近時段有較多的反芻，則個體很可能在下一時段表現出抑郁狀態。這與持續性認知假說（perseverativecognition hypothesis）的觀點相一致，即個體的反芻會加劇和延長壓力源對個體健康的消極影響（Brosschot etal.，2006），且與抑郁等多種臨床癥狀的發生和維持都有密切的關系（Watkinsamp;Roberts，2020）。

以憂慮消極情緒為主導的模型對抑郁狀態有最佳的預測效果，但研究發現不含情緒因素的模型也能達到較好的預測效果。具體來說，可以綜合日常壓力過程中行為、認知和生理層面的壓力反應以及主觀壓力感受較為準確地預測個體后續的抑郁狀態。在不含情緒的抑郁狀態預測模型中，當前壓力應對和預期壓力應對的累積均值是最初有分類作用的核心節點，是預測抑郁狀態的關鍵因素。當個體在過去一段時間內的當前和預期壓力應對情況都相對較差（即累積均值較低）時，個體相對較高的身體不適感（略高于所有個體在所有時刻的平均觀測水平）預示著其后續較高的抑郁狀態風險水平。以往研究發現個體的抑郁狀態與身體癥狀在不同時間尺度上都存在一定的相互作用和動態關聯（Goldringamp;Bolger，2021;Long etal.， 2018;Luo etal.，2025），本研究進一步發現當個體近期的平均壓力應對情況較差時，其生理層面的不適感能有效預測后續的抑郁狀態。此外，即使個體過去一段時間的當前壓力應對情況較好，若個體主觀上感知到較高水平的壓力，或壓力感知較低但反芻水平較高，個體后續仍有較高的抑郁狀態風險。這表明，壓力過程的不同成分可能會通過復雜的組合關系對個體后續的抑郁狀態產生影響。

事實上，本研究的抑郁狀態預測模型表明，日常壓力過程的多個成分會累積作用于個體，共同預測其后續的抑郁狀態風險。以往有研究發現，壓力過程成分的累積對個體健康狀態（如，身體活動水平；Almeidaetal.，2020）的動態預測有獨特貢獻。本研究也發現了類似的現象，即個體的憂慮（壓力消極情緒反應）和經歷的壓力事件能疊加預測其后續更高的抑郁狀態風險。此外，本研究還揭示了其它壓力過程預測個體后續抑郁狀態的多種復雜組合和作用路徑（如壓力應對不良與身體不適感對抑郁狀態的共同預測），促進了對壓力過程和抑郁狀態間復雜關系和影響機制更系統和深人的認識，推動壓力過程累積風險相關理論的構建與發展。

此外，壓力過程的累積均值和偏離值這些動態特征在抑郁狀態預測中的作用也值得關注。在抑郁狀態的動態預測模型中，個體的憂慮情緒、壓力源以及當前和預期壓力應對的累積均值在預測路徑的初始階段起到了關鍵作用，憂慮情緒在當前時刻相對于個體累積平均水平的偏離值也能進一步輔助預測個體下一時段的抑郁狀態。這表明，在樹狀結構的抑郁狀態預測模型中，預測的初始階段主要依據某些壓力過程因素在過去一段時間內的整體平均水平。而在預測路徑的末端，模型則大多基于各種壓力過程因素在臨近時刻的瞬時水平或相對平均水平的偏離值，進行更精細的輔助判斷。可見，壓力過程的瞬時水平、累積均值和偏離值可以在預測個體抑郁狀態風險時相互補充完善。這也啟示未來研究可結合預測因素的多種動態特征，以實現更準確有效的動態預測（Czyzetal.，2023）。

4.2 研究的理論與實踐貢獻

本研究在理論和實踐方面均具有重要貢獻。在理論方面，本研究從動態的視角豐富拓展了以往關于壓力與抑郁之間關系的研究，深化了壓力過程對抑郁狀態復雜預測機制的理解。首先，本研究通過整合分析多種日常壓力過程因素及其動態特征，系統揭示了對抑郁狀態預測有關鍵作用的壓力過程因素，以及不同因素的復雜組合對抑郁狀態風險的協同預測作用，促進對于壓力過程的累積風險理論（Smythetal.，2018，2023）的認識與發展。其次，本研究通過生態瞬時評估，在微觀時間尺度上（數小時）捕捉個體日常生活中壓力過程與抑郁狀態的動態波動，并考察壓力過程對下一時段抑郁狀態的短時滯后預測作用。由于壓力與抑郁在不同時間尺度（從微觀的天內水平到宏觀的跨年水平）均有獨特意義，且個體的宏觀發展變化結果（如，患抑郁癥）是相應微觀動態波動過程（如，日常壓力對抑郁狀態的短時影響）的長期作用結果（Hammen，2015;Jeronimus，2019；Wichers，2014），本研究對壓力與抑郁間短時作用模式的深人考察有助于在多重時間尺度上進一步理解壓力與抑郁間關系和抑郁的動態變化過程。此外，本研究基于壓力過程提出累積均值和偏離值這些動態指標，在個體中心的視角下為個體抑郁狀態的動態預測提供了新的指標構建與理論構建思路。對于壓力與抑郁間關系的已有研究主要關注壓力相關的抑郁風險因素（即，變量中心的視角）。本研究基于個體內動態壓力過程，針對每個個體的壓力過程提出累積均值和偏離值的動態指標。這些基于個體自身以往情況（如，偏離值反映個體當下水平相對于自身以往平均水平的波動）計算的壓力過程動態指標能有效反映不同個體的壓力變化情況。本研究發現的不同動態指標對抑郁狀態預測的獨特貢獻，有助于拓展壓力過程對抑郁狀態預測的指標構建思路，進而在個體中心的視角下發展構建基于個體內壓力累積水平或波動過程的壓力與抑郁關系理論。

在實踐方面，本研究結合多層決策樹和生態瞬時評估，構建了兼具可解釋性和預測效果的抑郁狀態實時預警模型，為個體潛在抑郁狀態的實時監測與識別提供了有效的決策工具。雖然以往也有研究采用生態瞬時評估記錄個體日常生活中抑郁相關的狀態（Asare etal.，2022;Dela Barrera et al.， 2024;Groen et al.，2019;Horwitz et al.，2023;Shin amp; Bae，2023），但這些研究基于密集追蹤數據得到的預測指標僅用于預測單次測量的抑郁癥狀，最終仍局限在個體間水平考察對抑郁癥狀有預測作用的個體特征。本研究在此基礎上進一步考察個體內水平，探究多種壓力過程及其動態指標對個體后續抑郁狀態的實時預測，可有效回答臨床干預實踐中“何時需要干預\"和“誰需要干預\"的關鍵問題。此外，本研究探討了自然生活情境下壓力對抑郁的短時滯后預測作用，可以為快速發展的數字化干預（Mosheetal.，2021）和及時適應性干預（NahumShanietal.，2018）提供實證支持。近年來，數字化干預和及時適應性干預得到了越來越多的發展與應用。這些干預依托于信息技術和移動設備的快速發展，重視對個體自然生活情境下脆弱性狀態（statesofvulnerability）的實時動態監測，常常在一天內進行多次狀態評估與干預反饋（如，每天進行3次評估；Ben-Zeevetal.，2014）。但此類干預方案在開發時常常缺乏較好的實證和理論支持（Riley，2015）。本研究基于個體日常生活壓力過程構建的抑郁狀態動態預測模型，揭示了對個體后續抑郁狀態有重要預測作用的關鍵壓力因素和協同作用模式，可為基于壓力的數字化和及時適應性的抑郁干預方案提供實證支持，指導設計更合理和有針對性的干預方案。

4.3 局限與展望

本研究仍存在一些局限。其一，本研究中壓力過程和抑郁狀態的測量均采用自我報告法，可能會受到共同方法偏差的影響。未來研究可考慮采用可穿戴設備等對個體的壓力和抑郁狀態相關生理指標進行更客觀的測量（Asareetal.，2022）。其二，本研究在線上平臺通過自愿參與的方式招募被試，對被試所在學校和地區等的平衡可能不足，這會對本研究大學生樣本的代表性產生一定影響。因此，可以在更好地控制地區等因素的大學生樣本中，進一步探究抑郁狀態的動態預測模型。其三，本研究采用卡爾曼濾波插補缺失數據，雖然考慮了密集追蹤數據的時序依賴特點，但可能無法體現多變量時間序列間的關系。考慮到目前仍缺乏基于多層決策樹等機器學習算法對缺失數據處理方法的系統探討，而合理處理缺失數據對密集追蹤數據分析很重要，未來研究可以針對這類預測模型和數據特點探究開發合適的缺失數據處理方法和工具。最后，本研究考慮的日常壓力過程及其動態特征指標有限。比如，吳朝毅和王振（2024）系統梳理了情緒相關的多種動態指標（如，情緒變異性和情緒慣性等），并總結了抑郁癥臨床人群和健康人群在這些動態指標上的群體差異。在個體內水平，這些指標一段時間內的實時變化分數也有望運用于個體后續抑郁狀態的動態預測。未來研究可以更全面地考察日常壓力過程及其動態特征指標，以更綜合地探究動態壓力過程對個體抑郁狀態的預測和決策模型。

參考文獻

Aan het Rot，M.，Hogenelst， K.，amp; Schoevers，R.A. （2012）. Mood disorders in everyday life：A systematic review of experience sampling and ecological momentary assessment studies.Clinical Psychology Review，32（6），510-523.

Abramson，L.Y.，Metalsky，G. I.，amp; Alloy，L.B.（1989）. Hopelessness depression：A theory-based subtype of depression. Psychological Review， 96（2），358-372.

Almeida，D. M. （2024）. The time is now for integrative multilayered stress research and mitigation. Frontiers in Science，2，1389481.

Almeida，D.M.，Marcusson-Clavertz，D.， Conroy，D.E.，Kim， J.，Zawadzki，M.J.，Sliwinski，M.J.，amp;Smyth，J.M.（2020） Everyday stress components and physical activity： Examining reactivity， recovery and pileup. Journal of Behavioral Medicine， 43（1），108-120.

Asare，K.O.，Moshe，I.，Terhorst，Y.，Vega，J.，Hosio，S.， Baumeister，H.，...Ferreira，D.（2022）.Mood ratingsand digital biomarkers from smartphone and wearable data differentiates and predicts depression status： A longitudinal dataanalysis.Pervasive and Mobile Computing，83，101621.

Baker，M.R.，Nguyen-Feng，V.N.，Nilakanta，H.，amp;Frazier，P. A.（2020）.Childhood maltreatment predicts daily stressor exposure in college students but not perceived stress or stress reactivity. Journal of Counseling Psychology， 67（1）， 79-89.

Beck，A. T. （2002）. Cognitive models of depression. In R. L. Leahy amp; E.T.Dowd （Eds.）， Clinical advances in cognitive psychotherapy： Theory and application （pp.29-61）. Springer Publishing Company.

Ben-Zeev，D.，Brenner，C.J.，Begale，M.，Duffecy，J.，Mohr，D. C.，amp;Mueser，K.T.（2o14）.Feasibility，acceptability，and preliminary efficacy of a smartphone intervention for schizophrenia.Schizophrenia Bulletin，40（6），1244-1253.

Blanke，E.S.，Neubauer，A.B.，Houben，M.，Erbas，Y.，amp; Brose，A. （2022）. Why do my thoughts feel so bad？ Geting at thereciprocal effects of rumination and negative affect using dynamic structural equation modeling. Emotion， 22（8），1773-1786.

Bolger， N.，amp; Laurenceau， J. P. （2013）. Intensive longitudinal methods： An introduction to diary and experience sampling research.Guilford Press.

Brosschot，J.F.，Gerin，W.，amp;Thayer，J.F.（2006）.The perseverative cognition hypothesis： A review of worry， prolonged stress-related physiological activation， and health. Journal of Psychosomatic Research， 60（2），113-124.

Charles， S.T.， Piazza，J.R.，Mogle，J.， Sliwinski，M.J.，amp; Almeida，D.M.（2013）.Thewear and tear of daily stressors on mental health.Psychological Science，24（5），733-741.

Cohen， S.，Kamarck，T.，amp; Mermelstein，R.（1983）.A global measure of perceived stress.Journal ofHealth and Social Behavior，24（4），385-396.

Connolly， S.L.，amp; Alloy，L.B.（2017）. Rumination interacts with life stress to predict depressive symptoms：An ecological momentary assessment study. Behaviour Research and Therapy，97，86-95.

Connolly， S. L.， amp; Alloy， L. B. （2018）. Negative event recal asavulnerability for depression： Relationship between momentary stress-reactive rumination and memory for daily life stress.Clinical Psychological Science，6（1），32-47.

Cooke，E.M.，Schuurman，N.K.，amp; Zheng，Y.（2022）. Examining the within- and between-person structure of a short form of the positive and negative affect schedule： A multilevel and dynamic approach. Psychological Assessment， 34（12）， 1126-1137.

Czyz，E.K.，Koo，H.J.，Al-Dajani，N.，King，C.A.，amp; NahumShani，I. （2023）.Predicting short-term suicidal thoughts in adolescents using machine learning： Developing decision toolsto identify daily level risk after hospitalization. Psychological Medicine，53（7），2982-2991.

DeGirolamo，G.，Baratieri di San Pietro，C.，Bulgari，V.， Dagani， J.，Ferrari， C.， Hotopf， M.，.. Zarbo， C. （2020）. The acceptability ofreal-time health monitoring among community participants with depression：A systematic review and meta-analysis of the literature. Depression and Anxiety， 37（9）， 885-897.

DelaBarrera，U.，Arrigoni，F.，Monserrat，C.， Montoya-Castilla， 1.，amp; Gil-Gómez， J. A. （2024）. Using ecological momentary assessment and machine learning techniques to predict depressive symptoms in emerging adults.Psychiatry Research， 332，115710.

Dong，J.，Wei，W.，Wu，K.，Ni，N.，Wang， C.，Fu，Y.，amp; Peng，X. （2020）. The application of machine learning in depression. Advances in Psychological Science， 28（2），266-274.

[董健宇，韋文棋，吳珂，妮娜，王粲霏，付瑩，彭歆.（2020）. 機器學習在抑郁癥領域的應用．心理科學進展，28（2）， 266-274.]

Eisele，G.，Vachon，H.，Lafit，G.，Kuppens，P.， Houben，M.， Myin-Germeys，1.，amp; Viechtbauer，W.（2022）. The effects of sampling frequency and questionnaire length on perceived burden， compliance， and careless responding in experience sampling data in a student population. Assessment， 29（2）， 136-151.

Flook，L.（2011）.Gender differences in adolescents’daily interpersonal events and well-being. Child Development， 82（2）， 454-461.

Fokkema，M.，Edbrooke-Childs，J.，amp; Wolpert，M. （2021）. Generalized linear mixed-model （GLMM） trees： A flexible decision-tree method for multilevel and longitudinal data. Psychotherapy Research，31（3），329-341.

Fokkema，M.， Smits，N.， Zeileis，A.，Hothorn，T.，amp; Kelderman，H. （2018）.Detecting treatment-subgroup interactions in clustered data with generalized linear mixed-effects model trees. Behavior Research Methods，50（5），2016-2034.

Fokkema，M.，amp; Zeileis， A. （2024）. Subgroup detection in linear growth curve models with generalized linear mixed model （GLMM） trees. Behavior Research Methods，56， 6759-6780.

Fuller-Tyszkiewicz， M.， Karvounis， T.， Pemberton， R.， Hartley-Clark，L.，amp; Richardson，B.（2017）.Determinants of depressive mood states in everyday life： An experience sampling study.Motivation and Emotion， 41， 510-521.

Goldring，M.R.，amp; Bolger，N. （2021）. Physical effects of daily stressors are psychologically mediated， heterogeneous，and bidirectional. Journal of Personality and Social Psychology， 121（3）， 722-746.

Groen， R.N.， Snippe，E.， Bringmann，L.F.， Simons，C.J.P.， Hartmann，J.A.，Bos，E.H.，amp; Wichers，M.（2019）. Capturing the risk of persisting depressive symptoms： A dynamic network investigation of patients’daily symptom experiences.Psychiatry Research， 271，640-648.

Hammen， C.L. （20o5）. Stress and depression.Annual Review of Clinical Psychology，1，293-319.

Hammen， C. L. （2015）. Stress and depression： Old questions， new approaches. Current Opinion in Psychology，4， 80-85.

Horwitz，A.G.，Kentopp，S.D.，Cleary， J.， Ross，K.，Wu， Z.， Sen，S.，amp; Czyz，E.K. （2023）. Using machine learning with intensive longitudinal data to predict depression and suicidal ideation among medical interns over time. Psychological Medicine，53（12），5778-5785.

Hu，J.，amp; Szymczak， S. （2023）. A review on longitudinal data analysis with random forest. Briefings in Bioinformatics， 24（2），bbad002.

Jeronimus， B. F. （2019）. Dynamic system perspectives on anxiety and depression. In Kunnen，E. S.，De Ruiter， N. M.， Jeronimus，B.F.，amp; Van der Gaag，M.A （Eds.），Psychosocial development in adolescence：Insights from the dynamic systems approach （pp.100-126）. Routledge.

Jimenez，A.，McMahon， T.P.，Watson， D.，amp; Naragon-Gainey， K.（2022）. Dysphoria and well-being in daily life： Development and validation of ecological momentary assessment scales. Psychological Assessment， 34（6）， 546-557.

Kahn，J.H.，amp; Garrison，A.M.（20o9）.Emotional selfdisclosure and emotional avoidance： Relations with symptoms of depression and anxiety. Journal of Counseling Psychology， 56（4），573-584.

Kang，J.E.，Graham-Engeland，J.E.，Scott，S.，Smyth，J.M.，amp; Sliwinski， M. J. （2023）. The relationship between loneliness and the experiences of everyday stress and stressor-related emotion. Stress and Health，40（2），e3294.

Kiang，L.，amp; Buchanan， C.M. （2014）. Daily stress and emotional wel-being among Asian American adolescents： Same-day，lagged，and chronic associations. Developmental Psychology， 50（2）， 611-621.

Kramer，A.C.，Neubauer，A.B.， Scott， S.B.，Schmiedek，F.， Sliwinski， M. J.，amp; Smyth， J. M. （2022）. Stressor anticipation and subsequent affective well-being： A link potentially explained by perseverative cognitions. Emotion，22（8）， 1787-1800.

Larsen，R.J.，amp; Kasimatis，M. （1991）. Day-to-day physical symptoms： Individual differences in the occurrence， duration， and emotional concomitants of minor daily illnesses. Journal of Personality， 59（3）， 387-423.

Long，E.E.，Young，J.F.，amp; Hankin，B.L.（2018）. Temporal dynamics and longitudinal co-occurrence of depression and different anxiety syndromes in youth： Evidence for reciprocal patterns in a 3-year prospective study. Journal of Affective Disorders，234，20-27.

Lowe，B.，Kroenke，K.，amp; Grafe，K. （2005）. Detecting and monitoring depression with a two-item questionnaire （PHQ-2）. Journal of Psychosomatic Research， 58（2），163-171.

Luo，X.，Ma，J.，amp; Hu，Y.（2025）.A dynamic bidirectional system of stress processes： Feedback loops between stressors， psychological distress，and physical symptoms. Health Psychology， 44（2），154-165.

Macdonald， J.，amp; Morley， I. （20o1）.Shame and non-disclosure： A study of the emotional isolation of people referred for psychotherapy. British Journal of Medical Psychology， 74（1），1-21.

Merz，E.L.，amp; Roesch， S.C.（2011）.Modeling trait and state variation using multilevel factor analysis with PANAS dailv diarv data Inuvnal nf Rosoarch in Porcnnality 45/1）

Moritz，S.，amp; Bartz-Beielstein，T.（2017）.imputeTS：Time series missing value imputation in R. The R Journal， 9（1）， 207-218.

Moshe，1.， Terhorst， Y.， Philippi，P.， Domhardt， M.， Cuijpers，P.， Cristea，I.，..Sander，L.B.（2021）.Digital interventions for the treatment of depression： A meta-analytic review. Psychological Bulletin，147（8），749-786.

Nahum-Shani，I.，Smith， S.N.， Spring，B.J.，Collins，L.M.， Witkiewitz， K.， Tewari， A.，amp; Murphy， S.A. （2018）. Justin-time adaptive interventions （JITAIs） in mobile health： Key components and design principles for ongoing health behavior support. Annals of Behavioral Medicine， 52（6）， 446-462.

Neubauer，A.B.，Smyth，J.M.，amp; Sliwinski，M.J. （2018）. When you see it coming： Stressor anticipation modulates stress effects on negative affect. Emotion，18（3），342-354.

Nezlek，J.B.，amp; Gable，S.L.（2001）. Depression asa moderator of relationships between positive daily events and day-to-day psychological adjustment. Personality and Social Psychology Bulletin，27（12），1692-1704.

Nolen-Hoeksema， S.， Wisco，B.E.， amp; Lyubomirsky， S. （2008）. Rethinking rumination. Perspectives on Psychological Science， 3（5）， 400-424.

O'Hara，R.E.，Armeli， S.，Boynton，M.H.，amp; Tennen，H. （2014）. Emotional stress-reactivity and positive affect among college students： The role of depression history. Emotion， 14（1），193-202.

Pannicke，B.，Kaiser，T.，Reichenberger，J.，amp;Blechert，J. （2021）. Networks of stress， affect and eating behaviour： Anticipated stress coping predicts goal-congruent eating in young adults. International Journal of Behavioral Nutrition andPhysical Activity，18，14.

Parrish，B.P.，Cohen，L.H.，amp; Laurenceau，J.P.（2011）. Prospectiverelationship between negative affective reactivity to daily stress and depressive symptoms.Journal of Social and Clinical Psychology，30（3），270-296.

R Core Team. （2021）. R： A language and environment for statistical computing. Available at： https：//www.r-project. org/index.html.

Rackoff，G.N.，amp; Newman，M.G.（202O）.Reduced positive affect on days with stress exposure predicts depression， anxiety disorders， and low trait positive affect 7 years later. Journal ofAbnormal Psychology，129（8），799-809.

Revelle， W. R. （2017）. psych： Procedures for personality and psychological research. Software.

Riley，W.T.（2015）.Theoretical models to inform technologybased health behavior interventions.In Riley，W.T（Ed.）， Behavioral healthcare and technology： Using sciencebased innovations to transform practice （pp. 13-23）. Oxford University Press.

Robin，X.， Turck， N.， Hainard，A.， Tiberti， N.，Lisacek，F.， Sanchez，J. C.，amp; Muller， M. （2011）. pROC：An opensource package for R and ^S+ to analyze and compare ROC curves. BMC Bioinformatics，12，1-8.

Sau，A.，amp; Bhakta，I. （2019）.Screening of anxiety and depression among seafarersusing machine learning technology.InformaticsinMedicineUnlocked，16，100228.

Shiffman，S.， Stone，A.A.，amp; Hufford，M.R. （2008）. Ecological momentary assessment. Annual Review of Clinical Psychology， 4，1-2.

Shin，J.，amp; Bae， S.M. （2U23）.A systematic review ot location data for depression prediction. International Journal of Environmental Research and Public Health，20（11），5984.

Smyth，J.M.，Sliwinski，M.J.，Zawadzki，M.J.，Scott，S.B.， Conroy， D.E.，Lanza，S.T.，...Almeida，D.M. （2018）. Everyday stress response targets in the science of behavior change.Behaviour Research and Therapy，101，20-29.

Smyth，J.M.， Zawadzki，M.J.，Marcusson-Clavertz，D.，cott， S. B.，Johnson， J. A.， Kim， J.，.. Almeida， D.M. （2023）. Computing components of everyday stress responses： Exploring conceptual challenges and new opportunities. Perspectives on Psychological Science， 18（1），110-124.

Starr，L.R.，Santee，A. C.， Chang，K.K.，amp; DeLap，G.A.L. （2024）. Everyday emotion，naturalistic life stress，and the prospective prediction of adolescent depression. Anxiety， Stress，and Coping，37（4），487-500.

Thompson， E. R. （2007）. Development and validation of an internationally reliable short-form of the positive and negative affect schedule （PANAS）. Journal of Crosscultural Psychology， 38（2），227-242.

Van Genugten， C. R.， Schuurmans， J.， Lamers， F. Riese，H.， Penninx，B.W.， Schoevers，R.A.，... Smit， J.H. （2020）. Experienced burden of and adherence to smartphone-based ecological momentary assessment in persons with affective disorders.Journal of Clinical Medicine， 9（2），322-335.

Vrshek-Schallhorn，S.，Ditcheva，M.，amp; Corneau，G. （2020）. Stress in depression.In Harkness，K.L.，amp; Hayden，E.P （Eds.）， The Oxford handbook of stress and mental health （pp.97-126）. Oxford University Press.

Watkins， E.R. （2oo8）. Constructive and unconstructive repetitive thought.Psychological Bulletin，134（2），163-206.

Watkins，E.R.，amp; Roberts，H. （2020）.Reflecting on rumination： Consequences，causes，mechanismsand treatment of rumination. Behaviour Research and Therapy，127，103573.

Wichers，M. （2014）.The dynamic nature of depression： A new micro-level perspective of mental disorder that meets current challenges.Psychological Medicine，44（7），1349- 1360.

World Health Organization. （2023）. Available online：https：// www.who.int/news-room/fact-sheets/detail/depression.

Wu，C.，amp; Wang，Z.（2024）. The dynamic features of emotion dysregulation in major depressive disorder： An emotion dynamics perspective. Advances in Psychological Science， 32（2），364-388.

[吳朝毅，王振.（2024）.抑郁癥情緒失調的動態特征：情緒 動力學的視角．心理科學進展，32（2），364-388.]

Zawadzki， M. J.，Hussain，M.，amp; Kho， C. （2022）. Comparing multidimensional facets of stress with social，emotional， and physical well-being using ecological momentary assessment among a Hispanic sample. Stress and Health， 38（2），375-387.

Zeileis，A.， Hothorn， T.，amp; Hornik，K. （2008）.Model-based recursive partitioning. Journal of Computational and Graphical Statistics，17（2），492-514.

Zhang，W.，Xi，M.，Yin，T.，Wang，C.，amp; Si，S.（2023）. Prediction of depression onset and development based on network analysis. Advances in Psychological Science， 31（11），2129-2141.

[張偉霞，席敏，陰甜甜，王成，司書賓.（2023）．基于網絡分 析的抑郁癥產生與演變預測．心理科學進展，31（11）， 2129-2141.]

Dynamic prediction of depressive states using stress processes： A multilevel decision tree approach

LUO Xiaohui， HU Yueqin， LIU Hongyun （BeijingKeybratoryofpliedExperimentalyhologytionalemosrationCnterforExperimentalology Education （BeiingNoralUiversity），acultyfschologyeiingNoralUversityeing75a）

Abstract

The importance of predicting depressive risk has become increasingly prominent in recent years. Research has shown dynamic associations between depressive symptoms and multiple components of the daily stress process model （e.g.，stressor exposure，stresappraisal，and stressreactivity）. However，anintegratedanalysisof thepredictive effct of stress processes on depressive states is still warranted.More importantlyalthough studies have been conducted to improve the prediction accuracy of depression using machine learning algorithms，these prediction models have primarily focused on inter-individual diffrences in depressive risk factors while overlooking the intra-individual dynamics of stress processes and depressive states. Given that fluctuations in individuals’depressive states can effectively guide clinical practice in answering the key questions of“when to intervene”and“for whom to intervene”，this study aimed to use ecological momentary assessment （EMA） data and adopt a multilevel decision tree approach to construct a dynamic prediction model of depressive states using stress processes.

A sample of 356 Chinese college students completed five momentary assessments per day for seven days. In each assessment， they completed measures of depressive states，stressul life events （stressor exposure）， perceived stress （stress appraisal）， positive and negative affect （affective reactivity），rumination and stressor anticipation （cognitive reactivity）， present and anticipated stress coping （behavioral reactivity），and physical symptoms and discomfort （physical reactivity）.A multilevel decision tree approach （i.e.， generalized linear mixed model（GLMM）tree） was employed to account for the multilevel structure of the data and the diferences in individuals' general levels of depression （i.e.，random intercept）. In addition to the momentary score of each stress process factor， we alsocalculated the cumulative mean and deviation of each factor as indicators to further characterize the dynamics of daily stress processes. To efectively predict and warn individuals of potential depressive states in the near future， we constructed a dynamic prediction model of stress processs at the current moment on the depressive states at the subsequent moment （approximately three hours later）.

Our analysis revealed several key findings.First， the model including negative affect （distress），stressors， and rumination accurately predicted whether individuals would experience depressive states three hours later， with distress levels （negative affective reactivity to stressors） emerging as the top risk factor. Second， even excluding affective factors，the model efectively predicted depressive states using present and anticipated stress coping，rumination，discomfort，and perceived stress.This has practical advantages when frequent assessmentof affective states is not feasible and too intrusive，or when at-risk individuals may not disclosure their actual affective states ifasked directly. Third， multiple components of the daily stressprocesses cumulatively actedon individuals，jointly predicting their subsequent risk of depression.For example，more stressors and higher levels of distress jointly predicted a higher tendency towards depressive states subsequently. Fourth，dynamic indicators such as cumulative means and deviations of stress processes played crucial roles in predicting depressive states.These findings highlight the complexity and multifaceted nature of stress processes in influencing depressive symptoms.

The study makes a substantial theoretical and practical contribution by examining depression prediction from a dynamic perspective.By integrating a variety of daily stress process factors and their dynamic characteristics，this study identified key stress processfactors in predicting depressive risk and revealed the synergistic effects of their various combinations. These findings expand previous research on the relation between stress and depression and deepen our understanding of the complex predictive pathways of stress processes on depressive states.In addition，this study utilized multilevel decision trees and ecological momentary assessment to construct a near-term warning model of depression with both interpretability and predictive accuracy. This provides an effective decision tool for real-time monitoring and identification of potential depressive risk in daily life，guiding the implementation of just-in-time adaptive intervention for depression.

Keywordsstress process， depression， multilevel decision tree， ecological momentary assessment