Wiederholte Messungen mehrerer Individuen sind von entscheidender Bedeutung für die Psychologie. Beispiele sind längsschnittliche Paneldaten und Elektroenzephalografie-Daten (EEG-Daten). In dieser Arbeit entwickle ich für jede dieser beiden Datenarten neue Analyseansätze, denen Methoden des maschinellen Lernens zu Grunde liegen. Für Paneldaten entwickle ich Gauß-Prozess-Panelmodellierung (GPPM), die auf der flexiblen Bayesschen Methode der Gauß-Prozess-Regression basiert. Der Vergleich von GPPM mit längsschnittlicher Strukturgleichungsmodellierung (lSEM), welche die meisten herkömmlichen Panelmodellierungsmethoden als Sonderfälle enthält, zeigt, dass lSEM wiederum als Sonderfall von GPPM aufgefasst werden kann. Im Gegensatz zu lSEM eignet sich GPPM gut zur zeitkontinuierlichen Modellierung, kann eine größere Menge von Modellen beschreiben, und beinhaltet einen einfachen Ansatz zur Generierung personenspezifischer Vorhersagen. Ich zeige, dass die implementierte GPPM-Darstellung gegenüber bestehender SEM Software eine bis zu neunfach beschleunigte Parameterschätzung erlaubt. Für EEG-Daten entwickle ich einen personenspezifischen Modellierungsansatz zur Identifizierung und Quantifizierung von Unterschieden zwischen Personen, die in konventionellen EEG-Analyseverfahren ignoriert werden. Im Rahmen dieses Ansatzes wird aus einer großen Menge hypothetischer Kandidatenmodelle das beste Modell für jede Person ausgewählt. Zur Modellauswahl wird ein Verfahren aus dem Bereich des maschinellen Lernens genutzt. Ich zeig ich, wie die Modelle sowohl auf der Personen- als auch auf der Gruppenebene interpretiert werden können. Ich validiere den vorgeschlagenen Ansatz anhand von Daten zur Arbeitsgedächtnisleistung. Die Ergebnisse verdeutlichen, dass die erhaltenen personenspezifischen Modelle eine genauere Beschreibung des Zusammenhangs von Verhalten und Hirnaktivität ermöglichen als konventionelle, nicht personenspezifische EEG-Analyseverfahren. / Repeated measures obtained from multiple individuals are of crucial importance for developmental research. Examples of repeated measures obtained from multiple individuals include longitudinal panel and electroencephalography (EEG) data. In this thesis, I develop a novel analysis approach based on machine learning methods for each of these two data modalities. For longitudinal panel data, I develop Gaussian process panel modeling (GPPM), which is based on the flexible Bayesian approach of Gaussian process regression. The comparison of GPPM with longitudinal structural equation modeling (SEM), which contains most conventional panel modeling approaches as special cases, reveals that GPPM in turn encompasses longitudinal SEM as a special case. In contrast to longitudinal SEM, GPPM is well suited for continuous-time modeling, can express a larger set of models, and includes a straightforward approach to obtain person-specific predictions. The comparison between the developed GPPM toolbox and existing SEM software reveals that the GPPM representation of popular longitudinal SEMs decreases the amount of time needed for parameter estimation up to ninefold. For EEG data, I develop an approach to derive person-specific models for the identification and quantification of between-person differences in EEG responses that are ignored by conventional EEG analysis methods. The approach relies on a framework that selects the best model for each person based on a large set of hypothesized candidate models using a model selection approach from machine learning. I show how the obtained models can be interpreted on the individual as well as on the group level. I validate the proposed approach on a working memory data set. The results demonstrate that the obtained person-specific models provide a more accurate description of the link between behavior and EEG data than the conventional nonspecific EEG analysis approach.

Vor dem Hintergrund der Fragen, wer bereit ist eine enge Beziehung zu einer Person mit hohem Narzissmus einzugehen und wie Personen mit hohem Narzissmus ihre Freundschaften wahrnehmen, war das Ziel dieser Arbeit die wahrgenommene Beziehungsqualität in langfristigen Freundschaften in Abhängigkeit von Narzissmus zu untersuchen. In der ersten Studie wurde eine dyadische Perspektive eingenommen und beobachtet, ob sich die Qualität der Freundschaft in Abhängigkeit von dem Narzissmuslevel zweier Freunde unterscheidet. Wie angenommen, schätzten Personen in Dyaden mit höherem Narzissmus die Qualität ihrer Freundschaft geringer ein als Personen in Dyaden mit niedrigerem Narzissmus. Über alle Narzissmusaspekte hinweg wurden mehr Konflikte wahrgenommen. Dyaden mit hohem antagonistischem Narzissmus empfanden zudem weniger Wertschätzung und Intimität. Die Befunde wurden zugunsten der Annahme interpretiert, dass narzisstisches Verhalten von denjenigen toleriert wird, die selbst narzisstische Züge besitzen. In der zweiten Studie wurde eine längsschnittliche Perspektive eingenommen, um die Interaktionseffekte von Narzissmus und wahrgenommener Freundschaftsqualität in 4 Messzeitpunkten zu untersuchen. Innerhalb von Personen zeigte sich, dass diejenigen, die ihren Narzissmus niedriger als üblich einschätzten, in der Folge höhere Wertschätzung empfanden, und dass diejenigen, die eine niedrigere Wertschätzung als üblich empfanden ihr Verhalten als antagonistischer einschätzten. Die zu Beginn von Freundschaften gefundenen Effekte scheinen daher übertragbar auf die Phase der Aufrechterhaltung von Freundschaften, wobei besonders der antagonistische Narzissmus die negativen Auswirkungen von Narzissmus zu treiben scheint. Insgesamt wurde in dieser Arbeit die bisherige Forschung zu Narzissmus und sozialen Beziehungen durch die Beobachtung der Beziehungsqualität in langfristigen Freundschaften erweitert, indem sowohl eine dyadische als auch eine längsschnittliche Perspektive einbezogen wurde. / Who is willing to be in a close relationship to an individual with high narcissism, and how do individuals with high narcissism perceive their friendships? Three aspects of narcissism were distinguished (agentic, antagonistic, neurotic) to determine their association with four aspects of friendship quality (appreciation, intimacy, conflict, dominance). In the first study, a dyadic perspective was taken to observe whether friendship quality differs depending on the dyadic narcissism level of friends. As hypothesized, individuals in dyads with higher narcissism perceived their friendship quality as lower, compared to individuals in dyads with lower narcissism. More conflicts were perceived across narcissism aspects. Dyads with high antagonistic narcissism also perceived lower appreciation and intimacy. Results were interpreted in favor of the assumption that maladaptive traits are tolerated by those who possess these traits themselves. In the second study, a longitudinal perspective was taken to examine interactional effects of narcissism and friendship quality across 4 measurement occasions. On a within-person level, individuals scoring lower than usual on narcissism were found to subsequently perceive higher appreciation, and those perceiving lower appreciation than usual subsequently increased in antagonistic narcissism. Results suggested that the effects found in relationship formation tend to generalize to relationship maintenance. Overall, this work expanded previous research on narcissism and social relationships by observing relationship quality in long-term friendships including a dyadic as well as a longitudinal perspective. To answer the question of who is willing to be friends with someone high in narcissism, results suggest that it would be individuals who also score high on narcissism. In regard to the question of how individuals with high narcissism perceive their friendships it was found that they tend to be willing to accept lower friendship quality.

Aktuelle Affektforschung betont die Bedeutung mikrolängsschnittlicher Daten für das Verstehen täglichen affektiven Funktionierens, da sie es erlauben affektive Dynamiken und potentiell zugrunde liegende Prozesse zu beschreiben. Dynamische Längsschnittmodelle werden entsprechend attraktiver. In dieser Dissertation komme ich Forderungen nach einer Integration kontextueller Informationen in die Untersuchung täglichen affektiven Funktionierens nach. Speziell modifiziere ich populäre dynamische Modelle so, dass sie kontextuelle Variationen einbeziehen. In einem ersten Beitrag werden Personen als in Kontexte eingebettet begriffen. Der vorgeschlagene Ansatz der festen moderierten Zeitreihenanalyse berücksichtigt systemische Reaktionen auf kontextuelle Veränderungen, indem Veränderungen in allen Parametern eines dynamischen Zeitreihenmodells auf kontextuelle Veränderungen bedingt schätzt werden. Kontextuelle Veränderungen werden als bekannt und assoziierte Parameterveränderungen als deterministisch behandelt. Folglich sind Modellspezifikation und -schätzung erleichtert und in kleineren Stichproben praktikabel. Es sind allerdings Informationen über den Einfluss kontextueller Faktoren erforderlich. Anwendbar auf einzelne Personen erlaubt der Ansatz die uneingeschränkte Exploration interindividueller Unterschiede in kontextualisierten affektiven Dynamiken. In einem zweiten Beitrag werden Personen als mit Kontexten interagierend begriffen. Ich implementiere eine Prozessperspektive auf kontextuelle Schwankungen, die die Dynamiken täglicher Ereignisse über autoregressive Modelle mit Poisson Messfehler abbildet. Die Kombination von Poisson und Gaußscher autoregressiver Modellierung erlaubt eine Formalisierung des dynamischen Zusammenspiels kontextueller und affektiver Prozesse. Die Modelle sind hierarchisch aufgesetzt und erfassen so interindividuelle Unterschiede in intraindividuellen Dynamiken. Die Schätzung erfolgt über simulationsbasierte Verfahren der Bayesschen Statistik. / Recent affect research stresses the importance of micro-longitudinal data for understanding daily affective functioning, as they allow describing affective dynamics and potentially underlying processes. Accordingly, dynamic longitudinal models get increasingly promoted. In this dissertation, I address calls for an integration of contextual information into the study of daily affective functioning. Specifically, I modify popular dynamic models so that they incorporate contextual changes. In a first contribution, individuals are characterized as embedded in contexts. The proposed approach of fixed moderated time series analysis accounts for systemic reactions to contextual changes by estimating change in all parameters of a dynamic time series model conditional on contextual changes. It thus treats contextual changes as known and related parameter changes as deterministic. Consequently, model specification and estimation are facilitated and feasible in smaller samples, but information on which and how contextual factors matter is required. Applicable to single individuals, the approach permits an unconstrained exploration of inter-individual differences in contextualized affective dynamics. In a second contribution, individuals are characterized as interacting reciprocally with contexts. Implementing a process perspective on contextual changes, I model the dynamics of daily events using autoregressive models with Poisson measurement error. Combining Poisson and Gaussian autoregressive models can formalize the dynamic interplay between contextual and affective processes. It thereby distinguishes not only unique from joint dynamics, but also affective reactivity from situation selection, evocation, or anticipation. The models are set up as hierarchical to capture inter-individual differences in intra-individual dynamics. Estimation is carried out via simulation-based techniques in the Bayesian framework.