[논문 리뷰] Estimating Regularized Psychological Networks Using qgraph

Sacha Epskamp, Eiko I. Fried|arXiv (Cornell University)|2016. 07. 05.

Mental Health Research Topics인용 수 2

한 줄 요약

이 논문은 R과 qgraph 패키지를 사용하여 심리학적 자료에서 정규화된 부분상관관계 네트워크를 추정하는 방법을 소개한다. 이는 상호의존적인 심리학적 변수들에 대한 간결하고 해석 가능한 모델을 가능하게 한다. 연구는 PTSD 자료를 대상으로 이 방법을 적용하고, 초모수 조정, 비정규성, 표본 크기 및 일반적인 함정에 대한 실용적인 지침을 제공한다.

ABSTRACT

Recent years have seen an emergence of network modeling applied to moods, attitudes, and problems in the realm of psychology. In this framework, psychological variables are understood to directly affect each other rather than being caused by an unobserved latent entity. In this tutorial, we introduce the reader to estimating the most popular network model for psychological data: the partial correlation network. We describe how regularization techniques can be used to efficiently estimate a parsimonious and interpretable network structure in psychological data. We show how to perform these analyses in R and demonstrate the method in an empirical example on post-traumatic stress disorder data. In addition, we discuss the effect of the hyperparameter that needs to be manually set by the researcher, how to handle non-normal data, how to determine the required sample size for a network analysis, and provide a checklist with potential solutions for problems that can arise when estimating regularized partial correlation networks.

연구 동기 및 목표

• 심리학에서 잠재변수 모델의 대안으로 부분상관관계 네트워크 모델링을 연구자들에게 소개하는 것.
• 정규화 기법이 심리학적 자료에서 네트워크 모델의 단순성과 해석 가능성에 어떻게 향상되는지 보여주는 것.
• R과 qgraph 패키지를 사용하여 정규화된 부분상관관계 네트워크를 구현하는 실용적이고 단계적인 가이드라인을 제공하는 것.
• 초모수 선택, 비정규성, 표본 크기 요구 조건과 같은 네트워크 추정의 일반적인 과제를 다루는 것.
• 심리학 연구에서 네트워크 추정 과정에서 발생하는 문제들을 체계적으로 해결하기 위한 체크리스트를 제공하는 것.

제안 방법

• 논문은 잠재 요인을 가정하지 않고 심리학적 변수들 간의 직접적 관계를 부분상관계수 네트워크로 모델링한다.
• 그래픽 라소를 통한 정규화를 적용하여 흩어진 네트워크 구조를 추정함으로써 과적합을 줄이고 해석 가능성을 향상시킨다.
• R에서 qgraph 패키지를 사용하여 네트워크 추정, 시각화, 모델 진단 기능을 포함한 구현을 수행한다.
• 정규화의 초모수(lambda)는 수작업으로 선택되며, 네트워크 흩어짐과 안정성에 미치는 영향에 대한 안내가 제공된다.
• 비정규 데이터는 페어와이즈 상관계수 또는 변환을 사용하는 등의 강력한 추정 기법을 통해 처리된다.
• 변수 수와 예상 네트워크 밀도에 기반하여 표본 크기 요구 조건을 논의하며, 충분한 검정력 확보를 위한 권고 사항을 제시한다.

실험 결과

연구 질문

• RQ1 정규화를 사용하여 심리학적 자료에서 부분상관관계 네트워크를 효과적으로 추정하는 방법은 무엇인가?
• RQ2 정규화 초모수의 선택이 네트워크 구조와 해석 가능성에 미치는 영향은 무엇인가?
• RQ3 심리학적 자료의 비정규성이 네트워크 추정에 어떤 영향을 미치며, 이를 완화할 수 있는 방법은 무엇인가?
• RQ4 정규화된 부분상관관계 네트워크를 신뢰할 만하게 추정하기 위해 필요한 표본 크기는 얼마인가?
• RQ5 네트워크 추정 과정에서 일반적으로 발생하는 문제들은 무엇이며, 이를 어떻게 시스템적으로 해결할 수 있는가?

주요 결과

• 정규화된 부분상관계수 네트워크는 수축을 통해 허위 연결을 줄임으로써 더 해석 가능하고 안정적인 모델을 생성한다.
• 정규화 초모수의 선택은 네트워크 흩어짐과 구조에 상당한 영향을 미치며, 주의 깊은 수작업 조정이 필요하다.
• 비정규 데이터는 네트워크 추정을 왜곡할 수 있으나, 강력한 추정 기법을 통해 모델의 타당성을 유지할 수 있다.
• 적절한 표본 크기는 필수적이다; 논문은 신뢰할 수 있는 네트워크 추정을 보장하기 위한 지침을 제공한다.
• 저자는 엣지 선택, 모델 수렴, 데이터 전처리와 같은 일반적인 문제들을 다루는 실용적 체크리스트를 제공한다.
• PTSD 자료에 대한 실증 적용은 이 방법의 실용성과 실제 심리학 연구에서의 유용성을 입증한다.