[논문 리뷰] Network Psychometrics

Sacha Epskamp, Gunter Maris외 2명|arXiv (Cornell University)|2016. 09. 09.

Mental Health Research Topics인용 수 39

한 줄 요약

이 논문은 네트워크 심리측정학에서 이징 모델과 다차원 항목 반응 이론(MIRT) 사이의 공식적 동치성을 확립하며, 양 모델이 이진 항목 반응에 대한 동일한 확률 분포를 도출함을 보여준다. 심리측정 데이터를 잠재적 특성보다는 상호작용하는 변수의 네트워크로 재구성함으로써, 저자들은 이징 모델이 표준 심리측정 기법을 통해 추정될 수 있음을 보이며, 잠재 변수를 상호의존적 관측 변수들로부터 기인하는 탄생적 성질로 재해석한다.

ABSTRACT

This chapter provides a general introduction of network modeling in psychometrics. The chapter starts with an introduction to the statistical model formulation of pairwise Markov random fields (PMRF), followed by an introduction of the PMRF suitable for binary data: the Ising model. The Ising model is a model used in ferromagnetism to explain phase transitions in a field of particles. Following the description of the Ising model in statistical physics, the chapter continues to show that the Ising model is closely related to models used in psychometrics. The Ising model can be shown to be equivalent to certain kinds of logistic regression models, loglinear models and multi-dimensional item response theory (MIRT) models. The equivalence between the Ising model and the MIRT model puts standard psychometrics in a new light and leads to a strikingly different interpretation of well-known latent variable models. The chapter gives an overview of methods that can be used to estimate the Ising model, and concludes with a discussion on the interpretation of latent variables given the equivalence between the Ising model and MIRT.

연구 동기 및 목표

• 심리측정학의 네트워크 모델과 통계역학, 특히 이징 모델 사이의 공식적 연결을 수립하기 위해.
• 이징 모델과 다차원 항목 반응 이론(MIRT)이 이진 항목 반응에 대한 확률 분포에서 수학적으로 동치임을 보여주기 위해.
• 伝통적 심리측정 모델의 잠재 변수를 잠재적 원인보다는 관측 변수 간 직접적 상호작용에서 기인하는 탄생적 성질로 재해석하기 위해.
• 네트워크 모델링과 고전적 심리측정 이론 사이의 방법론적 다리를 제공하여, 표준 심리측정 응용에 네트워크 기법을 사용할 수 있도록 하기 위해.

제안 방법

• 논문은 이진 변수 간의 의존성을 모델링하기 위한 일반적 프레임워크로 쌍별 마르코프 무작위장치(PMRFs)를 수립한다.
• 이징 모델은 통계역학에서 유래된, 노드 및 쌍별 잠재함수를 통해 정의되는, 이진 자료를 위한 PMRF의 특수한 유형으로 도입된다.
• 이징 모델은 공동 확률 분포의 재매개변수화를 통해 로지스틱 회귀, 로그선형 모델, MIRT 모델과 수학적으로 동치임을 보여준다.
• 저자들은 이징 모델의 우도 함수를 유도하고, 네트워크 구조의 희박성(스parser)을 유도하기 위해 펜라이즈드 최대우도 추정(예: LASSO 및 엘라스틱넷)을 제안한다.
• 조건부 독립 가정을 사용하여 국소 마르코프 성질을 유도함으로써, 노드별 회귀를 통한 네트워크 매개변수의 효율적 추정이 가능하다.
• 베이지안 접근법을 개략적으로 제시하며, MIRT에서 잠재 특성 벡터 Θ의 사후 분포가 다변량 정규분포이며, 관측 자료를 조건으로 하여 상호 독립임을 보여준다.

실험 결과

연구 질문

• RQ1 통계역학의 이징 모델이 고전적 심리측정 모델(예: MIRT)과 어떻게 공식적으로 연결될 수 있는가?
• RQ2 이징 모델과 다차원 항목 반응 이론 간의 공동 확률 분포에서의 수학적 동치성은 무엇인가?
• RQ3 관측 변수 간 직접 상호작용을 가진 네트워크 모델이 전통적인 잠재변수 모델을 대체할 수 있는가, 설명력의 손실 없이?
• RQ4 이징 모델의 매개변수(예: 임계값 τ 및 상호작용 강도 ω)는 MIRT 모델의 매개변수와 어떻게 대응되는가?
• RQ5 잠재 변수가 잠재적 원인이 아니라 관측 상호작용의 네트워크에서 기인하는 탄생적 성질로 간주될 경우, 이는 어떤 의미를 갖는가?

주요 결과

• 이징 모델과 MIRT 모델은 이진 항목 반응에 대한 동일한 공동 확률 분포를 생성하며, 이는 수학적 동치성을 공식적으로 확립한다.
• 이징 모델의 네트워크 매개변수(임계값 τ 및 상호작용 강도 ω)는 MIRT의 판별력 및 곤란도 매개변수와 직접적으로 대응된다.
• MIRT에서 잠재 특성 벡터 Θ의 사후 분포는 다변량 정규분포이며, 항목 간 조건부 독립이며, 가중된 항목 반응의 합에 비례하는 평균을 가진다.
• 이징 모델의 추정은 LASSO 또는 엘라스틱넷 펜alties를 사용한 노드별 회귀를 통해 수행될 수 있으며, 이는 고차원 데이터에서 희박한 네트워크를 복원할 수 있게 한다.
• 동치성은 전통적 모델의 잠재 변수가 관측 변수 간 상호의존성의 시스템에서 기인하는 탄생적 성질이며, 관측되지 않은 원인이 아니라는 것을 암시한다.
• 잠재 변수를 네트워크 수준의 현상으로 재해석함으로써, 고전적 심리측정의 가정을 도전하며, 심리적 구성요소를 동적이고 상호작용적인 시스템으로 모델링할 수 있는 새로운 길을 열어 놓는다.