[论文解读] An information-theoretic approach to hypergraph psychometrics

Daniele Marinazzo, Jan Van Roozendaal+6 more|arXiv (Cornell University)|May 2, 2022

Mental Health Research Topics参考文献 69被引用 7

一句话总结

本文提出了一种基于信息论的超图框架，用于建模心理测量数据中的高阶相互作用，突破了传统网络模型仅关注成对依赖关系的局限。通过利用O-信息量化三元组或更大变量集合之间的冗余与协同作用，该方法揭示了标准网络模型所忽略的复杂集体依赖关系，提供了对心理构念更丰富、更细致的表征。

ABSTRACT

Psychological network approaches propose to see symptoms or questionnaire items as interconnected nodes, with links between them reflecting pairwise statistical dependencies evaluated cross-sectional, time-series, or panel data. These networks constitute an established methodology to assess the interactions and relative importance of nodes/indicators, providing an important complement to other approaches such as factor analysis. However, focusing the modelling solely on pairwise relationships can neglect potentially critical information shared by groups of three or more variables in the form of higher-order interdependencies. To overcome this important limitation, here we propose an information-theoretic framework based on hypergraphs as psychometric models. As edges in hypergraphs are capable of encompassing several nodes together, this extension can thus provide a richer representation of the interactions that may exist among sets of psychological variables. Our results show how psychometric hypergraphs can highlight meaningful redundant and synergistic interactions on either simulated or state-of-art, re-analyzed psychometric datasets. Overall, our framework extends current network approaches while leading to new ways of assessing the data that differ at their core from other methods, extending the psychometric toolbox and opening promising avenues for future investigation.

研究动机与目标

• 解决传统心理网络模型仅关注成对依赖关系、忽略三个或更多变量之间高阶相互作用的局限性。
• 开发一种新颖的信息论框架，利用超图作为结构模型，捕捉集体依赖关系（如冗余与协同）的特性。
• 通过引入多变量、超越成对的相互作用，拓展当前心理测量工具包，这些相互作用在心理健康症状网络等复杂系统中至关重要。
• 提供一种方法，利用信息分解识别并量化心理与行为数据中的信息多重组（如冗余或协同组）。
• 实现对心理测量数据分析的新范式，从根本上区别于因子分析与标准网络模型，强调依赖结构而非潜在共同因子。

提出的方法

• 该框架使用超图，其中超边连接三个或更多变量，表示从数据的多变量联合分布中推导出的高阶依赖关系。
• 应用O-信息度量将多变量信息分解为冗余与协同成分，识别一组变量是否以集体方式共享信息。
• 对所有可能的多重组（三元组、四元组等）变量计算O-信息，符号表示主导类型：正值表示协同，负值表示冗余。
• 该方法通过信息分解技术实现，特别是偏信息分解（PID）框架，以分离出不同的信息原子。
• 该方法应用于模拟数据和真实心理测量数据集，包括抑郁与焦虑症状网络数据。
• 可视化与分析借助HyperNetX和R包等工具实现，用于渲染与探索超图结构，重点关注高阶网络中的中心性与模块性。

实验结果

研究问题

• RQ1 如何在心理网络数据中系统性地识别并量化超越成对依赖关系的高阶相互作用？
• RQ2 症状簇之间的冗余或协同作用在多大程度上影响心理健康网络的结构？
• RQ3 基于O-信息的超边能否揭示标准网络模型所遗漏的集体信息共享模式？
• RQ4 所提出的超图模型在捕捉心理测量数据真实结构方面，与传统因子分析和成对网络模型相比表现如何？
• RQ5 通过信息多重组而非潜在因子或成对连接来建模心理构念，其含义是什么？

主要发现

• 所提出的超图框架成功识别并量化了心理变量组之间的冗余与协同作用，这些关系在标准成对网络模型中不可见。
• 在模拟数据中，该方法准确恢复了已知的高阶依赖关系，证明其对集体信息共享具有高度敏感性。
• 在真实心理测量数据集中，该框架揭示了非平凡的信息多重组（如具有强冗余或协同作用的症状簇），暗示其存在共同的潜在机制。
• 该方法检测到在真实心理测量数据中冗余现象普遍存在，可能源于症状的重叠，从而可能掩盖协同效应。
• 该框架能够识别出关键的信息多重组，这些组可能代表心理系统中的核心功能单元，为干预提供新靶点。
• 该方法为数据评估提供了与因子分析根本不同的新视角，强调依赖结构而非潜在共同因子。