[论文解读] Estimating Psychological Networks and their Stability: a Tutorial Paper

Sacha Epskamp, Denny Borsboom+1 more|arXiv (Cornell University)|Apr 28, 2016

Mental Health Research Topics被引用 39

一句话总结

本教程论文介绍了一个实用框架，用于使用R语言估计和评估心理网络的稳定性，重点针对病理学数据。该文介绍了bootnet包，通过自助抽样法估计边权重的置信区间并评估中心性指标的稳定性，使研究者能够从网络模型中得出更可靠的推论。

ABSTRACT

Over the course of the last years, network research has gained increasing popularity in psychological sciences. Especially in clinical psychology and personality research, such psychological networks have been used to complement more traditional latent variable models. While prior publications have tackled the two topics of network psychometrics (how to estimate networks) and network inference (how to interpret networks), the topic of network stability still provides a major challenge: it is unclear how susceptible network structures and graph theoretical measures derived from network models are to sampling error and choices made in the estimation method, greatly limiting the certainty of substantive interpretation. In this tutorial paper, we aim to address these challenges. First, we introduce the current state-of-the-art of network psychometrics and network inference in psychology to allow readers to use this tutorial as a stand-alone to estimate and interpret psychopathological networks in R. Second, we describe how bootstrap routines can be used to assess the stability of network parameters. To facilitate this process, we developed the freely available R-package bootnet. We apply bootnet, accompanied by R syntax, to a dataset of 359 women with posttraumatic stress disorder available online. We show how to estimate confidence intervals around edge weights, and how to examine stability of centrality indices by subsampling nodes and persons. This tutorial is aimed at researchers with all levels of statistical experience, and can also be used by beginners.

研究动机与目标

• 为解决心理网络模型中的网络不稳定性问题，特别是抽样误差和估计方法敏感性问题。
• 提供一份全面、独立的教程，用于在R中估计和解释病理学网络，适用于所有统计水平的研究者。
• 展示如何使用自助抽样法评估网络模型中边权重和中心性指标的稳定性。
• 介绍并演示免费提供的R包bootnet，用于心理网络分析中的稳定性评估。
• 通过稳定性诊断，使研究者能够更有信心地解释网络结构。

提出的方法

• 利用R包bootnet执行非参数自助抽样，以评估网络参数的稳定性。
• 通过节点和参与者的子样本化，评估不同网络配置下中心性指标的稳定性。
• 使用百分位数自助法在边权重周围估计置信区间。
• 在R环境中整合网络估计技术，如高斯图模型和Ising模型，用于心理数据。
• 提供R语法示例，用于网络估计、稳定性评估和可视化，以确保可重复性。
• 使用359名患有创伤后应激障碍的女性数据集，实际演示工作流程。

实验结果

研究问题

• RQ1 在临床和人格研究中，如何可靠地估计和解释心理网络？
• RQ2 网络参数（如边权重）在多大程度上对抽样变异敏感？
• RQ3 中心性指标在不同节点和个体子样本中有多稳定？
• RQ4 可以使用哪些方法量化网络结构及其衍生度量的不确定性？
• RQ5 研究者如何使用重采样技术评估网络模型的稳健性？

主要发现

• bootnet包成功实现了边权重置信区间的估计，为网络连接的不确定性提供了度量。
• 节点和人员的子样本化表明，中心性指标可能不稳定，尤其是在样本量较小或网络稀疏时。
• 基于自助法的稳定性评估显示，部分边权重表现出高度变异性，提示在解释单个连接时应谨慎，因其可能不具稳定性。
• 本教程表明，可通过重采样系统性地评估网络稳定性，从而提高基于网络推论的可靠性。
• 在359名PTSD患者的真实数据集上的应用，展示了所提出的稳定性评估框架在实践中的可行性和实用性。
• 该方法使研究者能够识别出哪些网络参数是稳健的，而哪些可能是抽样误差造成的伪影。