变量间的网络分析模型及其应用

来源：爱go旅游网

心理科学进展 2020, Vol. 28, No. 1, 178–190 Advances in Psychological Science

DOI: 10.3724/SP.J.1042.2020.00178

·研究方法(Research Method)·

变量间的网络分析模型及其应用*

蔡玉清1 董书阳2 袁帅3 胡传鹏4,5

(1 清华大学人文学院, 北京 100084) (2 Department of Developmental Psychology, Utrecht University, Utrecht, 3584CS, Netherland) (3 Department of Methodology and Statistics, Tilburg University, Tilburg, 5037AB, Netherland) (4 German Resilience Center, Mainz, 55131, Germany) (5 Neuroimaging Center (NIC), University Medical Centre of

the Johannes Gutenberg University, Mainz, 55131, Germany)

摘要变量间的网络分析模型近年来被广泛应用于心理学研究。不同于将潜变量作为观测变量的共同先导

e因素的潜变量模型, 网络分析模型将观测变量作为初级指标, 采用图论的方法建立观测变量之间的关系网络c, 其中变量为网络的节点, 而变量间的关系是节点之间的连线。因此网络分析可以突显观测变量之间的联系以

n及观测变量相互影响而形成的系统。通过变量网络中基于各个节点特征的指标ei特征的指标(如小世界性), 网络分析为研究各种心理现象提供了新的可视化的描述方式和理解视角。近c(如中心性)以及基于整体结构

S10年

来, 网络分析的方法已在人格心理学、社会心理学和临床心理学等领域得到一定的应用。未来研究应继续发

l展和完善网络分析模型的理论和方法, 使之运用到更多的数据类型和更广的研究领域中。ac 关键词网络分析; 潜变量模型; 心理测量; 临床心理学; 人格特质i g 分类号

B841

ol1 引言

oh(APA), 2013)将不同的症状作为观测变量, 再将c准确地描述和解释人类心理与行为是科学心

y个体经诊断分类的精神障碍作为导致症状出现的理学的主要目标之一。在过去几十年中, sP研究者

潜变量。近年来, 一种新的对个体心理特质进行采用潜变量模型(latent variables model) n 1来描述和描述的方法——网络分析模型(network analysis

测量人类心理与行为并取得了丰硕的成果。例如imodel)——迅速兴起; 此方法作为对潜变量模型 s,

人格心理学中的大五人e格模型(“Big Five”

的补充, 为理解人类心理现象提供了新的思路, personality model)以个体不同的行为倾向作为观c并逐渐被应用到人格与社会心理学、临床心理学、测变量, 采用五个潜在的特质na(如外向性)来描述精神病学等领域的研究中。

不同个体在这些行为倾向上的差异v网络分析的方法是将某一系统的特征和信息个体间不同的人格特点d, 进而表征为

A(McCrae & Costa, 2008)。以网络的形式呈现, 系统由“节点(nodes)”和“连线又如, 临床心理学中的精神疾病诊断与统计手册(edge)”组成。在传统网络分析研究中, 节点一般第五版(Diagnostic and Statistical Manual of Mental 代表实体(神经元、车站、人), 而连线代表实体之Disorders, DSM-V; American Psychiatric Association 间的联系(突触、路线、人际关系)。在数据驱动下, 节点与连线的变化特点显示出网络的特征。相较

于这一类传统网络分析模型, 基于观测变量的网收稿日期:2019-05-27

络分析模型(以下简称为网络分析)的节点是态度、* 清华大学学术推进计划资助。

感受、行为等观测变量, 而连线则是这些观测变通信作者:蔡玉清, E-mail: cyq_2016@outlook.com

胡传鹏, E-mail: hcp4715@hotmail.com 量之间的联系(Borsboom, 2008), 这一方法也被称1

本文使用潜变量模型作为latent variable models的统称。为心理测量网络(psychometric network)、症状网络关于潜变量模型下的不同理论, 见Millar (2011)。

(symptom network)或者是特质网络(trait network)。

178

图1左侧网络展示的是将高斯图论模型(Gaussian 度隔离”效应(Milgram, 1967; Travers & Milgram, graphical model)或称偏相关网络模型(partial 1969)为心理学研究者所熟知。

correlation model)运用于人格问卷中三个维度数仅考虑节点与节点间是否存在联系的网络被据所形成的网络。在网络分析方法中, 高斯图论模称为无加权相关网络(unweighted association 型的应用最广泛, 故本文随后将以高斯图论模型network)。如在社交网络分析中, 根据提名法测量为主, 介绍网络分析的基本原理、主要分析指标、是否互为好友而建立的网络为无加权网络, 每条特点及其在多个心理学领域的应用, 并在此基础连线仅代表节点(这里表示个体)之间联系的有无。上具体讨论其他种类的网络模型及网络分析未来无加权网络仅通过有或者无的二元分类描述节点发展的方向。

之间的联系, 因此往往无法完整描述系统特点, 1 网络分析的基本原理

如对于心理学中采用连续型指标的研究, 不仅需要描述观测变量间联系的有无, 还需要考虑这些网络分析最早可追溯到1735年Leonard Euler联系的强弱程度。此时, 观测变量之间的联系更解决的哥尼斯堡桥梁建设问题(the Seven Bridges 适合使用加权相关网络(weighted association

of Königsberg; Newman, 2001)。随着数学中图论network)进行描述, 连线在这一类型的网络模型ec(graph theory)的出现, 网络分析及其数据拟合方中表征的是节点间联系的强弱n(Borsboom, 2008)。法在20世纪得到了极大的发展, 在自然科学与社由于模型拟合方法的差异ei, 研究者在无加权相关会科学领域的研究中获得广泛应用。例如, 信息网络的指标的基础上增加对连线加权值影响的c科学中的网页网络(web network)和引文网络考虑, 从而获得S l加权相关网络中描述各节点以(citation-based network)、生物科学中的基因调节及网络整体结构的指标。aCramer等研究者于2010网络(gene regulatory network) (Levine & Davidson, 年首次将加权相关网络应用于心理学实证研究ci2005; Teichmann & Babu, 2004)、大脑功能联结网中——go他们构建了精神障碍的网络来探讨重度抑络(Park & Friston, 2013; Sporns & Honey, 2006;

lo郁障碍(major depression disorder)和广泛性焦虑障Xia & He, 2017)、社会科学领域中的社交网络

h碍(generalized anxiety disorder)的共病, 揭示了二(social network) (Borgatti, Mehra, Brass, & Labianca,

cy者在症状上的广泛重叠(Cramer, Waldorp, van der 2009)。其中, Stanley Milgram关于社交网络的sMaas, & Borsboom, 2010)。

P“六

ni secnavdA

图1 简短大五人格问卷中宜人性(agreeableness)、神经质(neuroticism)和外向性(extroversion)三个维度的偏相关网络

模型。测量相同特质的问卷条目由相同颜色的节点表示(数据、代码及问卷条目见在线补充材料或osf.io/g74dz/)。条目与条目之间的联系由连线表示, 绿色连线代表正相关, 红色连线代表负相关, 连线越粗代表相关性越强。左：偏相关网络模型；右：GLASSO网络模型。数据来源：Liu等(2019)。

Cramer等(2010)的研究运用高斯图论模型来model)来建立相应网络的分析方法。而针对纵向分析症状的关系网络, 随后此模型成为采用网络数据, 研究者提出了采用变量之间的回归系数来分析处理横断数据的基础方法。不过, 将网络分表征节点连线数值的分析方法(Epskamp, Waldorp, 析应用于心理测量的数据时, 由于节点数目众多, Mõttus, & Borsboom, 2018)2。在纵向网络模型中, 网络中可能存在许多“虚假”相关, 即如果两个节由于变量测量在时间上有先后顺序, 变量之间的点均与第三个节点相关, 即使这两个节点本身无相互预测成为了可能。针对不同种类的纵向数据, 直接联系, 但二者仍然可能在统计上呈显著相研究者逐步发展出了其他种类的网络模型, 例如关。为避免这种情况带来的误导性, Lauritzen 针对单一观测变量时间序列数据的向量自回归模(1996)和Pourahmadi (2011)提出了一个解决方法：型(vector autoregressive model; Bringmann et al., 在网络分析中使用偏相关系数以更准确地表征节2013)和主成分自回归模型(principal component 点之间的真实联系。偏相关网络模型是以加权相vector autoregressive model; Bulteel, Tuerlinckx, 关网络为基础的一种模型(McNally et al., 2015), Brose, & Ceulemans, 2018), 针对多个观测变量的多其考虑了两节点间相关被另一节点影响的可能性, 层自回归网络模型(multilevel 为进一步准确探究节点间的关系提供了途径model; Epskamp et al., 2018)evector autoregressive

c以及针对少数几个测(Borsboom & Cramer, 2013)。偏相关系数的绝对值量时间点的交叉滞ne后网络模型(cross-lagged 取值范围为0到1, 某两个节点之间的偏相关系数network model; Rhemtulla, ivan Bork, & Cramer, 指的是在保障网络中的其他信息恒定后这两点之2019)。这些模型都能够计算下一章节所介绍的网c间的相关, 因此也被称作“条件性相关络模型指标, S l只是在模型假设、模型构建和模型(conditional independence association)”。

拟合过程中有所差别。限于文章篇幅a在实际建模过程中, 当网络中所有节点间联c, 本文不对这些模型展开具体介绍。i系均以连线的形式展现时, 网络图像会显得过于g

o繁复而难以对结果进行有效解释。故研究者在偏l2 网络分析的主要指标

o相关网络模型的基础上, 引入惩罚因子(penalization

hfactor), 如图像最小绝对值收敛和选择算c网络分析采用高斯图像模型为基础构建变量

y法

间网络, 可以得到传统潜变量模型难以捕捉的、(Graphic Least Absolute Shrinkage and 对观测变量间关联和结构进行描述的指标。在实Operator, GLASSO; Friedman, Hastie, & Tibshirani, PSelection

s 际研究中, 这些指标可以给研究者提供关于变量2008), 以删除网络中联系程度相对较弱的连线。ni间联系的新视角, 从而帮助解决潜变量模型无法通过减少连线数目, 模型可以拟合出更容易被研 s应对的研究问题(尤其是探索性研究问题)。具体而究者解释也更加具备预测准确性的网络结构。图e言, 网络分析的指标包括描述节点特征的指标和1右侧网络为使用图像最小绝对值收敛和选择算

cn描述网络整体特征的指标。法这一惩罚因子后的网络分析结果av, 和左侧网络2.1 描述节点特征的指标相比, 右侧网络更加简洁d, 也更能清晰地显示出2.2.1 中心性(centrality)

网络中的重要连线A, 使得该模型更易解读。

中心性代表了一个节点与其他节点联系的多基于偏相关分析的高斯图论模型仅适用于所少、强度以及紧密程度, 改变中心性高的节点会有变量都是连续型变量的横断数据, 研究者随后影响更多其他节点。中心性是显示节点特点的重也提出了针对其他数据类型的网络分析方法。例要指标：一个节点的中心性衡量了其与其他节点如, 对于二分变量数据, van Borkulo等(2014)提出的直接相关程度(Costantini, Epskamp, et al., 2015)。一种基于易辛模型(Ising model)的网络分析方法, 中心性包括三个具体指标：点度中心性(degree)、使用逻辑回归(logistic regression)计算节点之间联系强弱, 该网络分析方法同样可以使用相似的惩罚因子来简化网络。又如, 对于数据中既有分类2

一般而言, 针对纵向数据所进行的网络分析将会形成两变量也有连续变量的情况, Haslbeck和Waldorp 种网络：以回归系数作为节点指标的纵向网络, 以及以偏相关系数(在这里是回归残值之间的偏相关系数)为节点指 (2015)提出了用混合图形模型(mixed graphical

标的横向网络, 具体见Epskamp et al.(2018)。

接近中心性(closeness)和中介中心性(betweenness)。对于无加权网络来说, 一个节点的点度中心性是与该节点直接相连的其他节点的数量；但这一指标未考虑网络中不与该节点直接相连的其他部分, 故无法估计该节点在整个网络中的重要性和地位。而接近中心性和中介中心性引入了最短路径距离(shortest path length, SPL)的概念, 将网络中所有节点都纳入衡量特定节点中心性的标准(Bringmann et al., 2013), 因此可以衡量某节点在整个网络中的地位。

在无加权相关网络中, 两节点之间的SPL为

图2 包含4个节点的加权网络示意图, 各连线间加权

连接二者所需最短连线的数目(例如, 如两节点直值如各连线上数值所示

接连接, 则SPL为1; 如两节点无法通过任何连线

相连, 则SPL为无穷大)。接近中心性是网络中所该有所不同。因此, Opsahl, Agneessense和Skvoretz 有其他节点到该节点的SPL之和的倒数(因而当(2010)引入调整参数(tuning cnparameter, α)来调节

网络中存在相互分离的不同部分时, 即存在某些不同网络中计算中心性时加权值和连线数量的比ei节点无法通过连线相互联系时, 该网络中所有节重：当α为0点的接近中心性均等于0)。中介中心性也和最短考虑连线数量S时, c不考虑加权值; 当α为1时, 不

l(对图1右侧网络中心性的计算结果路径密切相关, 它表示的是某节点在其他任意两见补充材料表acS3以及图S1)。节点最短路径上的频率。从变量互动性的角度来2.1.2 ig 可预测性(predictability)

理解, 接近中心性相对较高的节点相对更容易通o尽管中心性反映了特定节点与相连节点之间过直接(SPL = 1)或者间接(SPL≠1)的方式被其他

lo的联系, 但它无法表明该节点在多大程度上受到节点的变异所影响(Costantini, Epskamp, et al.,

h与它相连的其他节点的影响, 即该节点的变异2015); 而中介中心性相对较高的节点往往在变量cy(variance)在多大程度上被那些与之相连的节点的互动过程中发挥非常重要的作用, 直接或者间接

s变异所解释。为了在加权相关网络中量化这一指参与网络的变化过程。

P 标, Haslbeck和Waldrop (2015)提出可预测性指标对于加权相关网络来说, 在计算niSPL时需要来表示某一节点的变异在多大程度上可以由与其在无加权相关网络SPL的基础上考虑连线加权值 s相连节点的变异所预测(其逻辑类似于回归分析(weights of edges)和连线数量e(numbers of edges)中的解释率)。网络中所有节点的平均可预测性反的影响。早期研究仅将连线加权值纳入最短路径

cn映了该网络受到网络外因素(如环境和生物因素)指标和中心性的计算av中, 而忽略了连线数量的影响程度, 如果平均可预测性较高, 即说明该(Freeman, 1978)。某节点所有连线的加权值之和作d网络结构内部能较好地相互预测, 外部因素能解为该节点的点度中心性指标A, 称为强度(strength), 释的变异较少。

此时两节点的最短路径被定义为连结两点所有可2.1.3 集群性(clustering)

能路径中连线加权值的倒数之和最小的路径。在集群性关注的是与某一特定节点相连的其他这一定义下, 某节点的最短路径可能并非是两节节点之间的联系。这里需要引入“三角(triangle)”点间连线数量最少的路径, 如图2中A和B之间的定义：对某一节点及与它相连的任意两个其他的最短路径为A-C-B (即1/0.5 + 1/0.2 = 7), 而非节点而言, 如果这三个节点形成了一个“三角” A-B (1/0.1 = 10)。

(如图2中三个节点A、B、C), 网络中的信息就但最近的学术共识认为加权值和连线数量都可以在三点间自由流动。一个节点的集群性通过是衡量节点重要性的因素, 因此都需要被纳入最聚集系数(clustering coefficient)衡量, 具体为该节短路径、接近中心性和中介中心性的计算之中; 点与相连节点真实形成的三角个数与可能形成的然而, 在不同的网络中, 二者的相对重要程度应

三角个数的比值。如对于图2中的A节点, 其真

实形成的三角只有“ABC”, 共一个, 而其可能形具有不同的最短路径长度的计算方法, 相应地, 成的三角为“ABC”, “ACD”和“ABD”, 共3个, 因连接强度的计算方式也不同。网络连接强度越高, 此节点A的聚集系数为1/3。

整个网络的连接就越紧密, 内部稳定性越高, 也在实证研究中, 中心性、可预测性和集群性就是说, 需要移除更多的节点来使剩下的节点不会提示网络中某一节点(即观测变量)的地位、特点再相连(Tio, Epskamp, Noordhof, & Borsboom, 和利用价值。例如, 在精神障碍的网络中, 点度中2016)。网络连接强度是比较两个网络是否相同的心性越高的症状可能对病人的影响也越大3

, 因为重要指标之一(van Borkulo et al., 2017), 假设图2出现这一症状的患者同时出现其他症状的可能性代表基于女性样本的网络1, 节点ABC两两相连, 也较高(McNally et al., 2015)。接近中心性和中介仅有A和D相连, B和C与D不相连; 在另一个中心性则衡量了节点对网络整体信息传递的重要基于男性样本的网络2中, 节点BCD相连, 仅有程度(Costantini, Epskamp, et al., 2015; Freeman, B与A相连, C和D与A不相连。通过对比发现, 1978), 根据网络分析的假设, 两个节点之间的信网络1和网络2的结构不同, 但连接强度相同。

息往往通过两者之间的最短路径传递(Costantini, 2.2.2 传递性(transitivity)

Epskamp, et al., 2015)。接近中心性较高的症状, 传递性即全局聚集系ec数(global clustering 由于它与精神障碍网络中其他症状的总体距离较coefficient), 和节点的聚集系数具有高度相关性。n近, 它产生的影响会较快蔓延到其他症状与计算聚集系数使用的eic“三角”相对应, 当三节点(Borgatti et al., 2009)。而中介中心性较高的节点, 间仅有两条连S线时, 即形成“相连的三节点” 由于它对网络中其他节点的最短路径影响较大, (connected triple), 当它从网络中移除的时候, 信息的传递成本(总体l如图2中A、B、D三节点间有两条连线ac, 形成了一个“相连的三节点”, 而一个路径)大大增加。在共病相关的研究中, 共病网络三角ig(如“ABC”)则包含三个“相连的三节点”。的桥接症状往往中介中心性较高, 这些症状同时Newman o(2003)定义无加权相关网络中传递性为影响着两个或多个不同精神障碍里其他症状的发l生和发展(McNally, 2016)。再如, 可预测性在临床

o三角个数的三倍与“相连的三节点”个数的比值, hcOpsahl和Panzarasa (2009)将传递性指标拓展至加治疗中具有重要意义：就个体症状而言, 当某一

症状可预测性很低时, 希望通过改变其相连节点

y权相关网络中。传递性越高, 表明网络中可探测s以改善这一症状的做法是难以奏效的; P到的三个节点形成的聚集体越多, 变量更容易两络而言, 当某精神障碍的平均可预测性较高时就疾病网

两聚集而非离散性地相互联系(Costantini, n, 采用外部因素来治疗该精神障碍的难度则可能较

iEpskamp, et al., 2015)。虽然网络传递性与连接强高(Haslbeck & Fried, 2017)。s度都与网络整体连线密度相关, 但两者也有着重e

2.2 描述网络整体层面的指标c要区别——当网络中存在相互分离的几个部分时, 2.2.1 连接强度(connectivity)

网络的总体连接强度为0而传递性却可能很强。 a连接强度与网络中所有节点两两之间的最短

v2.2.3 小世界指标(small-worldness index, SWI)

路径长度的均值(average d小世界指标通过同时考虑平均最短路径长度Ashortest path length; 习惯上以L来表示)相关4。L越小, 该网络的连接强和全局聚集系数后计算得到, SWI = (C/C’) / 度就越大。如前文所述, 加权网络和无加权网络(L/L’), 其中L和C为该网络的最短路径长度和全局聚集系数, L’和C’为具有相同节点数和连线数

的ER随机网络(Erdős-Rényi model; Erdős & 3

但由于横向数据中的相关性无法推测因果结论, 因此无

Rényi, 1959)5的相同指标。小世界指标反映的是, 法验证点度中心性高的症状是否确实对病人有更严重的影响, 基于此作结论需要更加谨慎。 4

需要注意的是, 在这一定义下, 连接强度不适用于存在5

ER随机网络是由匈牙利数学家Erdős和Rényi提出的随

孤立节点(不与同一网络中其他任何节点相连的节点)的网机图理论(random graph theory)建立的随机网络, 可以通过络, 这是因为孤立节点与其他任何节点的最短路径长度均确定一定的节点数和连线数建立, 也可以通过确定一定的为无限大。在这种情况下, 一如下文中所演示的, 推荐计算节点数以及各连线可能存在的概率确定, 这一理论开创了网络中某一组成成分的连接强度。

对复杂网络结构的系统性分析。

和随机网络相比, 任意两节点通过其他节点产生3.1 关注观测变量之间的联系

联系的难易程度(Marcus, Preszler, & Zeigler-Hill, 网络分析不必依赖潜变量的定义, 可以基于2018)。当SWI大于1 (或严格条件下大于3)时, 该观测变量构建模型, 并认为各个观测变量之间具网络具有小世界特点, 即具有高连接强度、节点有相关性, 因而可以直接分析各个观测变量之间间平均路径较短、整体联系紧密等特征(Borsboom 的关系。在众多潜变量模型中, 由于假定潜变量& Cramer, 2013)。

为同一维度下观测变量的共同成因, 观测变量之描述网络整体特征的三个指标(连接强度、传间的相关性完全由潜变量解释, 即观测变量具有递性以及小世界指标)对于理解心理现象具有启“局部性” (local independence) (Lazarsfeld & 示性意义。例如, Cao等(2019)对不同性别的青少Henry, 1968); 观测变量仅作为测量潜变量的指标, 年创伤后应激反应症状的网络分析发现, 女性网各观测变量之间的关系不作为模型关注的焦点。络结构的连接强度较高, 较难取得积极的治疗效但心理构念是否必然涉及潜变量(即共同成因)是果, 因此建议在医疗资源匮乏的情况下, 可能应个具有争议的话题。例如, 在医学中癌症的各种该优先对女性采取干预措施。又如在本文示例的症状的共同原因可能是肿瘤人格网络分析模型(图1)中, 小世界指标为1.38, 郁症可能不存在一个导致各种症状的共同原因e; 但与癌症不同, 抑

c即在不严格的条件下该网络具有小世界的特点, ——“抑郁因子”, 精神障碍更有可能是由不同显n说明大五人格问卷中某人格“特质”下某一行为条性症状间互相促进和影响所最终导致发生和发展

ei目并非仅单一与该特质所包含的其他行为条目相的。因此, 网络分析方法作为对潜变量模型的补c关, 反而是在各个条目所测量的行为间存在广泛充, 能够构建和拟合观测变量之间相互作用的系

S l的联系。

统(例如估计抑郁症各个症状之间的相互促进和a需要注意的是, 上述对网络整体描述的指标作用), cig从而针对同样的研究课题提供与潜变量模不仅适用于整个网络, 也适用于网络中不与成分型不同视角的注解。不过需要注意的是o, 在理解外节点相连而存在的各个组成成分

lo和定义心理构念时, 网络分析和潜变量模型具有(component)。在一些网络中, 存在包含节点数目

h相似的局限性, 即无法直接通过各个观测变量来

众多(无明确标准, 一般50%左右)的组成成分cy,

定义心理构念。网络本身并非等同于心理构念, 这时这种组成成分被称作巨大组成成它也只是描述心理构念的一种方法。

component) (Newman, 2001), 对于这些具有巨大P分s(giant

此外, 观测变量与潜变量之间的对应关系也组成成分的网络, 对巨大组成成分特征的分析往ni存在理论与实践的冲突, 观测变量只能受一个潜往比对网络整体特征的分析更加重要。例如 sTio变量影响的假设也被认为太过严格6, 如在诊断精等(2016)对国际疾病与相关健康问题统计分类第e神障碍时, 许多症状出现在多种精神障碍的诊断十版(International Classification cnof Diseases and

标准里(失眠、易激惹等)。网络分析允许观测变量Related Health Problems, avICD-10; World Health 相互影响, 更符合实践中症状出现和发展的模式, Organization (WTO))d与精神疾病诊断与统计手册相较而言, 某单一的精神障碍潜变量并非解释这第四版修订版A(DSM-IV-TR)这两个精神障碍诊断些症状间相互影响的成因。另一方面, 研究者可标准网络中巨大组成成分的分析发现, 相较于以通过中心性等相关指标来量化不同节点在网络ICD-10, DSM-IV-TR (2000)的传递性更高, 说明其中的重要性, 这符合实践中症状跨多个心理/心理在相互联系的症状组成的网络成分中内部联系更障碍系统而相互联系的已有发现。例如, McNally 加紧密。

(2016)提出共病中的桥接症状由于具有高中心性, 3 网络分析的特点

因此对整个网络结构起重要作用; Fried等(2015)对丧偶和抑郁症状的网络研究发现, 孤独感是二者网络分析关注变量之间的相互联系, 通过统相互关联的最重要因素。计建模突出其中的重要部分, 因此可以揭示在潜变量模型中难以看出的数据模式。在心理学实证6

一些潜变量模型也可以接受一个观测变量受多个潜变量研究中, 网络分析主要具有以下特点：

的影响, 例如探索性结构方程模型。

3.2 观测变量之间的互动性

即使一次外部反馈无法完全改变个体的行为模式, 网络分析可以用于研究不同节点(观测变量)也可能改变系统中的相关成分, 这种变化不需要之间的互相影响及其随着时间的变化过程(通过通过改变一个假设的人格潜变量(如改变神经质构建观测变量间的纵向模型)。例如, 精神障碍中或外向性的特质)以影响整个系统, 仅需要通过改的症状和症状之间可能互为因果并相互影响, 导变特定的观测变量及其与其他观测变量的联系就致严重程度不断加强(Schmittmann et al., 2013)。可形成。精神障碍系统也可能如此, 症状与症状在开始阶段, 这一过程似乎均发生在症状水平(观之间相互影响而形成稳定的系统, 即达到某种精测变量), 而非发生在精神障碍水平(潜变量)。研神障碍的诊断。一种治疗方式首先作用于一个或究这种互动关系的重要意义在于理解不同症状之几个特定的症状, 通过改善这些症状, 其他相关间的因果关系及这些关系随着时间的变化进程, 症状也间接改变, 当治疗到达某一时刻, 特定症从而帮助研究者开发更有针对性的干预治疗方案。

状的严重程度及症状之间的联系发生改变, 随后有研究发现受同一种精神障碍困扰的不同个系统整体状态发生改变。

体出现的症状表现可能完全不同, 症状之间的相当然, 除以上所提及的三点之外e, 网络分析

互联系也迥异。如对于有失眠症状的重度抑郁个还有其他的特点。例如, c它能够在短时间内构建体来说, 抑郁的成因在于压力→失眠→注意力集关于数十个甚至多达数百个观测变量之间关系的n中问题; 而对于躯体症状导致抑郁的个体来说, 模型, 从而提供探索和挖掘复杂心理系统eic(例如人则可能是：压力→血压上升→心机梗塞→情绪低格系统、精神障碍系统或者政治信念系统S)的可能落、容易疲倦、失眠(Borsboom & Cramer, 2013), 性。网络分析可以全局性地展现变量之间的复杂

l对二者的干预理应有不同的侧重点。再如Isvoranu联系, 描绘出关于心理现象的ac“宏大画面”。再如, 等(2017)分析童年期创伤与后期精神疾病的关系网络分析具有较好的可视化特点ig——网络分析所的研究发现, 在后期测量精神错乱(psychosis)的构建的变量间的网络本质上已经是一个可视化的o三个维度(正性症状、负性症状、普通精神病理症

lo图谱(如图1)。在实际运用中, 受益于R语言程序状)中, 只有普通精神病理症状维度与童年创伤具

h包(如qgraph; Costantini, Epskamp, et al., 2015)的有直接联系, 而正性和负性症状则通过普通精神

cy发展, 通过寥寥几行代码, 研究者就能够直观清病理症状与童年创伤相关联。由以上不难看出s晰地展现出节点与节点之间以及整个网络复杂的网络视角下, 不同观测变量在系统中的作用不同P,

, 结构特征(Marcus et al., 2018; McNally, 2016)。

因而是系统发展和变化的重要影响因素。ni 3.3 整体性

s4 网络分析的应用

网络分析将所有的观测变量纳入网络之中ec, 网络分析作为一种新方法, 近年来在心理学从网络整体变化的角度来考查某一心理n/行为系

中得到的广泛应用, 尤其是被应用到人格心理学统的发生发展过程。例如av, Cramer等(2012)从网络(如Cramer et al., 2012)、社会心理学(如Dalege, 分析的角度指出, d人格可能是一个完整的心理系Borsboom, van Harreveld, & van der Maas, 2018)和统, 其形成受到遗传生物因素的影响A, 而在成长临床心理学(如Borsboom & Cramer, 2013)。以下过程中, 又不断与环境中的因素进行互动, 主动将分别举例说明网络分析在这些领域的实际应用。寻找适合自己的行为模式, 最终达到一种平衡的4.1 人格与社会心理学领域的应用

状态(equilibrium)。举例来说, 容易感到受威胁的在人格心理学中, 网络分析常常被应用于传人会主动回避新的环境, 避免与陌生人交往, 因统的人格测量问卷所测得的数据, 其将问卷条目此感到紧张和孤独。这里的 “感到紧张”、“感到作为网络中的节点, 以条目之间的偏相关为连线孤独”和“容易感到受威胁”相互影响而形成了这来建构网络。通过总结目前已有的研究, 网络分析些人行为的稳态, 而并非是由于受到“神经质”特能从如下三个方面增进我们对人格的理解。

质的潜在影响。如果这个个体经历了成功的社交, 第一, 获得新的数据模式, 从而对人格的潜他可能会增加与陌生人交往, 紧张、孤独和受威变量模型得出的结论提出补充和修正。除本文图胁感可能也会有所减少, 所谓“牵一发而动全身”。

1所示案例外, 研究者在对大五人格进行网络分

析时发现, 宜人性和外向性的条目相互渗透, 说(industriousness)四个维度(Costantini, Richetin, et al., 明测量宜人性维度有关的条目之间的相关性并未2015)。

强于这些条目和外向性维度有关的条目之间的相网络分析也开始应用于社会心理学领域。例关性, 二者很难相互区分。从条目本身来看, 外向如, 态度的因果网络结构研究为理解态度的形成性的一些条目(如喜欢和别人交谈)和宜人性的一(信念、感受和行为的相互作用)、维持和改变的原些条目(如愿意花时间与别人在一起)确实具有很因及其强度提供了探索性的证据(Dalege et al., 高的相似性和内在的行为联系(Cramer et al., 2016)。实证研究指出个体的政治兴趣能够预测个2012)。另外, 从基因的角度对神经质进行分析发体关于总统候选人态度的网络的连接强度, 而网现, 在条目的水平上, 与神经质不同条目相关的络的连接强度又与态度的两个决定性因素(态度基因显示出异质性, 并不符合潜变量模型提出的的稳定性和态度对行为的影响程度)显著相关各变量需要保证同质性的前提假设(Nagel, (Dalege et al., 2018)。结合前人研究以及网络分析Watanabe, Stringer, Posthuma, & van der Sluis, 的视角, Brandt, Sibley和Osborne (2019)提出了2018)。对人格障碍的网络分析则补充了现有的理“政治信念系统” (political ebelief system)的概念

论体系：对自恋型人格障碍的网络分析发现具有——他们认为个体的各种政治信念组成了一个网c病态自恋人格结构的个体的自恋特质较少受其他络, 其中处于核心地位的是一些象征性的信念ne(即特质的预测(Di Pierro, Costantini, Benzi, Madeddu, 党派属性), 而处于边缘地位的则是对于具体i& Preti, 2018); Hyatt等(2018)对自恋和自尊进行的态度。不过, cS网络分析方法在社会心理学领域网络分析揭示了自恋和自尊的联系(果敢的交友的应用尚属于探索阶段 l, 此技术巨大的潜力仍有取向)与区别(自恋与冷漠无情、不切实际、贬低的待挖掘。ac

态度有关, 而自尊与这些行为特点则无关)。

4.2 ig临床心理学领域的应用

第二, 突破先前研究所提出的理论。结合人o在临床心理学中, 网络分析的应用主要包括格心理学研究中原先各自的研究话题或研究

lo探索传统精神障碍诊断标准中症状的网络结构、领域, 将所有相关信息绘制成易于解读的变量间

h网络, 网络分析承担了一个很好的“桥梁”角色c探索不同精神障碍的共病情况以及探索干预对某y,

个症状以及对整个症状网络的影响这三个方面。

推动了不同研究话题的互动和跨领域的理论突

s破。例如, 在探索成人气质(temperament)P首先, 网络分析为理解传统精神障碍诊断中与人格不同症状之间的关系提供了新的视角。研究者采特质的相关网络时, 研究者发现人格能够被看作ni用无加权网络分析的方法, 探索了不同精神障碍是由气质和其他特质组成的复杂结构 s, 分析得到的症状之间的网络结构。目前主要有：(1) 了四个集群而非常见的“大五e”人格的五个维度, Borsboom, Cramer, Schmittmann, Epskamp和即(1)外向性, (2)思维、尽责性和宜人性cn, (3)灵活

Waldorp (2011)对DSM-IV (1994)中障碍与对应症性、开放性和想象性思维av, (4)神经质(Wechsler, 状之间联系的网络分析; (2) Boschloo等(2015)对Benson, Machado, Bachert, & Gums, 2018)d。

DSM-IV (1994)中的12类精神障碍相关的120种第三, 交叉验证通过人格的潜变量模型所获A症状进行了网络分析; (3) Tio等(2016)对ICD-10得的研究结果。例如, 对“黑暗三角”人格特质与DSM-IV-TR (2000)的网络结构开展的比较分析; (“Dark Triad” personality)开展网络分析后, 研究以及(4) Borsboom (2017)基于上述研究结果总结者验证了操纵人际关系(interpersonal manipulation)出的精神障碍诊断标准的特点。总的来说, 目前和冷漠无情(callousness)是该人格特质网络中的所使用的精神障碍的诊断标准具有以下特点：(1)核心(Marcus et al., 2018), 这一发现交叉验证了复杂性, 即精神障碍网络中不同成分的复杂交互之前潜变量模型的结果(Jones & Figueredo, 作用; (2)症状(节点)与组成成分协同回应性, 即精2013)。相似的验证还有对尽责性的研究, 研究者神障碍网络中组成成分对症状的变化产生协同回通过探索性因素分析和网络分析中的集群性特征应; (3)直接因果关系, 即网络结构由症状间联系分析均发现尽责性显现出负责(responsibility)、冲产生; (4)精神障碍服从网络结构, 即网络中一些动控制(impulse control)、有序(orderliness)和勤奋

症状间的联系更紧密, 这些症状集群后相互作用

引发其他症状; (5)滞后效应(hysteresis), 即精神障络分析在描述心理构念上有独特的优势, 因此在碍是由于较强联系的症状出现滞后效应所导致的, 最近几年该方法已经被广泛用于诸多心理学领原因是引发症状的事件消失后已被激活的症状间域。从当前研究的发展趋势来看, 在未来几年网仍能相互激活。

络分析可能会在如下方面获得进一步发展。

其次, 网络分析较好地描述了不同精神障碍第一, 网络分析理论与实证证据结合, 如验的共病状况。网络分析通过描述节点的特征来推证网络分析揭示的重要节点是否也在改变网络结断节点在网络中的作用, 因此能够很好地识别不构过程中起到关键作用。如前文所述, 从网络分同精神障碍网络之间的“桥接”节点, 即共病的症析视角对精神障碍的研究发现一些症状相对重要, 状。除前述Cramer等(2010)探究重度抑郁障碍和而最重要的症状则通常被认为是网络的核心, 因广泛性焦虑症的共病机制的研究外, Ruzzano, 此推断改变这些症状可能是改变整个网络(即治Borsboom和Geurts (2015)探索自闭症与强迫症的疗该障碍)的重要切入点。那么在实际治疗过程中, 共病机制发现, 虽然刻板的重复行为是二者所共对那些在网络中与其他症状有较多较强联系的症有的症状诊断标准, 但网络分析结果显示自闭症状开展重点治疗能否更有效地改善与之相联系的

与强迫症是两个完全不同的症状集群——除了共其他症状呢？目前尚没有研究验证这一假设ec, 因有的刻板重复行为外, 二者症状间少有直接相此未来与精神障碍治疗方法有关的研究可着重关

n关。这从另一个角度证明了网络分析能够对精神注这一点(Fried et al., 2017)ei障碍的共病性进行深层的梳理, 从而识别易共病第二, 网络分析的可重复性问题。由于网络c。

与不易共病的精神障碍。Afzali等(2017)对创伤后分析本质上是一种S l“数据驱动”的探索性分析方法, 应激障碍和重度抑郁障碍的共病机制开展网络分所得的结果可能局限于特定的样本数据ac, 难以推析发现, 其共病的桥接节点不仅局限于睡眠问广到其他样本。虽然数据越多ig, 驱动数据得出的题、易激惹性、注意力困难和兴趣丧失这四个共结果也更接近于真实情况o, 但样本量难以达到完有的症状, 还存在于自责感、悲伤感和闪回等其

lo美, 因此网络分析是否真实反应了心理系统的普他一些非共有症状, 该研究进一步指出个体易伤

h遍特征仍待进一步验证(Epskamp, Borsboom, & 痛性和消极情绪性两个特点可能是造成这些共病

cyFried, 2018; Forbes, Wright, Markon, & Krueger, 症状的原因。

sP2017)。研究者已经发展出比较两个网络结构是否第三, 网络分析也开始应用于探究精神障碍有显著差异的方法(van Borkulo et al., 2017), 尽管干预的效果和鉴别干预的作用途径等方向。一些ni已有一项研究证实了网络分析在样本内和样本间研究将干预作为观测变量引入网络中 s, 观察该变的高重复性(Borsboom et al., 2017), 说明了网络量与不同症状之间的联系以及该变量对网络整体e结构至少在一定情况下是可重复的和可推广的, 结构的影响(如Bekhuis cnet al., 2018; Santos,

但在心理学研究的可重复性受到关注的背景下Kossakowski, Schwartz, Beeber, & Fried, 2018)a。不(Open Science Collaboration, 2015; 胡传鹏等, 同症状(或网络中的不同部分vd)的联系强弱和方式2016), 对于可重复性的考察尚待进一步深入研不同, 一些症状与治疗具有强相关A, 而另一些则究。因而, 未来一个重要的研究方向是发展出验可能仅有间接联系, 这对临床治疗研究具有重要证性网络模型(confirmatory network modeling)的意义。例如, Blanken等(2019)将网络分析应用于方法来确定基于某一特定样本所拟合出的变量间探究失眠症的认知行为治疗(cognitive behavioral 网络在多大程度上能够推广到其所在群体甚至其therapy for insomnia, CBT-I)对失眠症和抑郁症的他群体, 进而能够辨别若某一网络模型不可重复共病的治疗效果的研究, 结果发现CBT-I对失眠其原因为何。这些潜在的原因可能是样本选择本症的症状作用明显, 而对抑郁症的作用则更接近身不具有代表性, 无法代表其所在的群体, 因此于通过改善失眠症状而起到的间接效应。

导致通过该样本建构的网络模型可推广性有限; 5 总结与展望

也可能是所构建的网络只适用于某一群体, 而不适用于其他群体, 如同一网络结构无法同时适用作为对传统潜变量模型的一个有力补充, 网

于来自普通人群体的样本和来自病人群体的样本

(Borsboom, Robinaugh, The Psychosystems Group, American Psychiatric Association. (1994). Diagnostic and Rhemtulla, & Cramer, 2018)。

statistical manual of mental disorders (4th ed). 第三, 与潜变量模型的进一步融合。虽然前Washington, DC: Author. 文介绍了诸多网络分析模型相较于传统潜变量模American Psychiatric Association. (2000). Diagnostic and Statistical Manual of Mental Disorders (4th ed, text rev.). 型的创新之处和优势；但不可否认的是, 潜变量Washington, DC: Author. 模型仍然拥有网络分析模型难以替代的优势。一American Psychiatric Association. (2013). Diagnostic and 方面, 潜变量模型(特别是广义的结构方程模型)Statistical Manual of Mental Disorder (5th ed). Arlington, 纳入了对于测量误差的考察和控制(Borsboom, VA: American Psychiatric Publishing. Mellenbergh, & Heerden, 2003), 这有效地规避了Bekhuis, E., Schoevers, R., de Boer, M., Peen, J., Dekker, J., 心理测量无法做到完全精确的问题; 另一方面, van, H., & Boschloo, L. (2018). Symptom-Specific effects of psychotherapy versus combined therapy in the 潜变量模型提供了有效的验证性分析的框架。未treatment of mild to moderate depression: A network 来研究应开发出一个更加综合的方法, 既能够展approach. Psychotherapy and Psychosomatics, 87(2), 现网络模型互动性和整体性的特点, 也能够纳入121–123. https://doi.org/10.1159/000486793 对于测量误差的考量。目前Epskamp等(2017)对Blanken, T. F., van Der Zweerde, ecT., van Straten, A., van 综合潜变量模型与网络模型进行了初步尝试, 构Someren, E. J. W., Borsboom, 建了以潜变量为节点的网络模型。未来研究可以Introducing network intervention nD., & Lancee, J. (2019). eanalysis to investigate sequential, symptom-specific i进一步完善该模型, 以在研究中结合潜变量模型demonstration ctreatment effects: A 和网络分析模型的优势。

Sin co-occurring insomnia and depression. Psychotherapy and Psychosomatics l, 88(1), 52–. 第四, 应用于个体的网络分析(Borsboom & https://doi.org/10.1159/000495045 aCramer, 2013)。由于不同个体的心理/行为特征具Borgatti, ciS. P., Mehra, A., Brass, D. J., & Labianca, G. 有独特性, 建立每个个体的网络分析有利于更加(2009). goNetwork analysis in the social sciences. Science, 准确地理解个体心理现象以及精神障碍的出现、l323(5916), 2–5. https://doi.org/10.1126/science.1165821 oon diagnostic 保持和发展过程。研究者应开发统计方法来建立

hBorsboom, D. (2008). Psychometric perspectives 基于个体的网络分析, 帮助了解具体每个个体态

csystems. Journal of Clinical Psychology, (9), 10–1108. yhttps://doi.org/10.1002/jclp.20503 度、人格、行为特征形成的原因, 也帮助了解每

sBorsboom, D. (2017). A network theory of mental disorders. 个个体精神障碍的诱因、作用通路和潜在发病风P World Psychiatry, 16(1), 5–13. https://doi.org/10.1002/ 险。最终, 应用网络分析所得发现来提供个性化nwps.20375 i的发展建议, 制定个性化的干预方案 s, 促进每个Borsboom, D., & Cramer, A. O. J. (2013). Network analysis: An integrative approach to the structure of psychopathology. 个体的精神健康和积极发展。eAnnual Review of Clinical Psychology, 9(1), 91–121.

nhttps://doi.org/10.1146/annurev-clinpsy-050212-185608 致谢：感谢匿名审稿人对本文提出的宝贵意见av, Borsboom, D., Cramer, A. O. J., Schmittmann, V. D., 感谢加拿大曼尼托巴大学艾斯博商学院陈洁盈博dEpskamp, S., & Waldorp, L. J. (2011). The small world of 士(助理教授)对本文英文摘要的帮助。A

psychopathology. PLoS ONE, 6(11), e27407. https:// doi.org/10.1371/journal.pone.0027407 参考文献

Borsboom, D., Fried, E. I., Epskamp, S., Waldorp, L. J., van Borkulo, C. D., van der Maas, H. L. J., & Cramer, A. O. J. 胡传鹏, 王非, 过继成思, 宋梦迪, 隋洁, 彭凯平. (2016). (2017). False alarm? A comprehensive reanalysis of 心理学研究中的可重复性问题：从危机到契机. 心理科“Evidence that psychopathology symptom networks have 学进展, 24(9), 1504–1518. limited replicability” by Forbes, Wright, Markon, and Afzali, M. H., Sunderland, M., Teesson, M., Carragher, N., Krueger (2017). Journal of Abnormal Psychology, 126(7), Mills, K., & Slade, T. (2017). A network approach to the 9–999. https://doi.org/10.1037/abn0000306 comorbidity between posttraumatic stress disorder and Borsboom, D., Mellenbergh, G. J., & Heerden, J. van. (2003). major depressive disorder: The role of overlapping The theoretical status of latent variables. Psychological symptoms. Journal of Affective Disorders, 208, 490–496. Review, 110(2), 203–219. https://doi.org/10.1037/0033-295X. https://doi.org/10.1016/j.jad.2016.10.037 110.2.203

Borsboom, D., Robinaugh, D. J., The Psychosystems Group, Dimensions of normal personality as networks. European Rhemtulla, M., & Cramer, A. O. J. (2018). Robustness and Journal of Personality, 26(4), 414–431. https://doi.org/ replicability of psychopathology networks. World Psychiatry, 10.1002/per.1866 17(2), 143–144. https://doi.org/10.1002/wps. 20515 Cramer, A. O. J., Waldorp, L. J., van der Maas, H. L. J., & Boschloo, L., van Borkulo, C. D., Rhemtulla, M., Keyes, K. Borsboom, D. (2010). Comorbidity: A network perspective. M., Borsboom, D., & Schoevers, R. A. (2015). The Behavioral and Brain Sciences, 33(2–3), 137–150. network structure of symptoms of the diagnostic and https://doi.org/10.1017/S0140525X09991567 statistical manual of mental disorders. PLoS ONE, 10(9), Dalege, J., Borsboom, D., van Harreveld, F., van den Berg, e0137621. https://doi.org/10.1371/journal.pone.0137621 H., Conner, M., & van der Maas, H. L. J. (2016). Toward a Brandt, M. J., Sibley, C. G., & Osborne, D. (2019). What is formalized account of attitudes: The causal attitude central to political belief system networks? Personality network (CAN) model. Psychological Review, 123(1), and Social Psychology Bulletin, 45(9), 1352–13. 2–22. https://doi.org/10.1037/a0039802 https://doi.org/10.1177/01461672188243 Dalege, J., Borsboom, D., van Harreveld, F., & van der Maas, Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., H. L. J. (2018). The attitudinal entropy (AE) framework as Kuppens, P., Peeters, F., … Tuerlinckx, F. (2013). A a general theory of individual network approach to psychopathology: New insights into Inquiry, 29(4), 175–193. https://doi.org/10.1080/1047840X. eattitudes. Psychological clinical longitudinal data. PLoS ONE, 8(4), e60188. 2018.1537246 chttps://doi.org/10.1371/journal.pone.0060188 Di Pierro, R., Costantini, G., neBenzi, I. M. A., Madeddu, F., Bulteel, K., Tuerlinckx, F., Brose, A., & Ceulemans, E. & Preti, E. (2018). Grandiose and entitled, but still fragile: i(2018). Improved insight into and prediction of network A network analysis cSof pathological narcissistic traits. dynamics by combining VAR and dimension reduction. Personality and Individual Differences l, 140, 15–20. Multivariate Behavioral Research, 53(6), 853–875. https://doi.org/10.1016/j.paid.2018.04.003 ahttps://doi.org/10.1080/00273171.2018.15160 Epskamp, ciS., Rhemtulla, M., & Borsboom, D. (2017). Cao, X., Wang, L., Cao, C., Fang, R., Chen, C., Hall, B. J., Generalized gonetwork psychometrics: Combining network & Elhai, J. D. (2019). Sex differences in global and local land latent variable models. Psychometrika, 82(4), connectivity of adolescent posttraumatic stress disorder o904–927. https://doi.org/10.1007/s11336-017-9557-x symptoms. Journal of Child Psychology and Psychiatryhc, Epskamp, S., Waldorp, L. J., Mõttus, R., & Borsboom, D. 60(2), 216–224. https://doi.org/10.1111/jcpp.12963 y(2018). The gaussian graphical model in cross-sectional Costantini, G., Epskamp, S., Borsboom, D., Perugini, sM., and time-series data. Multivariate Behavioral Research, Mõttus, R., Waldorp, L. J., & Cramer, A. O. PJ. (2015). 53(4), 453–480. https://doi.org/10.1080/00273171.2018. State of the aRt personality research: nA tutorial on 14823 network analysis of personality data i in R. Journal of Erdős, P., & Rényi, A. (1959). On Random Graphs. I. Research in Personality, , Publicationes Mathematicae., 6, 290–297. 10.1016/j.jrp.2014.07.003 e13–29. shttps://doi.org/ cFreeman, L. C. (1978). Centrality in social networks Costantini, G., Richetin, J., nBorsboom, D., Fried, E. I., conceptual clarification. Social Networks, 1(3), 215–239. Rhemtulla, M., & Perugini, avM. (2015). Development of https://doi.org/10.1016/0378-8733(78)90021-7 indirect measures of conscientiousness: Combining a Fried, E. I., Bockting, C., Arjadi, R., Borsboom, D., Amshoff, facets approach dM., Cramer, A. O. J., … Stroebe, M. (2015). From loss to of Personality, Aand network analysis. European Journal 29(5), 8–567. https://doi.org/10.1002/ loneliness: The relationship between bereavement and per.2014 depressive symptoms. Journal of Abnormal Psychology, Costantini, G., Richetin, J., Preti, E., Casini, E., Epskamp, S., 124(2), 256–265. https://doi.org/10.1037/abn0000028 & Perugini, M. (2019). Stability and variability of Fried, E. I., van Borkulo, C. D., Cramer, A. O. J., Boschloo, personality networks. A tutorial on recent developments in L., Schoevers, R. A., & Borsboom, D. (2017). Mental network psychometrics. Personality and Individual disorders as networks of problems: A review of recent Differences, 136, 68–78. https://doi.org/10.1016/j.paid. insights. Social Psychiatry and Psychiatric Epidemiology, 2017.06.011 52(1), 1–10. https://doi.org/10.1007/s00127-016-1319-z Cramer, A. O. J., van der Sluis, S., Noordhof, A., Wichers, Friedman, J., Hastie, T., & Tibshirani, R. (2008). Sparse M., Geschwind, N., Aggen, S. H., … Borsboom, D. (2012). inverse covariance estimation with the graphical lasso. Dimensions of normal personality as networks in search of Biostatistics, 9(3), 432–441. https://doi.org/10.1093/ equilibrium: You can’t like parties if you don’t like people: biostatistics/kxm045

Haslbeck, J. M. B., & Fried, E. I. (2017). How predictable Deserno, M. K., & Borsboom, D. (2015). Mental disorders are symptoms in psychopathological networks? A reanalysis as causal systems: A network approach to posttraumatic of 18 published datasets. Psychological Medicine, 47(16), stress disorder. Clinical Psychological Science, 3(6), 836–849. 2767–2776. https://doi.org/10.1017/ S0033291717001258 https://doi.org/10.1177/ 2167702614553230 Haslbeck, J. M. B., & Waldorp, L. J. (2015). MGM: Milgram, S. (1967). The small world problem. Psychology Estimating Time-Varying Mixed Graphical Models in Today, 1(1), 61–67. High-Dimensional Data. Retrieved March 19, 2019 from Millar, R. B. (2011). Latent variable models. In Maximum http://arxiv.org/abs/1510.06871 likelihood estimation and inference (pp. 202–232). Hyatt, C. S., Sleep, C. E., Lamkin, J., Maples-Keller, J. L., Indianapolis, IN: John Wiley & Sons. https://doi.org/10. Sedikides, C., Campbell, W. K., & Miller, J. D. (2018). 1002/9780470094846.ch10 Narcissism and self-esteem: A nomological network Nagel, M., Watanabe, K., Stringer, S., Posthuma, D., & van analysis. PLoS ONE, 13(8), e0201088. https://doi.org/ der Sluis, S. (2018). Item-level analyses reveal genetic 10.1371/journal.pone.0201088 heterogeneity in neuroticism. Nature Communications, 9, Isvoranu, A.-M., van Borkulo, C. D., Boyette, L.-L., Article 905. https://doi.org/10.1038/s41467-018-03242-8 Wigman, J. T. W., Vinkers, C. H., Borsboom, D., & Group Newman, M. E. J. (2001). The estructure of scientific Investigators. (2017). A network approach to psychosis: collaboration networks. Proceedings of the National Pathways between childhood trauma and psychotic Academy of Sciences, 98(2), cn404–409. https://doi.org/10. symptoms. Schizophrenia Bulletin, 43(1), 187–196. 1073/pnas.98.2.404 ehttps://doi.org/10.1093/schbul/sbw055 Newman, M. E. J. (2003). iThe structure and function of Jones, D. N., & Figueredo, A. J. (2013). The core of complex networks. cSSIAM Review, 45(2), 167–256. darkness: Uncovering the heart of the dark. European https://doi.org/10.1137/S003614450342480 lJournal of Personality, 27(6), 521–531. https://doi.org/ Open Science acCollaboration. (2015). Estimating the 10.1002/per.13 reproducibility of psychological science. iScience, 349(6251), Lauritzen, S. L. (1996). Graphical models. Oxford, England: aac4716–aac4716. https://doi.org/10.1126/science.aac4716 gClarendon Press. olOpsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node Lazarsfeld, P. F., & Henry, N. W. (1968). Latent structure oanalysis. Boston: Houghton Mill. hcentrality in weighted networks: Generalizing degree and Social Networks, 32(3), 245–251. Levine, M., & Davidson, E. H. (2005). Gene regulatory cshortest paths. yhttps://doi.org/10.1016/j.socnet.2010.03.006 networks for development. Proceedings of the National sOpsahl, T., & Panzarasa, P. (2009). Clustering in weighted Academy of Sciences, 102(14), 4936–4942. Pnetworks. Social Networks, 31(2), 155–163. https:// org/10.1073/pnas.0408031102 https://doi. ndoi.org/10.1016/j.socnet.2009.02.002 Liu, Q., Fei, W., Yan, W., Peng, K., Sui, J., & Hu, C. (2019). i Park, H.-J., & Friston, K. (2013). Structural and functional Questionnaire data from the revision of a Chinese Version sbrain networks: From connections to cognition. Science, of Free Will and Determinism Plus Scale and Experiments ec342(6158), 1238411–1238411. https://doi.org/10.1126/science. on the Perceptual Prioritization of the Good Selfn. 1238411 https://doi.org/10.31234/osf.io/7ngey aPourahmadi, M. (2011). Covariance estimation: The GLM Marcus, D. K., Preszler, vJ., & Zeigler-Hill, V. (2018). A and regularization perspectives. Statistical Science, 26(3), network of dark personality traits: What lies at the heart of d369–387. https://doi.org/10.1214/11-sts358 darkness? Journal of Research in PersonalityA, 73, 56–62. Rhemtulla, M., van Bork, R., & Cramer, A. O. J. (in press). https://doi.org/10.1016/j.jrp.2017.11.003 Cross-lagged network models. Multivariate Behavioral McCrae, R. R., & Costa, P. T. Jr. (2008). Empirical and Research. Retrived April 15, 2019 from https://osf.io/r24q6/ theoretical status of the five-factor model of personality Ruzzano, L., Borsboom, D., & Geurts, H. M. (2015). traits. In G. Boyle, G. Matthews, & D. Saklofske (Eds.), Repetitive behaviors in autism and obsessive-compulsive The SAGE handbook of personality theory and assessment disorder: New perspectives from a network analysis. (Vol. 1, pp. 273–294). Thousand Oaks, CA: Sage. Journal of Autism and Developmental Disorders, 45(1), https://doi.org/10.4135/9781849200462 192–202. https://doi.org/10.1007/s10803-014-2204-9 McNally, R. J. (2016). Can network analysis transform Santos, H. P., Kossakowski, J. J., Schwartz, T. A., Beeber, L., psychopathology? Behaviour Research and Therapy, 86, & Fried, E. I. (2018). Longitudinal network structure of 95–104. https://doi.org/10.1016/j.brat.2016.06.006 depression symptoms and self-efficacy in low-income McNally, R. J., Robinaugh, D. J., Wu, G. W. Y., Wang, L., mothers. PLoS ONE, 13(1), e0191675. https://doi.org/

心理科学进展第28卷

10.1371/journal.pone.0191675 F., Boschloo, L., Schoevers, R. A., & Waldorp, L. J. Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, (2014). A new method for constructing networks from S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing binary data. Scientific Reports, 4(5918), 1–10. https:// the construct: A network perspective on psychological doi.org/10.1038/srep05918 phenomena. New Ideas in Psychology, 31(1), 43–53. van Borkulo, C. D., Boschloo, L., Kossakowski, J. J., Tio, P., https://doi.org/10.1016/j.newideapsych. 2011. 02. 007 Schoevers, R., Borsboom, D., & Waldorp, L. (2016). Sporns, O., & Honey, C. J. (2006). Small worlds inside big Comparing network structures on three aspects: A permutation brains. Proceedings of the National Academy of Sciences, test. Submitted. Retrived March 19, 2019 from https://www. 103(51), 19219–19220. https://doi.org/10.1073/pnas. researchgate.net/publication/314750838_Comparing_netw0609523103 ork_structures_on_three_aspects_A_permutation_test Teichmann, S. A., & Babu, M. M. (2004). Gene regulatory Wechsler, S. M., Benson, N., Machado, W. D. L., Bachert, C. network growth by duplication. Nature Genetics, 36(5), M. D., & Gums, E. F. (2018). Adult temperament styles: A 492–496. https://doi.org/10.1038/ng1340 network analysis of their relationships with the Big Five Tio, P., Epskamp, S., Noordhof, A., & Borsboom, D. (2016). Personality Model. European Journal of Education and Mapping the manuals of madness: Comparing the ICD-10 Psychology, 11(1), 61–75. https://doi.org/10.30552/ejep. and DSM-IV-TR using a network approach. International v11i1.186 eJournal of Methods in Psychiatric Research, 25(4), World Health Organization (WHO). cn(1993). The ICD-10 267–276. https://doi.org/10.1002/mpr.1503 classification of mental and behavioural disorders: eTravers, J., & Milgram, S. (1969). An experimental study of Diagnostic criteria for researchi (ICD-10). Geneva: Author. the small world problem. Sociometry, 32(4), 425–443. Xia, M., & He, cSY. (2017). Functional connectomics from a https://doi.org/10.2307/27865 “big data” perspective. lNeuroImage, 160, 152–167. https: van Borkulo, C. D., Borsboom, D., Epskamp, S., Blanken, T. //doi.org/10.1016/j.neuroimage.2017.02.031 a ci

gNetwork analysis and its applications in psychology oloCAI Yuqing1; DONG Shuyangh2c; YUAN Shuai3; HU Chuan-Peng4,5 (1 Department of Humanity, Tsinghua University, Beijingy 100084, China) (2 Department of Developmental Psychology, Utrecht University, Utrecht, 3584CS, Netherland) (3 Department of Methodology and Statistics, Tilburg University, Tilburg, sP5037AB, Netherland) (4 German Resilience Center, Mainz, n55131, Germany) (5 Neuroimaging Center (NIC), University Medical Centre of the Johannes Gutenberg University, Mainz, i 55131, Germany) Abstract: Network analysis semodels (or Network Psychometrics) have been widely used in psychology research in recent years. Unlike latent variable models which conceive observable variables as outcomes of cunobservable latent factors, network analysis models apply the graph theory to construct a network to depict nathe associations among vobservable variables. The observable variables are treated as nodes and the associations between them are treated as edges. As such, network analysis models reveal the relationships damong observable variables and the dynamic system resulted from the interactions between these observable Avariables. With indices reflecting individual nodes’ characteristics (such as centrality) and network structural characteristics (such as small-worldness), network analysis models provide a new perspective for visualization and for studying various psychological phenomena. In the past decade, network analysis models have been applied in the fields of personality, social, and clinical psychology as well as psychiatry. Future research should continue to develop and improve the methods of network analysis models, making them applicable to more types of data and broader research fields. Key words: network analysis; latent variable; psychometrics; psychopathology; personality traits

补充材料：目的划分能够在一定程度上反应其所属特质。神

经质条目和另外两个特质条目之间均为负相关, 网络分析示例, 以大五人格量表(BFI-44)中但宜人性和外向性的条目之间具有较强的正相关, 三维度为例。

二者相互渗透, 说明测量宜人性特质有关的条目目的：拟使用网络分析的方法对大五人格量表之间的相关性并未强于这些条目和外向性特质有(BFI-44)中的宜人性、外向性和神经质的特质进行关的条目之间的相关性, 二者很难相互区分。从探索。

条目本身来看, 外向性的一些条目(如喜欢和别人数据：本次示例分析的数据来自Liu等(2019)交谈)和宜人性的一些条目(如愿意花时间与别人的数据。五人格量表(BFI-44)为使用最为广泛的人在一起)确实具有很高的相似性和内在的行为联格问卷之一(中文版由牛蕾(2011)翻译), 包括外向系(Cramer et al., 2012)。特别的是, 宜人性A8“我性、宜人性、开放性、尽责性和神经质五个特质。可能会很冷淡, 难以接近”与宜人性特质其他8个其中, 外向性含8个项目、宜人性含9个项目、条目在施加惩罚因子后无联系, 反而与神经质和开放性含10个项目、尽责性含9个项目、神经质外向性(特别是外向性)具有相对较强的联系含8个项目。所有条目均为5点量表。在该数据明该项目更有可能反应了外向性特点而非宜人e, 说

c集中, BFI-44的数据样本量为555人(年龄= 性。GLASSO网络的小世界指标为n1.38, 说明其21.69±2.52, 男性237人, 女性318人)。示例中所在不严格的情况下具有小世界的特点ei采用的宜人性、外向性和神经质具体条目、年龄高连接强度、节点间路径较短、整体联系较紧密c, 即具有较以及各题描述性统计数据见表S1。

等特征(Borsboom S l& Cramer, 2013), 每个特质下的分析过程：

条目不仅与该特质其他条目具有紧密联系ac, 也有其第一步：使用3个特质的数据(27个条目)建他特质下条目广泛联系。ig

立偏相关网络模型。如正文所述, 由于网络中可o节点中心性和聚集系数：由于GLASSO网络能存在“虚假”相关, 因此采用偏相关系数以更加lo能更加简洁准确地表现心理构念的特点, 因此首准确地描述网络真实特征。在偏相关网络的基础

hc先对其相关指标进行分析和解读。GLASSO网络上进一步引入惩罚因子, 即采用图像最小绝对值

y的三个中心性指标以及聚集系数如表S3所示(另收敛和选择算法(GLASSO; Friedman, s可参考折线图S1)。其中外向性E37“我是开朗外Tibshirani, 2008), 删除强度较弱的连线PHastie, &

, 减少连

向, 好交际的”具有最高的中介中心性和强度, 以线数目, 更加清晰地显示出网络中重要的连线ni, 及第二高的接近中心性, 说明其在整个网络中具也更能反映出节点与节点之间的直接联系。 s

有较高的重要性, 其变异对网络中其他节点具有第二步：计算GLASSO网络的三个中心性指e较强的联系, 将其从网络中删除对网络整体联系标(即强度、接近中心性和中介中心性cn)以及聚集系

具有较大影响。从网络示意图中也可以看出该节数指标, 以比较各节点在网络中的重要程度。另a点在外向性特质中处于中心位置, 与该特质其他外, 对于网络整体结构vd, 计算小世界指标以了解节点具有较强联系; 外向性E41“我充满活力”具该网络的连接特点A(各指标的计算方式及理解见有最高的接近中心性以及较高的中介中心性和强正文)。

度, 说明其在整体网络中也具有较高的重要性; 网络的建立以及各指标的计算均使用R程序外向性E44“我往往很安静”和E40“我充满了热包qgraph完成, 具体代码及原始数据见：情”具有最高和第二高的聚集系数, 说明与E44和osf.io/g74dz/

与E40相连的节点两两之间有联系的可能性较高, 结果：偏相关网络和GLASSO网络示意图见说明这两个节点在网络中较为“多余”, 即通过两正文图1, GLASSO网络各连线权重见表S2。

者反映的网络特点也可通过其他节点反映网络整体结构：从偏相关网络及GLASSO网(Costantini et al., 2015)。

络中均可以看出, 分属于不同特质的量表条目之分别考虑三个特质的节点指标, 外向性特质三间均具有相关性。其中, 各特质内部条目之间具个中心性指标以及聚集系数指标均高于平均值, 而有较强的正相关, 说明总体而言大五人格特质条

宜人性特质则低于平均值(其中中介中心性和强

度远低于平均值), 说明外向性特质在网络中的三质, 但特质与特质之间并不完全, 相反, 有个特质中处于重要位置, 而宜人性指标则总体而一些衡量某一特质的条目可能与其他的特质的条言与其他指标具有较少联系, 且很少位于其他两节目联系更加紧密。另外, 不同的特质在人格网络点最短路径上, 对于网络中信息传递影响较少。

中所处的地位也不尽相同, 外向性的地位似乎比结果解读：从网络结构中可以看出大五人格宜人性更核心。因此, 在理解人格这一心理构念量表中各特质和其下条目、条目与条目之间的更时, 仅通过个特质的得分高低来评价人格特点可多信息。虽然大五人格往往被分为五个的特

能并不完全准确。

表S1 BFI-44大五人格问卷中宜人性、神经质和外向性三特质的问卷条目及描述性统计数据条目内容

平均值标准差 A1 我对绝大多数人都很友善 4.24 0. A2 我愿意和别人合作 3.9 0.75

A3 我乐于助人, 不自私 3.76 e0.71 A4 我生性宽容

3. cn0.8 A5 我通常是相信别人的 3.88

ei0.71 A6 我倾向于挑战别人的缺点 cS3.68 0.95 A7 我会挑起和别人的争执 l4.03 0.85 A8 我可能会很冷淡, 难以接近 ac3.37 1.17 A9 我有时对人很粗鲁 ig3.59 1.07 N19 我可能会很情绪化 o3.37 0.98 N20

我有时会感到忧郁或沮丧

lo3.6 0.94 N21 我很容易感到不安

h3.13 1.09 N22 我可能会紧张

cy3.78 0.81 N23 我总是担心很多事情P

s3.51 1.02 N24 我在紧张的情境下能保持冷静 n

3.13 1.09 N25 我的情绪很稳定i s, 不容易感到心烦意乱

3.27 1.1 N26 我很放松e, 而且能很好地应对压力

3.04 1.14 E37 我是开朗外向c好交际的 3.35 1.05 E38 我很健谈n, a

3.18 0.98 E39 vd我有坚定而自信的性格 3.5 0.87 E40 A我充满了热情 3.65 0.82 E41 我充满了活力

3.65 0.8 E42 我通常很内向矜持 3.11 1.18 E43 我有时会害羞或拘谨 2.51 1.1 E44 我往往很安静 2.

1.15 年龄

年龄

21.69

2.52

ecneicS lacigolohcysP ni secnavdA

表S3 GLASSO网络中心性和聚集系数指标7

中介中心性

接近中心性强度聚集系数 A1 48 0.0023 0.70 0.04 A2 0 0.0018 0.42 0.06 A3 13 0.0021 0.75 0.05 A4 27 0.0021 0.66 0.05 A5 0 0.0016 0.30 0.07 A6 0 0.0016 0.29 0.04 A7 33 0.0019 0.55 0.02 A8 3 0.0019 0.41 0.05 A9 18 0.0018 0.36 0.05 N19 22 0.0020 0.79

0.05

N20 20 0.0021 0.93 0.07 N21 28 0.0021 1.19 ec0.04 N22 4 0.0019 0.62 ne0.09 N23 5 0.0020 0.81

ic0.08 N24 0 0.0019 S0.49 0.07 N25 18 0.0022 l0.65 0.07 N26 50 0.0023 ac0.97 0.04 E37 62 0.0024 ig1.21 0.06 E38 0 0.0022 o0.84 0.07 E39

10 0.0022 lo0.80 0.07 E40

14 h0.0023

0.87 0.10 E41 44 cy0.0025

1.17 0.06 E42 41 s0.78 0.05 E43 34 P0.0023

0.75 0.04 E44 0

n0.0021 i 0.0019 0.45 0.15 宜人性(A)均值 s0.49 0.05 神经质(N)均值 e15.78 0.0019 c18.38

0.0021 0.80 0.06 外向性(E)均值 n0.86 0.08 所有条目均值

a25.63

0.0022 v19.76

0.0021

0.71

0.06

中心性和聚集系数指标均通过R程序包qgraph计算, 其中中心性指标的调整参数α使用qgraph中默认值1。对于加权网

络, 目前主要有三种不同的节点聚集系数的计算方法(WS, Zhang和Onnela), 其区别在于判断某一节点的特定连线是否应该被纳入该点的聚集系数计算的衡量标准(三种方法分别见Watts & Strogatz, 1998; Onnela, Saramäki, Kertész, & Kaski, 2005; Zhang & Horvath, 2005)。其中, Zhang & Horvath (2005)适用于相关性数据, 另外, Zhang聚集系数中“signed”版本考虑正相关与负相关的不同, 因此这里的聚集系数使用的是Zhang (signed)版本。

ecneicS laci

图S1 GLASSO网络各节点中心性折线图ol

参考文献

cEuropean Journal of Personality, 26(4), 414–431. https: ys//doi.org/10.1002/per.1866 牛蕾. (2011). 人格对大学生群体关系网络的影响P. 哈尔滨Friedman, J., Hastie, T., & Tibshirani, R. (2008). Sparse 师范大学(硕士学位论文). ninverse covariance estimation with the graphical lasso. Borsboom, D., & Cramer, A. O. J. (2013). Network analysis: i Biostatistics, 9(3), 432–441. https://doi.org/10.1093/ An integrative approach to the structure of psychopathology. sbiostatistics/kxm045 Annual Review of Clinical Psychology, 9ec(1), 91–121. Onnela, J.-P., Saramäki, J., Kertész, J., & Kaski, K. (2005). https://doi.org/10.1146/annurev-clinpsy-050212-185608 nIntensity and coherence of motifs in weighted complex Costantini, G., Epskamp, aS., Borsboom, D., Perugini, networks. Physical Review E, 71(6), 065103. https://doi.org/ M., Mõttus, R., Waldorp, v10.1103/PhysRevE.71.065103 dL. J., & Cramer, A. O. J. (2015). State of Athe aRt personality research: A tutorialWatts, D. J., & Strogatz, S. H. (1998). Collective dynamics on network analysis of personality data in R. Journalof ‘small-world’ networks. Nature, 393(6684), 440–442. of Research in Personality, , 13–29. https://doi.org/1https://doi.org/10.1038/30918 0.1016/j.jrp.2014.07.003 Zhang, B., & Horvath, S. (2005). A general framework for Cramer, A. O. J., van der Sluis, S., Noordhof, A., Wichers, weighted gene co-expression network analysis. Statistical M., Geschwind, N., Aggen, S. H., … Borsboom, D. (2012). Applications in Genetics and Molecular Biology, 4(1), Dimensions of normal personality as networks in search of 14-6115. Article 17. https://doi.org/10.2202/14-6115. equilibrium: You can’t like parties if you don’t like people. 1128

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文