度相关性与网络结构的高阶统计13 / 13
适用范围与常见误用
- 把负的 直接解释为“枢纽回避”的生物学机制。 重尾度分布的简单图本身就偏异配；必须与同一度序列的保度随机网络（R-S）比较，并报告零分布。
- 跨网络比较 的绝对值。 依赖网络规模和度序列，大网络中的 被压向 0；比较不同规模的网络时应同时报告 Spearman 秩相关、 曲线和零模型 分数。
- 只看未归一化的 。 随机网络的 也随 上升；富人俱乐部的证据是 且显著，并且 不能太小。
- 零模型选错或混合不足。 “合并重边”的配置模型不是均匀随机简单图；交换次数不足时随机网络保留原图结构。对空间嵌入的脑网络，还应比较空间约束零模型。
- 忽视构网方式。 阈值、密度、加权与二值化、复合物展开方式、货币代谢物处理都会改变度相关；功能连接网络的同配性可以完全由模块大小和阈值产生。
- 有向网络无向化。 调控网络、神经元网络无向化后的 混合了四种不同的有向相关，可能互相抵消。
- 把 当作层次模块的证明。 它只是相容的证据，度相关、空间约束等都能产生下降的 。
- 把 -核当作“重要性”的通用度量。 核数对少量边的增删敏感（尤其在稀疏、含假阳性的相互作用数据中），且只在特定动力学（如单点起始的传播）下有预测意义。
- 用模型网络的结论推断真实系统。 度相关对渗流、传播、同步的影响多在保持度序列的重连模型中得出；真实网络中度相关与模块、聚集、空间结构同时变化，很难单独归因。