心理网络的估计及其准确性：教程

一句话看懂

症状网络通常只用几百人的样本估计，边和中心性的抽样误差很大。这篇教程给出三步检查：用 bootstrap 求边权的置信区间；逐步删掉被试，看中心性排序还稳不稳（CS 系数）；检验两条边或两个节点的中心性是否真的不同。在作者的示例中，常被大书特书的介数和接近中心性几乎完全不稳定。

网络精神病学把精神障碍看成症状之间相互作用形成的网络（见 Borsboom 2017），2010 年代中期相关研究迅速增多。典型做法是用横断面问卷数据估计偏相关网络，再计算中心性，挑出“最中心的症状”，并推测它是干预靶点。

问题在于：大多数研究的样本量只有几百人，却要估计几十到上百个参数；很少有人报告这些估计有多精确。结果是，看起来清楚的网络图和中心性排序，可能大部分是抽样噪声。作者希望提供一个标准、易用的准确性检查流程。

网络估计：连续或有序数据常用高斯图模型（GGM），边权是控制其余所有变量后的偏相关；用图形 LASSO 加正则化、以扩展贝叶斯信息准则（EBIC）选择惩罚强度，得到稀疏网络（EBICglasso）。

三步准确性检查：

相关稳定性系数 $CS(\text{cor}=0.7)$ ：最多可以随机删去多大比例的被试，使得在 95% 的重抽样中，子样本中心性与原样本中心性的相关仍不低于 0.7。作者基于模拟建议：CS 系数不应低于 0.25，最好高于 0.5。

这些方法实现于 R 包 bootnet，它同时提供统一的网络估计接口，可以调用 EBICglasso、Ising 模型等多种估计方法。

模拟示例说明问题：作者用一个所有节点中心性其实相同的模拟网络展示，单次估计的中心性图会给人“某些节点明显更重要”的错误印象。
CS 阈值来自模拟：在 24,000 个模拟数据集中，当真实中心性都相同时，CS 系数随样本量增大也保持稳定、大多低于 0.5，约 75% 低于 0.25。据此提出 0.25 与 0.5 两条经验阈值，并明确说明它们“有一定任意性”。
PTSD 实例：359 名伴随物质滥用治疗的女性（完全或亚阈值 PTSD），17 个 PTSD 症状。多数边的 bootstrap 置信区间很宽；只有“惊跳–过度警觉”“疏离–兴趣丧失”“提醒时不安–闯入性想法”三条边可靠地强于其他边。
中心性稳定性差异很大：介数与接近中心性的 CS 系数都只有 0.05，完全不能解释；强度为 0.44，达到 0.25 但未达 0.5，作者认为其排序只能谨慎解读。
差异检验：例如强度最高的节点与另一个候选节点之间的强度差，bootstrap 区间包含 0，说明“谁最中心”无法确定。

先读前两节（为什么要关心准确性、三类检查方法），再直接跟着教程部分在 R 中运行代码，重现图 3–6：网络与中心性图、边权置信区间图、病例删除稳定性曲线、差异检验矩阵。数据可从美国国家药物滥用研究所的数据共享网站获取。模拟研究一节看图 7 和结论即可。附带的 R 代码比文字更值得精读。

准确性 ≠ 可重复性 ≠ 因果：bootstrap 只评估同一总体内的抽样误差，不能保证换一个样本、一种文化或一个量表时结果相同。Forbes 等（2017, Journal of Abnormal Psychology）质疑症状网络的可重复性，引发与网络学派的公开争论；Fried 等（2018, Clinical Psychological Science）在四个 PTSD 样本中比较网络，发现既有相似也有明显差异。
中心性不等于干预靶点：即使强度中心性稳定，横断面偏相关网络也无法确定方向和因果，“最中心症状”可能只是测量重叠或共同原因的结果。Bringmann 等（2019, Journal of Abnormal Psychology）系统讨论了中心性指标在心理网络中的适用性。
估计方法本身的争议：Williams 等（2019, Multivariate Behavioral Research）认为在样本量远大于变量数时，非正则化方法的假阳性控制可能更好；作者在文中也承认，中心性的抽样分布本身有偏，即使不做正则化，bootstrap 区间也不能当作真正的 95% 置信区间，只能作为准确性的粗略指示；如何构造中心性的无偏估计与真正的置信区间，作者列为未解决问题。
多重比较：差异检验图中未做多重比较校正，结果应视为探索性。

抽样不确定性：边权准确性与中心性稳定性和数学推导与算法中的病例删除 bootstrap 算法直接来自本文；正则化估计：EBICglasso是本文网络估计的默认方法。
症状网络与网络精神病学专题的适用范围与常见误用中“必须报告边权置信区间和 CS 系数”的要求，就是本文的核心主张。
中心性不稳定、中心性不等于靶点的讨论，与致死性与中心性：枢纽蛋白假说及其争议和拓扑指标：小世界、模块、枢纽与富人俱乐部中脑网络枢纽的解读问题是同一类推理。