症状中心性及其解释

常用指标

在加权症状网络中，网络结构指标中的中心性有对应的加权版本：

• 强度（strength）：$s_i=\sum_j |w_{ij}|$，即与节点相连的边权绝对值之和；
• 预期影响（expected influence, EI; Robinaugh 等, 2016, J Abnorm Psychol）：$\text{EI}_i=\sum_j w_{ij}$，保留边的正负号。当网络中有负边时（例如“睡眠增多”与“睡眠减少”），强度会高估节点的激活能力，EI 更合适；
• 接近中心性、介数中心性：基于加权最短路径（通常把 $1/|w_{ij}|$ 作为距离）；
• 桥中心性（bridge centrality）：只计算一个节点与其他症状群之间的连接，用于共病研究，详见桥中心性与共病；
• 可预测性：严格说不是中心性，但常与强度并列报告，表示节点被网络解释的绝对程度（见混合图模型与可预测性）。

算例：节点“疲乏”与三个邻居的偏相关为 $0.30$、$0.20$、$-0.10$，则强度 $s=0.60$，EI $=0.40$。若把负边看成“疲乏升高时该邻居倾向降低”，EI 更贴近“激活疲乏会对网络产生多少净正向推动”这一问题。

中心性的解释局限

早期研究常把最中心的症状解释为“最重要的症状”和“最佳干预靶点”（这一推论被称为中心性假说）。这一推论有几处薄弱环节，需要特别谨慎：

1. 接近与介数不适合症状网络。Bringmann 等（2019, J Abnorm Psychol）指出，这两个指标假设某种沿最短路径流动的“信息”，而偏相关网络中并不存在这样的流动；它们在实证数据中也很不稳定。多数研究现在主要报告强度或 EI。
2. 截面网络不是个体内的因果网络。用一大群人的单次测量估计的网络，描述的是人与人之间的条件相关结构，不一定对应任何一个人体内症状随时间的相互作用（见横断面统计依赖与因果作用）。
3. 中心性可能反映条目重叠。如果两个条目问的几乎是同一件事（如“入睡困难”和“早醒”），它们之间会有很强的边，抬高双方的强度。分析前应检查内容重叠的条目（例如 R 包 networktools 中的 goldbricker 函数，它比较两个条目与其余条目的相关模式是否几乎相同）。
4. 中心性受方差影响。一个在样本中几乎人人都有或几乎没人有的症状，方差很小，与其他症状的相关被压低，看起来就“不中心”。临床样本常因入组标准而对严重程度做了截断（全部患者都“情绪低落”），这同样会压低相关。
5. 干预证据有限。Spiller 等（2020, BMC Medicine）综述了用截面中心性预测治疗中症状变化的研究，并在 710 名寻求治疗的 PTSD 患者中检验：治疗前的强度、EI 与可预测性能否预测某症状的变化与其余症状变化之间的关联。结果对中心性假说的支持有限。中心症状是否为好靶点，需要纵向和干预研究检验。
6. 稳定性。中心性排序在小样本中很不稳定，报告前必须做病例删除 bootstrap。