网络干预分析
“中心症状是否为好的干预靶点”最终需要干预数据来回答。网络干预分析（network intervention analysis, NIA）由 Blanken 等（2019, Psychotherapy and Psychosomatics）提出，思路很直接：在随机对照试验数据中，把治疗分组（治疗 = 1，对照 = 0）作为一个节点，与症状一起放进混合图模型中估计网络，并在每个测量时点重复。
NIA 中“分组–症状”边的含义：由于分组是随机的，分组与症状的简单相关是治疗对该症状的总效应；网络中的边则是控制其余症状后的条件关联。若治疗只直接作用于症状 ，再经 影响 ，则在网络中分组与 相连、与 不相连（条件于 后关联消失）。因此，与分组直接相连的症状被解释为治疗的直接作用点（条件于网络中的其他症状），其他症状的改善则可能是经由网络传递的间接效应。
Blanken 等（2019）分析了一项随机对照试验：104 名同时有失眠与抑郁症状的参与者，52 人接受 5 周 CBT-I，52 人为对照；连续 10 周每周测量失眠严重度指数（ISI）与 PHQ-9 条目，每周估计一个包含分组节点的 LASSO 正则化混合网络。治疗节点主要与失眠条目直接相连——其中“早醒”和“睡眠维持困难”最为突出，第一周之后即出现；抑郁条目中只有个别条目在个别时点与治疗直接相连。作者据此认为，CBT-I 对抑郁的改善最可能是经由这两项睡眠症状间接实现的。这些结论建立在单个试验、每周一次测量的基础上，需要在更大样本中重复。
代码示例中模拟了“治疗 → 睡眠 → 疲乏 → 情绪”的链：分组与疲乏、情绪的简单相关都不为零，但在偏相关网络中只有“分组–睡眠问题”一条边。
NIA 的解释边界：（1）“没有边”可能只是功效不足，尤其在样本量为一百人左右的试验中；（2）条件于其他症状后，若某症状既受治疗直接影响又受其他症状影响，正则化可能只保留其中一条路径；（3）在同一时点估计的网络无法确定症状之间的先后，NIA 依靠跨时点的重复估计看“效应如何在网络中展开”，但症状之间的边仍是条件关联，不是已证实的因果路径；（4）存在对撞偏倚的可能：若治疗和某个未测量因素都影响症状 ，以 为条件可能在治疗与其他症状之间制造虚假的条件关联。