抽样不确定性：边权准确性与中心性稳定性

症状网络通常基于几百人的样本，估计不确定性很大。Epskamp, Borsboom & Fried（2018, Behavior Research Methods）提出了一套检验流程，实现于 R 包 bootnet（详见Epskamp 2018 的精读）：

1. 边权准确性：非参数 bootstrap（有放回重抽样被试，重复估计网络）得到每条边的置信区间。如果大部分边的区间重叠很多，就不应对边的大小排序做强结论。
2. 中心性稳定性：病例删除 bootstrap（case-dropping），逐步删去 10%、20%……的被试，看中心性排序与全样本的相关是否仍然很高。相关稳定性系数（CS 系数）定义为：在 95% 的重抽样中，中心性与原始排序相关仍 ≥ 0.7 时，最多可删去的样本比例。建议 CS 不低于 0.25，最好高于 0.5。
3. 差异检验：bootstrap 差异检验比较两条边或两个节点的中心性是否显著不同。

代码示例中的简化版病例删除 bootstrap 显示：同一个真实网络，$n=300$ 时强度的 CS 约为 0.5，$n=100$ 时约为 0.1——后者的中心性排序不宜解读。

边的“出现频率”

除了区间，bootnet 还报告每条边在 bootstrap 样本中非零的比例。对正则化网络，这比置信区间更好解释：一条边在 95% 的 bootstrap 网络中都被选中，说明它的存在相当稳健；只在 40% 中出现的边，网络图上画出来也只能算“可能存在”。

报告规范

Burger 等（2023, Psychological Methods）整理了截面心理网络分析的报告标准，要求说明的内容包括：变量的选择理由与条目内容重叠检查、数据类型与输入相关矩阵、缺失数据处理、估计方法与全部调参（如 $\gamma$）、边权准确性与中心性稳定性结果、所用软件版本，以及公开数据或代码的方式。这与可复现分析的一般要求一致。

算法细节，以及为什么 LASSO 边权的 bootstrap 区间不是严格意义上的置信区间，见数学推导与算法。