Přednáška 10:
Síťové modely v psychologii
14. 11. 2022 | PSYn4790 | Psychometrika: Měření v psychologii
Katedra psychologie, Fakulta sociálních studií MU
Hynek Cígler (poděkování Editě Chvojka)
Dotazník depresivity
Co je měřeným atributem v dotazníku depresivity...
◦ ... z hlediska CTT?
◦ ... z hlediska modelu s latentními proměnnými (IRT/FA)?
◦ ... nějakého jiného modelu?
Co nám to říká o „povaze“ tohoto atributu?
Je to smysluplné?
Kauzální interpretace CFM
CFM – „common factor model“
Předpoklad – lokální nezávislost položek.
„Pozitivní manifold“.
Kauzální „cesta“ vede výhradně z latentní
proměnné k indikátorům.
Kauzální interpretace CFM
CFM – „common factor model“
Předpoklad – lokální nezávislost položek.
„Pozitivní manifold“.
Kauzální „cesta“ vede výhradně z latentní
proměnné k indikátorům.
◦ Ačkoli vztahy mohou být komplikovanější –
například stres.
◦ Bollen, K. A., & Diamantopoulos, A. (2017). In
defense of causal-formative indicators: A
minority report. Psychological Methods, 22(3),
581–596. https://doi.org/10.1037/met0000056
Dynamic network model
„We propose that the variables that are typically taken to
be indicators of latent variables should be taken to
be autonomous causal entities in a network of dynamical
systems. Instead of positing a latent variable, one assumes a
network of directly related causal entities...“
◦ Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013).
Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in
Psychology, 31(1). doi: 10.1016/j.newideapsych.2011.02.007
Zejména v psychopatologii či psychologii osobnosti, neuropsychologii.
V současnosti extrémně rychle se rozvíjející oblast psychometriky.
Dynamic network model
https://psych-networks.com/challenges-to-the-network-approach/
Epskamp, S., Borsboom,
D., and Fried, E.I. (2018).
Estimating Psychological
Networks and their
Accuracy: A Tutorial
Paper. Behavior Research
Methods 5(1), 195-212.
Dynamické síťové modely
Psychometrické modely jsou jen „modely“ –
existuje nekonečně velké množství „stejně
dobrých modelů“ popisujících ta stejná data.
◦ Volba mezi modely nemůže být uskutečněna jen
na základě dat. Je potřeba i teorie.
◦ Ke každému faktorovému modelu lze nalézt
shodný síťový model.
Modely vpravo jsou ekvivalentní.
◦ A a B popisují data stejně dobře.
◦ C a D popisují data stejně dobře.
Dynamické síťové modely
Tradiční modely s latentními proměnnými neumožňují modelovat etiologii.
◦ Latentní proměnná je ryze mezisubjektová – rozdíl mezi lidmi (lokální irelevance).
Dynamické síťové modely nabízejí řadu „výhod“.
◦ Každá osoba může mít svůj individuální model.
Není to „buď a nebo“ – mezisubjektové a vnitrosubjektové procesy mohou být
modelované souběžně.
◦ Část modelu může být FA/SEM, část síť.
Různé síťové modely
Síťový model je „graf“.
◦ DAG (Directed Acyclic Graphs).
Prvky grafu:
◦ Vrcholy či uzly (nodes).
◦ Symptomy a další proměnné včetně environmentálních.
◦ Hrany či cesty (edges). Mohou být vážené a směrované.
◦ Vztahy mezi proměnnými: vzdálenost, komorbidita, kauzalita, interakce...
Vizuální reprezentace je nespolehlivá.
◦ Stejný model může být zobrazen různým způsobem, který vede k rozdílným interpretacím.
Grafy v psychologii bývají založené zpravidla na parciálních korelacích.
◦ Namísto na korelacích.
◦ Ising model.
Různé síťové modely
Souběžné modely (contemporaneous).
◦ Modelované jsou výhradně mezisubjektové rozdíly v jednom čase.
Časové modely (temporal).
◦ Modelován je průběh v čase s využitím dat z více časových bodů.
Populační data.
◦ Předpoklad: lidé jsou stejní (podobný) – „one model fit them all“.
◦ Typicky souběžné modely, ale rovněž tzv. „panelová data“.
Časové řady.
◦ Předpoklad: správná „frekvence“ sběru dat.
◦ Každý subjekt může mít „svůj model“.
Boschloo, L., van Borkulo, C. D., Rhemtulla, M., Keyes, K. M., Borsboom, D., & Schoevers, R. A. (2015). The Network Structure of Symptoms
of the Diagnostic and Statistical Manual of Mental Disorders. PloS one, 10(9), e0137621. https://doi.org/10.1371/journal.pone.0137621
Co lze ze sítí vyčíst
Sílu a směr hran lze přímo interpretovat.
Z odhadnutého síťového modelu lze spočítat a interpretovat řadu informací.
Globální inference.
◦ „Small-worldness“, hustota, teplota, rezilience...
Lokální inference.
◦ centralita, clustery
Kromě toho je možné modely srovnávat a porovnávat.
◦ Napříč skupinami.
◦ Nebo vůči alternativním modelům (včetně CFM).
Indexy centrality
Postup odhadu síťových modelů
Typicky tzv. Markov random fields (MRF) pro nesměrované sítě.
◦ Gaussian graphical model (GGM), Ising model a další.
Odhadnutý model má hranu mezi všemi vrcholy, tedy
𝑘 𝑘−1
2
,
◦ Např. 10 vrcholů znamená 45 hran, 20 proměnných už 190... u směrovaných krát 2.
◦ To lze těžko interpretovat, a navíc lze očekávat, že řada těch cest je jen výběrová chyba.
Omezení počtu cest v grafu:
◦ Invertovaná variančně-kovarianční matice: pruning (prořezání).
◦ Nodewise regrese: lasso algoritmus („graphical lasso“, glasso) – penalizovaný ML estimátor.
◦ Souběžná estimace: srovnání modelů pomocí nějakého kritéria (typicky BIC).
◦ Vysoce časově náročné.
◦ Typicky se využívá více postupů postupně pro zrychlení estimace.
Postup odhadu síťových modelů
Omezení hran v grafu, velké množství parametrů (a často i malé množství dat,
zejm. u časových řad) vede k relativně nízké stabilitě síťových modelů.
◦ Zároveň vysoká časová náročnost.
Nepomáhá tomu „novost“ celé oblasti.
◦ Spousta aspektů není dostatečně prozkoumaná.
Používají se různé formy bootstrapu (podle indexu, o který se zajímáme).
Doporučení: zdrženlivost při odhadech, pokud nemáte dost zkušeností.
Příklady použití
Borsbom, D. (2017). A network theory of mental disorders. World Psychiatry 16(1), 5–13. doi: 10.1002/wps.20375
Borsbom, D. (2017). A network theory of mental disorders. World Psychiatry 16(1), 5–13. doi: 10.1002/wps.20375
https://goo.gl/6cJs6a
Wichers, M., Groot, P. C. (2016).
Critical Slowing Down as a Personalized Early Warning Signal for
Depression. Psychotherapy and Psychosomatics 85, 114-116.
doi: 10.1159/000441458
https://doi.org/10.1073/pnas.1810630115
http://sachaepskamp.com/dissertation/Chapter7.pdf
Více zdrojů: http://sachaepskamp.com/Dissertation
Srovnání modelů:
◦ A: SEM (strukturní model)
◦ B: NM (síťový model)
◦ C: LNM (Latent Network Model)
◦ D: RNM (Residual Network Model)
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Nováček, T. (2019). Personalizovaný síťový model pro medicínsky nevysvětlené symptomy. Nepublikovaná diplomová práce, Masarykova Univerzita.
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalized network model for medically unexplained physical symptoms. Ceskoslovenska Psychologie, 64(3), 257–271.
Software a zdroje
R: psychonetrics (vypadá skvěle, zatím ale spíš jen pilotní verze!),
bootnet, graphicalVAR, IsingSampler, NetworkToolbox, qgraph,
Klikací on-line aplikace: Network App
FB self-help group:
https://www.facebook.com/groups/PsychologicalDynamics/
On-line zdroje:
◦ http://psychosystems.org/
◦ https://psych-networks.com/
◦ Diplomová práce Tomáše Nováčka (2019)