Přednáška 11:
Síťové modely v psychologii
3. 12. 2024 | PSYn4790 | Psychometrika: Měření v psychologii
Katedra psychologie, Fakulta sociálních studií MU
Hynek Cígler (poděkování Editě Chvojce)
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). http://doi.org/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
0
10
20
30
40
50
60
70
80
90
100
1960 1970 1980 1990 2000 2010 2020
Početpublikací
Rok publikace
Vývoj počtu síťových publikací podle let na Web of Science:
◦ query: „network psychometrics OR psychometrical“
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.
Network paradigma
Síťový přístup.
◦ Jezero a ekologická katastrofa.
◦ Borsboomův kamarád a gambling.
Síťová teorie.
◦ Konkrétní operacionalizace; obecně, nebo konstruktově-specifická.
◦ Často formální teorie.
Síťový model.
◦ Různé operacionalizace pro různé případy.
◦ Různé teorie mohou využívat různé modely.
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“.
◦ Často lépe odpovídá naší představě o etiologie než modely s latentní proměnnou...
◦ Každá osoba může mít svůj individuální model...
Síťové modely ale mají samozřejmě své nevýhody.
◦ Vysoké množství parametrů, nestabilita.
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 třeba
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.
◦ Případně Ising 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
Různé síťové modely
Souběžné modely (contemporaneous).
◦ Modelované jsou výhradně mezisubjektové rozdíly v jednom čase.
Časové modely (temporal; někdy též „průběžné“).
◦ 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“.
◦ Stačí málo časových bodů (minimálně tři pro identifikaci všech parametrů).
Časové řady, personalizované síťové modely, random network models.
◦ Předpoklad: správná „frekvence“ sběru dat. Mnoho časových bodů (např. 5/den, celý měsíc).
◦ Každý subjekt může mít „svůj model“.
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 hrany mezi všemi vrcholy, tedy
𝑘 𝑘−1
2
,
◦ Např. 10 vrcholů znamená 45 hran, 20 proměnných už 190
◦ U směrovaných grafů krát 2, s autokorelacemi +𝑘 parametrů (tedy s 10 proměnnými 100, se 20 už 400).
◦ To lze těžko interpretovat; navíc řada signifikantních hran je jen výběrová chyba.
Proto regularizace: omezení počtu hran 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 počtu odhadovaných hran v grafu a velké množství parametrů (a často i
malé množství dat) 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 bootstrapingu (podle indexu, o který se zajímáme).
Doporučení: zdrženlivost při odhadech, pokud nemáte dost zkušeností.
Stabilita modelu je největším rizikem při odhadu.
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)
Předpoklady síťových modelů
Úplnost: nechybí žádný významný uzel (parciální vztahy jsou skutečné vztahy).
◦ Po jeho vložení by se změnily parciální vztahy proměnných.
Řídkost (sparsness): uzly nejsou (příliš) duplicitní.
◦ Jinak regularizace poskytuje zkreslené odhady.
Stacionarita u časových sítí.
◦ Vztahy jsou invariantní v čase v rámci sledovaného období.
Distribuce dat (multivariační normální rozdělení v případě GGM).
◦ Tento předpoklad je atypicky velmi silný, nedodržení silně zkresluje odhad parciálních korelací.
Žádné latentní proměnné (jinak jsou odhadnuty falešné hrany, tzv. „spurious edges“).
Uzly jsou zcela reliabilní.
◦ Jinak dochází k nedostatečné parciální kontrole při odhadu hran. Vzpomeňte si: Westfall a Yarkoni (2016)!
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
Scheffer, M., Bolhuis, J. E., Borsboom, D., ..., & Olde Rikkert, M. G. M. (2018).
Quantifying resilience of humans and other animals. Proceedings of the
National Academy of Sciences of the United States of America, 115(47),
11883–11890. https://doi.org/10.1073/pnas.1810630115
Síťové modely inteligence
Schmank, C.J., Goring, S.A., Kovacs, K., Conway, A.R.A. (2019). Psychometric Network Analysis of the Hungarian WAIS.
Journal of Intelligence 7(21). https://doi.org/10.3390/jintelligence7030021
Síťové modely
inteligence
Mutualismus jako formální sjednocení
teorií vývoje kognitivních schopností a
faktorových teorií inteligence.
◦ Pozorovaná faktorová struktura je
„produktem“ mutualistického fungování
dílčích schopností.
◦ Pozitivní manifold (a tedy g-faktor a
obecné faktory souhrnně) je důsledkem.
◦ Van Der Maas, H. L. J., Kan, K. J., Marsman, M.,
& Stevenson, C. E. (2017). Network Models for
Cognitive Development and
Intelligence. Journal of Intelligence, 5(2).
https://doi.org/10.3390/jintelligence5020016
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. Československá 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. Československá 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. Československá 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, bootnet, graphicalVAR, IsingSampler,
NetworkToolbox, qgraph a další
Klikací aplikace: JASP a JAMOVI.
FB self-help group:
https://www.facebook.com/groups/PsychologicalDynamics/
On-line zdroje:
◦ http://psychosystems.org/
◦ https://psych-networks.com/