期刊文章

高斯图形模型和中心性指数的贝叶斯不确定度估计

2022年2月

发表在:

多元行为研究

由:Joran Jongerling，萨夏Epskamp，唐纳德•威廉姆斯


摘要

在精神病理学的网络方法中，心理构念被概念化为相互作用的组成部分(例如，障碍的症状)的网络。在这种网络观点中，利益在于症状直接或间接地相互影响的程度。直接的和间接的影响经常被中心性指数捕获，然而，这些网络经常使用的估计方法，频率图形LASSO (GLASSO)，很难估计(不确定性)这些措施。贝叶斯估计可能提供一个解决方案，因为它更适合处理中心性指数抽样分布的偏差。因此，本研究将症状网络的估计与贝叶斯GLASSO-和马蹄先验的估计进行了比较，使用频率主义GLASSO进行了广泛的模拟。结果表明，贝叶斯GLASSO的表现优于马蹄，贝叶斯GLASSO在边缘权重偏差、中心性度量、估计和真实偏相关之间的相关性和特异性方面优于频率论GLASSO。频率型GLASSO的灵敏度较好，但贝叶斯型GLASSO的性能通常接近。关于中心性测量的不确定性，贝叶斯GLASSO显示出对强度和紧密中心性的良好覆盖，但中间中心性的不确定性估计较差。

查看更多

访问《华尔街日报》

本文发表于NWEA之外。全文可以在上面的链接中找到。

主题:测量及扩展

相关的话题