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
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。
查看更多主题:测量及扩展