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成分的网络(例如，疾病的症状)。在这种网络观点中，兴趣取决于症状直接或间接相互影响的程度。直接的和间接的影响通常用中心性指数捕获，然而，这些网络常用的估计方法，即频率图形LASSO (GLASSO)，难以估计这些测量的(不确定性)。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中的偏差。因此，本研究比较了使用贝叶斯GLASSO和马蹄先验的症状网络估计，并使用频率主义者GLASSO进行了广泛的模拟。结果表明，贝叶斯GLASSO比马蹄算法表现更好，并且在边缘权重偏差、中心性度量、估计偏相关和真实偏相关之间的相关性以及特异性方面，贝叶斯GLASSO优于频率算法GLASSO。频率型GLASSO的灵敏度较好，但贝叶斯GLASSO的性能通常接近。对于中心性度量的不确定性，贝叶斯GLASSO对强度和接近中心性有很好的覆盖，但对中间中心性的不确定性估计不太好。