期刊文章
高斯图模型与中心性指数的贝叶斯不确定性估计
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。
查看更多主题:测量与标度