Упорядоченные сети частных корреляций в психологических исследованиях

190

Аннотация

Сетевое моделирование, которое появилось в последние годы, может с успехом применяться к рассмотрению связей между измеряемыми психологическими переменными. В этом контексте психологические переменные понимаются как непосредственно влияющие друг на друга, а не как следствие латентного конструкта. В статье описаны методы регуляризации, которые могут использоваться для эффективной оценки разреженной и интерпретируемой структуры сети на основе частных корреляций психологических измерений. Представлен обзор процедуры регуляризации глассо с использованием выбора модели EBIC для оценки упорядоченной разреженной сети частных корреляций. Рассмотрены вопросы выполнения этого анализа в R при наличии нормального и не нормального распределения данных с учетом влияния гиперпараметра, который устанавливается исследователем вручную. Рассмотренный подход интересен также как способ визуализации возможных каузальных связей между переменными. Данный обзор устраняет пробел, относящийся к отсутствию доступного описания на русском языке этого пока малораспространенного в России и в тоже время многообещающего подхода.

Общая информация

Ключевые слова: корреляционный анализ, сети частных корреляций, регуляризация, моделирование сетей в психологии, язык R

Рубрика издания: Анализ данных

Тип материала: научная статья

DOI: https://doi.org/10.17759/mda.2021110202

Для цитаты: Артеменков С.Л. Упорядоченные сети частных корреляций в психологических исследованиях // Моделирование и анализ данных. 2021. Том 11. № 2. С. 31–50. DOI: 10.17759/mda.2021110202

Литература

  1. Алескеров Ф.Т., Хабина Э.Л., Шварц Д.А. Бинарные отношения, графы и коллективные ре- шения. М.: ФИЗМАТЛИТ, 2017. 344 с.
  2. Артеменков С.Л. Сетевое моделирование психологических конструктов // Моделирование и анализ данных. 2017. № 1. С. 9–28.
  3. Артеменков С.Л. Иниционно-семантическая модель дивергентной креативности [Элек- тронный ресурс] // Психологическая наука и образование psyedu.ru. 2012. № 3. С. 1–15. URL: http://psyjournals.ru/psyedu_ru/2012/n3/55540.shtml
  4. Жукова Е.С., Артеменков С.Л., Богоявленская Д.Б. К вопросу о соотношении одаренности и осознанной саморегуляции. Личностные и регуляторные ресурсы достижения образо- вательных и профессиональных целей в эпоху цифровизации. Москва: Знание-М, 2020. С. 104–115. DOI: 10.38006/907345–50–8.2020.104.115.
  5. Жукова Е.С., Артеменков С.Л., Богоявленская Д.Б. Исследование интеллектуальной актив- ности в младшем школьном и подростковом возрасте / Моделирование и анализ данных. 2019. № 1. С. 11–29.
  6. Митина О.В. Методы исследования каузальных связей // Экспериментальная психология в России: традиции и перспективы. М.: «Институт психологии РАН», 2010. С. 139–143.
  7. Шишлянникова Л.М. Применение корреляционного анализа в психологии // Психологиче- ская наука и образование. 2009. Том 14. № 1. С. 98–107.
  8. Abacioglu C.S., Isvoranu A.M., Verkuyten M., Thijs J. & Epskamp S. Exploring teachers’ influ- ence on student motivation in multicultural classrooms: A comparative network analysis. Journal of School Psychology, 2019. 74, 90–105. https://doi.org/10.1016/j.jsp.2019.02.003.
  9. Agresti A. Categorical data analysis. New York, NY: Wiley, Inc. 1990.
  10. Berg J.W., Smid W., Kossakowski J.J., Beek D.V., Borsboom D., Janssen E., & Gijs L. The Ap- plication of Network Analysis to Dynamic Risk Factors in Adult Male Sex Offenders. Clinical Psychological Science, 2020. 8, 539–554.
  11. Bogoyavlenskaya D., Joukova E., Artemenkov S. Longitudinal Study Of The Creative Abilities // The European Proceedings of Social & Behavioural Sciences (EpSBS), 2018. 14: 125–131. doi: https://dx.doi.org/10.15405/epsbs.2018.11.02.14
  12. Borsboom D. A network theory of mental disorders. World Psychiatry, 2017. 16(1), 5–13.
  13. Borsboom D., & Cramer A.O.J. Network analysis: An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 2013. 9, 91–121.
  14. Borsboom D., Cramer A., & Kalis A. Brain disorders? Not really: Why network structures block reductionism in psychopathology research. Behavioral and Brain Sciences, 2019. 42, 1–54. doi:10.1017/S0140525X17002266
  15. Chen J., & Chen Z. Extended Bayesian information criteria for model selection with large model spaces. Biometrika, 2008. 95, 759–771.
  16. Costantini G., Epskamp S., Borsboom D., Perugini M., Mõttus R., Waldorp L.J., & Cram- er A.O.J. State of the aRt personality research: A tutorial on network analysis of personality data in R. Journal of Research in Personality, 2015. 54, 13–29.
  17. Costantini G., Richetin J., Emanuele P., Casini E., Epskamp S. & Perugini M. Stability and var- iability of personality networks. A tutorial on recent developments in network psychometrics. Personality and Individual Differences, 2019. 136, 68–78.
  18. de Ron J, Fried E.I., Epskamp S. Psychological networks in clinical populations: investigating the consequences of Berkson’s bias. Psychological Medicine, 2019. 1–9. https://doi.org/10.1017/ S0033291719003209
  19. Drton M., & Perlman M.D. Model selection for gaussian concentration graphs. Biometrika, 2004. 91, 591–602.
  20. Epskamp S., Borsboom D., Fried E.I. Estimating psychological networks and their accuracy: a tutorial paper. Behavior Research Methods. 2018. 50, 195–212.
  21. Epskamp S., Fried E.I. A tutorial on regularized partial correlation networks. Psychological Methods, 2018. 23(4), 617–634. https://doi.org/10.1037/met0000167
  22. Epskamp S., Rhemtula M., & Borsboom D. Generalized network psychometrics: Combining net- work and latent variable models. Psychometrika, 2017. 82, 904–927. http://dx.doi.org/10.1007/ s11336–017–9557-x
  23. Epskamp S., van Borkulo C.D., van der Veen D.C., Servaas M.N., Isvoranu A.M., Riese H. & Cramer A.O.J. Personalized Network Modeling in Psychopathology: The Importance of Contem- poraneous and Temporal Connections. Clinical Psychological Science, 2018. 6(3), 416–427.
  24. Foygel R., & Drton M. Extended Bayesian information criteria for Gaussian graphical models. Advances in Neural Information Processing Systems, 2010. 23, 2020–2028.
  25. Friedman J.H., Hastie T., & Tibshirani R. Sparse inverse covariance estimation with the graphi- cal lasso. Biostatistics, 2008. 9, 432–441.
  26. Golino H.F., & Epskamp S. Exploratory graph analysis: A new approach for estimating the num- ber of dimensions in psychological research. PloS One, 2017. 12, e0174035.
  27. Hastie T., Tibshirani R., & Wainwright M. Statistical learning with sparsity: The lasso and gener- alizations. Boca Raton, FL: CRC Press. 2015.
  28. Isvoranu A-M., Guloksuz S., Epskamp S., van Os J., Borsboom D., GROUP Investigators. Toward incorporating genetic risk scores into symptom networks of psychosis. Psychological Medicine, 2020. 50, 636–643. https://doi.org/10.1017/S003329171900045X
  29. Kan K-J., de Jonge H., van der Maas H.L.J., Levine S.Z., & Epskamp S. How to Compare Psycho- metric Factor and Network Models. Journal of Intelligence, 2020. 8(4), 35.
  30. Koller D., & Friedman N. Probabilistic graphical models: Principles and techniques. Cambridge, MA: MIT Press. 2009.
  31. Kossakowski J.J., Epskamp S., Kieffer J.M., van Borkulo C.D., Rhemtulla M., & Borsboom D. The application of a network approach to health-related quality of life (HRQoL): Introducing a new method for assessing HRQoL in healthy adults and cancer patient. Quality of Life Re- search, 2015. 25, 781–792.
  32. Lauritzen S.L. Graphical models. Oxford, UK: Clarendon Press. 1996.
  33. Liu H., Lafferty J.D., & Wasserman L. The nonparanormal: Semiparametric estimation of high di- mensional undirected graphs. The Journal of Machine Learning Research, 2009. 10, 2295–2328.
  34. Meinshausen N., & Bühlmann P. High-dimensional graphs and variable selection with the lasso. The Annals of Statistics, 2006. 34, 1436–1462.
  35. Muthén B. A general structural equation model with dichotomous, ordered categorical, and con- tinuous latent variable indicators. Psychometrika, 1984. 49, 115–132.
  36. Olsson U. Maximum likelihood estimation of the polychoric correlation coefficient. Psychometri- ka, 1979. 44, 443–460.
  37. Olsson U., Drasgow F., & Dorans N.J. The polyserial correlation coefficient. Psychometrika, 1982. 47, 337–347.
  38. Oreel T.H., Borsboom D., Epskamp S., Hartog I.D., Netjes J.E., Niewekerk P.T., Henriques J.P.S., Scherer-Rath M., Van Laarhoven H.W.M. & Sprangers M.A.G. The dynamics in health-related quality of life of patients with stable coronary artery disease were revealed: a network analysis. Journal of clinical epidemiology. 2019. 107, 116–123.
  39. Pearl J. Causality: Models, reasoning, and inference. Cambridge, UK: Cambridge University Press. 2000.
  40. Pedersen T.L. ggraph: An Implementation of grammar of graphics for graphs and networks (R package version 1.0.0). 2017. Retrieved from https://CRAN.R-project.org/package&ggraph
  41. Pourahmadi M. Covariance estimation: The glm and regularization perspectives. Statistical Sci- ence, 2011. 26, 369–387.
  42. Rosseel Y. lavaan: An R package for structural equation modeling. Journal of Statistical Software, 2012. 48(2), 1–36.
  43. Schmittmann V.D., Cramer A.O.J., Waldorp L.J., Epskamp S., Kievit R.A., & Borsboom D. De- constructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 2013. 31, 43–53.
  44. Soutter A.R.B., Bates T.C., Mõttus R. Big Five and HEXACO Personality Traits, Proenvironmen- tal Attitudes, and Behaviors: A Meta-Analysis. Perspect Psychol Sci. 2020. 15(4), 913–941. doi: 10.1177/1745691620903019.
  45. Stevens S.S. On the theory of scales of measurement. Science, New Series, 1946. 103, 677–680.
  46. Tibshirani R. Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society Series B, 1996. 58, 267–288.
  47. van Borkulo C.D., & Epskamp S. IsingFit: Fitting Ising models using the elasso method. R pack- age version 0.2.0. 2014.
  48. Wagenmakers E.-J. A practical solution to the pervasive problems of p values. Psychonomic Bulletin & Review, 2007. 14, 779–804.
  49. Wasserman S., & Faust K. Social network analysis: Methods and applications. New York, NY: Cambridge University Press. 1994.
  50. Zhao P., & Yu B. On model selection consistency of lasso. The Journal of Machine Learning Research, 2006. 7, 2541–2563.
  51. Zhao T., Li X., Liu H., Roeder K., Lafferty J., & Wasserman L. huge: High-dimensional undirected graph estimation (R package version 1.2.7). 2015. Retrieved from https://CRAN.R-project.org/ package&huge

Информация об авторах

Артеменков Сергей Львович, кандидат технических наук, профессор, Заведующий кафедрой прикладной информатики и мультимедийных технологий, руководитель центра информационных технологий для психологических исследований факультета информационных технологий, ФГБОУ ВО «Московский государственный психолого-педагогический университет» (ФГБОУ ВО МГППУ), Москва, Россия, ORCID: https://orcid.org/0000-0002-1619-2209, e-mail: slart@inbox.ru

Метрики

Просмотров

Всего: 385
В прошлом месяце: 11
В текущем месяце: 5

Скачиваний

Всего: 190
В прошлом месяце: 3
В текущем месяце: 3