Проблемы построения и анализа упорядоченных сетей частных корреляций в психологических исследованиях ⁵⁸

В контексте сетевого моделирования психологические переменные понимаются как непосредственно влияющие друг на друга, а не как следствие латентных конструктов. Эффективная оценка сетей, показывающих связи между измеренными переменными, может быть осуществлена с помощью методов регуляризации сети частных корреляций. В настоящей статье приведен пример построения в программной среде R регуляризованной сети частных корреляций (показывающей взаимосвязи личностных особенностей подростков с их поведением в виртуальном пространстве на примере социальной сети «ВКонтакте») и рассмотрены особенности построения и анализа упорядоченных сетей частных корреляций. Приведен список потенциальных проблем, возникающих при использовании рассматриваемой сетевой методологии. Учтены вопросы, относящиеся к размеру выборки и воспроизводимости сети, трудностям в интерпретации сетей и сравнению различных сетей между собой, включая как сетевые модели, так и модели латентных переменных.

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

Рубрика: Анализ данных

Тип: научная статья

DOI: https://doi.org/10.17759/mda.2021110303

1. Артеменков С.Л. Упорядоченные сети частных корреляций в психологических исследованиях // Моделирование и анализ данных. 2021. № 2. С. 31–50.
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 [Элек­тронный ресурс] // Психологическая наука и образование psyedu.ru. 2012. № 3. С. 1–15. URL: http://psyjournals.ru/psyedu_ru/2012/n3/55540.shtml.
4. Вачков И.В., Вачкова С.Н. Воспроизводимость психологических экспериментов как про­блема постнеклассической науки // Культурно-историческая психология. 2016. Том 12. № 1. С. 97–101. doi:10.17759/chp.2016120110
5. Жукова Е.С., Артеменков С.Л., Богоявленская Д.Б. К вопросу о соотношении одаренности и осознанной саморегуляции. Личностные и регуляторные ресурсы достижения образо­вательных и профессиональных целей в эпоху цифровизации. Москва: Знание-М, 2020. С. 104–115. DOI: 10.38006/907345–50–8.2020.104.115.
6. Жукова Е.С., Артеменков С.Л., Богоявленская Д.Б. Исследование интеллектуальной ак­тивности в младшем школьном и подростковом возрасте / Моделирование и анализ дан­ных. 2019. № 1. С. 11–29.
7. Рубцова О.В., Панфилова А.С., Артеменков С.Л. Исследование взаимосвязи личностных особенностей игроков подросткового и юношеского возраста с их поведением в виртуаль­ном пространстве (на примере групповой компьютерной игры «Dota 2») // Психологиче­ская наука и образование. 2018. Том 23. № 1. С. 137–148. doi:10.17759/pse.2018230112
8. Рубцова О.В., Панфилова А.С., Смирнова В.К. Исследование взаимосвязи личностных особенностей подростков с их поведением в виртуальном пространстве (на примере социаль­ной сети «ВКонтакте») // Психологическая наука и образование. 2018. Т. 23. № 3. C. 54–66. doi: 10.17759/pse.2018230305
9. 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.
10. Borsboom D., Fried E., Epskamp S., Waldorp L., van Borkulo C., van der Maas H., & Cramer A.O.J. Replicability of psychopathology networks: The right question but the wrong answer. a comment on “evidence that psychopathology symptom networks have limited replicability” by Forbes, Wright, Markon, and Krueger. Journal of Abnormal Psychology, 2017. 126, 989–999.
11. Chandrasekaran V., Parrilo P.A., & Willsky A.S. Latent variable graphical model selection via convex optimization (with discussion). The Annals of Statistics, 2012. 40, 1935–1967.
12. Chen Y., Li X., Liu J., & Ying Z. A fused latent and graphical model for multivariate binary data. arXiv preprint, arXiv, 2016. 1606.08925.
13. Cohen J. Statistical power analysis for the behavioral sciences. New York, NY: Academic Press. 1977.
14. Costantini G., Epskamp S., Borsboom D., Perugini M., Mõttus R., Waldorp L.J., & Cramer 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.
15. Epskamp S. Brief Report on Estimating Regularized Gaussian Networks from Continuous and Ordinal Data. 2016. Retrieved from http://arxiv.org/abs/1606.05771
16. Epskamp S., Cramer A., Waldorp L., Schmittmann V.D., & Borsboom D. qgraph: Network visualizations of relationships in psychometric data. Journal of Statistical Software, 2012. 48, 1–18.
17. Epskamp S., Borsboom D., Fried E.I. Estimating psychological networks and their accuracy: a tutorial paper. Behavior Research Methods. 2018. 50, 195–212.
18. 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.
19. Epskamp S., Kruis J., & Marsman M. Estimating psychopathological networks: Be careful what you wish for. PloS ONE, 2017. 12, e0179891.
20. Epskamp S., Rhemtula M., & Borsboom D. Generalized network psychometrics: Combining network and latent variable models. Psychometrika, 2017. 82, 904–927. http://dx.doi.org/10.1007/ s11336–017–9557-x
21. Forbes M.K., Wright A.G.C., Markon K., & Krueger R. Evidence that psychopathology symptom networks have limited replicability. Journal of Abnormal Psychology, 2017. 126, 969–988.
22. Foygel R., & Drton M. Extended Bayesian information criteria for Gaussian graphical models. Advances in Neural Information Processing Systems, 2010. 23, 2020–2028.
23. Fried E.I., & Cramer A.O.J. Moving forward: Challenges and directions for psychopathological network theory and methodology. Perspectives on Psychological Science, 2017. 12, 999–1020. http://dx.doi.org/10.1177/1745691617705892
24. Fried E.I., Eidhof M.B., Palic S., Costantini G., Huisman-van Dijk H.M., Bockting C.L.H., Engelhard I., Armour C., Nielsen A.B.S., & Karstoft K.-I. Replicability and generalizability of posttraumatic stress disorder (PTSD) networks: A cross-cultural multisite study of PTSD symptoms in four trauma patient samples. Clinical Psychological Science, 2018. 6(3), 335–351. https://doi.org/10.1177/2167702617745092
25. Fried E.I., van Borkulo C.D., Cramer A.O.J., Lynn B., Schoevers R.A., & Borsboom D. Mental disorders as networks of problems: A review of recent insights. Social Psychiatry and Psychiatric Epidemiology, 2017. 52, 1–10.
26. Friedman J.H., Hastie T., & Tibshirani R. glasso: Graphical lasso-estimation of Gaussian graphical models (R package version 1.8). 2014. Retrieved from https://CRAN.R-project.org/ package&glasso
27. Fruchterman T., & Reingold E. Graph drawing by force-directed placement. Software: Practice and Experience, 1991. 21, 1129–1164.
28. Guyon H., Falissard B., & Kop J.-L. Modeling psychological attributes in psychology–an epistemological discussion: Network analysis vs. latent variables. Frontiers in Psychology, 2017. 8, 798.
29. Holland P.W., & Rosenbaum P.R. Conditional association and unidimensionality in monotone latent variable models. The Annals of Statistics, 1986. 14, 1523–1543.
30. Koller D., & Friedman N. Probabilistic graphical models: Principles and techniques. Cambridge, MA: MIT Press. 2009.
31. Kruis J., & Maris G. Three representations of the Ising model. Scientific Reports, 2016. 6, 34175.
32. Marsman M., Maris G., Bechger T., & Glas C. Bayesian inference for low-rank ISING networks. Scientific reports, 2015. 5(9050), 1–7.
33. Muthén B.O. Factor structure in groups selected on observed scores. British Journal of Mathematical and Statistical Psychology, 1989. 42, 81–90.
34. Olsson U. Maximum likelihood estimation of the polychoric correlation coefficient. Psychometrika, 1979. 44, 443–460.
35. Open Science Collaboration. Estimating the reproducibility of psychological science. Science, 2015. 349, aac4716 –aac4716.
36. Opsahl T., Agneessens F., & Skvoretz J. Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 2010. 32, 245–251.
37. Pan J., Ip E., & Dube L. An alternative to post-hoc model modification in confirmatory factor analysis: The Bayesian lasso. Psychological Methods, 2017. 22, 687–704.
38. Pearl J. Causality: Models, reasoning, and inference. Cambridge, UK: Cambridge University Press. 2000.
39. Rhemtulla M., Fried E.I., Aggen S.H., Tuerlinckx F., Kendler K.S., & Borsboom D. Network analysis of substance abuse and dependence symptoms. Drug and Alcohol Dependence, 2016. 161, 230–237.
40. Rigdon E.E., & Ferguson C.E., Jr. The performance of the polychoric correlation coefficient and selected fitting functions in confirmatory factor analysis with ordinal data. Journal of Marketing Research, 1991. 28, 491–497.
41. Rosseel Y. lavaan: An R package for structural equation modeling. Journal of Statistical Software, 2012. 48(2), 1–36.
42. Schmittmann V.D., Cramer A.O.J., Waldorp L.J., Epskamp S., Kievit R.A., & Borsboom D. Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 2013. 31, 43–53.
43. van Bork R., Rhemtulla M., Waldorp L.J., Kruis J., Rezvanifar S. & Borsboom D. Latent Variable Models and Networks: Statistical Equivalence and Testability, Multivariate Behavioral Research, 2019. DOI: 10.1080/00273171.2019.1672515
44. van Borkulo C.D., Borsboom D., Epskamp S., Blanken T.F., Boschloo L., Schoevers R.A., & Waldorp L.J. A new method for constructing networks from binary data. Scientific Reports, 2014. 4(5918), 1–10.
45. van Borkulo C., Boschloo L., Kossakowski J., Tio P., Schoevers R., Borsboom D., & Waldorp L. Comparing network structures on three aspects: A permutation test. 2017. http://dx.doi. org/10.13140/RG.2.2.29455.38569
46. van Der Maas H.L., Dolan C.V., Grasman R.P., Wicherts J.M., Huizenga H.M., & Raijmakers M.E. A dynamical model of general intelligence: The positive manifold of intelligence by mutualism. Psychological review, 2006. 113, 842–861.