心理学网络模型中的统计证据评估：基于贝叶斯方法的网络边稳定性分析

本研究针对心理测量网络模型中边证据强度缺乏评估的问题，由研究人员采用贝叶斯方法重新分析了126篇文献中的293个网络。结果显示：仅20%的边得到强支持（BF10>10或<1/10），约半数证据微弱（BF10>3或<1/3），三分之一证据不确定（1/310<3）。大样本能提升稳定性，提示需谨慎解读网络边关系。

　　

心理测量网络模型（Psychometric network models）在心理学和社会科学中日益流行，被用作探索多变量数据的工具。这些模型将构念表示为观测变量组成的网络，研究者常通过边的存在与否推断变量间的条件关联（conditional associations）。然而，这些边的统计证据强度很少被量化评估。

最新研究表明，大量已报道的网络发现其实基于薄弱或不确定的证据。通过贝叶斯方法（Bayesian approach）对126篇论文中的293个网络进行重新分析，发现仅不到20%的边得到强统计支持（BF₁₀ > 10 或 BF₁₀ < 1/10），约半数边的证据较弱（BF₁₀ > 3 或 BF₁₀ < 1/3），而三分之一边的证据处于不确定区间（1/3 < BF₁₀ < 3）。进一步分析显示，相对大样本的研究能产生更稳健的结果。

该发现并非指现有结果存在谬误，而是提醒学界：在解读具体边的关系时应保持谨慎，因为许多网络结论尚缺乏足够的数据证据支撑。