缺失数据处理中正则化截面网络建模方法的比较研究

本研究针对心理学变量网络建模中缺失数据处理方法的不足，比较了三种结合图形化套索（glasso）的解决方案。来自多机构的研究人员通过模拟实验和实际数据验证，发现基于期望最大化算法（EM）与交叉验证的策略表现最优，为减少参与者疲劳的缺失设计提供了可行方案，推动心理测量网络分析的发展。

　　

许多网络建模应用涉及心理学变量（如心理障碍症状）的截面数据，常规分析采用基于套索正则化的高斯图模型（Gaussian graphical model, GGM），即图形化套索（glasso）。然而，glasso在处理缺失数据方面的方法尚不完善，这阻碍了采用计划缺失设计以减轻参与者疲劳的实践。本研究比较了三种glasso缺失数据处理策略：第一种借鉴协方差结构建模中的两阶段估计法，先估计项目的饱和协方差矩阵再应用glasso；第二和第三种方法将glasso与期望最大化（expectation-maximization, EM）算法结合于单阶段，并分别采用扩展贝叶斯信息准则（EBIC）或交叉验证进行调参。通过模拟研究，在不同样本量、缺失比例和网络饱和度的条件下评估这些方法，同时结合患者报告结局测量信息系统（PROMIS）的实际数据示例。结果显示，结合交叉验证的EM算法表现最佳，但所有方法在大样本和低缺失率情境下均具可行性。