综述：神经心理学中心理测量网络的估计与解释：概念扩展教程

《Journal of Neuropsychology》：Estimating and interpreting psychometric networks in neuropsychology: A tutorial with conceptual extensions

　　

心理测量网络已成为一种有前景的框架，用于建模神经心理学数据的结构，为传统的潜变量方法或单一测试方法提供了补充视角。在神经心理学中，测试表现很少被孤立地解读，而是被视为反映相互作用的认知过程。网络模型通过估计观测变量之间的条件关联，提供了一个正式的框架来表征这些相互依赖关系。本文提供了一份关于神经心理学中心理测量网络的估计与解释的综合教程。首先，研究人员提供了一份逐步指南，用于估计横截面高斯图形模型（Gaussian Graphical Model，GGM），包括数据准备、模型选择、正则化、可视化和稳定性评估，并使用来自阿尔茨海默病患者的神经心理学数据集进行说明。特别强调了确保可重复性和稳健性的最佳实践，包括使用自助法（bootstrap）程序和报告标准。其次，研究人员概述了关键的方法学扩展，包括用于维度评估的探索性图分析（Exploratory Graph Analysis）、联合图形模型（joint graphical models）和用于组间比较的网络比较检验（Network Comparison Test）、用于异质性数据的混合图形模型（mixed graphical models）以及纵向网络方法（longitudinal network approaches）。这些方法在概念层面进行了介绍，以说明网络分析如何超越基本的横截面应用而得到扩展。最后，研究人员讨论了心理测量网络在神经心理学中的优势与局限性。研究人员强调，网络模型代表的是观测测试分数之间的统计关联，而非认知架构的直接表征，其解释需要理论上的谨慎。当以方法学的严谨性和概念上的克制加以应用时，网络分析为研究认知系统的结构提供了一个灵活且整合的框架。

从神经心理学测试分数到认知系统：为何采用心理测量网络？

神经心理学评估始终在一种生产性张力下运作。一方面，单个测试旨在隔离特定的认知功能，例如情景记忆、工作记忆、注意力、语言或执行控制。这种基于领域的组织在临床上有用：它指导测试选择、支持诊断推理，并允许临床医生以可解释的方式描述损伤模式。另一方面，任何给定任务的表现很少反映单一的孤立功能。记忆表现依赖于注意效率和执行策略；语言理解可以影响言语学习；视空间和执行需求可能共同影响建构性任务；而年龄和教育等人口统计学变量会调节多个领域的表现。因此，虽然神经心理学诊断常使用模块化分类，但临床解释通常需要跨测试和领域整合信息。心理测量网络在过去十年中已成为这样一种框架。与假设观测变量间的相关性完全源于潜在共同原因不同，网络模型将变量表示为结构化系统中的相互作用的组成部分。在这种方法中，观测变量——如神经心理学测试分数——被概念化为网络中的节点，边则代表它们之间的统计关联，通常是条件依赖关系。近期的方法学工作已阐明，网络模型和潜变量模型不一定不相容，而是可能描述了同一数据生成过程的不同方面。

心理测量网络之所以有用，正是因为它提供了一个统计框架来表征神经心理学数据的这种双重性质。它不需要放弃认知领域或模块化解释。相反，它允许研究人员检查特定领域的测量如何在更广泛的认知系统内条件性地相关联。从这个角度看，认知领域仍可作为临床上有意义的概念组织工具，但其关系、重叠和可能的重新组织可以被显式建模。因此，网络模型提供了一种方式，使我们可以超越将测试视为孤立的指标或潜领域的简单表现，转而将认知表征为一个复杂的、相互连接的系统。

网络方法对神经心理学的相关性不仅仅是理论上的。实证应用已开始展示认知系统如何在结构上被表征。例如，Tosi等人将高斯图形模型应用于健康老龄化、阿尔茨海默病和血管性脑病的神经心理学成套测验，揭示了认知障碍可能不仅涉及表现下降，还涉及测试间关系的重组。相反，健康个体表现出更分离的结构，符合领域特异性，而患者群体则表现出更密集和改变的连接模式，暗示系统性重排。类似地，Zoccolotti及其同事对儿童的阅读、拼写和数学技能进行了建模，识别出领域特异性聚类和跨领域关联，这与共享习得机制一致。其他神经心理学网络研究报告了不同临床群体的全局连通性模式，但仍收敛于一个更广泛的观点：神经系统疾病可能改变认知关系的架构，而不仅仅是降低测试分数。这些发现汇聚到一个重要洞见：神经心理学剖面是结构化系统。病理可能改变认知成分间关系的架构，而不仅仅是压低单个节点的值。能够对此类架构进行建模的方法学框架因此具有直接的临床和理论相关性。

网络分析可以为几个神经心理学问题做出贡献。它可以用于检查认知领域是否形成相对分离或整合的系统，临床群体是否在认知关系的组织上存在差异，损伤是否与系统性重组相关，以及干预是否会改变认知或临床变量之间关联的结构。因此，网络模型不仅是可视化测试分数间相关性的描述性工具，也是一个用于制定和检验关于认知组织、临床异质性和变化的假设的框架。正如更广泛的网络文献中所强调的，特别是在临床心理学中，如果没有清晰的理论或临床问题驱动，网络模型容易沦为纯粹的描述性工具。在这个视角下，网络分析在用于形式化关于认知组织的明确问题时最为有用。例如，研究人员可能会问：认知障碍是否反映了功能间关系的重组？临床群体是否在认知关联的架构上存在差异？观测到的测试分数是否聚集成理论上意义的领域？或者康复是否改变了认知或临床变量的结构？因此，方法学选择应跟随神经心理学问题，而非反之。

本教程的目标有两个。首先，我们提供一个逐步指南，用于使用当代最佳实践估计和解释基本的横截面心理测量网络，包括正则化高斯图形模型和稳定性分析。这一部分旨在引导读者，有条不紊且谨慎地，达到构建一个方法论上可靠的首个网络的程度。其次，我们介绍一组高级扩展——概念性的而非程序性的——以说明网络方法如何扩展到解决维度、组间比较、纵向动态、混合数据类型和贝叶斯推断等问题。

如何创建神经心理学网络：逐步指南

我们将介绍进行网络分析的通用工作流程，并提供在统计软件R中的逐步教程。所有相关概念的词汇表也已提供。框1展示了基于Burger等人的网络分析报告标准。示例运行来自一项关于痴呆症中认知重组的近期研究的横截面数据。样本由241名很可能患有阿尔茨海默病的患者组成。数据集包含一套神经心理学评估，涵盖以下测试：简易精神状态检查、额叶功能评定量表、语义流畅性测试、语音流畅性测试、波士顿命名测试、数字广度顺背和倒背、雷伊听觉词语学习测试即时和延迟回忆、画钟测试以及视觉物体与空间感知测验的不完整字母子测试。完全注释的脚本可在补充材料中找到。

先验样本量确定与功效考量：确定网络分析的适当样本量是复杂且有争议的，因为它取决于节点数量、真实网络的密度以及边的强度等因素。所需样本量主要取决于所估计模型的复杂性。对于横截面网络，标准的功效分析很困难，因为“真实”网络结构很少是先验已知的。然而，模拟研究表明，对于中等规模的网络，通常需要250-350的样本量才能达到可接受的灵敏度和特异度。一个常见的经验法则是样本量应至少是待估计参数数量的三倍，尽管蒙特卡洛模拟是精确规划的首选。由于缺乏精确的建议，且考虑到心理学研究中通常较小的样本量，始终建议确定所估计网络的稳定性和稳健性。无论样本量如何，数据质量和底层真实网络结构都会显著影响估计稳定性。包含高测量误差的变量将不可避免地导致不稳定的边估计。我们将在专门的部分讨论网络稳定性分析。

模型与变量选择：选择适当的网络模型主要取决于数据的测量水平。对于横截面数据，心理学中最常用的框架是成对马尔可夫随机场，它将变量之间的关系建模为条件关联。连接在一起的变量，在以数据中所有其他变量为条件的情况下，被认为是概率上依赖的。条件关联的具体度量取决于数据的测量水平。对于比率或区间水平的数据，合适的模型是高斯图形模型，其中边被参数化为偏相关系数。GGM被表征为无向加权图，意味着关系是对称的，并且边编码了关联的幅度。GGM也允许在数据为序数时使用多分格相关。对于二分类数据，建议使用伊辛模型，其中边代表对数线性关系。每个模型都可以使用R中的各种估计器进行计算。节点选择必须强烈基于理论驱动。研究人员应根据其具体研究问题仔细确定包含哪些变量。一个构建良好的网络应纳入所有理论上预期与正在研究的临床状况或认知系统相关或对其有影响的变量。除了理论考量外，研究人员还必须认识到节点选择的统计含义。在偏相关网络中，每个包含的变量通过偏出去其捕获的方差来调整整体结构。这在纳入全局认知筛查工具时尤为关键，因为它们自然与多个特定认知测试共享广泛方差，从而可能在结构上改变网络。同样，包含来自同一认知领域的高度重叠的测试可能因多重共线性而耗尽共享方差，可能导致人为削弱的边。因此，我们强烈建议在网络估计前检查过度的统计重叠并移除冗余测量。遵循此原则，当单个任务产生多个分数时，研究人员应避免同时输入它们，而应选择复合全局分数或特定的、理论上不同的子测试分数。此外，研究人员应优先选择具有高测量信度的变量，因为包含嘈杂或高度不可靠的变量会危及所估计网络参数的稳定性。人口统计学变量的包含也需要仔细的理论和方法论考量。由于直接在网络中纳入人口统计学变量可以隔离出净人口统计学影响后的认知测试间关系，研究人员应输入原始而非经人口统计学校正的认知分数以防止过度校正。相反，如果样本具有受限的年龄范围或由已在人口统计学特征上匹配的多个群体组成，这些变量可以安全地省略。最终，任何网络模型的解释都根本上取决于最初的研究问题、所选的具体变量、它们之间的共享方差以及指导这些选择的理论框架。在我们的示例数据库中，我们关注11项神经心理学测试的组织和关系。我们不将人口统计学信息纳入网络，因为先前研究发现其在认知障碍情况下对神经心理学表现的影响微乎其微。由于我们的节点是在区间水平上测量的，并且我们分析的是横截面样本，我们选择使用R包bootnet中的estimateNetwork函数估计的GGM。

假设：网络分析的一个关键优势是其对数据生成模型缺乏强假设，使其特别适合探索性分析。然而，结果的有效性依赖于几个核心假设。第一个假设是观测值的独立性。第二个假设是变量服从正态分布、线性关系和仅存在成对交互作用。存在检查正态性的方法，对于非正态分布的连续数据，可以在估计GGM之前应用变换。该变换通过对数据应用平滑单调映射来放宽正态性假设，确保变量在网络估计前呈正态分布。正态性可能以多种方式被违反，其在GGM背景下的影响尚未被详细研究。因此，当正态性被违反时如何处理尚不清楚，这使得使用数据驱动的自助法来补充任何分析变得至关重要。第三个假设是缺失数据是随机缺失或完全随机缺失。在我们的案例研究中，我们假设观测值是独立的，并评估了正态性假设。如图2直方图所示，多个变量存在偏态。此外，多元正态性检验表明与正态性存在显著偏离。鉴于正态性假设被违反，我们采用了非参数正态变换。这确保了偏相关系数基于满足高斯假设的潜变量，从而比使用原始偏态数据提供更可靠的边估计。由于延迟回忆变量仍显示偏态，我们使用数据驱动的自助法来评估网络稳定性。该数据库不含缺失值。

网络结构估计：在执行网络估计之前，最佳实践是使用set.seed函数初始化R的伪随机数生成器，以使结果完全可重复。可以使用bootnet包中的estimateNetwork函数和default = 'EBICglasso'参数获得GGM。该方法计算一个稀疏的逆协方差矩阵，并使用扩展贝叶斯信息准则来选择最优的正则化参数。估计出的GGM被表示为一个方阵，其中每个行和列对应网络中的一个节点。矩阵的元素代表偏相关系数，指示两个节点之间连接的强度和方向。

边选择与剪枝：在GGM中，如果两个节点的连接不为零，则它们是相连的。当从经验数据计算时，由于抽样变异，这些偏相关系数几乎永远不会恰好为零。因此，不加干预的话，原始网络估计将是全连通的。尽管在神经心理学中，认知任务的表现展现出正流形，但全连通网络很难是底层认知架构的真实表征，未能考虑这一点可能导致错误结论。此外，在神经心理学中，我们经常面临小样本量的挑战。实际上，网络中的节点越多，需要估计的边就越多，所需的观测值也越多。在这种情况下，模型不仅捕获真实信号，也捕获该样本特有的随机噪声，这可能导致过拟合和不稳定的估计。一般来说，稠密网络和虚假关系可能对结果的解释和可重复性造成问题。相反，最优的GGM应该是稀疏的并保持高似然性。为此，经常使用边选择方法。文献中存在多种方法，但其中一种在横截面GGM中占据主导地位。正则化估计程序旨在仅包含那些能改善网络模型对数据拟合的边，从而平衡简约性与拟合度。这是在中等样本量下估计心理学网络的首选方法，因为它有效地剪枝网络，同时平衡了拟合优度与简约性。最常用的正则化技术是最小绝对收缩和选择算子。LASSO技术对模型施加惩罚，限制了参数绝对值的总和，并导致弱连接的估计值向零收缩。因此，LASSO产生一个稀疏网络，其中只保留相对较少的边来解释数据的协变结构。稀疏性增强了网络的可解释性，并显著降低了假阳性率。稀疏程度由一个调谐参数控制。最优值基于扩展贝叶斯信息准则选择。这种方法已被证明在恢复伊辛模型和GGM的真实网络结构方面表现良好。反过来，EBIC的计算依赖于一个超参数，它定义了准则偏好更简单模型的程度。该值范围从0到1。大多数包中的默认设置是一种保守方法，优先考虑特异性，确保保留的边很可能是真实的。另一方面，这种选择可能导致遗漏一些真实但微弱的关系。在我们的教程脚本中，我们使用默认的超参数值，并测试100个调谐参数。我们将最小比率设置为0.01，从而将最小惩罚固定为其最大值的1%。由于LASSO估计是一个迭代过程，有时会产生极小的非零边权重。我们强制将这些可忽略的值设为精确的零，以确保真正的稀疏网络结构并提高模型的特异性。

可视化与结果：一旦网络被估计出来，我们可以访问编码变量间偏相关系数的逆协方差矩阵。表1显示了该矩阵。检查所得结构的最有力方式是使用绘图本身进行可视化。我们可以使用plot函数或qgraph包中的qgraph函数来自定义网络。两者的默认设置都使用Fruchterman-Reingold算法来可视化网络。这种力导向算法根据节点连接的强度来定位节点：关联较强的节点相互吸引，而所有节点都施加斥力以防止重叠。因此，高度连接的节点被可视化得更近且位于中心，而孤立节点则被推向边缘。图中的边代表逆协方差矩阵中表达的偏相关系数。两个节点之间边的缺失意味着条件独立，表明在控制了网络中的所有其他变量后，它们之间不存在独特的关系。重要的是，边的缺失并不证明关系为零，而是当前数据未提供足够的证据将其纳入正则化模型。另一方面，边的存在表明两个节点之间存在统计依赖性，但它并未指定该关系的性质。一条边可能代表直接的因果效应、交互作用、变量内容的重叠，或未测量潜变量的影响。边的颜色表示关系的方向：蓝色边代表正的偏相关，红色边代表负的偏相关。在我们的示例网络中，我们观察到只有正的偏相关，以蓝色边显示。这表明正相关关系，意味着在一个认知测试上得分高的人很可能在其他测试上也得分高。尽管我们在当前示例中没有观察到负边，但研究人员经常会遇到一个三元组，其中两个节点都与第三个节点正相关，但彼此之间却负相关。这种反直觉的负边通常源于对一个碰撞变量的条件化。边的颜色饱和度和宽度与偏相关的强度成正比：越饱和、越粗的边表示越强的关联。

网络描述与度量：一旦网络被估计，可以计算几个指数。print函数显示估计网络的一些描述符，如节点数、总可能边中非零边的数量以及平均权重。在我们的示例中，估计的非零边数与总可能边数之比是网络密度，为0.309，表示网络相对于稀疏程度的稠密程度。网络平均权重是网络中所有边绝对权重的平均值，提供了整体系统连通性的汇总统计。虽然这个度量可以提供关于全局认知整合程度的初步见解，但我们告诫不要孤立地过度解读它。聚焦于网络的节点，并非所有节点都同等重要。在图论中，它们的相对影响力使用中心性指数来量化。最常见的指数包括：节点强度，定义为连接到特定节点的所有边绝对权重的总和。一个具有高强度的节点，平均而言，与网络中的许多其他变量有强的条件关联。这通常被认为是心理学网络中最稳健和可解释的中心性度量。期望影响力，它累加原始边权重。这在包含负边的网络中特别有用，因为它指示了一个节点可能对网络产生的方向性累积影响。接近度和介数，最近的方法学指南强烈建议不要在心理学横截面网络中使用接近度和介数，因为这些度量将关联视为物理距离，而在成对马尔可夫随机场中，边代表偏相关且路径不传递信息，这一假设被违反，使得接近度和介数高度不稳定且在概念上难以解释。可预测性，它量化了一个节点的方差由其直接邻居解释的比例。桥接中心性，如果一个网络包含不同的簇或社区，桥接中心性识别出那些强烈连接这些不同领域的节点，充当症状簇之间的通路。在我们的示例中，我们将重点关注强度。延迟记忆回忆、MMSE和FAB是网络中最强的节点。这一结果表明筛查测试起着整合作用，这对于全局系统性评估是有信息的，但与特定领域测试的具体诊断价值不同。事实上，当考虑平均权重时，它们的连接模式显著不同：MMSE通过许多弱边连接到网络，这是非特异性全局筛查测试的典型特征。相比之下，执行功能和记忆测试表现出更少、更强的边。这种结构性差异与临床理论一致，其中执行功能对特定认知领域施加强大的自上而下调节，而延迟回忆是阿尔茨海默病的核心、特化的缺陷。

网络稳定性分析：由于心理学网络是从经验样本数据中估计出来的，边权重和中心性指数会受到抽样变异性的影响。特别是在中等样本量的研究中，这些估计可能不稳定。因此，估计网络只是第一步；研究人员应始终评估边权重的精度和节点中心性的稳定性。bootnet包提供了一个全面的框架，通过重采样技术进行稳定性分析。为了评估估计边权重的精度，我们可以构建每条边的抽样分布并计算95%置信区间。正则化偏相关的分布是通过自助法得出的。对于LASSO正则化网络，强烈推荐非参数自助法。窄的置信区间表明边权重的估计精度高。宽的置信区间表明精度差，意味着连接的确切强度是不确定的。边置信区间应仅用于评估估计的精度和比较不同边的相对强度，而不是检验它们的存在。在我们的案例研究中，我们生成了自助法副本和置信区间来评估边权重精度。总体而言，置信区间中等宽度，表明对偏相关系数确切大小存在一些不确定性。然而，最强边的顺序是高度可靠的。为了评估节点中心性的可靠性，开发了病例剔除子集自助法。该技术评估当系统性地移除部分数据时，中心性指数的等级顺序是否保持稳定。为了量化稳定性，研究人员可以使用相关稳定性系数。CS系数不应低于0.25，并且最好大于0.50。在我们的分析中，CS系数为0.672，远高于推荐的严格阈值0.50，因此我们可以得出结论，节点中心性的等级顺序在我们的网络中是高度稳定的。除了评估绝对精度外，自助法分布还可用于检验特定网络参数之间的显著差异。

总结：在我们的示例场景中可以讨论什么？ 总而言之，我们估计了一个包含11项神经心理学测试的GGM。分析揭示了认知测试之间的独特关系，例如MMSE的弥散性连接，它被证明代表了多种认知表现并起到了整合作用。最相关的节点是RVLTi、MMSE和FAB，表明在此神经心理学评估中，筛查和记忆测试信息量最大，尽管角色不同。最后，鉴于稳定性系数和边置信区间，我们可以认为我们的结果是可靠和稳定的。

JASP中的网络分析：用户友好的替代方案：R并不是唯一能够进行网络分析的软件。对于更喜欢点击界面而非命令行编程的研究人员，JASP提供了一个专门的、高度直观的“网络”模块。由于JASP的网络模块直接构建在本教程讨论的R包之上，用户无需编写任何代码即可进行严谨的分析。JASP中的关键能力包括模型选择、网络描述以及精度和稳定性分析。虽然JASP是标准分析和快速探索的优秀工具，但R由于其灵活性仍然是最强大的环境。JASP主要依赖默认设置。相比之下，在R中编写脚本允许研究人员微调估计过程的每一个参数。此外，R提供了对数据可视化和报告的完全控制。最终，虽然JASP降低了入门门槛，但R提供了进行复杂、高度定制或故障排除密集型心理测量网络研究所必需的绝对控制。

心理测量网络的方法学前沿

横截面GGM代表了估计神经心理学测试分数间条件关联的有用起点。然而，许多神经心理学研究问题需要对此基础模型进行扩展。这些方法并非天生优于基础模型；相反，每种方法都针对横截面估计固有的特定研究问题或局限性。

识别认知维度：探索性图分析：一个重要的进展涉及维度。神经心理学传统上依赖因子分析技术来识别潜在的认知领域。然而，网络理论挑战了潜变量与网络视角之间的严格对立。在某些条件下，网络中强连接节点的簇与潜因子紧密对应。探索性图分析利用这一洞见，将社区检测算法应用于估计的网络，以识别经验上涌现的维度。对于神经心理学成套测验，这种方法可能提供一种补充方法来评估假定的领域——如执行功能或视空间能力——是否自然地从事物间的相互依赖性中显现出来。重要的是，EGA并不消除潜构念的可能性；相反，它提供了一条结构上扎根的维度发现途径。值得注意的是，EGA已扩展到纵向面板数据，允许在重复测量设计中研究认知维度。

跨临床群体比较认知组织：联合图形模型与网络比较检验：另一个前沿涉及正式的组间比较。网络方法通过诸如网络比较检验等程序允许结构比较，该检验评估组间在全局强度、特定边权重或整体结构上的差异。在假设病理涉及认知重组而非单纯表现下降的情境中，此类检验提供了一种量化架构变化的方式。然而，这些程序需要足够的样本量和仔细的控制估计参数，否则差异可能反映抽样变异性而非真正的结构分歧。一种互补的策略是联合而非单独地跨组估计网络。基于联合图形LASSO的方法通过同时估计多个网络并在它们之间鼓励共享结构来实现这一想法。在实践中，这种方法引入了正则化项，既促进每个网络内部的稀疏性，又惩罚组间的大幅差异。诸如estimateGroupNetwork函数之类的实现允许研究人员获得组特异性网络，这些网络相互借用统计强度，同时仍然允许有意义的差异出现。当样本量适中时，这一策略特别有用，因为共享的估计框架稳定了边估计并减少了组间差异反映估计噪声的可能性。从概念上讲，联合估计将比较问题从一个纯粹的事后程序转变为一个基于模型的过程。尽管如此，解释仍需谨慎。估计网络中的差异可能源于跨组的方差结构、测量信度或分布特性的异质性，因此应与传统的神经心理学证据一并考虑。

建模异质性神经心理学数据：混合图形模型：神经心理学数据集通常包含异质性的变量类型：连续测试分数、序数评级、二分类损伤指标和人口统计学协变量。混合图形模型将PMRF框架扩展到适应此类混合数据结构。通过广义线性模型参数化边，MGM允许连续、二分类和分类变量共存于单个网络中。这种灵活性对于转化研究环境尤其相关，在该环境中，诊断分类和连续表现指标在同一评估背景下相互作用。此外，mgm可以容纳一个分组变量作为分类调节变量，并将组间差异估计为调节效应。

研究随时间的变化：纵向与时间序列网络模型：也许最具概念变革性的扩展涉及纵向建模。横截面网络捕捉的是人际关联；它们不描述个体内部动态。然而，对于涉及认知衰退、代偿或进展的问题，时间结构至关重要。根据采样频率，纵向网络模型通常分为两类：密集时间序列模型和面板数据模型。当从单个个体或少数个体在大量重复时间点上收集数据时，我们称之为密集纵向数据或时间序列数据。与横截面网络不同，这些模型允许我们估计时间滞后效应，以揭示一个变量在时间t如何预测时间t+1时的变量。时间关联通常使用向量自回归模型建模。最广泛使用的估计器是mlVAR和graphicalVAR，它们产生独立的网络结构来表征依赖关系：有向的时间网络解释了跨时间的关联，无向的同期网络评估了在考虑了时间效应后变量间的关联，而无向的人际网络表征了不同被试稳定均值之间的关系。这些算法假设测量之间的时间差大致恒定、每个单元的最小测量次数为20次，并且局部平稳性成立。虽然VAR假设在每日EMA研究中经常满足，但在数月或数年展开的神经心理学评估或心理治疗研究中极不可能成立。在这些情况下，研究人员通常在几个离散的时间点测量大量被试。这就需要面板数据方法，它表示变量间的纵向关系以及它们的条件关联如何随时间变化，而不需要严格的平稳性假设。因此，面板网络对于追踪疾病进展或治疗机制特别有用，允许研究人员区分被试间差异和被试内随时间的变化。交叉滞后面板网络模型不需要平稳性假设，仅期望在每个测量场合样本量超过变量总数。在该模型中，交叉滞后效应通过将一组变量在一个测量场合的值对前一场合的值进行回归来估计，从而在控制每个变量的自回归效应的同时，获得每个变量对其他变量在特定时间滞后上的效应。时间关联被描述为一个有向网络。最终，纵向和面板方法分离了稳定的个体差异与动态过程，并为建模认知轨迹而非静态架构提供了一条路径。然而，它们需要重复测量设计和大幅增加的数据需求，并且其解释相应地变得更加复杂。

量化特定理论关系中的不确定性：贝叶斯网络方法：最后，贝叶斯网络估计方法正日益受到重视。频率学派的正则化技术产生稀疏的点估计，但对结构不确定性的量化有限。贝叶斯方法允许估计边乃至整个网络结构的后验分布。这种概率框架在神经心理学中特别有吸引力，因为中等样本量和高维成套测验很常见。通过显式建模不确定性，贝叶斯方法可以缓和过度自信于单一估计网络的情绪，并鼓励更谨慎的推断。当研究问题涉及特定理论驱动边的可信度而非网络的整体视觉结构时，贝叶斯方法尤其有用。例如，研究人员可能会问，在控制了语言和注意力之后，记忆表现是否与执行功能有条件关联；全局筛查工具是否保留了与特定领域测试的独特关联；或者临床上相关的症状如抑郁、冷漠或疲劳是否可信地与特定认知领域相关联。在这些情况下，贝叶斯估计可以量化围绕给定边的不确定性，帮助研究人员区分稳健的理论关系与过于不确定而无法自信解释的关联。此外，贝叶斯网络分析也越来越容易被应用研究人员使用，包括通过用户友好的软件如JASP。总的来说，这些发展说明了心理测量网络不断扩展的方法学版图。对神经心理学家来说，关键的挑战不是掌握每一种技术，而是为手头的研究问题选择合适的模型。

优势、局限性与负责任解释

心理测量网络为神经心理学研究提供了若干优势。首先，它与认知功能的系统性本质自然契合。通过建模测试分数间的条件依赖性，它反映了临床医生在评估过程中隐含考虑的交互式架构。其次，条件独立框架提供了超越零阶相关的信息，澄清了在考虑了更广泛的系统后哪些关联仍然存在。第三，网络可视化促进了复杂多变量结构的沟通，常常揭示出在表格输出中可能隐藏的模式。最后，结构比较方法允许对认知重组假设进行正式检验，超越了均值水平的差异。

然而，这些优势必须与重大的局限性相权衡。最根本的关注点是因果解释。无向高斯图形模型代表的是条件关联，而非因果路径。两个节点之间的边表示在控制其他变量后的统计依赖性，但并不建立方向性影响。横截面网络因此是人际结构的描述性表征。因果主张需要纵向设计、实验操作或更强的建模假设。第二个关键问题是稳定性。心理测量网络是高维统计对象。在适中的样本中，边权重和中心性度量可能在自助法重采样中波动很大。没有系统的稳定性分析，网络有反映抽样噪声而非结构信号的风险。因此，边的自助法置信区间和中心性稳定性系数不是可选的附加项，而是负责任报告的基本组成部分。测量考量也值得关注。基本的高斯图形模型将观测变量视为无误差测量。然而，神经心理学测试的信度各不相同，并可能共享方法方差。观测到的关联可能部分反映了测量伪影而非认知相互依赖性。潜网络模型和混合方法可以解决其中一些问题，但它们带来了额外的数据需求和建模复杂性。中心性度量尤其需要谨慎。诸如强度、介数和接近度等度量是在社会网络背景下发展起来的，并不会自动转化为临床干预目标。一个高度中心的节点可能反映了测量属性、缩放效应或冗余性，而非功能性重要性。因此，解释必须保持理论驱动而非度量驱动。另一个考量涉及数据和节点选择。如前所述，任何神经心理学网络的解释在很大程度上取决于模型中包含了哪些变量。当考虑人口统计学变量、全局认知筛查工具或来自同一认知领域的多个测试时，这个问题尤其相关。将人口统计学变量直接纳入网络会估计出在这些人口统计学影响条件下的认知测试间关系；因此，在这种情况下一般应首选原始认知分数以避免过度校正。相反，当各组已在人口统计学特征上匹配，或研究集中于一个受限且同质的样本时，人口统计学变量可以省略。同样，包含来自同一领域的几个高度重叠的测量可能会重新分配共享方差并削弱个别边。因此，节点选择应始终与研究问题、研究设计以及网络预期的理论解释相一致。最后，研究人员必须意识到人际与人内结构之间的区别。横截面网络描述了个体之间的差异；它们不一定描述认知过程在单个个体内部如何随时间相互作用。混淆这两个层次可能导致关于机制的误导性结论。

总之，心理测量网络并不能取代传统的神经心理学模型。相反，它提供了一个互补的结构性视角。当以方法学的严谨性和理论上的克制加以应用时，它可以阐明认知系统是如何组织的，它们在病理状态下如何重组，以及测试间的相互依赖性如何有助于临床解释。然而，当不加批判地应用时，它有可能过度解读不稳定的关联或将描述与解释混为一谈。网络分析在神经心理学中的前景不在于产生视觉上引人注目的图表，而在于对认知结构进行严谨的审视。