文摘
分析在先前的研究仅限于心理网络中心的检验措施和具体的全球网络特性的量化。本文的主要观点是,心理网络带来更多潜在的有用的和有趣的信息,可以通过其他方法获得广泛用于网络科学。具体来说,我们建议的方法提供清晰层次网络中的节点安排,解决异构网络中的节点,更密切地关注网络的局部结构。我们探索的潜在价值最小生成树,参与系数和主题分析和演示26的相关分析使用一个网络心理属性。使用这些技术,我们调查不同的心理概念的网络是如何组织的,哪些属性是最中央,情报网络中所扮演的角色是相对于其他心理变量。应用三种方法,我们得出一些初步的结论。特质移情是网络中最“中央”属性。情报,虽然外围,弱但同样相关,不同类型的属性出现在网络。另外三元配置的分析结果表明,网络的特点是相对强劲开放三合会和异常频繁发生消极的三角形。我们讨论这些和其他结果的可能的理论解释,方法论上的局限和未来的研究。
1。介绍
在过去的十年中,网络方法已经越来越多地用于心理科学调查心理科学的心理结构及其相互关系的互补或替代通常使用和行之有效的方法(例如,验证性因素分析和结构方程建模)。这种方法也引入了一个不同的角度对心理结构,发现其应用在许多心理学分支学科:情报(1,精神病理学2],人格心理学[3),和社会心理学4]。网络方法的一个特定的资产,它定义了心理结构作为一个复杂系统的组分的直接相互作用使我们能够详细提问关于这些结构之间的相互影响的关系5- - - - - -8]。具体来说,高斯图形模型(药物(9)连续变量和伊辛模型二进制变量(10)已被用于网络评估,目的是描述变量之间条件独立关系,实施局部相关性或条件变量之间的关联(7,11]。在这种方法中,一种心理上的网络由节点、心理变量,节点之间的连接,代表之间的关联的程度(和方向)每一对变量,当其他变量的影响在网络控制。
心理建设的网络后,经常进行定量分析的计算中心分析回答哪些变量是最“主导”或“重要。“此外,一些感兴趣的全球特性,如网络连接(12]。然而,除了中心措施和全球网络结构的措施,注重微观和宏观层面的网络,分别其他分析工具主要是忽视和心理网络的研究中很少使用。这有限的关注导致一组有限的问题,可以回答。我们认为,使用心理网络为了回答研究问题,研究人员应该超越心理学常用的措施。网络科学领域提供了许多选择指标时值得考虑的将自己的研究问题转化为可量化的网络属性。本文的主要思想是应用这些技术,已经广泛应用于网络科学、心理网络提供更深入的理解。
论文的结构如下。首先,我们将描述在心理分析网络的一些挑战和链接用本文提出的三种方法,遵循网络的总体概述,将被用于这些方法的演示。接下来,我们描述一个说明性的数据集通常用于网络分析和应用方法。随后,我们将解释三种方法,可以用来阐明网络拓扑:最小生成树(mst),参与系数(PC),和主题分析。为每个方法中,我们将解释特定的程序和修改和总结的结果和讨论。最后,在一般的讨论,我们总结的好处和可能包括该方法领域的网络心理测验学和突出有趣的假说,我们到达使用这些分析工具。
1.1。在心理分析的网络识别的挑战
在本文中,我们提出三种方法,不仅为网络提供新的见解,而且规避一些知名心理网络领域的方法论问题:找到实施所有变量的重要性在更一般的方法,包括在网络处理的网络变量不一样,和如何调查中间网络水平。
(1)发现网络中节点的层次安排:中心分析用于分析的主要目的的心理网络目前是确定网络中实体可能下令对它们的连接与其他变量(例如,使用的数量和强度连接)和关于他们的整体网络中的位置,也就是说,找出哪些实体是最“主导。“答案来自不同措施的应用程序(通常力量、中间性和亲密)可能是不同的,他们捕捉不同的概念中心意味着什么。然而,“正确的”措施的选择不是唯一的挑战。由于小而致密的本质心理网络中心措施可能不会有意义的区分在特定节点。
作为解决这些问题,我们建议使用最小生成树(MST),首先应用经济学的股票时间序列数据的分析(13]。是一个MST减少子网连接所有节点基于识别所需的最小集合的边缘。除了提供一个拓扑和等级制度安排中的所有节点网络的骨架,它还提供了一个洞察分组的节点基于内容相似。
(2)隐式假设网络中节点的同质性:最常用的中心措施是基于一个节点与网络中其他节点的关系等等。因此,这些技术隐式地假定所有节点先验同样可能与任何其他节点。这个假设通常是站不住脚的,因为心理网络可能包括一个或多个实体,实体或组,不同性质和/或测量,因此构成集群(称为社区或模块,如[14])。在心理学,这样的一个社区可能出现部分原因是先前存在的差异变量,例如,变量的性质(如认知、行为和情感),测量的(例如,主观与客观),或一些数据收集的方法方面。
在估计网络变量关于这些既存的差异(即更相似。,that belong to the same community in this sense) are more likely to be associated than variables belonging to different communities. Thus, these variables may show stronger associations among themselves and will通过建设等级更高的程度和强度等常见的中心措施。注意,这种影响尤其明显当不同社区的大小不相等,以节点属于默认最大的社区将有更高的学位和力量。另一方面,如果某些变量是在上述的一些方面不同于其他变量包含在网络,他们可能在默认情况下会有更少的强大与系统中其他变量。结果,我们可能会错误地识别一些节点为中心,与此同时,一个变量与一个真正重要的角色可能会错过。这是很重要的,因为心理网络越来越多地开始包括心理实体的不同。例如,最近一些研究人员(15]呼吁的症状以外的其他变量在分析精神病态的系统。
规避这一问题的节点的异构性,我们建议参与系数(PC (16])用作纠正的过程估计最中央节点,因为它解决了均匀性边缘节点的网络中不同组的节点。
(3)网络的mesolevel(或局部结构):可视化的小型网络,如心理网络,提供了直接的见解之间的二元关系节点,网络作为一个整体,甚至还可以提供一些节点的分组的概念。同样,措施通常用于分析网络的覆盖分析微观网络层面。宏观(全球)属性的网络很容易计算,但其效用是心理不太清楚网络由于其体积小,不可能声称所有相关节点都包含在网络。常用的中心措施的解释和全球网络结构的措施(例如,平均最短路径和聚类系数)反映了系统中节点的重要性,隐式地假定网络系统包含所有相关的因素。然而,心理网络的固有特性之一就是它很少模型系统相关的所有因素(15]。在这些情况下,计算中心措施基于间接关系(中间性和亲密)和全球网络的措施不能捕获所有相关信息。虽然这是一个问题在分析整个系统时,能从将重点转移到更细粒度的水平(即结构模式。介观层面,“本地”网络结构)。方法调查的小型网络的配置首先在社会网络分析(17时),重新定义了适用于不同类型的(通常是大型的)网络(如神经网络、转录网络和互联网的结构)的世纪,已经被称为“主题分析。“主题分析使研究人员能够系统地调查较小的节点配置。除此之外,它可以帮助我们决定是否特定的模式,即子图,代表有趣的结构关系或方法论的文物。
此外,该方法在建模网络地址的一个基本问题:如何理解网络的全局属性从局部属性和局部拓扑相关函数(18]。例如,在心理上网络,不同措施的情报是已知的正相关;他们表现出积极的歧管。在网络mesolevel分析的语言,这意味着不同的情报措施的系统结构的特点是规模较小的本地显示积极的相互关系。Van der马斯河et al。1)提出了一个动态模型的情报这些模式解释为表明相互因果关系或共生在系统中扮演最重要的过程。换句话说,如果一个网络表达特定模式的关系“高”学位,可以通知我们关于基本过程(es)驱动系统表示为网络。
三种方法,尤其是最后两个(参与系数和主题分析),给出一个清晰的照片所有网络中节点。可以这样说,他们提供了一个更“平等”的方法节点构成的网络,在某种意义上,他们允许发现非中心(强度、介数、或亲密)节点网络的不同部分可以同样重要的或有一个有趣的角色在一个较小的网络的一部分。这些信息很容易被忽视时只使用最基本的网络分析。鉴于心理网络通常是相对较小的,可信的,研究人员将有兴趣了解更多关于网络中的每个节点,是否核心或外围。此外,有时节点周边的特殊利益和/或相关性(例如,自杀意念的抑郁症状和情报网络的网络心理特征)。
1.2。运用三种方法在网络的调查不同的心理属性
网络分析是主要用于更加关注一个(或几个相关的)心理概念,在节点代表心理自我评估量表的物品(如问卷调查)。在最近的研究中,作为一个说明性的提议的方法的数据集,我们看一个网络节点的聚合成绩自我报告的措施(也称为“包裹”问卷),实施不同的心理概念(例如,潜在的变量),大多数都高度相关,其中直接因果关系可能不会承担。我们网络的变量应该测量相对稳定的个体差异的发展相互因果沿线的“收益”(19,p.239]。此外,这些构造条件之间的联系可能是小,他们大多数人认为是独立的。我们所知,这是第一个研究在不同的心理属性的网络聚合条目。我们使用网络的方法来获得新的见解心理系统的不同部分是如何连接的,以及哪些属性最突出的作用。
网络的心理结构以自我报告我们包括认知能力(g因子的代理人20.)测量与能力测试(有时称为心理学主观和客观测试,分别)。的原因包括网络中的这个大大不同的变量是双重的。首先,我们的目标是证明网络方法,可以提供更微妙的所有节点的描述,无论他们在网络中心。包括一个变量,一个节点,这是概念上和方法论上不同于其他网络,和充其量仅略有一些节点的网络,将为说明提出方法的附加价值。其次,我们利用这个机会解决老问题的认知能力和性格有关21),看看这个问题可以在网络中制定和回答方法。
从理论上讲,智商不会与个性域。处理personality-intelligence连接几十年来,研究人员一直在使用相关研究,以确定是否存在显著关系(s)(年代)。然而,正如艾森克(22在主题报告中总结说,研究显示出明显的缺乏显著的相关性,很少有例外。例如,已发现小协会之间的智力和精神病理学的概要文件(23],introversion-extraversion相关的智力表现风格的差异(速度/精度比;(24])。看到这种方法未能找到任何实质性关系,教务和迈耶25]表明,问题应该问以更复杂的方式,例如,看着阶乘的智力结构组的差异与不同个性资料,反之亦然。分析,这个建议非常符合网络的方法,因为它看起来整个组变量,而不是专注于特定大小的影响。从理论的角度来看,几次的综合疗法对人格和智力与更广泛的理论框架来理解他们的相互关系可以在文献中找到,例如,社会智力理论在人格的认知理论26和激励系统理论27]。他们是斯米尔诺夫密切相关的28)认为智力思考,个性思维过程固有的组成部分,而这两个之间的联系是目标和问题在日常生活中。
2。方法
2.1。数据和措施
在当前的研究中使用的数据集已经收集的上下文中myPersonality项目(29日,30.]。在这个项目中,参与者自行管理的一个或多个在线心理问卷调查,通过一个Facebook应用程序(活动从2007年到2012年)。参与是自愿的,完全匿名和参与者提供的同意。总共20多个不同的问卷,参与者完成自己选择的,在自己选择的地点和时间变量数量的问卷调查。
可用的问卷调查,我们选择了11个问卷,覆盖31个心理属性,遵循三个标准:我们想要包括心理的概念(我)有一个明确的理论背景和测量与验证工具良好的心理属性;(2)被认为有时间可靠性和稳定性高;和(3)有相对较高的数量(N >1000)的参与者也自行管理的其他调查问卷。防止包括概念太相似,我们排除了那些高度相关的概念与其他概念(约0.60绝对相关性),有明确的理论重叠。这包含了26个心理概念。为了便于解释,我们逆转的负面框架变量(神经质、抑郁、军国主义的价值观,和暴力的利益),所有的变量都可以解释为更高的分数代表更有利的结果,除了施瓦茨的价值观,这样的理由是不可能的因为有或没有高分对某些价值应该evaluation-free,默认不积极或消极的意义。重新编码后的解释变量中列出的表1。更多信息数据处理、样品描述,对缺失数据的描述,和描述性统计的26个心理变量提供补充材料(SM,部分1- - - - - -4)。
我们包括1166923名参与者的分数至少两个心理属性(以下:变量)。子样品的参与者,人口统计信息是可以在性别(44.6%,64.8%的女性和35.2%的男性)和年龄(20.8%;M±SD = 26.1±6.7,范围:14 - 89年)。示例包括参与者来自220个不同国家,和35岁,7%的参与者来自美国、英国、加拿大、澳大利亚和印度分别。简洁的描述包括构造和使用的仪器是在表1。
2.2。网络评估
我们使用部分相关性估计(网络评估、可视化和中心分析R包使用后:BDgraph [42],qgraph [43],networktools [44]。MST, PC和主题分析id在NetworkX Python模块(45]。代码可以提供从第一作者。)网络。偏相关网络不包含虚假的相关性所产生的常见原因和链结构在网络和可以编码一个基本的数据生成网络结构(46]。估计网络中,我们使用一个nonregularized方法最近提出的威廉姆斯和拉斯特(新闻)47),因为鉴于我们大样本大小,相对较少的变量,和我们的兴趣来检测弱关系,不建议使用正则化技术等常用的套索([47,48),在新闻)。更多细节的过程对我们的数据,确定最优估计方法和nonregularization方法,可以发现在SM,部分5。
防止虚假边缘的包容,因为我们总体大样本的大小,我们人为地减少了样本大小通过设置N参数估计N = 4 131(即。完成成对观测数的中位数,看到SM,更多细节部分3)而不是总样本量的N = 1 166 923。估计网络如图1。包括边缘显著在α水平0.001。注意,通常部分相互之间的关系小当解释边比一阶相关性。
乍一看(图1)在网络可以看出大多数的节点从同一组(问卷)聚集在一起的网络,除了五大特征更分散在网络,特别是开放。
2.3。鲁棒性分析
检查我们的结果的鲁棒性,我们测试了它在两个方面。首先,我们随机分割一半的样本100次,估计网络在每个单独的一半。随后,我们比较感兴趣的两个估计网络指标。如果网络估计是可靠的,那么网络应该为两部分数据,类似,因此,指标应该显示高通信。这个过程是类似于《福布斯》等。49]。值得注意的是,然而,通过使用只有一半的数据来估计网络、统计能力大幅下降,特别是影响小的估计边缘。因此,我们进行了第二次鲁棒性分析,我们随机选择的100套,其中包含80%的原样品和网络相比,估计在这个网络估计子的完整的数据集。我们计算的平均相关性对分离矩阵估计的一半(我)鲁棒性分析和全样本和随机(80%)之间的分数(鲁棒性分析II)。分割部分,平均相关系数为0.82,表明高水平的可靠性。然而,如果我们只评估边缘出现在这两个估计,平均而言,可靠性下降到0.59(相似性指数)。边的数量的平均差异为6.35,这是大约2%的所有可能的边缘。随机(80%)分数,相似性指数上升到0.85。这项研究的结果发表在SM的更深入,部分6。
3所示。演示结果:网络描述
3.1。网络中边的权值
当前估计网络144 325种可能的边缘,边缘稀疏和密度(图显示一个好的平衡2)。边缘的分布是总结表2;64边(44%)是负面的和80的边缘(56%)是积极的。负边的数量高于通常观察心理网络。注意,这是在考虑依赖于网络。如果网络包括变量都来自相同的问卷(例如,10抑郁项),那么它将是预期,许多边缘(或者全部)是积极的。在当前的网络,从各种心理问卷包括变量;他们并没有将相关高度或/和积极的定义。图2还显示,由于人为地降低统计力量和由于α设置为0.001,边缘大约0消除在绝对值(< 0.05)。更多细节的相关网络和估计偏相关网络和关系的详细分析,看到部分7和8在SM。
3.2。中心节点
除了中心措施通常用于心理网络,我们包括最近开发措施的节点的预期影响([50),简称解释参见9在SM)。
中心措施大致可以分为两组,当地环境的措施,只看一个节点(即。,only the edges adjacent to the node) and measures that try to quantify the position of a node in the network by also taking into account nodes that are not directly adjacent to the node. Figure3只显示中心的措施第一category-considering相邻节点。图4显示中心措施之外的第二个category-considering节点直接相邻节点的兴趣。比较不同的中心措施,在同一类别或跨类别,清楚地表明,这些措施分道扬镳。因此,不同的中心措施表明不同节点最中央。虽然这是逻辑上的计算方法不同的措施,因为每个测量捕获中心的不同方面,它强调了需要仔细考虑所使用的指标,因为它可以极大地影响提出这个问题的答案。
如图3所示,基于节点的直接关系,最中央节点在不同的措施。基于强度、传统价值是最中央节点,其次是移情,外向性,和另一个价值,普遍主义。最中央节点是随和,身体能力,身体症状的认识。
另外,当中心措施考虑超过当地环境的节点,一个中心(图出现的不同安排4),用更少的协议不同的措施。这里,同理心是最中央节点,其次是外向性和情绪稳定性,而传统滴到第四位。至少中央节点自我表露、智力和身体症状的认识。
鲁棒性分析,在这项研究中使用的所有中心措施提出了部分6SM。
4所示。引入三个网络心理网络的分析方法
4.1。最小生成树
如前一节所示,这不同的中心措施捕获网络中一个节点的不同方面的立场,和中心节点将根据不同中心测量使用。出于这个原因,我们提出一个方法来看看问题中心不同,在一个更一般的方法。需要澄清的是,我们并不是说中心措施到目前为止用于研究是不够的,但是我们只是想确保一个更一般的视角中心。另一种方法来描述网络中所有节点之间的关系是通过计算最小生成树(MST) [13]。MST检测节点的层次组织,减少边的数量,把最相似的节点信息。具体地说,是基于MST节点之间的距离并选择边缘的子集(的节点数- 1没有循环,以最小的总距离。这种“骨架”结构的过滤网络可以使用,如果我们想要一般问题的答案哪个节点是最中央,不望着特定的中心方面,而是专注于网络的最基本和地方关系。
计算当前网络的MST,首先必须计算节点之间的距离。一个合适的函数关系转化为距离时存在负相关性如下:
方程(1)(高尔半岛的距离测量13,51)考虑了相关的方向通过分配的最大距离完美的负相关,和最小的距离一个完美的正相关。根据这个方程的距离范围从0到2,在一个中间的距离1.4是分配给不相关的变量。(部分)相关系数之间的关系和距离测量如图5。
方程(1)是首选的距离测量距离成反比共享方差( )。从数学的角度来看,这是一个更严格的定义距离和它给单调的变换系数。最重要的是,(1)提供更多的分化程度的距离比基于共享方差距离,因为后者发生损失的信息,因为它意味着相反的部分相关性标志和相同的绝对值相同的距离。如果网络中不存在消极的关系,这两个措施将产生相同的mst;否则输出将最有可能不同(MST SM所示,基于共享方差部分11,图15)。鉴于提到的优势,因为几乎一半的关系在我们的网络是消极的,我们选择使用MST建设。然而,这将是讨论的部分5在SM和分析,部分12反向编码,这个措施是敏感的变量包括在网络。
注意,采取局部相关性而非相关性计算距离时意味着,每一对的节点,它表明了他们是多么遥远的相似性后基于协方差与网络中其他节点排除在外。
MST的心理属性如图266。“中心”的节点的信息从层次结构非常清楚,虽然中心措施可以提供更详细的图片(见SM,部分10)。更直接的接近边缘的节点树的中间(中心)最中央。
移情是MST最中央节点,所有其他属性特征的最小距离。从同理心,只有四个分支出现耸人听闻的利益和身体意识在同一分支所有来自同一组的其他属性。所有分支都是异构关于他们包含的属性,但是他们可以被解释为有意义的一些共性。分支与三体意识结构和身体症状的意识捕捉属性与身体的感觉。分支开始较低的军国主义的利益可以被解释为代表的利益,相关值,和开放,这是通常被称为“生活方式。“分支,从外向性与属性,描述一个人的机构和控制社会的世界。最后,最大和最异构分支开始宜人性高度社会尊敬的属性,描述一个人的“关系”别人,自己,和生活。有趣的是注意到,情报放在分支和分支从公正体现。这种视觉检查显示MST的另一个有用的功能;它给间接层次和重叠的信息,数据驱动,集群网络中。例如,在图6,我们可以看到两双分支,或集群重叠在同理心。另外,以移情为原点,有四个分支机构,或集群,重叠节点。
根据基于MST中定义的距离(1),两个节点是更遥远的步骤(关系)他们之间在过滤网络(树)如果他们比如果他们负相关不相关。这就是为什么,例如,传统和自主性(公关= - 0,37)被放置在不同的分支和更遥远的情绪稳定性和责任心公关= 0),躺在同一分支。从心理的角度看网络,MST保存变量的具体内容和意义。更重要的是,由于其建设是影响权重的迹象,这不仅绝对值,过滤网络可以是一个有用的工具在测试两个相同网络的节点是否真的有所不同。两个网络估计在两个不同的样本通常不会是相同的。然而,如果他们的MST相同或非常相似,这可能表明他们的差异并不重要。相似性指标的mst与整个网络的相似性指数收敛。然而,可靠性基于MST相关性似乎低于基于网络的相关性在较小的样本(半分裂),表明事实上最有益的关系是不同的估计(详细信息请参阅部分7在SM)。
4.2。参与系数
在心理网络,节点(变量)可能有不同的性质。有些人可能来自相同的框架,虽然有些可能独立节点。在网络用语中,一些节点是一个社区的一部分,一些节点形成一个社区的一个或几个。注意,这些群体并不来源于数据,而是基于先前存在的差异。
在当前数据集,例如,我们有26个心理概念、衡量11调查问卷。因此,有组织的变量,不同大小,属于同一问卷和相同的理论框架(例如,在身体意识三个概念)或测量相同的特征(例如,措施不同的“价值观”)。此外,心理概念的相同的问卷可能会在同一时间完成,虽然已经采取了不同的问卷可能几天,几个月,甚至几年。因此,重要的是要考虑到这些既存的差异,如果我们想要探讨的变量网络中发挥着重要的作用。
一种方法处理这些理论上的定义,先前存在的社区是采用措施,考虑这个群落结构和具体评估连接节点与节点在不同的社区。其中一个方法是参与系数(PC),首次引入领域的生物网络(16]。PC的群落结构考虑在内,因为它具体量化边缘节点如何分布到不同的社区(类似于逻辑夏侬熵措施。)。重要的离职在我们的应用程序中使用的电脑是不实证社区结构,而是在“社区”,组织和“独立”节点的节点被认为存在于网络(一种“地面实况”)。框架作为一个假设,零假设在使用电脑将国家现有组织结构(或数据驱动的社区)不影响中心的节点。显示,根据给定的节点排序中心测量变化一旦与PC可以解释为纠正支持拒绝零假设。
电脑的计算测量 在哪里说明了PC节点的分数我,而G, , ,和表示网络,网络中的每个模块的数量关系的节点我模块的节点,分别和所有节点的数量关系。表达式仅仅是所有节点的关系比特定的模块。一个版本的加权网络链接的数量( )在(2)被替换为优势的和这意味着表达式表示总节点强度的比例我投资于单个模块: 这种差异意味着,如果一个节点有相同数量的每个模块的链接,但是他们不同的硬度,它不会达到最大PC值。这里,力量被定义为所有的链接包括节点的绝对重量的总和我,这意味着我们忽视关系的标志。
如果一个节点有相同数量的边缘(即所有的社区网络。,a uniform distribution of edges to all communities), the PC is closer to 1 (the highest possible value depends on the number of modules in the network; therefore average PCs of different networks can be compared only if PCs are normalized by theoretical maximum value, which is 0.50 for 2-module community, 0.80 for a network containing 5 communities, and, in our network containing 11 communities, the maximum PC value is 0.96). Alternatively, if a node has edges only to nodes within its own community, the PC is 0. It is important to note that the PC is not simply the number of links a node has to other communities in the network, but it rather quantifies the平等的分配边缘节点的其他社区。在加权网络,电脑是最大化如果一个节点连接同样所有的社区网络:在数量和其他社区边缘的强度(即。均匀分布的边缘和边所有社区)。更均匀分布的节点到所有其他社区对应更高的PC值。举个例子,一个节点用一把每个模块都有相同的电脑作为一个节点有两个与每个模块之间的联系。同样,一个节点只有一个链接每一个模块将有更高的电脑比一个节点有很多链接到一些,但没有其他模块的链接。一个节点具有高电脑会影响网络的所有部分同样,这意味着定义的节点是同样重要的是每一个社区。这样一个节点可以被视为一个公分母的潜在影响在所有的社区网络,因此可以帮助我们理解网络作为一个整体。注意,电脑只考虑节点的直接关系,显示本地视角MST。此外,这个特性使得它非常适合网络的分析,包括网络上的一些元素可能不是,因此,措施依赖于整个网络(例如,中间性和亲密)可能不合适。然而,由于个人电脑完全量化的分布关系的平等(或强度的关系,在加权网络版本),并无视数量(优势之和)的关系,我们建议使用它结合措施,认为这两种物质的数量和连接节点的强度,忽视了社区的信息(现有或其他)。其中一个措施是参与比率(PR (52])。参与比率定义(2用下面的公式: 在哪里是参与节点的比例(我),节点(i)的关系,节点的强度,而是一个积极的调优参数。如果设置它的值在0和1之间,有大量的关系(学位)增加 ,如果 ,它等于节点的力量,然而,如果设置高于1,减少的值的数量关系 ,这样一个节点与更为集中的力量只有少数节点和低程度的价值高于一个节点具有相同的强度但更多的关系。在我们的分析中,设置为0.5,因此,举个例子,如果一个节点有更高的链接数和相同的总强度节点B,节点会有更高的价值 。以这种方式都有高强度和总有支持更多的关系。
简而言之,公关是一个量化的测量边缘节点的数量和这些边缘的强度和重量都一样(即。对应0.5的alpha),其他措施定义到目前为止,本文只关注节点的直接链接。
我们改变措施,同样的规模(范围0 - 1),显示在图7。随后,我们为每个节点计算几何平均数的措施。我们选择了几何平均奖励分数两个不同措施的一致性。对于每个节点,PC,公关,其几何平均图所示8。
有趣的是,我们可以看到数据7和8,PC和公关可以发散一些节点。例如,如果我们只关注边的数量和他们的力量,这是总结了公关,传统是高度中央。然而,传统的PC相对较低,表明虽然相对很多和强大的边缘,这些都不是均匀分布在整个网络。检查估计网络图1可以看出,实际上,最传统的边缘主要是在自己的社区。另外,情报不被认为是中央根据边缘的数量和力量,但是,考虑到边缘的分布,我们可以看到,智力的连接同样分发到其他社区的网络(见图16在SM)。这个信息会丢失,如果我们只关注边缘的数量和力量(有关这些方面和其他中心措施)。
简而言之,这个例子清楚地表明,当目标是找出哪些节点扮演重要的角色在网络连接器,重要的是要考虑是否可能有先前存在的社区应该考虑。不考虑这些既存的社区可能会模糊重要性节点属于小型社区和“独立”节点没有任何社区的一部分。
4.3。三元分析主题
在本节中,我们将解释背后的基本原理的选择研究主题,主题的分析频率,强度,和一致性,其次是结果与讨论,识别特定的主题(解释)也包括在内。
(我)图案的选择:主题通常代表子图的三到五节点不同的模式没有和现在的关系。许多介观结构的分析包括或关注三合会,三个节点的所有可能的配置。这是一个明智的选择,因为三合会是最小的,最基本的网络单元,它定义了集群的网络(传递性),可以描述为“简单的非平凡的主题”[53,第19]。对无向、未加权的和无符号网络,三合会存在的四种类型:(1)/边缘(三合会没有关系空的三合会);(2)三合会与一个领带,和两个没有关系(一个边缘三合会);(3)三合会缺席,一边和两条边,将文献中称为双通道,中等的,或开放的三合会(或禁止三合会在加权网络目前的边缘强);和(4)与所有边缘三合会(三角形,封闭的三合会)(三合会不应混淆三胞胎。三胞胎是三合会,但他们只有定义边缘的存在,不缺席的边缘。例如,三角形的两条边和开放三合会是三胞胎。)。通常,第一个两种类型的三合会不考虑分析,和一些研究者三合会更严格地定义为系统的三个节点至少有两个之间的关系(例如,54])。可能的三合会的数量增加的迹象和权重边缘被认为是(例如,55]),将在我们的分析。根据研究问题,一些主题配置可能的特殊利益,应该调查,而其他人可以排除在分析之外。
(2)分析主题发生,强度,和一致性(包括识别特定的图案):感兴趣的主题的定义后,下一步是确定经验网络中的每个主题的频率(每一个独一无二的结合三个节点计算一次)。这产生了一个第一洞察mesolevel网络模式。最常见的主题描述最主导的模式连接在给定网络研究的主题之一。然而,频率仅产量有限的信息,因为某些主题可能发生的更频繁,因为网络结构(上下文中的描述参考(null)模型,条款:网络结构、拓扑结构、程度和序列,本文交替使用)和重量分布。例如,想象一个假想的十二个网络节点(变量),我们观察主要是积极的边缘,代表部分对变量之间的相关性,除了三个负面的边缘(图中描述9)。
如果我们找到一个消极的三位一体的网络中,基于频率,我们可以治疗,发现有点有趣,但不是特别相关的丰富信息,网络作为一个整体。然而,当我们考虑的机会观察三个节点与三个负面边缘系统,发现更重要的是理解整个网络系统。图9描述极端心理网络(不太可能)的例子用来说明为什么它是有用的,另外看看系统中某些主题发生的机会。A和B的重量分布网络图9C是相同的,而网络具有不同的结构相比,B和D,因为只是一个封闭的三合会(三角形)。由于结构不同,C的重量分布也是不同的。某某的机会发生在相同的网络结构和重量分布在C语言中最小的,其次是a和B,是相等的。最高的机会观察这样的三和弦是D,因为它有更多的负面边缘和三合会比其他三个网络。如果网络是代表症状(行为、情感、认知、或物理)的障碍,三个负相关的症状,B,特别是在C语言中更重要的特征系统相比,网络d .偶然他们不太可能发生在这三个网络,因此更有可能来描述这一过程对理解网络很重要。例如,三合会的NNN在可以被解释为一个负面反馈的过程为网络中心(“驱动器”网络)。B NNN是同等重要的,但它描述了发生消极的“循环”的外围网络的一部分,在症状较少的中央。在C语言中,NNN是更重要的对理解网络比,因为这可能被描述为网络的唯一动力,每一个消极的三合一连接节点与一组不同的节点。注意,主题分析本身并不区分A和B的中心配置不占。最后,NNN D是一个中央配置中显示了一个有趣的模式之间的联系三个症状,在解释网络价值的关注。然而,它不是作为描述过程的重要网络节点之间形成自其他负面联想和内三合会。同样的推理应用如果节点代表其他非病理性的倾向,喜欢个性,价值观,等。在这些网络的平均重量差异将在边缘,这可能是小于的网络精神病态的症状或其他相关变量。
因此,对于每一个主题,我们确定它发生的几率比预计将或多或少的零模型。在加权网络,适当的零模型是一个随机网络(准确地说,这不是一个随机图模型,但配置模型(更多细节见(56]))和固定拓扑(序列)和随机权重相同的权重分布的观测经验网络(一般零模型的更多细节,请参见[57])。发生的量化网络中一个特定的配置通常是通过比较它与发生相同的主题在参考模型(介绍[18])。主题的分布频率通过生成一个随机网络的样本。主题比较反对的经验频率分布,如果看起来明显(这意义不应被混淆与意义的关系主题)多(少)通常由参考模型要比预期它说明了主题确实是“一个主题。”(有时“主题”一词仅用于这些配置的这一步的分析表明,他们明显高估或弱势。在这篇文章中,我们不做出这样的区别,我们指的是每一个配置作为一个主题,调查和分析完成后,我们描述它作为重要。)Itdescribes调查网络的一个重要特征。主题发生更频繁地描述常见的配置的节点,因此提供关于网络连接的信息。此外,这些图案可能系统中一些重要的功能作用。例如,关闭三合会通常过多在社交网络,因为他们代表一个社会的过程(三元)关闭,而在网络的情报措施他们可能表明共生的过程(1]。
然而,在加权网络的分析主题频率省略了关于权重的信息(除非是在某些方面包含在主题的定义)。例如,如果两个图案有相同的网络中发生(让我们假设为了论点都有相等的频率分配基于适当的随机模型),但是首先是(平均)比第二个更强的关系,我们不能平等对待他们是描述网络的局部结构,也就是说,同样可能会描述一些重要的过程在网络。虽然他们也同样出现在网络中,第一个是表达更强烈,因此更容易描述一些重要的过程。
为了解决这个问题,Onnela et al。53]介绍了强度测量的几何平均权重(主题没有关系的,这些被视为零权重)在一个主题(5),代表的关系主题)),在图案看起来不像离散对象要么是现在或不是网络(表达或不表达),而是在现有对象一个连续体,零或低强度值暗示主题存在于低学位。因此,强度我可以用来识别高和低强度图案系统: 除了强度(我)、相干性( )比率可以计算,量化内部连贯的主题的权重是如何通过计算几何和算术平均值之间的比率。范围从0到1,得分越高表明少区别权重(绝对值)。的分析主题的发生,强度和相干估计的重要性相比,它们的值的分布在参考模型对于一个给定的主题。
网络中未被充分代表的一个主题,事件或强度,描述了一个模式的关系,出于某种原因,不太可能发生在一个网络。换句话说,当我们排除假设一个给定的发生或一定强度配置并非来自一个参考系统,它指出,可能有一个额外的起源的效果,可能是系统的功能(18]。心理的网络,一个主题的发生和意义不容易解释也可能发生作为一个人工制品(例如,由于样品网络估计,网络估计过程中存在的问题,或测量误差)。出于这个原因,一个主题分析可以在心理网络的分析是有用的,因为它可以帮助量化和识别网络中存在意想不到的配置。
在下一节中,主题分析说明数据详细描述和结果提出和讨论。
4.3.1。图案的选择和分析的主题
当优势的迹象是,7配置的三合会是可能的(无视空三合会,三合会只有一个边,见图9)。四个属于“封闭”三合会或三角形:三合会用只有积极的(积极的三和弦,PPP)或负权值(-三和弦,NNN)和三合会组成的两个正面和一个负重量(PPN)或两个消极的和一个积极的重量(NNP)。NNN和PPN也称为不平衡三合会(NNN有时也视为不平衡三合会在社交网络上,但是存在一些争论是否它真的是不平衡。不要混淆太多类似的命名三合会,我们将在本文中使用术语“不平衡”只有当指三合会与一个积极的和两个消极的关系和三合会不满足三角不等式原理(后者是解释在以下文本)),在社会平衡理论(58,59),因为他们意味着配置之间的情感关系的人是不可能出现在社交网络(或者如果看来是不可能持续;也就是说,它可能会改变)。其余三个三合会开放三合会(2路)组成的两个关系:只有积极的权重(2路pos。P0P,“0”代表缺席的重量),只有负权值(2路底片。N0N),或与一个正,一个负重量(2路混合,P0N或N0P)。
网络,特别是社交网络,往往显示传递性;如果A与B(朋友),与(朋友)人是谁C, A和C可能是连接(朋友)。尽管如此,近年来,我们见证了心理的研究网络,我们仍然不了解他们的一般性质。相关性,尤其是部分相关性,不需要传递,但通常情况下,如果一个特点积极与特征B, C也将积极与特质,那么我们希望特质和C积极相关。如果是这样的话,P0P图案应该出现比预期少的参考模型。同样,根据社会平衡理论,封闭的三合会与一个或三个负边(即。PPN NNN)不太可能发生在社交网络(58- - - - - -60]。我们假设,在某某心理网络,和PPN三合会代表配置不会经常发生,因为两个原因。首先,它是具有挑战性的解释三个心理负偏相关性属性特征。一种可能是一个负面反馈属性之间存在的过程。第二个可能性是,三个节点共同作出积极贡献,效果,一直隐式或显式地条件。第三种可能性是,变量测量错误,和偏相关之间拿起负相关性方面的错误。
另一方面,积极联系A和B, B和C,渲染- A和C之间的联系可能难以解释(PPN三和弦)。检测这种心理网络配置的重要性在于,他们要么描述不同寻常的发现(s)或可能存在的方法论的文物。在这两种情况下,我们受益于了解这种配置的存在。值得注意的是,虽然它更容易预测,这样的配置可以少关联网络,在偏相关网络的情况下他们可以更有可能发生。最好的我们的知识没有进行分析,这种网络代表(部分)的相关性。假设的总结如表所示4节中,5。
图案(图之一10,第三行),唯一重要的主题是消极的三合会(百分99.7)。换句话说,消极的三合会出现比预期更频繁,给定相同的程度和重量分布序列。Path2有积极的联系(P0P),表明高的节点是桥梁,是过多的,和不平衡的三合会(PPN)是弱势,但没有达到水平的意义。
确定只有最强的图案,我们看着与额外的阈值(参见图签署了主题11)。最终为每个主题用同样数量的例子,我们选择一个阈值为0.15(约75百分位的边的权值,见下表1)为三合会关闭,阈值为0.20 2路径图案。图案中达到这个阈值,一个特定的主题可能是心理的相关性网络。这是最后一个主题图11第二,我们称之为不平衡三胞胎T。基于Toivonen等的工作。61年](的名字,因此t定义见图11)。Toivonen和他的同事们调查了相关的情感概念和网络认为,本主题描述模式,不能任意维空间中描述而不被扭曲。这种“不平衡三联体”描述了一个模式contraintuitive,尽管没有必要不真实,相似的逻辑来NNP三和弦。如果A, B, C代表三个心理维度(如情绪和特征),和积极的A和B之间的相关性,和B和C存在,依靠的力量和 ,A和C应该至少一半的相关联的两个(或 )这是较弱的相关性。否则ABC三合会不满足三角不等式原理;也就是说,它不能被维技术(在欧几里得空间),同时可用于检测网络表示他们的存在。
NNN如前所述,PPN图案,我们也可以看到发生不平衡三胞胎II t相关网络,在偏相关网络这是完全不同的。三合会在偏相关网络不均衡意味着a和B之间的偏相关小C,这意味着a和B方法条件独立给C。这反过来符合连锁(a - B - > C >或< < - C - B)或叉(< - B - > C)。这两个可能产生间接,但三中的因果结构提供重要的线索。这些三合会是适合使用的集中分析方法允许因果推论(例如,中介或路径分析)。因此,无论频率、不平衡三胞胎II t代表一个配置描述可能有趣的现象将被忽视与维方法(61年]。
结果表明,即使在我们“焦点”只是相对强劲的图案(图的关系11(第三行),他们确认表3)再次只有NNN三合会发生显著,超过预期的机会。基数(一个词用于网络分析地址一个主题的意义)的主题在这个网络因此不依赖强度的权重。然而,强烈的不平衡三合会,2路径与积极的重量,和不平衡的三胞胎II t .倾向于弱势。这种模式预计将在社交网络,三合会不平衡,“禁止三合会”(2路)通常不表达,和这个网络显示类似的倾向。
强大的购买力平价三合会可能表明存在一个共同的原因,例如,因为三个变量测量相同的潜在心理构造,然后作为一个潜变量。毫不奇怪,这三个之间的关系构造的身体意识问卷代表一个这样的例子。另一个这样的主题是责任心和两个完整的措施,公正体现和自我表露,他指出,他们很可能捕获类似心理维度。第二种可能性,衬底之间的购买力平价三合会是一个积极的反馈变量,作为情报共生模型中发现。
所有六个NNN三合会涉及施瓦茨的价值观,与传统五的存在。这个配置不能摆脱一个常见原因,可能显示的属性之间的负反馈循环。不过,这样的解释上形成结论个体内的差异是基于个人间的数据,这可能不一定。第二个可能原因观察NNN三合会是一直在条件共同影响的变量,他们每个人积极的贡献。这里的逻辑是这样的。假设三个变量A, B和C D .如果我们条件共同影响的概率增加D,我们只考虑的值,B和C的给定值D .假设我们观察到效果存在(或D高价值),但不存在(或者有一个较低的值)。那信息让更有可能B或C存在(或有高价值)。因此,空调,D,我们预计A, B, C是某某负相关,使他们形成一个三角形的偏相关网络。
一个NNP三合会由负关联低军国主义价值观和利益有益健康的活动,而这两个变量与普遍主义呈正相关。三合会确定一个令人费解的关系可能表明多重空间的普遍性价值。+ 2路径表明,同理心,情绪稳定,精神利益也许扮演调解人的角色。-和混合2路径同样显示变量在中心位置(位置”J”在表3),剩余的两个属性子图之间的桥梁。最后,八个配置目前最强的不平衡三胞胎II t网络,是不可能在度量空间描述。他们三个也属于2路径,由于重叠的主题定义。变量的位置”J”(见表3第一行)在这个主题可能是一个与多个含义宽泛的概念。
4.3.2。分析主题的强度
在先前的研究中,强度测量已申请三元正权重组成的图案。因此,我们修改了方法描述Onnela et al。53)通过计算我和问分别为三合会积极的和消极的关系有不同的配置允许比较强度在不同的图案。所有调查的平均强度和相干主题图所示12。
目视检查图12显示图案之间的强度和相干性的差异非常小(y轴显示范围的0.05我0.025,问)。当看有关结构图案只有存在和没有关系,而不是他们的重量,所有三合会有更高的强度比2路径,但是差异非常小。在心理网络,可以预见,三角形有一个强度高于2路径,三角形代表所有三个节点相互连接,从而更容易的节点会相辅相成的。由于这种加固,可以预见,权重的绝对值高于2路径,其中一个边缘丢失,使这样的效果不太合理。
最密集的主题,主题的几何平均值最高的权重,三合会由三个NNN负面关系,其次是积极的三合会(PPP)和2路径有两个-关系(N0N)。NNN主题的发现是网络最密集的有点奇怪,但是,在试图解释之前,我们会先进行一致性分析,其次是意义的测试。
内部一致性的路径(三合会开放)有点高于封闭的三合会(图12,右面板),这是可以预料到的2路径包含一个重量小于三合会。PPN似乎相对较高,而购买力平价相对较低问。
高(低)的平均强度的主题并不意味着表达的主题是高度(低)网络。因此,下一步是检查强度是多么重要。适用于相同问,高问的主题并不意味着更连贯。要回答这些问题,每个主题的强度和相干的均值进行比较我和问每个主题的1000年一个随机网络。分析结果如图所示13。
唯一的主题,其强度(百分位值> 97.5)是相当高的三合会有三个负面(某某)的关系,这是符合频率和描述性分析结果呈现在图12。虽然绝对的平均强度不高(略高于0.14),频率和强度的分析都表明,某某主题是网络的一个重要特征。在表3,我们看到所有nnn只涉及施瓦茨的值。NNN图案显示出倾向“嵌套”几个节点;只有代表施瓦茨的节点的值是“负责任”的高频(强度)的主题在网络层面。此外,从图1(和中心分析),我们观察到,并不是所有的施瓦兹的价值观是至关重要的。通过,我们可以生成一个假设的最突出特点的心理系统26所描述的属性值之间的负反馈,虽然这种模式不是中央的集群系统。第二种可能性是一些值参与共同作用对其中一个,例如可能出现的时候,说,传统是由所有其他变量。由于常见的调节效应,NNN模式可能出现的因果变量偏相关网络。最后一个可能性是,高某某发生可能的结果估计网络是选择的样品(即。隐式变量条件),是一种常见的施瓦兹的价值观的影响。
两个图案明显小强度(百分位值< 2.5)都是2路径图案(结构、无视关系的迹象),和2路径与消极和积极的领带(混合关系,P0N)。后来发现是一个例子的重要性比较的参考系统。只有平均强度分析时,我们发现2路径比其他图案有更高的强度。比较这个,可能会考虑到网络结构和重量分布,我们可以看到,事实上,2路径,强度虽然有点绝对价值高于其他图案,强度明显要比预计的小零模型。的“直观”期望小强度2路径由于缺少支持第三个链接。
封闭的三合会(三角形)显示相当高的内部一致性。从领带的角度来看,这可能表明,类似的权重优势显示趋势形成三合会,或者,从节点的角度来看,心理属性,形成三位一体的往往是与关系相似的优势(绝对值)。不平衡的三合会(PPN,称为“1底片。“在图13)也更连贯,这意味着这个三角形内的权重往往是均匀分布的(他们不显示大变化)。有趣的是,所谓的不平衡三合会在这个网络包括边“平衡”。结果表明,一个重要的总体模式我并不意味着意义问,突显出,他们衡量这个系统的两个不同方面。
5。一般讨论和结论
本文演示了如何使用三个指标从网络科学可以丰富我们的了解心理网络。鉴于努力投资估算网络结构,错过了一次机会,但不使用它需要的信息更充分地估计网络来获得更深的理解。这部分“遗漏”可能是理解和解释为该领域的研究人员主要是关注网络评估方法(11,47,62年)和复现性问题(49,63年,64年],源于这一事实之间的网络结构变量更难以确定,相对于,例如,互联网链接或电网;毕竟,条件变量之间的联系是不明显的,但必须是估计的数据。妥善处理抽样误差估计的网络结构,以及评估他们的鲁棒性,因此在心理网络分析优先级。
三种方法的简明概述假说和研究问题和程序表4。
我们演示了在演示数据集每个方法提出了如何添加新网络结构的信息。首先,可以帮助我们在阐明MST心理属性在网络的拓扑结构。具体地说,在当前的例子中,MST表明移情是最类似于其他特征和扮演的角色”网络连接器;“这是最中心特质当中心基于网络过滤下来最重要的关系。网络中包括五大特征,有些吃惊,移情有如此重要的地位。这可能是由于问卷用于这种特质(同理心商),抓住了情感和认知方面(见表1)。作者(39)的问卷状态移情是密切相关的认知成分与一个人的“心理理论”,一个认知的过程,允许人们理解别人和自己。可能,因此,合理的认知过程与心理理论作为系统中的一个中心。此外,人们很容易看到的特征的类比和国家一起被一些人持有社会也可能持有这个网络不同的心理属性。这一发现是值得进一步关注由于隐式和五大特征的观念误导,从而是最好的代表个体之间的心理差异。如果这是真的,在网络方面,暗示他们预计将在五大最中央节点,这种情况只是其中的一些。事实上,开放是外围节点之一。尽管如此,这还需要进一步的理论思考和研究。MST提供额外的洞察力可能的属性和表明,集群的集群,也就是说,不同的树枝上,大部分不结合不同类型的心理变量。例如,五大特征和施瓦茨的值放在不同的分支,表明变量的分组是根据特定的内容而不是“自然”的心理变量(例如,无论是特征,价值,或利息)。此外,我们使用这一事实MST保留边缘信息的信号采用了网络估计的鲁棒性测试。
第二,包括根据预定义的社区参与系数的信息,包括社区之一,“我们强调某些节点基于他们的特定的角色同等重要的不同部分的结构网络。我们发现,智力,虽然弱连接到其他特征,所有中心措施很边缘,似乎有一个有趣的属性是相对同样与网络中所有不同类型的节点。基于这一发现我们可以假设认知能力与个性:没有实质性影响的大小而是因为它涉及在一个恒定的力量最“部件”的心理系统。换句话说,问题的认知能力之间的关系和心理上的个体差异可以更好的回答如果看待“大小”的影响与一些统计测量(实施),研究人员重新将注意力集中在“宽宏大量”的影响。这个同意的建议萨洛维和梅尔25),而不是看着两两相关性,一个更复杂的分析,看着许多连接应该优先。同样,网络关系的情报似乎意味着不同的关系五大模式比报道在最近的评论(65年]。当24其他有关个体差异(26 - 2变量的连接是在考虑)控制,最牢固的纽带不是开放,但随和性和外向性(- 0.10)及周边。
我们使用电脑一起参与比到达更明智的中心措施,表明不同中心指数收敛于外向性、情绪稳定性和移情这个网络中的三个最中央节点。中心的外向性和情绪稳定性将会因为他们的特质之一被认为是重要的心理维度和系统地研究了从早期在《心理科学》上。移情的“第三场所”有点奇怪,但是,正如之前所讨论的,可能是与此相关的特征获取认知过程是必不可少的,基本在许多社交互动(66年]。
最后,我们使用主题分析来研究可能有趣的3个节点的配置和调查这个心理网络是否“行为”作为社交网络对其资产在三合会消极的和积极的关系,结果表明情况并非如此。我们了解到,一些具有挑战性的解释中存在的配置网络频率高于预计将在参考系统;最值得注意的是,这是NNN三合会。识别这些三合会产生强烈的图案显示主要来自一组节点,施瓦茨的价值观,可能揭示消极反馈或(隐性)调节的部分或全部变量的共同影响。NNN三合会也明显强于预期,但否则强度和相干似乎并没有与频率有关的主题。
方法论考虑反向编码的相关变量。一个重要的问题与网络建模的连续变量之间的关系可能到目前为止没有收到足够的重视是反向编码的变量对结果的影响网络方法(我们是感谢评论者指出这个问题)。变成一个更加紧迫的问题当节点聚合更复杂的概念,不容易描述为积极或消极的(例如,某些值),或当变量维度是可翻译的两端(例如,情感stability-neuroticism extraversion-introversion),并且经常编码任意的。这是许多连续变量的情况在心理学中,和所有变量的可能在某种程度上在我们的数据集。例如,情绪稳定性(ES)往往是编码的负面神经质(N),乞讨问题分析的结果将会发生什么如果我们使用N而不是ES ?找出我们重复报告的分析本文的网络N ES,而是和其他几个网络记录的一些变量。这项研究的结果发表在细节在SM(部分12),而在这里,我们将突出最重要的结论。估计网络将具有相同的结构和权重的绝对值,但所有逆转的边缘节点将改变他们的迹象。重量分布的网络影响,由于权重的改变的迹象。受影响最严重的MST的结果,但只有使用首选的距离测量。否则,测量方差共享成反比,MST结果不受影响。这种情况带来了使用哪个距离度量的困境:更严格的一个影响变量编码,或者是一个可能导致重大损失的信息但免疫改变编码吗?我们不提供答案,因为,像往常一样,这取决于特定的网络,包括变量,和研究的问题。然而,研究人员需要意识到这个问题。与MST相比,电脑,只需要重量不受扭转影响的绝对值编码。主题分析将产生不同的主题频率,强度,和相干值,但意义测试的结果不会影响更大程度上,会收敛为同一网络不同编码的一些变量。
下面一节从一个合乎逻辑的结论是本文中讨论的三种方法需要以适用于心理网络,等一些额外的决策需要达到他们按照研究问题/目标(也部分解释4所示。1,4所示。2,4所示。3)。每一个决定都有其影响。在MST的情况下,需要考虑一个消极的关系的存在是通过什么决定看看两个负相关节点是不同的比不连接的两个节点。电脑,网络中节点的性质包括需要仔细看着,虽然主题分析一些概念哪些特定的配置可能揭示网络应该形成有趣的模式。所有三种方法的共同点是,他们看直接、地方关系,但与学位中心提供更细粒度的信息。这提供了一个潜在的任何网络的深入了解,但也是一个非常方便的功能网络,没有明确的界限。通过边界,我们指的是两个问题。第一个问题是,一些节点(s)是系统的一部分,并不包括在网络分析中。这是一个问题对于我们的网络选择的变量是与理论无关的,因为一个“全球”理论来描述所有的心理属性并不存在。选择进一步限制了数据的可用性。 For example, we can think of some potentially important attributes that are not in the network, for example, self-efficacy, need for cognition, and narcissism. While acknowledging this, the limitation had its advantage in indirectly preselecting some of the currently most studied/used (and therefore, it could be argued, important) concepts. The second issue is related to the first one and refers to the nature of the investigated network. Some networks are more easily influenced by “externalities;” for example, for a psychological network this may include some important life events that can bring about the change in the network by directly or indirectly influencing one or more nodes. Hence, global properties of such network, and measures relying on all ties in it, may be less useful. The fact that whole system is not represented and that it is an “open” system, as is the case in probably many psychological networks studied so far, was the motivation for introducing these three network methods that rely more heavily on local than global network structure.
最后,附加值更多的信息所提供的更复杂的网络工具之际,更少的简单程序,的价格和更多的决策(希望通过理论和先前的研究)。然而,我们相信,这些元素更突出的使用这三种方法时,比使用典型的中心分析基于不同中心指标,许多假设隐含的(例如,所有节点都同样可能连接到任何其他节点)。因此,我们看这个要求更高的一般考虑作为一个良好的实践应用任何心理的网络分析数据时,它挑战研究者认为更多关于自然的节点,网络中关系,和较小的网络配置。然而,这并不是一件容易的事。理解这些“新”方法可能起初不太简单和困难的人员不参与网络分析。特别是主题分析,它是迄今为止最复杂的三个。鉴于网络的方法是相对较新的心理学,它将需要一些时间网络思想和方法”。“不幸的是,它还缺乏强有力的理论。尽管如此,更好的理解其分析工具和探索(这有时意味着undertheorized)可能会大大促进理论的发展。威廉·詹姆斯的观点,“一定程度的模糊性可以有利于科学当尝试新的研究方向”(67年, )我们很好地抓住了重点。这对于网络理论不仅适用,而且对任何一种理论旨在整合许多小(“本地”)的心理学理论。
提出的方法为应用到其他领域提供了有趣的可能性。例如,它将信息如何均匀分布的关系在不同组的抑郁症状的症状(例如,思想,身体症状,行为,和感受),和哪些症状最中央时,信息是考虑。我们不建议应该使用所有方法在每一个分析。最合适的方法及其具体过程应该建立基于数据的仔细考虑,研究问题和理论,现有的网络科学和知识的工具。我们的目标是扩大后者。
网络方法常被比作其他多元方法更常用的在心理学领域,例如,结构方程建模(SEM),验证性因子分析(CFA),中介分析(MA),层次聚类(HC)和多维标度(MDS)。虽然详细比较了本文的范围,我们将进行一个概述和突出三个最著名的网络方法之间的差异和多元的方法用于心理学更密切相关的三个我们介绍了具体方法。首先,网络的方法是更少的直接指导下研究人员的假设有关变量之间的联系比其他方法(例如,CFA),也就是说,除了决定的变量将包含在网络。在现实中,决定哪些变量将被包含在网络与数据可用性限制。在这方面,使用电脑可以帮助间接控制了某些方面的约束,作为补救措施可能倾向选择的节点包含在网络。
其次,与扫描电镜相比,和妈,网络分析通常涉及更多的变量,这意味着SEM和马可能更适合较小的一组变量,特别是明确理论预期存在构造之间的关系。
最后,其他方法不是要看研究变量的集合作为一个系统,显示系统的属性;他们很少超越微级检查特定的连接。在这个意义上,MST和主题分析是有价值的工具在网络的方法。MST可以使用等原因(本文中提到),过滤系统中最重要的连接,并提供答案最核心变量/节点在一个更一般的水平比特定的中心措施。主题分析的输出的一个部分,图案的识别,可以被视为一个与马(或扫描电镜如果配置测试与主题分析包括以上三个变量/节点)之间的网络方法。然而,其他输出主题分析、意义的主题频率、强度和相干分析,及其相应的测试意义瞄准的洞见,使用聚合微级信息通知系统作为一个整体的性质。
总而言之,在这个领域的,而早期的应用心理学、网络分析是一个探索性的方法,但这可能会改变的引入更复杂的方法可能会提供额外的洞察力。反过来,这将提高特定的网络理论的发展,可以显式地测试,导致独特的贡献我们知识的心理现象。
如果我们认为网络方法是一种不同的思考方式的心理结构,探索网络更“深入”可能导致我们原本会被忽略的有趣和重要的发现。这些发现可能导致新的问题,产生新的特定的假设,帮助形成真正进步的网络理论的心理现象。
本研究的局限性。我们的目标是证明三种方法通过应用他们的直观数据集。然而,数据集需要注意的一些限制。尽管我们有一种非典型的大样本(心理学研究),出现大量的缺失的数据,如何处理这个问题在网络建模仍然是一个悬而未决的问题68年]。另一个开放问题在心理网络测量误差,这不是占。在解释上,因为节点在网络实体,目前还不清楚他们的协会可以解释为概念重叠。的开放式问题,超出了本文的范围,我们可以添加共同方法变异,这可能是负责观察的一些边缘。然而,鉴于我们使用局部相关性网络建设,我们认为最常见方法的方差(除了那些独特的一对变量)是在排除在外。此外,常见的方法差异的来源之一,社会赞许性,是显式地包含在我们的网络因为自我表露是作为指标的倾向给社会理想的答案(特质越高,倾向越小)。最后,尽管我们有一个较大的样本(成对),我们不知道如何选择偏见可能会影响结果。“大数据”的交易一般是,一方面,它提供了更为多样化和更大的样本,但是,另一方面,自己挑选的偏见会影响结果在许多不同的和意想不到的方式。这可以在多个水平。例如,FB用户可能有关的一些代表性特征或由于人口69年),或facebook的用户使用myPersonality平均应用程序可能是心理上的不同。例如,它可能会认为样本中包含的人更感兴趣的是心理方面的现实和理解自己和他人相比。符合这种可能性,一般自己挑选可能影响我们的发现网络中移情作用的重要作用。最后,个人选择自由履行某些问卷(s)。由于选择并不是随机的,总有一种可能性,个人心理属性的影响,选择(例如,更加抑郁个体可以少填写一个智力测试)。
在这些限制的背景下,研究结果我们到达而展示三种方法提出了试探性的和他们的价值是在产生新的和有趣的假说。此外,在我们初步解释,由于我们的网络研究和多样化的心理属性和由于本文的范围,我们只触及表面的许多更有趣的“小”的结果(例如,每个确定三元组表3是一个很好的起点)生成进一步的讨论和假设。那就是说,收获一个已经存在的数据集,其中包含很多信息的心理属性大的人数,再利用它来展示“新”方法,而这样做,解决一些新的和一些老问题(网络的心理属性和cognition-personality关系)可能有用的探索性研究。
未来的研究。关于特定问题相关的数据集,未来的研究将受益更多理论上引导网络中包含的心理属性,包括不同类型的情报措施捕获超过g因子。更客观的(行为)的度量属性将增强结果的有效性。纵向数据(受试网络)和数据对特定人群(例如,关于心理健康、年龄、性别、和文化)将除了让回答问题网络动力学和网络结构。未来的研究可以使用模拟研究来决定每一个方法如何影响网络密度的差异,大小,数量的组结构,重量分布,等等。这将是特别有趣的MST,当我们明确提到,它可以被用来检查网络的鲁棒性估计。我们使用电脑在我们称之为“预定义的社区”,但当没有电脑心理差异的本质属性可能用于典型的方式,从经验决定社区(这样的例子在SM,部分13)。同样,电脑测量可以扩展以这样一种方式,可以分别计算它积极的和消极的链接。在主题分析,我们只研究三合会;未来的工作可以包括高阶配置,主题涉及超过三个节点(例如,领结)。
最后,我们选择了三个网络指标对于本文,但还有其他的措施和技术,可以被充分使用心理分析的网络(如intramodule活动系数,失踪链接预测)。信息网络科学方法论发展迅速,使用网络分析和心理学家应该好好拥抱这些方法提供的可能性,分析和指出新的研究问题,假设,甚至理论。
数据可用性
数据用于支持本研究的发现是由大卫·史迪威将军和米甲库辛斯基在许可证,所以不能免费提供。请求访问这些数据应该大卫•史迪威将军(电子邮件保护)。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
作者的贡献
Srebrenka Letina构思的想法的研究中,要求数据访问、数据处理,分析和可视化,写了论文。泰f . Blanken丹尼Borsboom,玛丽k Deserno编辑文本,其结构和提供反馈的手稿。
确认
感谢大卫·史迪威将军和米甲库辛斯基允许访问myPersonality数据库(myPersonality.org)。本文工作部分由中欧大学基金会,布达佩斯(CEUBPF)。表示作者的论文所解释的想法但不一定反映CEUBPF的意见。我们承认COSTNET(成本行动CA15109)在资金短期科学任务导致这项工作。这个项目已经收到资金从欧洲研究委员会(ERC)在欧盟的地平线2020研究和创新计划(批准的协议。648693)。丹尼Borsboom支持ERC集运商批准号647209年。我们感谢唐纳德·威廉姆斯帮助nonregularized估计的偏相关网络和驯兽师Khraisha咨询关于编码和可视化。
补充材料
更多细节的过程和结果分析组织的13个部分补充材料:数据处理、样品描述,对缺失数据的描述,描述性统计的26个心理属性,评估方法的选择,鲁棒性分析,网络26心理属性,网络关系,分析中心分析,四中心措施全面网络之间的相关性在MST, MST与不同距离的措施,扭转的影响编码的分析,基于经验和参与系数(数据驱动的)的社区。(补充材料)