Vol.1
前言
在有调节的网络模型中，ruleReg 参数定义了如何将通过回归得到的多个估计值合并成单个边参数（例如，两个变量之间是否存在交互作用）。ruleReg = "AND" 和 ruleReg = "OR" 是两种不同的合并规则，以下是两种规则的具体含义及举例：
Vol.2
示例
1. ruleReg = "AND"
定义：当多个估计值都非零时，才认为两变量之间存在一条边（或交互作用）。
特点：更加严格，仅当所有回归关系均支持存在交互作用时，才确认交互作用。
举例：
假设我们在分析变量 A 和 B 的交互作用，使用回归得到两个估计值：
从 A 回归B：
从 B回归 A：
在 ruleReg = "AND" 的规则下：
因为由变量B估计变量A时的回归系数为0，即至少有一个估计值为零。
结果：变量A 和B 之间不存在边。
2. ruleReg = "OR"
定义：当至少一个估计值非零时，就认为两变量之间存在一条边（或交互作用）。
特点：更加宽松，只要有一个回归关系支持存在交互作用，就确认交互作用。
举例：
同样的假设：
从 A 回归B：
从B回归 A：
在 ruleReg = "OR" 的规则下：
因为由变量A估计变量B时的回归系数为0.3，即至少有一个估计值非零。
结果：变量A和B 之间存在边。
3. 高阶交互作用（调节效应）中的规则
对于高阶交互作用（如三变量A, B, C），ruleReg 的规则也适用：
ruleReg = "AND"：只有当A, B, C 的所有回归估计值都非零时，才认为高阶交互作用存在。
ruleReg = "OR"：只要有一个相关估计值非零，就认为高阶交互作用存在。
高阶交互作用（调节效应）举例：
假设三变量A, B, C，其交互作用的三个估计值为：
Y=β0+β1X+β2M+β3(X⋅M)+ϵ
根据变量B和C构建的交互项预测A：
根据变量A和C构建的交互项预测B：
根据变量A和B构建的交互项预测C：
ruleReg = "AND"：如果三个模型中有任意一个模型的回归系数为0，则不存在调节效应。
ruleReg = "OR"：只要三个模型中有任意一个模型的回归系数不为0，则存在调节效应。
4. 对比总结
实际应用：
使用 ruleReg = "AND" 时，更关注交互作用的稳健性，因为只有一致性的信号（所有方向都非零）才认为交互作用存在。
使用 ruleReg = "OR" 时，更倾向于探索潜在的交互作用，即使部分方向信号较弱，也可能捕捉到关系。
参考文献：
Haslbeck, J. M. B., Borsboom, D., & Waldorp, L. J. (2019). Moderated Network Models. Multivariate Behavioral Research, 56(2), 256–287.
https://doi.org/10.1080/00273171.2019.1677207
小结
今天的内容就到此为止了，欢迎大家在评论区交流探讨。
PSYCH统计实验室
通知公告
网络分析课程目前开放视频课啦
单次课200元/讲（学生），250元/讲（非学生）
共有四讲内容：
①横断面网络分析简介与基础
②网络分析与因子分析
③交叉滞后网络分析
④时间序列网络分析
购买后开放视频权限14天，可多次申请。
并赠送所有课程相关资料（无PPT）
如果想申请购买，请联系M18812507626
更多资讯
关注我们
文稿 ：Ns
排版：枝枝
责编：Wink
审核：摘星
本文由“Psych统计自习室”课题组原创，欢迎转发至朋友圈。如需转载请联系后台，征得作者同意后方可转载。
