Vol.1
前言
最近，网络分析方法学大佬Sacha Epskamp团队在PsyArXiv Preprints上传了一篇新文章《Network Temperature as a Metric of Stability in Depression Symptoms Across Adolescence》的预印本。
(PS：只要做网络分析的研究者，应该就没有没看过他文章或用过他统计工具的，代表作有《qgraph: Network Visualizations of Relationships in Psychometric Data》、《Estimating Psychological Networks and their Accuracy: a Tutorial Paper》等)
该文章提出一种新的心理网络稳定性衡量标准——网络温度(network temperature)，现在我根据自己的理解分享给大家。想看原文的同学可以在(https://osf.io/preprints/psyarxiv/9zmge )查看。
Vol.2
理论背景
在目前的在横断网络和纵向网络研究中，节点的中心性是最常用的评估指标。中心性包括强度(trength)、预期影响(EI)、亲密性(closeness)、中介性(betweenness)等等类型，但都被用来衡量网络中节点的相对重要性。然而，这些中心性估计最初是为社会网络分析而开发的，由于节点不一致（症状拓扑重叠）和缺乏对症状严重程度的考虑等问题，在心理网络中缺乏可解释性。因此，节点的中心性可能没有我们想象的那么重要。
在目前的网络分析研究中，通常都会在讨论部分将高中心性的症状作为讨论重点，暗示干预该症状是治疗障碍的有效方法。然而在现实情况中，针对特定症状的干预治疗可能没有预期的效果。一方面，如果高中心性症状实际上是其他症状的共同结果，那么对它进行干预可能不会影响整个网络，因为它不影响其他节点(PS:这也是为什么横断网络的结果通常具有局限性)。另一方面，随着病情的发展症状网络发生改变，高中心性症状可能会随着时间而变化，这使得干预不再那么有效果。综上所述，我们或许应该忽略中心性估计，并重新关注将网络视为复杂系统的全局指标，例如网络结构比较和网络整体连通性。
Vol.3
网络温度
根据我多年阅读心理障碍的网络理论相关文献（PS：其实也就四年），我一直以来认为对于一个症状网络来说，症状之间的连接越密集(边越多、边系数越高)表示该群体的心理健康状况越差。因为，这意味着症状之间是很容易相互激活的，症状网络可能会影响症状间的反馈循环而长期存在。然而这篇文章提出了一个新的观点，增加的网络连接不一定是“坏的”或病态的，而是告诉我们整个系统是动态的，如稳定性和可变性。例如无论是药物干预还是治疗干预，被治疗的抑郁患者在治疗后的网络连通性都比无治疗抑郁患者有更大的增加。因此，正如不良症状可以传播并消极地强化紧密相连的网络一样，“良好”的弹性也可以在促进积极强化在网络中传播，即一个症状的减少会使高度相关的症状也减少。
因此，作者参考物理学中的温度概念，提出了网络温度指标，可以使用Ising模型进行建模。在Ising模型中，温度是指节点可以采取的可能状态（例如开或关，1或-1，存在或不存在）的随机性水平。在症状网络中，这种随机性可以解释为症状波动。熵衡量系统中的紊乱或不确定性：抑郁网络中的高熵表明症状的变化范围更广，更不可预测，而低熵表明症状更一致，更可预测。因此，温度影响全局熵，可以提供对网络稳定性的见解。当把网络看作一个相互依赖的能量系统时，温度告诉我们这个能量组织。
如图所示，在较低的网络温度下，节点状态与较少数量的可能结构（人与人之间的可变性）保持一致，从而导致抑郁网络中的低熵和稳定、可预测的症状模式。(PS:换而言之，尽管症状之间具有高度连通性，但症状网络在不同时间、个体下都是相同的。)
相反，较高的网络温度会导致更多的随机激活模式、更高的熵和更不稳定的症状特征。在这种情况下，症状可能随着时间的推移而发生不可预测的变化，这反映了系统易受变化的影响。(PS:换而言之，尽管症状之间连通性低，但就不知道症状会受到什么其他因素的影响。)
因此，温度代表了网络状态的一个全局参数，它既衡量了网络的连通性（表明这些症状对某种心理障碍的一般倾向，即障碍越严重这些症状越多），也衡量了网络的阈值（如果网络内阶段连通性高，那么网络外的其他因素对网络内节点的影响就会很小）。
综上所述，网络温度和熵的概念在更好地描述心理障碍的稳定性和增强对风险和弹性的理解方面可能是有价值的。作为动力系统的精神疾病模型通过描述早期和近期工作中以弹性健康和弹性紊乱状态为特征的两种可选的“吸引力盆地”与该理论相似(Cramer et al., 2016; Scheffer et al., 2024; Schmittmann et al., 2013)。该理论表明，无论是持续抑郁的人还是从未经历过抑郁症状的人，在更固定的状态下，都有较低温度、稳定的网络（图1b中的山谷）。相反，持续波动的抑郁状态或症状的人，其高温网络表现出增加的可变性（图1c中的山峰）。我们假设，随着时间的推移，抑郁轨迹趋于稳定，网络也会随着年龄的增长而稳定，从而导致温度下降。
Vol.4
计算方法
注意事项：1.目前的网络温度估计是基于面板数据的；2.需要将所有变量转换为1和-1的二分计分形式；3.统计原理类似于结构方程模型中的，以时间点为分组变量进行多组比较。
具体来说，在T1时间点的横断网络中，将温度的倒数(1/β) 固定为1，类似于结构方程建模中的潜变量。在其他不同时间点的横断网络模型中添加相等约束，意味着温度从T2开始被识别。因此，温度可以相对于这个起始值增加或减少。基于此，就可以从每个时间点的Ising模型横断网络提取出温度的倒数(1/β) (PS:具体统计公式就不细讲了，大家也不爱看)。
上图所示为作者在三个青少年抑郁症状面板数据的样本中，分别计算的网络温度。
Vol.5
总结
通过这篇文章大家可以对网络温度概念有一个基础的了解。结合网络温度概念和精神疾病的动力系统观点，我的理解是：健康和抑郁是两个相对稳定的状态，即低网络温度，此时网络具有高连通性。（PS：但为什么我们通常在健康的人群中所构建的网络通常是边很少的呢？这是因为我们的测量工具是症状量表，只记录了心理障碍症状的严重程度，而没有测量相对应的心理健康的“健康”程度）而健康与抑郁的之间的短时间的转换点（坍塌点），即高网络温度，此时网络具有低连通性。这里推荐大家阅读一下《A Dynamical Systems View of Psychiatric Disorders—Practical Implications: A Review》一文，能够对网络温度有更深的理解(Scheffer et al., 2024)。如果大家有兴趣的话，我们之后也可以精讲这篇心理障碍的网络理论相关的最新理论综述。
参考文献
Cramer, A. O. J., Van Borkulo, C. D., Giltay, E. J., Van Der Maas, H. L. J., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major Depression as a Complex Dynamic System. PLOS ONE, 11(12), e0167490. https://doi.org/10.1371/journal.pone.0167490
Scheffer, M., Bockting, C. L., Borsboom, D., Cools, R., Delecroix, C., Hartmann, J. A., Kendler, K. S., Van De Leemput, I., Van Der Maas, H. L. J., Van Nes, E., Mattson, M., McGorry, P. D., & Nelson, B. (2024). A Dynamical Systems View of Psychiatric Disorders—Practical Implications: A Review. JAMA Psychiatry. https://doi.org/10.1001/jamapsychiatry.2024.0228
Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 31(1), 43–53. https://doi.org/10.1016/j.newideapsych.2011.02.007
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：说鸽不鸽也是一种鸽
排版：Peruere
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。
