1. 准备工作与环境配置在开始网络分析之前我们需要确保R环境和相关工具包已正确配置。打开RStudio或你喜欢的R编辑器首先安装并加载必要的工具包# 安装必要工具包如果尚未安装 install.packages(c(qgraph, bootnet, networktools, mgm, ggplot2)) # 加载工具包 library(qgraph) library(bootnet) library(networktools) library(mgm) library(ggplot2)数据准备是网络分析的第一步。假设你手头有一份心理学或社会科学调查数据包含多个量表条目。数据通常以CSV格式存储每行代表一个被试每列代表一个量表条目得分。我们首先导入数据并检查数据结构# 导入数据替换为你的实际文件路径 mydata - read.csv(data.csv) # 查看数据结构 str(mydata) summary(mydata)如果数据中存在缺失值需要进行适当处理。心理学数据常见的缺失值处理方法包括删除含缺失值的样本或用均值/中位数填补。这里我们使用列表删除法listwise deletion# 删除含缺失值的行 mydata - na.omit(mydata)提示在实际研究中缺失值处理需要根据研究设计和缺失机制选择合适的方法。列表删除法简单直接但可能损失样本量。2. 数据清洗与变量命名原始数据往往需要经过清洗才能用于分析。一个重要步骤是为变量赋予有意义的名称方便后续解读# 为变量命名根据你的量表条目调整 myname - c(Depression1, Depression2, Anxiety1, Anxiety2, Stress1, Stress2, SocialSupport1, SocialSupport2) # 应用变量名 colnames(mydata) - myname接下来我们需要根据量表的理论结构对变量进行分组。这在网络可视化中尤为重要可以帮助我们直观地观察不同构念之间的关系# 定义变量分组示例前2列为抑郁3-4列为焦虑5-6列为压力7-8列为社会支持 feature_group - list( Depression 1:2, Anxiety 3:4, Stress 5:6, SocialSupport 7:8 )数据标准化是另一个重要步骤。由于不同量表可能使用不同的计分方式我们需要确保所有变量在同一尺度上# 标准化数据均值为0标准差为1 mydata - scale(mydata)3. 网络构建与可视化3.1 构建网络模型我们将使用EBICglasso方法构建网络这是一种常用的网络估计方法能够通过正则化减少虚假连接# 估计网络 mynetwork - estimateNetwork( mydata, default EBICglasso, tuning 0.5, # 调节参数控制网络稀疏性 corMethod cor, corArgs list(method spearman, use pairwise.complete.obs) )注意tuning参数控制网络的稀疏程度。值越大网络越稀疏连接越少。0.5是一个常用起点但需要通过敏感性分析确定最佳值。3.2 网络可视化使用qgraph包进行网络可视化采用Fruchterman-Reingold布局算法这种布局会让连接紧密的节点聚集在网络中心# 基础网络图 plot(mynetwork, layout spring, # 等同于Fruchterman-Reingold算法 nodeNames myname, groups feature_group, legend.cex 0.4, # 图例大小 vsize 6, # 节点大小 edge.width 1.5) # 边宽度为了增强可视化效果我们可以计算节点的可预测性predictability这表示每个节点能被其邻居节点解释的程度# 计算节点可预测性 fit_obj - mgm( data mydata, type rep(g, ncol(mydata)), level rep(1, ncol(mydata)), lambdaSel CV, ruleReg OR, pbar FALSE ) pred_obj - predict(fit_obj, mydata) # 带可预测性的网络图外圈表示可预测性高低 plot(mynetwork, layout spring, nodeNames myname, groups feature_group, pie pred_obj$error[,2], # 显示可预测性 pieColor rep(#377EB8, ncol(mydata)), # 设置颜色 legend.cex 0.4)4. 网络指标计算4.1 节点中心性中心性指标帮助我们识别网络中最重要的节点。常用的指标包括强度中心性strength和预期影响expected influence# 计算中心性指标 centrality - centralityPlot(mynetwork, include c(Strength, ExpectedInfluence), orderBy ExpectedInfluence) # 可视化中心性 centralityPlot(mynetwork, include c(Strength, ExpectedInfluence), labels myname, scale z-scores) # 标准化指标4.2 桥中心性在心理学网络中桥中心性bridge centrality特别重要它能识别连接不同症状群的关键节点# 计算桥中心性 mybridge - bridge(mynetwork, communities feature_group, useCommunities all) # 可视化桥强度Bridge Strength plot(mybridge, include Bridge Strength) # 可视化桥预期影响Bridge Expected Influence plot(mybridge, include Bridge Expected Influence (1-step))5. 网络稳定性检验网络分析结果需要评估其稳定性。我们使用Bootstrap方法检验网络连接的稳定性和中心性指标的稳定性。5.1 边权重稳定性# 边权重Bootstrap检验1000次重复 b1 - bootnet(mynetwork, boots 1000, nCores 4, # 使用4个CPU核心加速计算 statistics c(strength, expectedInfluence, edge)) # 绘制边权重稳定性图 plot(b1, labels FALSE, order sample)5.2 案例下降Bootstrap# 案例下降Bootstrap评估网络对样本量变化的敏感性 b2 - bootnet(mynetwork, boots 1000, nCores 4, type case, statistics c(strength, expectedInfluence)) # 绘制中心性稳定性图 plot(b2, statistics strength)提示Bootstrap分析可能需要较长时间取决于样本量和重复次数。在实际分析中可以先使用较少的重复次数如250次进行初步检查。6. 组间网络比较当研究设计包含不同组别如临床组vs对照组时可以使用网络比较检验Network Comparison Test, NCT评估组间网络差异。# 安装并加载NCT包 install.packages(NetworkComparisonTest) library(NetworkComparisonTest) # 假设我们有两组数据group1和group2 group1 - read.csv(group1_data.csv) group2 - read.csv(group2_data.csv) # 删除缺失值 group1 - na.omit(group1) group2 - na.omit(group2) # 估计各组网络 net1 - estimateNetwork(group1, default EBICglasso) net2 - estimateNetwork(group2, default EBICglasso) # 进行网络比较检验 myNCT - NCT(net1, net2, it 1000, # 置换次数 test.edges TRUE, edges all, test.centrality TRUE, centrality c(strength, expectedInfluence)) # 查看结果 summary(myNCT)7. 结果解释与报告网络分析结果的解释需要结合理论背景和统计指标。以下是一些关键点的解释框架网络结构观察整体网络密度和模块性。紧密连接的网络可能反映症状的高度共现。中心性节点高中心性的节点可能是干预的关键靶点。例如在抑郁症状网络中情绪低落可能是核心症状。桥症状连接不同症状群的桥症状可能是共病机制的关键。例如失眠可能是连接抑郁和焦虑的桥症状。稳定性分析如果Bootstrap结果显示边权重或中心性不稳定需要谨慎解释相关结果。组间差异NCT结果的显著差异可能反映不同人群的心理病理机制差异。在报告中建议包括以下可视化结果网络图标注重要节点和桥连接中心性指标条形图Bootstrap稳定性图组间差异热图如进行NCT8. 常见问题与解决方案在实际分析中经常会遇到以下问题问题1网络过于密集或稀疏调整EBICglasso的tuning参数尝试其他网络估计方法如pcor或IsingFit问题2Bootstrap结果不稳定增加Bootstrap重复次数检查数据质量如异常值或非正态分布问题3可视化过于混乱调整qgraph的minimum参数过滤弱连接使用不同的布局算法如circle或groups问题4计算时间过长减少Bootstrap重复次数进行初步分析使用更强大的计算机或多核并行计算9. 完整代码示例以下是整合所有步骤的完整代码示例# 1. 准备环境 library(qgraph) library(bootnet) library(networktools) library(mgm) # 2. 数据准备 mydata - read.csv(data.csv) mydata - na.omit(mydata) myname - c(Dep1, Dep2, Anx1, Anx2, Str1, Str2, Soc1, Soc2) colnames(mydata) - myname feature_group - list(Depression1:2, Anxiety3:4, Stress5:6, SocialSupport7:8) # 3. 网络估计 mynetwork - estimateNetwork(mydata, defaultEBICglasso, tuning0.5) # 4. 可视化 plot(mynetwork, layoutspring, groupsfeature_group, nodeNamesmyname) # 5. 中心性分析 centralityPlot(mynetwork, includec(Strength,ExpectedInfluence)) # 6. 桥中心性 mybridge - bridge(mynetwork, communitiesfeature_group) plot(mybridge, includeBridge Strength) # 7. 稳定性检验 b1 - bootnet(mynetwork, boots1000, nCores4) plot(b1, labelsFALSE, ordersample) # 8. 组间比较如有分组数据 # library(NetworkComparisonTest) # myNCT - NCT(net1, net2, it1000) # summary(myNCT)10. 进一步学习资源要深入理解网络分析推荐以下资源书籍Network Psychometrics with Rby Epskamp Fried (2021)Handbook of Psychometrics中的网络分析章节在线教程Psychonetrics项目网站https://psychonetrics.org/Sacha Epskamp的博客https://sachaepskamp.com/学术论文The Gaussian Graphical Model in Cross-Sectional and Time-Series Data (Epskamp et al., 2018)Network Analysis: An Integrative Approach to the Structure of Psychopathology (Borsboom Cramer, 2013)网络分析是一个快速发展的领域保持对最新方法学的关注非常重要。定期查看CRAN上的qgraph和bootnet包更新以及相关领域的顶级期刊如Psychological Methods和Multivariate Behavioral Research是很好的习惯。
