網絡心理計量學

=1.5em

前一章預告了一個把機器學習的圖模型思維帶進心理測量的新取向。本章要把它獨立展開為一套完整的方法論。網絡心理計量學（network psychometrics）的挑戰是根本性的：它不只提供了一組新的統計工具，更提出了一個關於「心理構念是什麼」的替代本體論。本書自第三章起所倚重的潛在變項傳統，把觀測變項之間的相關解釋為一個共同潛在原因的反映；網絡取向則反其道而行，主張觀測變項本身是彼此直接交互作用的自主實體，其相關來自這些直接的相互影響，而非某個隱身其後的共同因。這個看似抽象的分歧，卻對測量、統計與介入都有具體而深遠的後果。

本章對網絡取向作一完整而誠實的處理。首先闡明其本體論提案，及其對智力 g 因素與精神病理的再詮釋。其次建立方法核心，即以偏相關為邊的高斯圖形模型、其正則化估計與近年的反思、以及二元資料的 Ising 模型。再者，處理中心性指標的詮釋陷阱、網絡穩定性的品管、以及一場對整個次領域具有塑造意義的可重製性辯論。本章特別正視一個核心的方法論問題，即網絡與潛在變項在統計上何時等價，並據此得出橫斷網絡無法裁決本體論之爭的警語。最後論及 EGA 作為維度工具、精神病理與態度的應用、以及從描述工具邁向生成理論的前沿。全章以「憂鬱與焦慮的共病網絡」為貫穿實例，即以一份症狀量表資料，依序估計網絡、辨識橋接症狀、評鑑穩定性，並檢視「介入該打哪個節點」這一論證及其反論。

把構念想成系統：一個本體論提案

網絡取向的思想起點，是對共同原因模型的一個直接挑戰。在潛在變項的世界觀裡，一群症狀之所以相關，是因為它們同為某個潛在疾病的表現，控制了那個潛在變項，症狀間的相關便會消失，此即局部獨立。這個圖像在許多場合確實恰當：一份數學成就測驗的各題之所以彼此相關，是因為考生的數學能力有高有低，題目本身並不會互相影響，答對第三題並不會讓第七題變得比較容易，把能力固定住，題目之間的關聯也就所剩無幾。

但把同一套邏輯搬到憂鬱症狀上，就顯得可疑了。設想一份常見的憂鬱量表所測的三個症狀：入睡困難、白天疲勞、注意力不集中。這三者當然彼此相關，但相關的理由未必是它們共同反映了背後那個叫做「憂鬱」的東西。一個晚上睡不好，隔天就是會累；累了一整天，注意力就是會渙散。這裡的關聯是症狀對症狀的直接作用，不必繞道任何潛在原因。若真是如此，控制住潛在變項並不會讓這些相關消失，局部獨立便從一個技術性的模型假定，變成一個關於心理現象如何構成的實質主張。網絡取向正是抓住這個縫隙，質疑共同原因的圖像是否總是恰當，如下面的概念方塊所示。

本體論的翻轉帶來了實質的後果。若疾病是症狀相互維持的網絡狀態，則治療的目標就不再是消除一個隱身的潛在病因，而是打斷維持該狀態的症狀迴路；某些症狀因其在網絡中的位置而可能是更有效的介入標的。這個「介入該打哪個節點」的問題，將貫穿全章，也是網絡取向最具臨床吸引力、卻也最須方法論審慎的主張。此處的本體論爭議延續自第三章對構念本體地位的討論，本章則將其發展為可估計、可檢驗的方法。

從相關到偏相關：條件獨立的地圖

上一節提出了一個本體論主張，但主張要成為方法，得先有一把能把「直接」與「間接」分開的尺。若只看原始相關矩陣，症狀網絡幾乎必然是一張所有節點兩兩相連的完全圖，因為在一群憂鬱症狀中隨便挑兩個出來計算相關，數值大多落在 0.3 到 0.6 之間，這樣的圖沒有結構可言，也就無從辨別哪些連結是真的。網絡取向要把「症狀之間的直接關聯」與「經由其他症狀中介的間接關聯」分開，其核心工具是偏相關。兩個症狀的原始相關，可能大部分是透過第三個症狀傳遞的；唯有控制了其餘所有變項之後仍存在的關聯，才被視為一條直接的邊。這一節要說明的，正是偏相關為何恰好承擔得起這個角色，以及一整張偏相關網絡在統計上究竟是一幅什麼樣的圖。

這一連結賦予了網絡清晰的統計意義：一條邊代表兩節點在控制網絡中其餘一切之後仍存在的直接關聯，其粗細與正負對應偏相關的強度與方向。以憂鬱與焦慮的共病資料為例，原始相關矩陣中幾乎所有症狀都彼此相關，但估計出的偏相關網絡卻遠為稀疏，只有少數直接連結，這使我們得以看見哪些症狀是真正直接相連、哪些不過是經由中介而間接相關。

一個具體的對照有助於看清這個差別。假定在一份憂鬱量表的資料中，「入睡困難」與「注意力不集中」的原始相關為 0.42，單看這個數字，兩者的關聯相當實質；但把「白天疲勞」及其餘症狀一併控制之後，兩者的偏相關只剩 0.06。這個落差要這樣讀：表面上 0.42 的關聯，幾乎全部是經由疲勞這條路徑傳遞的，一旦疲勞被固定住，睡不好與分心之間便所剩無幾，網絡圖上這兩個節點之間不該畫線。相對地，若「入睡困難」與「白天疲勞」的偏相關仍有 0.31，那就表示即使把其餘所有症狀都納入考慮，這一對症狀之間仍留有一條無法被別的症狀解釋掉的直接連結，這才是網絡圖上該畫出來的邊。

估計：graphical lasso 與其反思

以樣本精度矩陣直接估計網絡，在心理學典型的樣本量下並不穩定，且幾乎不會產生恰為零的元素，因而得到的網絡稠密而充滿雜訊。為得到稀疏而可詮釋的網絡，網絡估計普遍借用了第三十四章的正則化思維。graphical lasso 對精度矩陣的非對角元素施加 L_1 懲罰，其目標是最大化懲罰後的對數概似：

其中 \mathbf{S} 為樣本共變數矩陣。L_1 懲罰把許多微小的偏相關壓為恰好的零，從而產生稀疏的網絡；調校參數 \lambda 常以擴展貝氏資訊準則（EBIC）選定，Epskamp et al. (2018) 對這一整套估計與評鑑流程作了系統的整理。

\lambda 的作用可以想成一個旋鈕。旋鈕轉到底、\lambda 為零時懲罰消失，估出的網絡幾乎是一張完全圖，每一條邊都非零，其中絕大多數只是抽樣雜訊；旋鈕轉到另一端、\lambda 很大時，所有邊都被壓成零，網絡散成一盤互不相連的節點。有用的網絡落在兩端之間，而 EBIC 的工作就是在這一整排候選網絡中挑出一個。它的作法是把每個候選網絡的對數概似（適配資料的好壞）減去一個隨非零邊數上升的懲罰項，取懲罰後數值最佳的那一個；其中的超參數 \gamma 控制懲罰的力道，\gamma 越大越偏好稀疏的解，心理網絡文獻慣以 0.25 或 0.5 為預設。換言之，這仍是資訊準則權衡適配與簡約的老邏輯，只是這裡被權衡的參數是一條一條的邊。

設想一份二十題的憂鬱量表，二十個節點兩兩配對，共有 190 條可能的邊。在 \lambda 極小時，估出的網絡可能保留 180 條以上的邊，密得看不出任何結構；隨著 \lambda 增大，邊數依序降到 60 條、38 條、12 條。若 EBIC 在 38 條邊處達到最佳，選定的便是這張含 38 條邊的網絡。這個結果要這樣讀：190 條可能的連結中有八成被判定為「在控制其餘症狀之後並無直接關聯」。而這個八成並非資料單方面說了算，它同時取決於 \gamma 的設定，這正是下一段要提醒的事。

然而，正則化估計近年也受到反思。L_1 懲罰雖能產生令人賞心悅目的稀疏網絡，卻也可能因過度收縮而遺漏真實但微弱的邊，並使估計的邊權重系統性地偏向零。因此近年出現了若干替代取向，包括不施加正則化而改以逐一顯著性檢定決定邊的存否、以及以貝氏方法直接對圖形模型的結構與參數作後驗推論，後者可自然地量化每一條邊存在與否的不確定性，其計算倚賴第三十三章的貝氏取向。這些反思的共同教訓是，一張漂亮的稀疏網絡並非中性的資料呈現，而是特定估計選擇的產物，其結構須被理解為對估計方法而非僅對資料的反映。

二元世界的 Ising 模型

高斯圖形模型假定變項連續且多元常態，但心理學的許多症狀資料是二元的，如某症狀存在與否。對二元變項，網絡取向借用了源自統計物理的 Ising 模型。它原用以描述磁性材料中自旋粒子的相互作用，被移植來刻畫症狀之間的成對交互。Ising 模型是一個成對馬可夫隨機場，其對一組二元變項 \mathbf{x} 的聯合機率為

其中 \tau_i 為節點的閾值參數、\omega_{ij} 為節點 i 與 j 之間的成對交互強度（即邊的權重），Z 為正規化常數。\omega_{ij}>0 表示兩症狀傾向共同出現，\omega_{ij}=0 則表示在給定其餘症狀下條件獨立、無邊相連。Ising 模型使二元症狀資料的網絡估計成為可能，也把網絡取向與統計物理的豐富傳統接上了線。

兩個模型的分工，實務上取決於資料的形態。李克特式的量表題目，例如 CES-D 那種詢問「過去一週有幾天感到……」的四點計分，通常被當作連續變項處理，適用高斯圖形模型；而診斷晤談所記錄的「此症狀在過去兩週是否達到準則」這類是非題，或把量表題目依臨床切分點二分後的資料，則適用 Ising 模型。設想在一份二分計分的憂鬱症狀資料中，「食慾改變」與「體重下降」之間估得的 \omega_{ij}=0.85。這個數字要這樣讀：在其餘症狀都固定的條件下，一個人若出現食慾改變，其同時出現體重下降的對數勝算會比未出現食慾改變時高出 0.85，也就是勝算約為 2.3 倍，兩個症狀明顯傾向結伴出現。若另一對症狀的 \omega_{ij} 被估為零，則兩者在給定其餘症狀下條件獨立，圖上不畫線。而正是這個 Ising 模型，成為後文網絡與潛在變項等價性論證的關鍵。

中心性：誘人但危險的指標

一旦估得網絡，一個自然的問題是「哪些節點最重要」。社會網絡分析發展出的中心性指標，被廣泛移植到心理網絡上以回答此問。強度中心性（strength）加總一個節點所有邊的絕對權重，衡量它與其他節點連結的總強度；期望影響（expected influence）則保留邊權重的正負號，衡量一個節點對網絡的淨影響。這些指標之所以誘人，在於它們似乎直接回答了臨床上最關切的問題，即哪個症狀是介入的最佳標的。

另外兩個常被一併報告的指標，源自社會網絡分析對「東西如何在網絡中流動」的關切。接近性中心性（closeness）先算出一個節點到其他所有節點的最短路徑長度，再取其總和的倒數，值高表示這個節點離網絡的每個角落都不遠。中介性中心性（betweenness）則計算網絡中任意兩節點之間的最短路徑有多少條會經過某個節點，值高表示這個節點是許多路徑的必經樞紐。在社會網絡裡，這兩個量有清楚的所指，即一則消息傳到某人耳中要經過幾手、以及誰扼守著消息流通的咽喉；心理症狀網絡裡是否也有對應的所指，則是下一段要質疑的。

這些數值讀起來相當直觀。設想在憂鬱與焦慮的共病網絡中，「疲勞」的強度中心性為 1.42，而「自殺意念」為 0.36。這兩個數字的意思是，把疲勞這個節點連出去的每一條邊的偏相關取絕對值後加總，得到 1.42；自殺意念同樣加總，只得 0.36。換句話說，疲勞與其他症狀之間有較多且較強的直接連結，自殺意念則相對孤立，主要只與少數幾個症狀相連。期望影響則會給出不同的排序，因為它不取絕對值而保留正負號：一個既連出強正邊、又連出強負邊的節點，正負相抵之後期望影響可能接近零，即使它的強度中心性名列前茅。同一個節點在兩個指標上排名迥異，本身就是一個訊號，提醒研究者先問清楚指標在算什麼，再談誰最重要。

然而中心性指標的移植充滿陷阱。Bringmann et al. (2019) 對「中心性到底測量了什麼」提出了尖銳的質疑，指出源自社會網絡的介數（betweenness）與接近性（closeness）中心性，在心理網絡的脈絡中詮釋極為可疑，因為它們預設了某種在網絡中流動的東西，而症狀網絡中並無明確對應的流動概念。此外，中心性指標對估計誤差高度敏感，在心理學典型的樣本量下常不穩定；而一個節點在網絡中「中心」，也不當然意味著介入它就會有效，因為中心性描述的是相關結構中的位置，而非因果影響力。把高中心性逕自解讀為「最佳介入標的」，是一個混淆了結構位置與因果效力的推論跳躍，須格外審慎。

穩定性與準確度：網絡的品管

網絡估計產出的是一幅結構精細的圖，每一條邊都有粗細、每一個節點都有中心性數值，看起來精確得令人放心。但這幅圖裡有多少是真實訊號、多少是抽樣雜訊？前幾節處理的是如何把網絡估出來，這一節要問的是估出來的東西能不能相信。這個問題在心理網絡上格外尖銳：一份二十題的量表就有 190 個邊參數待估，而心理學研究常見的樣本量不過數百人，參數與樣本的比例遠比一般的因素模型緊繃。若不加品管，研究者極易對一個其實並不穩定的網絡作出過度詮釋。網絡心理計量學因而發展出一套以重抽樣為基礎的穩定性評鑑程序，其邏輯延續自第十二章的拔靴法。

這套程序有兩個支柱。其一是以非參數拔靴估計邊權重的信賴區間，若某條邊的區間橫跨零，則其存在與強度皆不可過度解讀。其二是以個案丟棄拔靴評估中心性次序的穩定，即逐步剔除部分受試者、重估網絡，觀察中心性排序是否維持；Epskamp et al. (2018) 並提出相關穩定係數（correlation-stability coefficient）以量化中心性次序可承受多大比例的樣本剔除而仍維持穩定，並建議此係數至少達到某一門檻方可審慎詮釋中心性。

相關穩定係數的讀法值得說明。設想一份 300 人的憂鬱症狀資料，個案丟棄拔靴顯示，隨機剔除 45% 的受試者後重估網絡，所得的強度中心性次序與全樣本次序的相關仍維持在 0.7 以上，再多剔除就掉下來了，則相關穩定係數即為 0.45。文獻慣以 0.25 為可詮釋的下限、0.5 為理想值，因此 0.45 意味著中心性次序尚稱穩健，可以審慎討論高低，但不宜宣稱某個節點確定排第一。若同一份資料算出的係數只有 0.13，也就是剔除一成三的個案就足以打亂排序，那麼中心性次序根本不該被賦予實質詮釋。

這套品管程序的重要性，怎麼強調都不為過。心理網絡研究早期的一個通病，是對單一樣本估得的網絡結構與中心性次序作過度自信的實質詮釋，而未評估這些結論在抽樣變異下的穩定。以憂鬱與焦慮的共病網絡為例，若穩定性分析顯示中心性次序在剔除少量個案後即大幅變動，則任何「某症狀最中心、應優先介入」的宣稱都失去了依據。穩定性評鑑因而不是可有可無的附加步驟，而是網絡結論可信度的前提。

可重製性辯論的教訓

網絡心理計量學作為一個年輕的次領域，經歷了一場對其具有塑造意義的可重製性辯論。Forbes et al. (2017) 分析了兩個高度相似的大型流行病學樣本，宣稱精神病理的症狀網絡在樣本之間重製性有限，若干網絡指標與中心性次序並不穩定，因而質疑網絡方法的效用。這一挑戰引發了網絡陣營的強力回應，後者重新分析同一批資料，主張在正確實作各種網絡模型、並採用恰當的重製性度量後，網絡其實跨樣本重製得相當好，並將原分析的悲觀結論歸因於方法實作與度量選擇的問題。

這場辯論的價值，不在於判定哪一方全然正確，而在於它所留下的方法論教訓。它迫使整個次領域正視估計的不確定性、標準化分析流程、並謹慎地區分「網絡結構的重製」與「中心性次序的重製」這兩個難度不同的問題。這與第三十二章所論的心理學再現危機遙相呼應，也可視為網絡取向的一場成年禮，即一個方法在其宣稱能被獨立檢驗、其不確定性能被誠實量化之後，才真正走向成熟。這場辯論的最終遺產，是一套遠比早期嚴謹的穩定性評鑑與報告規範。

網絡等於潛在變項嗎：等價性結果

到此為止，本章談的都是網絡怎麼估、估得準不準。但還有一個更前提性的問題尚未回答：即使把一張網絡估得又穩又準，這張圖是否就證明了症狀之間存在直接的相互作用？本章開頭的本體論之爭，能不能就交由資料來裁決？答案並不站在網絡取向這一邊，而且下這個結論的不是外部的批評者，而是網絡陣營自己的數學工作。網絡取向最深刻的理論結果，也是它對自身本體論主張最誠實的一次檢視，正是網絡模型與潛在變項模型在統計上的等價性。

這一等價性結果對網絡取向的本體論主張，構成了一個至關重要的限定。它意味著，橫斷的觀測資料本身，原則上無法裁決「症狀相關究竟源於相互作用還是共同原因」這一本體論之爭，因為兩種截然不同的因果故事可以生成完全相同的資料。因此，估得一個適配良好的網絡，並不證明症狀之間真的存在直接的因果作用，正如一個適配良好的因素模型並不證明潛在共同因真的存在。

值得留意的是，等價性所限定的是橫斷資料，而非所有資料。兩種故事之所以無法分辨，正因為橫斷資料只提供了變項之間的一組共變關係，而共變關係可以由多種生成機制產生。一旦資料帶有時間或干預的資訊，情況就不同了：若睡眠改善之後疲勞才跟著下降，且順序穩定地出現，或是實驗性地改善睡眠確實帶動了疲勞的變化，這樣的證據才開始能區辨相互作用與共同原因。

本書的方法論立場因而是審慎的：網絡是一個有價值的探索與描述工具，能揭示條件獨立結構、生成關於症狀動態的假設，但把橫斷網絡的邊逕自解讀為因果作用，或以之作為本體論之爭的裁決，皆超出了資料所能支持的範圍。要真正裁決相互作用與共同原因，須訴諸縱貫與實驗的證據，即第三十章的動態網絡與第三十一章的因果識別。

EGA：網絡作為維度工具

即使擱置本體論之爭，網絡方法仍為一個古老的實務問題提供了有力的新工具，即決定一組題目測量了幾個維度。探索性圖形分析（exploratory graph analysis, EGA）先估計題目的偏相關網絡，再以社群偵測（community detection）演算法在網絡上辨識出彼此緊密相連的節點群，每一個社群即對應一個維度。Golino & Epskamp (2017) 顯示，EGA 在決定維度數上，常較第十四章所述的傳統因素保留法（如平行分析）表現更準確，尤其在維度相關或每維題目數不均時。

EGA 的意義，超出了單純多一種決定維度數的方法。它體現了網絡與潛在變項傳統在實務上並非全然對立，而可以富有成效地對話：一個以網絡估計為基礎的程序，回答的卻是一個潛在變項框架下的經典問題，即維度性。這種跨取向的工具借用，比本體論的壁壘分明更能推進實作。第十四章在討論因素數目的決定時，已為 EGA 保留了指引，本章則說明其網絡估計的基礎；兩章的分工，正反映了網絡方法既是本體論的挑戰者、也是方法工具箱的貢獻者這一雙重身分。

應用：精神病理與態度

網絡取向在應用上最活躍的領域是精神病理。共病（comorbidity），即兩種診斷頻繁地共同出現，在共同原因模型下難以自然地解釋，但在網絡取向下卻有一個優雅的圖像：兩個疾病的症狀網絡，可能透過少數同時屬於兩者、或直接連結兩個症狀群的橋接症狀（bridge symptoms）而相連，共病正是活化沿著這些橋接症狀在兩個網絡間擴散的結果。以憂鬱與焦慮的共病網絡為例，辨識出的橋接症狀（如「難以放鬆」可能同時連結焦慮與憂鬱症狀群）便成為理解共病機制、乃至設計介入的焦點。Robinaugh et al. (2020) 對網絡取向在精神病理學十餘年的發展作了全面的回顧。

除精神病理外，網絡取向也被應用於態度研究，把一個態度視為信念、情感與行為傾向相互支持的網絡，其穩定與極化可由網絡的連結結構理解。這些應用的共同吸引力，在於網絡把「系統」的直覺形式化，使相互維持、自我強化、臨界轉變等系統性現象得以被建模。但這些應用也共享前述的方法論限定：橫斷網絡的結構是相關性的，其因果與介入意涵須以更強的證據支持，而非由網絡圖本身逕自宣稱。

批判與前沿：從描述到理論

網絡取向的十餘年發展，已從最初的本體論宣言走向工具箱的成熟，但它也正面臨一個深刻的自我批判，即多數所謂的網絡模型其實只是描述工具，而非生成理論。一張估計出的偏相關網絡，描述了資料的條件獨立結構，卻不告訴我們症狀之間為何以及如何相互作用；它是資料的一個統計摘要，而非一個能預測系統在干預下如何反應的機制模型。網絡取向若要兌現其「構念即系統」的理論野心，就必須從描述性的網絡估計，邁向能形式化症狀動態的計算生成模型。

幾條前沿正朝此方向推進。其一是網絡理論的形式化，即以明確的動態方程描述症狀如何隨時間相互驅動，使網絡從一幅靜態的相關地圖，變為一個可模擬、可預測的動態系統，其估計倚賴第三十章的動態網絡方法。其二是調節網絡模型（moderated network models），容許邊的強度隨第三變項而變，以刻畫網絡結構的情境依賴。其三是網絡與因果發現的接軌，即以有向無環圖的學習演算法，試圖從資料中恢復症狀之間的因果方向，這直接連結第三十一章的因果推論，也再次提醒我們網絡的因果詮釋須有超越橫斷相關的依據。這些前沿的共同方向，是把網絡從一種描述資料的方式，提升為一種關於心理系統如何運作的理論。

小結

本章把「構念即系統」的網絡取向，發展為一套完整而誠實的方法論。本體論上，網絡取向以症狀的相互作用取代共同潛在原因，作為觀測相關的解釋，並以互利論對智力 g 因素、以網絡觀對精神病理共病，提供了引人深思的再詮釋。方法上，本章建立了以偏相關為邊的高斯圖形模型及其由精度矩陣的導出、graphical lasso 的正則化估計與其近年反思、二元資料的 Ising 模型、中心性指標的詮釋陷阱、以及以重抽樣為基礎的穩定性品管。

本章特別以誠實的態度處理了兩個關鍵的限定。其一是可重製性辯論所留下的教訓，即網絡結論須經穩定性評鑑方可信賴。其二，也是更根本的，是 Ising 模型與多向度 IRT 的邊際等價所揭示的：橫斷資料原則上無法裁決網絡與潛在變項的本體論之爭，因而網絡的邊不應被逕自解讀為因果作用。在此限定之下，網絡仍是一個有價值的取向，它以 EGA 貢獻於維度評估、以橋接症狀照亮共病、並以其系統的直覺開啟了新的研究問題；而其真正的理論潛力，則有待從描述性的網絡估計，邁向能刻畫心理系統動態的生成理論。至此，本書已走過測量、統計、潛在變項、縱貫、因果、研究整合、貝氏、機器學習與網絡的漫長旅程；全書的最後一章，將回到貫穿始終的主線，對計量心理學的整合、開放科學實踐與未來走向，作一總結性的反思。

參考文獻