網絡心理計量學

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。網絡取向質疑這一圖像是否總是恰當，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

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。

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。

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。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。

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，但這幅圖有多少是真實訊號、多少是抽樣雜訊？若不加品管，研究者極易對一個其實不穩定的網絡過度詮釋。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。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。

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

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，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。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