在心理网络建模中探索减少维度的估计程序
Dingjing Shi1, Alexander P Christensen2, Eric Anthony Day1
1Department of Psychology, University of Oklahoma, Norman, OK, USA.
Multivariate behavioral research
|September 16, 2024
概括
本研究介绍了贝叶斯估计算法用于网络心理测量,表明它们的性能与评估数据维度的传统方法一样好或更好. 这些新技术在各种条件下提供稳定的性能.
科学领域:
- 心理测量 心理测量 心理测量
- 网络分析 网络分析
- 统计建模 统计建模
背景情况:
- 了解心理数据需要检查可变结构和维度.
- 探索图分析 (Exploratory Graph Analysis,简称EGA) 是网络心理测量模型的一个常规方法.
- 评估维度对于准确的数据解释至关重要.
研究的目的:
- 评估网络心理测量模型的替代贝叶斯估计算法.
- 将这些贝叶斯方法与传统的基于GLASSO的EGA和并行分析 (PA) 进行比较.
- 评估这些技术在检测多维和单维因子结构方面的性能.
主要方法:
- 应用贝叶斯联或杰弗里斯先验用于图形结构估计.
- 使用卢温社区检测算法进行节点分区.
- 进行蒙特卡洛模拟来比较算法性能.
- 探索四个完整的贝叶斯式技术来进行维度评估.
主要成果:
- 贝叶斯算法表现出与GLASSO-EGA和PA相比的或更高的性能.
- EGA.analytical显示了多维结构的最佳准确度错误平衡.
- 采样提供了比PA更高的准确性和更小的错误.
- 贝叶斯技术在小样本尺寸的维度评估中表现出色.
结论:
- 建议EGA.analytical和EGA.sampling作为维度评估的有价值的替代工具.
- 突出了贝叶斯技术在不同数据条件中的稳定性.
- 建议对贝叶斯框架的网络建模进行有希望的扩展.
