DOI: https://doi.org/10.1007/s10608-026-10719-0
تاريخ النشر: 2026-03-16
المؤلف: Reeta Kankaanpää وآخرون
الموضوع الرئيسي: مواضيع بحث الصحة النفسية
نظرة عامة
تستكشف هذه الدراسة تأثير خطأ القياس على تقدير الشبكات الديناميكية في سياق الاضطرابات النفسية، مقارنةً بين نماذج المؤشر الواحد والنهج متعدد المؤشرات. أجرى المؤلفون دراستين محاكاة—إحداهما باستخدام بيانات السلاسل الزمنية والأخرى باستخدام بيانات اللوحات—لتقييم كيفية تأثير استراتيجيات القياس المختلفة (المتغيرات الكامنة، القيم المحتملة، درجات العوامل، والدرجات المتوسطة) على تقديرات معلمات الشبكة. قاموا بتغيير تباين خطأ القياس وعدد الملاحظات لتقييم العلاقة بين أوزان حواف الشبكة المقدرة والحقيقية، بالإضافة إلى الحساسية، والخصوصية، والدقة.
تكشف النتائج أن خطأ القياس يقلل بشكل كبير من العلاقة بين الشبكات الحقيقية والمقدرة، حيث إن نهج المؤشر الواحد يكون عرضة بشكل خاص لهذه التحيزات. في كلا الدراستين، تفوقت طرق المؤشر المتعدد عمومًا على نهج المؤشر الواحد، خاصةً في ظروف خطأ القياس العالي أو الملاحظات المحدودة. ومن الجدير بالذكر أن نهج درجات القيم المحتملة أظهر أداءً متسقًا عبر مقاييس مختلفة، بينما أظهر نهج المتغير الكامن حساسية شديدة، مما أدى إلى شبكات متصلة بالكامل أو فارغة. تستنتج الدراسة أن استخدام استراتيجيات المؤشر المتعدد يمكن أن يعزز بشكل كبير تقدير الشبكات الديناميكية، على الرغم من أن اختيار الطريقة يجب أن يتناسب مع سؤال البحث المحدد المطروح.
مقدمة
تستعرض مقدمة الورقة النهج الشبكي النفسي، الذي يرى أن البنى النفسية، وخاصة في علم النفس المرضي، هي شبكات من الأعراض المترابطة التي تعزز بعضها البعض. يبرز المؤلفون الأهمية المتزايدة للقياسات النفسية الشبكية، التي تستخدم نماذج إحصائية لتقدير هذه الشبكات من البيانات النفسية. يتم التأكيد بشكل خاص على نماذج الشبكات الديناميكية لإمكاناتها في توضيح مسارات الأعراض بمرور الوقت، باستخدام كل من بيانات السلاسل الزمنية وبيانات اللوحات لاستكشاف الديناميات داخل الأفراد وبين الموضوعات.
تهدف الدراسة إلى معالجة التحديات التي يطرحها خطأ القياس في الدراسات الطولية، خاصةً عند استخدام مقاييس المؤشر الواحد، التي يمكن أن تحرف تقديرات المعلمات وتؤثر على العلاقات بين المتغيرات. يقترح المؤلفون دراسة محاكاة لتقييم أداء الشبكات الديناميكية بناءً على نهج المؤشر الواحد مقابل نهج المؤشر المتعدد، بما في ذلك نمذجة المتغيرات الكامنة ودرجات العوامل. ستقوم الورقة بتقييم كيفية أداء هذه الطرق في وجود خطأ القياس، مع التركيز على دقة الارتباط، الحساسية، الخصوصية، والدقة. تشير النتائج الأولية إلى أن نهج المؤشر المتعدد يتفوق عمومًا على طرق المؤشر الواحد، مما يوفر رؤى قيمة للباحثين في اختيار استراتيجيات القياس المناسبة لتقدير الشبكات الديناميكية.
طرق
في هذه الدراسة المحاكاة المسجلة مسبقًا، هدف المؤلفون إلى تقييم أداء أساليب القياس المختلفة—المتغير الكامن، درجة القيمة المحتملة، درجة العامل، الدرجة المتوسطة، والمقياس الفردي—في سياق تحليل الشبكة. استخدمت الدراسة الإصدار 4.4.0 من R ومجموعات بيانات تجريبية متاحة عبر الإنترنت. كان التركيز الرئيسي هو تحديد كيفية تأثير خطأ القياس على أداء الشبكة، مع تحديد العتبة لتباين خطأ القياس التي عندها ينخفض الأداء، كما يتضح من الأوزان المتضخمة أو المنخفضة للحواف وتقليل الخصوصية والحساسية. بالإضافة إلى ذلك، استقصت الدراسة أي أنواع الشبكات (المتزامنة، الزمنية، أو بين الموضوعات) هي الأكثر عرضة لخطأ القياس وقيمت الحد الأدنى من حجم العينة المطلوب لتقديرات مستقرة في النماذج المعقدة.
اتبعت المحاكاة عملية من أربع خطوات: بناء شبكة توليد البيانات من البيانات التجريبية، محاكاة المؤشرات مع إضافة خطأ القياس، تقدير أساليب القياس المختلفة، وتطبيق نموذج الانحدار الذاتي المتجه العام (GVAR) على المتغيرات المتعلقة بالمزاج. أشار المؤلفون إلى أنه بينما يمكن أن تؤدي النماذج المعقدة مثل المتغيرات الكامنة والقيم المحتملة إلى تقديرات دقيقة، فإنها تتطلب أحجام عينات أكبر مقارنةً بالطرق الأبسط مثل درجات العوامل أو الدرجات المتوسطة. استخدمت الدراسة تقدير الحد الأقصى لمعلومات كاملة (FIML) للتعامل مع البيانات المفقودة وقامت بتقليم النموذج عند مستوى ألفا 0.05 لتعزيز موثوقية النتائج.
مناقشة
في هذا القسم، يناقش المؤلفون آثار خطأ القياس في نماذج الشبكات الديناميكية، مع التركيز بشكل خاص على كيفية تأثيره على موثوقية ودقة تقديرات الشبكة المستمدة من البيانات الطولية. يبرزون الاستخدام المتزايد للطرق الفردية لتخصيص التقييمات والعلاجات، التي تسهلها جمع البيانات الطولية المكثفة. يتم التأكيد على نموذج الانحدار الذاتي المتجه الرسومي (GVAR) كأداة رئيسية لالتقاط العلاقات الزمنية والمتزامنة في مثل هذه البيانات. يشير المؤلفون إلى أنه بينما يمكن أن تتضمن نماذج GVAR الابتكارات، إلا أنها لا تعالج خطأ القياس بشكل صريح، مما يمكن أن يحرف التقديرات بشكل كبير في كل من السياقات المقطعية والطولية.
يلخص المؤلفون النتائج من الدراسات السابقة التي تشير إلى أن خطأ القياس يمكن أن يؤدي إلى تقليل الموثوقية وتقليل أوزان الحواف في تحليلات الشبكة. على وجه الخصوص، يستشهدون بأدلة تشير إلى أن استخدام مؤشرات متعددة لكل عقدة يعزز حساسية الشبكة ويحسن تقديرات القوة العالمية والمركزية. في السياقات الطولية، يمكن أن يحرف خطأ القياس معاملات الانحدار الذاتي، مما يؤدي إلى تقديرات منخفضة للتأثيرات الزمنية. يقترح المؤلفون أن طرقًا مختلفة قد تم تطويرها للتخفيف من هذه القضايا، خاصةً في نماذج المؤشر الواحد، ويقترحون أن طرقًا مماثلة يمكن تكييفها لنماذج الشبكة الديناميكية متعددة المتغيرات. تهدف دراستهم إلى مقارنة فعالية أساليب قياس المؤشر الواحد مقابل المؤشر المتعدد في استعادة الهياكل الحقيقية للشبكة في وجود خطأ القياس، مما يساهم في فهم كيفية التعامل بشكل أفضل مع خطأ القياس في نمذجة الشبكات الديناميكية.
DOI: https://doi.org/10.1007/s10608-026-10719-0
Publication Date: 2026-03-16
Author(s): Reeta Kankaanpää et al.
Primary Topic: Mental Health Research Topics
Overview
This study investigates the impact of measurement error on the estimation of dynamic networks in the context of mental disorders, comparing single-indicator models to multiple-indicator approaches. The authors conducted two simulation studies—one using time series data and the other using panel data—to evaluate how different measurement strategies (latent variables, plausible values, factor scores, and average scores) affect network parameter estimates. They varied the variance of measurement error and the number of observations to assess the correlation between estimated and true network edge weights, as well as sensitivity, specificity, and precision.
The findings reveal that measurement error significantly reduces the correlation between true and estimated networks, with the single-indicator approach being particularly vulnerable to these biases. In both studies, multiple-indicator methods generally outperformed the single-indicator approach, especially under conditions of high measurement error or limited observations. Notably, the plausible value score approach exhibited the most consistent performance across various metrics, while the latent variable approach showed extreme sensitivity, leading to either fully connected or empty networks. The study concludes that employing multiple-indicator strategies can substantially enhance the estimation of dynamic networks, although the choice of method should be tailored to the specific research question at hand.
Introduction
The introduction of the paper outlines the psychological network approach, which views psychological constructs, particularly in psychopathology, as networks of interrelated symptoms that reinforce one another. The authors highlight the growing relevance of network psychometrics, which employs statistical models to estimate these networks from psychological data. Dynamic network models, in particular, are emphasized for their potential to elucidate symptom pathways over time, utilizing both time series and panel data to explore intraindividual and between-subject dynamics.
The study aims to address the challenges posed by measurement error in longitudinal studies, particularly when using single-indicator measures, which can bias parameter estimates and affect correlations among variables. The authors propose a simulation study to evaluate the performance of dynamic networks based on single-indicator versus multiple-indicator approaches, including latent variable modeling and factor scores. The paper will assess how these methods perform in the presence of measurement error, focusing on correlation accuracy, sensitivity, specificity, and precision. Preliminary findings suggest that multiple-indicator approaches generally outperform single-indicator methods, providing valuable insights for researchers in selecting appropriate measurement strategies for estimating dynamic networks.
Methods
In this preregistered simulation study, the authors aimed to evaluate the performance of various measurement approaches—latent variable, plausible value score, factor score, average score, and single-indicator—in the context of network analysis. The study utilized R version 4.4.0 and empirical datasets accessible online. A key focus was to determine how measurement error impacts network performance, specifically identifying the threshold of measurement error variance at which performance declines, as evidenced by inflated or deflated edge weights and reduced specificity and sensitivity. Additionally, the study investigated which network types (contemporaneous, temporal, or between-subjects) are most susceptible to measurement error and assessed the minimum sample size required for stable estimates in complex models.
The simulation followed a four-step process: constructing a data-generating network from empirical data, simulating indicators with added measurement error, estimating various measurement approaches, and applying a Generalized Vector Autoregressive (GVAR) model to mood-related variables. The authors noted that while complex models like latent variables and plausible values can yield accurate estimates, they necessitate larger sample sizes compared to simpler methods such as factor scores or average scores. The study employed Full Information Maximum Likelihood (FIML) estimation to handle missing data and pruned the model at an alpha level of 0.05 to enhance the reliability of the results.
Discussion
In this section, the authors discuss the implications of measurement error in dynamic network models, particularly focusing on how it affects the reliability and accuracy of network estimates derived from longitudinal data. They highlight the increasing use of idiographic methods for personalizing assessments and therapies, facilitated by intensive longitudinal data collection. The graphical vector-autoregressive (GVAR) model is emphasized as a key tool for capturing temporal and contemporaneous relationships in such data. The authors note that while GVAR models can incorporate innovations, they do not explicitly address measurement error, which can significantly bias estimates in both cross-sectional and longitudinal contexts.
The authors summarize findings from previous studies indicating that measurement error can lead to reduced reliability and attenuated edge weights in network analyses. Specifically, they cite evidence that using multiple indicators per node enhances network sensitivity and improves estimates of global strength and centrality. In longitudinal settings, measurement error can bias autoregressive coefficients, leading to underestimations of temporal effects. The authors propose that various methods have been developed to mitigate these issues, particularly in single-indicator models, and suggest that similar approaches could be adapted for multivariate dynamic network models. Their study aims to compare the effectiveness of single versus multiple indicator measurement approaches in recovering true network structures in the presence of measurement error, thereby contributing to the understanding of how to better handle measurement error in dynamic network modeling.